本文由作者在2026斯坦福大学全球绿色发展高峰会上的演讲稿更新而成。英文版链接
中国电信近期成立了"词元办公室"（Token Office），据称是央企中的首创。这意味着，词元（Token）已经不再只是一个技术概念，而正在成为一种战略资产。
乍看之下，这似乎预示着一个新时代的开启。但我的判断恰恰相反：词元经济，还未真正开始，就已经走向结束。
词元经济是一个过渡阶段，而非终点。
要理解这一点，我们需要先从一个看似毫不相关的话题谈起：咽喉要道（Chokepoints）。
01. 新的咽喉要道
每一个文明，都建立在对咽喉要道的掌控之上。
没有哪个国家比大英帝国更懂得如何利用海上咽喉建立一个时代；二战之后，美国继承并延续了这套战略体系。
所谓咽喉要道，就是那些决定人员、能源、货物和资本流动的狭窄通道：海峡、运河，有时也包括山口、管道和交通走廊。
几个最典型的例子：马六甲海峡，今天中国约80%的进口石油仍需经过这里，这也是所谓的"马六甲困境"；苏伊士运河；巴拿马运河；霍尔木兹海峡；以及数十条并不广为人知，却决定全球供应链运行的山口、管道和海上航道。
摊开一张咽喉要道地图，你看到的就是今天全球贸易、宏观经济和地缘政治秩序的底层结构。
然而，这张地图正在发生变化。
正在重绘的地图
在南美，秘鲁的钱凯港（Chancay）投入运营后，巴西的大豆、智利的铜矿可以直接运往上海，绕开巴拿马运河和洛杉矶港。
向北看，曾经更多停留在战略想象中的北极航道（The Arctic Route），随着冰情变化，正逐渐成为现实。相比传统的苏伊士航线，它可缩短约40%的航程。
再看欧亚大陆。如今，已有80多条铁路经由哈萨克斯坦和俄罗斯，把中国连接到200多个欧洲城市，这就是所谓的"钢铁丝绸之路"。与此同时，"中间走廊"（Middle Corridor）横跨里海，为欧亚贸易提供了另一条路径，降低了对俄罗斯和红海航线的依赖。而"国际南北运输走廊"（INSTC）则把印度、伊朗、中亚和俄罗斯连接起来，完全绕开苏伊士运河。
最引人注目的是，各行各业开始构建自己的专属路线，从电动汽车、锂矿到半导体。哈萨克斯坦开采的矿产可运往中国的加工中心，然后成品电动汽车通过铁路直接进入欧洲市场，时间约为传统海运的一半。
非地理性咽喉要道
如果我们把目光投向国界之外，一张完全不同的咽喉要道地图便浮现出来：稀土加工、半导体制造、先进封装……
最近更有人士指出特高压输电技术——将电力几乎无损地输送上千公里——也可以成为另一项中国独有的出口技术。
AI时代的新咽喉要道，不是海峡，而是芯片和电网。
新的贸易网络，正在重绘新的咽喉要道。但真正值得关注的是，未来的咽喉要道，将越来越少是地理意义上的。
它们可能属于某个产业，属于某项技术，也可能属于一种制度、一套规则，甚至一种新的基础设施。
02. 推理经济
对抗算力蛮力的三重押注：硅片、训练方法与终端数据
词元经济的暴力逻辑就是：谁拥有更多GPU、更多数据中心和更多能源，谁就能训练出更强大的模型。
在这套逻辑下，算力就是AI时代的石油，词元则是算力生产出来的商品。
中国显然具备参与这场竞争的条件。
近年来，即使西方主流媒体也不得不承认，中国已经建立起全球规模最大、体系最完整的能源转型基础设施。与此同时，中国也可能是唯一能够把"东数西算"这类工程推进到国家规模的主要经济体。
如果能源正在成为AI时代新的咽喉要道，那么中国最顺理成章的选择，似乎应该是继续扩大算力供给：建设更多数据中心，生产更多词元，再把能源优势转化为词元优势。
但中国似乎正在选择另一条路。
读懂《求是》
我一再对美国同仁说，如果想理解北京真正的政治思路，就读《求是》。
近期，《求是》刊发了一篇讨论中国AI整体布局的文章——《准确把握人工智能发展前沿与竞争格局》，明确提到了两个关键词："效率优先"和"算力精准供给"。
这两个词放在一起，传递出的信号非常明确。
我的解读是：这篇文章表明，北京已经形成了自己的AI战略理论语言。这是对华盛顿芯片战略的终极反制。
美国的芯片战略基于一个基本前提：训练对等。GPU对GPU。集群对集群。资本开支对资本开支。通过出口管制守住技术前沿。
但这套战略还有一个没有被充分讨论的假设：它默认中国必须用同样的方法参赛。
而中国AI战略正在押注另一条路：不是用更大的算力训练模型，而是打造推理芯片，以低成本大规模运行模型。
这就是推理经济。
推理芯片
一个5岁的孩子第一次学数学，靠做几千道练习题——这是训练。同一个孩子长大后，用已有知识快速完成一次数学小测验——这就是推理。
训练解决的是模型如何获得能力。推理解决的则是模型如何使用能力。
两者所需要的芯片，并不相同。
训练芯片追求的是大规模并行计算能力；推理芯片更关注响应速度、内存效率、功耗，以及完成每一次查询的实际成本。
DeepSeek已经能够在华为昇腾芯片上运行，并正在探索定制化推理芯片。OpenAI与博通等公司也在向相似方向发展。
受制程限制，中国的定制芯片可能无法依靠最先进的制造工艺，只能更多依赖架构创新。但这未必只是劣势。它也迫使模型公司更早进入软硬件协同设计的阶段。
DeepSeek使用的多头潜在注意力机制（MLA）就是一个例子。它可以将内存密集型的KV缓存压缩90%，从而大幅降低模型对高带宽内存的依赖。
过去，软件必须适应芯片。现在，模型的数学结构开始反过来决定芯片应该如何设计。
7月20日，在我编辑本文期间，《The Information》报道称，谷歌正在开发一款名为Frozen v2的纯推理芯片，其设计思路来自Jeff Dean。与通用TPU不同，Frozen v2试图把Gemini的神经网络架构直接固化在硬件电路中。它牺牲了灵活性，却换来了据称6至10倍的能效提升。
这意味着，一块芯片可能不再服务于所有模型，而只服务于一个模型；芯片不再只是运行模型的机器，而开始成为模型本身的一部分。
过去是模型运行在芯片上。
未来，模型就是芯片。
效率取代超大规模（Efficiency over Hyperscale）
芯片和硬件只是这场战斗的一半。另一半，发生在训练方法上。
当我在斯坦福演讲时，一则消息传出：月之暗面的Kimi K3，一个2.8万亿参数的开源权重模型，在前端与Anthropic的旗舰模型Fable打成平手。
真正值得关注的，并不只是它的参数规模，而是它如何控制成本。
但这些仍然只是技术骨架。我认为K3智能的真正引擎，在于其训练方式的根本转变：通过批改作业来学习，而非靠猜——端到端智能体强化学习。
过去，大模型主要通过预测下一个词完成训练。它读取海量文本，不断猜测下一个词最可能是什么。现在，模型开始通过完成任务、接受反馈和修正错误来学习。
这更像是批改作业，而不只是猜词游戏。端到端智能体强化学习的核心，正在于此。
一位叫Zephyr的X用户在2026年7月发推："过去9至12个月，中国出现了大量类似Mercor的公司。"
如果属实，这些公司绕开了简单的数据抓取，而是付费聘请领域专家、科学家、顶尖工程师、资深开发者，去构建严谨的强化学习环境，提供经过验证的问题，并由真正懂行的专家打分。
专家提出真正的问题，模型尝试解决，系统验证答案，真正懂行的人再对结果进行评价。
在这种训练方式下，最稀缺的资源不再只是GPU时间，而是高质量的问题、可靠的验证机制，以及真正具有专业判断力的人。
这代表着另一套AI规模定律。
模型的进步，不再只取决于投入多少算力，也取决于每一单位算力究竟获得了多少有效反馈。
效率，就是新的超大规模。（Efficiency is the new hyperscale.）
数据取代算力
而对原始算力暴力的另一次颠覆，是终端数据。
两年来，行业一直以集群规模来衡量AI进步。李飞飞博士却一直在唱反调。
最近在接受Tim Ferriss播客采访时，她简洁地指出：儿童理解世界，从来都不是通过原始计算，而是靠观察真实世界与环境互动。
在近期的一篇文章中，她把目前语言模型称为"对表征的表征"（representation of a representation）。语言保存了意义，却剥离了物理、几何和因果关系。
一个模型可以读完世界上所有关于杯子的文字，却依然不知道杯子如何被拿起，摔落时会发生什么，放在桌子边缘又意味着什么。
这或许是下一个AI竞争缺口：谁能掌握来自真实世界的专有传感器数据，谁就将赢得这场竞争。
它不是给语言模型增加一种新的模态，而是让AI重新进入真实世界。
这也解释了为什么"AI+"正在成为中国AI战略中的重要方向：AI必须进入制造、物流、医疗、能源和交通，而不能永远停留在聊天界面里。
但要做到这一点，还缺少一项关键基础设施：数据本体（Ontology）。
今天，大量传统行业仍然没有统一的数据语言。不同企业、不同设备和不同供应链环节之间，甚至无法用相同方式描述同一个对象。
谁能建立这套语言本体，谁就能把真实世界转化为模型可以理解的训练环境。
而谁拥有来自工厂、机器人、车辆、电网和传感器的专有数据，谁就可能拥有下一代AI最重要的资源。
过去的竞争，是谁拥有更多词元。
下一场竞争，是谁拥有更多真实世界。
这就是为什么Kimi K3的发布，或许是AI竞争范式变化的一个拐点：从训练转向推理；从算力规模转向资本效率；从互联网文本转向真实世界数据。
词元经济从来不是AI竞争的终点，而是基础设施中的一个计量单位。
03. 资本效率
科技史反复证明，真正的技术瓶颈，最终都会被新的技术突破所解决。
因此，在我看来，词元经济真正的瓶颈，从来不是技术，而是它背后的资本逻辑。
这种逻辑，在今天有一个鲜明的代表：有效加速主义（e/acc）。它最著名的一句话是："资本就是AI；AI就是资本。"（Capitalism is AI. AI is Capitalism. 引自尼克·兰德，Nick Land）
兰德背后的逻辑并不复杂：资本是组织资源最有效率的机制，而AI则是组织资本最有效率的工具。
但硅谷最近的有效加速主义把这个道理极限化，而问题恰恰出在这里。
当资本完全决定AI的发展方向，而AI又进一步强化资本的金融化时，基础设施便不再首先服务于生产力，而越来越成为资本竞逐的对象。
历史上，这样的时代并不陌生。
洛克菲勒时代，就是基础设施高度资本化的时代。
但这种模式成功有一个前提：你必须是唯一的玩家。
而这并非兰德最初的设想。今天，这个前提正在瓦解。
开源AI，第一次真正打破了这种"赢家通吃"的基础设施逻辑。
在去年的这个会议上，我曾是少数公开强调阿里巴巴通义千问已经进入全球领先开源模型行列的人之一。一年后的今天，开源已经不再只是中国故事。
OpenAI前CTO Mira Murati创办的Thinking Machines Lab，近期发布了开源模型Inkling。公司公开承认，其基础模型深受DeepSeek-V3启发，而后训练阶段则大量使用了月之暗面Kimi K2.5生成的合成数据。
全球开源生态，已经开始进入彼此借鉴、彼此蒸馏、共同演化的新阶段。
如果这些仍然离普通用户太远，我分享一个最近个人的小故事。
我加入了一个面向独立软件开发者的Slack社区，里面大多数都是经营一人公司的开发者，或者利用AI提升生产效率的个体创业者。
有人问，现在还有多少人相信所谓的"AI末日论"。其中一位开发者回复说，她早在K3发布之前，就已经切换到智谱GLM-5.2和Kimi K2.5，彻底放弃了昂贵的闭源模型。
她写了一句话，我印象很深：如果AI末日意味着昂贵模型时代的终结，那就让它结束吧。
她经营的，只是一家一人公司。
而这，恰恰才是AI真正应该抵达的地方：AI首先应该是一种生产力，也是一种基础设施。
而基础设施存在的意义，不是让少数人获利，而是让更多人能够创造。
今天，大多数关于AI末日的叙事，都发生在美国。而在美国以外的世界，AI更多被理解为一种基础设施：它应该让技术更便宜、更快、更普及、更容易获得。
我们真正值得警惕的，从来不是AI，而是AI被过度金融化。
04. 能源复兴
我曾与TED创始人Richard Saul Wurman共同创办过一家媒体公司。除了TED，他还做了许多有趣的事情，其中一个叫 19｜20｜21 的长期研究项目。
那个项目试图回答一个问题：从19、20到21，过去三个世纪，人类文明究竟沿着什么轨迹演化？
他们追踪的不只是人口迁徙，还有城市、工具、建筑、文学、艺术，乃至文明本身。
最终，他们发现，几乎所有答案都指向同一个元素：
水。
今天，很多人喜欢把词元比作新时代的"水"。但我认为，这个比喻恰恰暴露了词元经济最大的局限。
水之所以孕育文明，从来不是因为它昂贵，而是因为它足够丰富、足够廉价、足够普及。
试着想象一个世界：水成为金融资产，被意识形态化。那样的文明根本不会诞生。
而今天，词元经济赖以成立的两大护城河，恰恰就是金融化与意识形态化。
这也是我认为词元经济终究只是一个过渡阶段的原因。
如果说水塑造了过去的人类文明，那么后AI时代真正凝聚文明的，将不会是词元，而是能源。
AI时代真正稀缺的，不是Token，而是廉价、充沛、几乎无限的能源。
我们即将进入的，不是词元时代，而是一场由AI推动的能源文艺复兴。