我花了两年才想通一件事——中国最便宜的出口商品不是衣服、光伏板或电解铝，而是一种大多数人还没意识到的东西。它不需要集装箱，不走海关，通过海底光缆就能完成交付。它叫 Token。

一个没想通的问题

2023 年，可控核聚变的新闻满天飞，新能源板块被炒得火热。我当时注意到一条不太起眼的消息：Sam Altman 投了一家叫 OKLO 的小型核反应堆公司。

那时候 ChatGPT 刚出来不久，所有人都在聊大模型的智能涌现，很少有人把 AI 和能源放在一起讨论。Altman 投 OKLO 这件事我记住了，但没想明白。

同一时期，我在和 AI 讨论一个异想天开的问题：如果电能像石油一样自由运输和交易，中国能不能凭借电力成本优势，建立起某种类似石油美元的定价体系？

这个想法来自一个朴素的观察——中国的电力成本在全球范围内确实便宜。风电光伏的装机量世界第一，煤电虽然不环保但胜在稳定。如果电力能直接出口，理论上这是一个巨大的比较优势。

但讨论很快就卡住了。

两条走不通的路

电力出口有两条直觉上可行的路径，我们逐一推演过。

第一条是电网直连。 铺设跨国输电线路，把电直接卖到邻国甚至更远的地方。问题很明显：超高压输电线路的建设成本惊人，途经的每个国家都是一个谈判节点，地缘政治风险让这条路几乎不可能规模化。中国到东南亚或许还有一些可能性，但要像石油管道那样覆盖全球，不现实。

第二条是电池出口。 把电存进电池里运出去，就像装罐头一样。这条路卡在物理定律上——电池的能量密度有天花板，长途运输过程中的自放电损耗、温控成本、物流重量，算下来可能比当地发电还贵。更不用说电池本身的生产成本里，锂、钴这些矿产的价格波动远比电费大。

我们也讨论过间接路径： 通过高耗能产品出口电力，比如电解铝、工业硅。但这些产品的成本结构太复杂了，电力只是其中一项，还有矿产、加工、运输层层叠加。不像石油那样，一桶油就是一桶油，定价清晰。

讨论到这里，我的结论是：在储能技术和输电技术出现质变之前，电力很难成为一种直接出口的商品。

这个结论在当时看来合情合理。

Altman 可能比所有人都早想明白了

然后 AI 时代来了。

不是 ChatGPT 发布的那个时刻——那时候大家讨论的还是"AI 能不能替代程序员"。而是 2024 年到 2025 年，大模型开始大规模商用，Token 定价成为一门生意之后，我突然意识到一件事。

Token 就是电力的变现单位。

这不是一个比喻。你打开任何一个 AI API 的定价页面，Token 的成本拆开来看，最核心的两项是算力和电力。算力是 GPU 的折旧摊销，电力是数据中心的运营成本。其他的——人工标注、模型训练的研发摊销——分摊到每个 Token 上其实占比不大。

当一个用户向 DeepSeek 或 MiniMax 发送一个请求，本质上是在购买中国某个数据中心里那一瞬间的电力消耗。

回头看 Altman 投 OKLO，逻辑就清楚了。他不是在做能源多元化投资，他是在为 OpenAI 的未来锁定电力供应。因为他很早就看到了终局：AI 公司的竞争到最后，模型架构会趋同，人才会流动，唯一不可替代的是电力这种资源禀赋。

Google 做 TPU 是同一个逻辑的另一面。GPU 的军备竞赛本质上是人才竞争——英伟达的工程师被挖走，就会有新的芯片公司起来。但电力不是人才问题，是资源问题，不会因为人的流动而转移。

一种新的出口方式

回到我 2023 年那个没想通的问题。

电力确实很难直接出口。但 Token 可以。

一个美国用户调用 DeepSeek 的 API，数据从加州出发，经过太平洋海底光缆到达中国的数据中心，GPU 消耗电力完成推理，结果再传回去。整个过程中，电力从未离开中国的电网，但电力的价值通过 Token 完成了跨境交付。

没有输电线路损耗，没有电池自放电，没有地缘政治谈判。光缆传输的信号损耗相比电网输电可以忽略不计。

电力终于找到了它的出口形态——不是焦耳，而是 Token。

MiniMax 和智谱能在全球市场上提供有竞争力的 Token 价格，其中一个被低估的原因就是中国的电力成本。当然不只是电力，模型架构的效率(比如 MoE)、工程团队的优化能力都很重要。但如果把这些"软"因素拉齐，电力成本就是那个硬性的、不可复制的差异项。

这和我之前否定的"电解铝出口电力"不同。电解铝的成本结构里电力可能占 30%-40%，剩下的是矿石和加工。但 Token 的成本结构里，电力加算力可能占到 70% 以上，而且算力本身的运行也依赖电力。Token 是迄今为止最纯粹的电力衍生品。

时间差里的机会和风险

但现在的情况并不是一个均衡状态。

AI 对电力的需求增速远远超过了电力基础设施的建设速度。训练一个前沿大模型需要的电力以年为单位增长，而一座新的发电厂从立项到并网通常需要 3-5 年。这种时间上的错配，是当前能源价格攀升的根本原因。

不是电力资源不够——中国的发电装机容量年年在涨。也不是技术不行——光伏和风电的度电成本已经低于煤电。问题是 AI 的消费需求来得太快，快到现有的电力配置体系跟不上。就像一条高速公路设计通行量是每天 10 万辆车，突然某天开始每天涌进 50 万辆，不是路不够宽，是来不及扩建。

这种时间差创造了短期机会：谁现在手里有充足的电力供应，谁就在 AI Token 市场有定价优势。中国、中东、北欧这些电力成本低或供给充裕的地区，天然适合成为 AI 推理的"世界工厂"。

但时间差的另一面是风险。

如果 3-5 年后，为 AI 建设的电力产能集中上线，而同期 AI 推理效率因为模型压缩、量化技术的进步大幅提升（每个 Token 消耗的电力持续下降），那就会出现一个经典的供需反转——为 AI 准备的电力突然过剩。

这不是我的空想。历史上类似的周期反复出现过。

杰文斯悖论的入口

但也有可能，事情不会那么线性地演进。

1865 年，英国经济学家杰文斯发现了一个反直觉的现象：蒸汽机效率的提高并没有减少煤炭消耗，反而因为使用成本降低，催生了更多的用煤场景，总消耗量反而上升。这就是杰文斯悖论。

AI 推理成本降低之后，很可能进入同样的循环。当一个 Token 足够便宜，人们会开始用 AI 做那些现在看来"不值得"的事情。自动生成的个性化教育内容、7x24 小时的私人健康顾问、每件商品都有的 AI 客服、每个人都能用的实时翻译。消费场景的膨胀速度可能再次超过供给增长，电力的需求不降反升。

那么我们就进入了一个更大尺度的螺旋：电力产能扩张 → 推理成本下降 → 新消费场景爆发 → 电力需求再次攀升 → 新一轮产能扩张。每一轮螺旋中，Token 作为电力变现单位的角色都会被强化。

我不确定这个螺旋会转多少圈，也不确定在哪一圈会出现供给真正过剩的拐点。但有一点我越来越确定：理解 AI 经济，不能只看模型和算法，得看背后的能源结构。

Altman 2023 年就在布局能源了。而我 2023 年讨论完电力出口困境后，花了两年才想到 Token 这一层。

有些答案不是想出来的，是等来的。你得等到合适的产业形态出现，之前的碎片才能拼上。