唐晓甫：4天浪费4.5亿词元后，我才知道为什么说DeepSeek是AI泡沫的斩杀线

　　最近，AI Agent（AI智能体/助理/助手）成为一个非常热门的话题。作为一个长期跟踪AI发展、但已经忘记如何编程的人，我也在一直追逐前沿动态，试图更加高效地学习使用AI Agent，拓展自己的能力边界。

　　当然，开了高权限的Agent能干的事情确实非常多，不仅能和你搞出聊天bot、相对高效率地编程、对很多参数配置进行一句话修改，还能模拟键鼠绕过传统的反爬虫程序，读取不少东西。当然这个过程也并非一帆风顺，也会出现改错东西致使软件崩溃的情况，例如我在修改bot参数的时候，Agent会意外篡改原来的API信息、并且没事就切换输入法繁简体，还挺无语的。

　　只不过最让我意外的还是DeepSeek，由于我本来对编程已经忘得差不多了，本地也没有很多编程工具和软件包，每次在调试程序的时候，我给出的提示词都比较模糊，导致精细调整时浪费很多词元。于是在一次次不断地为本地Agent界面功能升级、自动输出skill以及编程的过程中，不知不觉，我的词元消耗量在短时间内达到了相对庞大的数字——4.5亿。

　　我不太清楚这个数字意味着什么，尤其是我的第一选择一直是DeepSeek，没有使用过其他公司的官网API，我并不知道这背后隐藏着中美AI大模型最核心的差异之处。我只是稀里糊涂地查了一下账单，发现我四天浪费4.5亿词元的结果是——我只要为此付出35块钱。

　　4.5亿词元已经不是普通个人使用量，而是中大型内容处理、批量摘要、数据清洗、知识库构建、批量翻译/改写这类项目级用量。

　　由于ChatGPT的这个回答超出了我的预期，我就问了一下，4亿词元（还不是4.5亿）用美国的API要多少钱？答案再次让我惊讶。

　　根据ChatGPT、Gemini和Claude的说法，即便在最便宜的情况下，用GPT-5.4nano全输入4亿词元，也要80美元。而如果是全输出，最贵的GPT-5.5会收费1.2万美元。可以这么说，即便按美国主流模型中最便宜的报价计算，处理4.5亿词元的成本，理论上也会是我这次DeepSeek浪费行动所花成本的约17.5倍。

　　然后我想了想，也许是因为我的缓存命中比较高的原因（DeepSeek也是出了名的缓存命中高），所以导致收费很低。于是我问了一下，如果缓存命中率达到99%（显然正常情况下是不可能的），4亿词元我要花多少钱？答案如下：

　　我们可以看到，哪怕是我把缓存命中率提到99%，无论是ChatGPT、Gemini还是Claude的旗舰大模型的收费标准都显著高于DeepSeek，甚至高于DeepSeek几十倍收费依旧是常态。

　　当然，这次Agent实验过程中，我没有用什么专门的编程软件，也没有调用现成的工具库、多专家Agent或者Skill库，没有用Codex或者Claude Code中转CC Switch连接DeepSeek，也知道DeepSeek在处理一些问题的时候会非常笨拙且消耗词元，所以我这次只是单纯比较词元的价格。

　　这里我们先抛开DeepSeek V4 Pro本身的Agent性能，以及国人是否可以围绕DeepSeek等国产大模型创造更高效的Vibe Coding生态等问题不谈，而是更加细致地从价格和财务的角度关注2026年上半年的AI生态，就会发现，所谓“一切高投入都是值得的”之类的结论似乎太武断了。

　　一些不太关注AI的朋友可能会产生这样的印象：即便有数据表明中国模型的性价比远高于美国产品——例如，人工智能基准测试公司Artificial Analysis在相同10项评估中对比各实验室最强模型后发现，Anthropic的Claude成本高达4811美元，OpenAI的ChatGPT为3357美元，而DeepSeek仅需1071美元，Kimi为948美元，智谱的GLM更是低至544美元，Claude的成本几乎是其中最便宜的中国方案的九倍。

　　首先，美国公司现在也在大规模运用中国的AI大模型。不仅用得多，甚至还直连官网。这里我们可以看看知名财务自动化平台与企业支出管理软件Ramp关于DeepSeek的两篇报道。第一篇是发布于2025年3月7日的《Are businesses actually using DeepSeek?》，里面提到，根据其企业支付数据估算，截至2025年1月底，一度有0.3%的美国企业使用过DeepSeek。

　　然而在6月3日发布的《Top SaaS Vendors on Ramp (June 2026)》中，Ramp首席经济学家Ara Kharazian在文中表示，DeepSeek在当月登上Ramp “trending software list”的榜首。更重要的是，Ramp特别说明，这不是企业自建开源模型的间接使用，而是企业正在直接向DeepSeek付款，并且通过DeepSeek直接发送和接收数据。也就是说，虽然没有给出明确数据，但是已经有一定比例的美国企业开始通过官方API渠道采购DeepSeek的服务，而不只是下载开源权重或通过第三方平台间接使用。

　　5月，美媒《华尔街日报》就报道，不少大公司数月前对AI应用的普遍看法仍是“越多越好”。因此，当模型开发商提供无限量订阅模式时，部分企业员工便尽可能消耗算力，以证明自己紧跟AI热潮。然而，随着无限量订阅模式被按词元收费的模式取代，以及词元的单价飙升后，企业在运用AI方面的支出也将随之大增。

　　有公司已经报告称自家AI支出增加了一到两倍，而Uber在4个月就已经用完了AI的全年度预算。Meta、微软、Salesforce等企业的技术主管也提出新措施，以确保员工使用AI有助于提高生产力，或减少部分员工使用特定工具的权限。亚马逊也在5月通知员工，旗下可用于跟踪员工词元消耗情况的“Kirorank”榜单已停止服务。该榜单的设立初衷是推动AI在业务场景的应用，然而事与愿违，部分员工为追求更高的排名和绩效，将AI智能体当作不计成本的“烧词元”工具，导致公司算力资源被浪费。

　　摩根大通的首席数据与分析官在2026年6月初的纽约科技周上公开证实，部分员工使用大模型产生的词元成本，已经超过了其个人薪水。作为在全球及北美拥有庞大投行业务的欧洲最大银行之一，法国巴黎银行CIB的首席AI官在巴黎Mistral AI峰会期间表示，他已经不再把“每天消耗数十亿词元”作为首要指标，而是更重视实际产出、效率提升和收入影响。

　　而这时候，我们不妨来看看近期的一个例子，《崩坏》系列AI NPC&Gameplay技术团队负责人郑银河在2026阿里云峰会上，无意间透露了内部Agent尝试的成本。团队有个工程师为测试多智能体协作，搭建了几十个AI Agent，没有设置词元消耗上限就下班离开。结果智能体连续运行13小时，消耗了价值200万元人民币的词元。他还对同事开玩笑说，如果你是一个独立游戏开发团队，那一晚上已经破产了。（200万元人民币都够很多编程小团队一年以上工资了。）

　　接连出现的成本失控事件，正在迫使所有企业直面AI实验室此前刻意回避的核心问题：这项技术究竟是否足够有用，值得投入这么高的成本？

　　从创新逻辑看，技术发展本就建立在大量试错的基础上，但当试错本身已经拥有极高的成本，甚至有拖垮项目的风险时，越来越多企业开始重新衡量这条技术路线的合理性。Ramp首席经济学家Ara Kharazian指出，当前大量美国企业的AI支出已经面临巨大成本压力；在高昂词元消耗、远低于预期的投资回报率双重挤压下，不少企业开始主动寻找OpenAI、Anthropic的平价替代方案，而DeepSeek极低的词元定价，恰好给这类尝试和创新提供了低成本试错的空间。

　　对于美国来说，金融端对词元需求的叙事恰恰相反。在很多人的叙事中，美国的高等级AI推理是稀缺的、高价的AI硬件是供应不足的、高价词元是可以被企业无限消化的、高估值是可以由无限增长的推理需求支撑的，而且即便词元价格高企，其投入产出终将会扩大，而AI公司也可以靠昂贵的闭源API，长期收割全球企业并获得盈利。

　　为此，他们试图将词元与“高等级推理能力的计量单位”相挂钩：越复杂的推理、越长的上下文、越多的Agent调用，就越需要高端GPU、数据中心、电力、云服务和闭源模型能力。这个叙事支撑了AI基础设施的巨额资本开支预期。高盛的基准模型估算，AI相关年度资本开支可能从2026年的7650亿美元，增长到2031年的1.6万亿美元；摩根士丹利也估算，到2028年前后将有近3万亿美元AI基础设施投资流入全球经济。

　　随后通过这种挂钩以及对稀缺算力的垄断，美国一直试图将算力和美元挂钩，从而实现新时代美元霸权体系的基础，也就是“算力美元”。要不是中国也发展出了自己的AI产业链、开源了自己的AI大模型，并且始终只落后美国AI半年到一年的时间，早就开始加速“算力美元”体系以及其至关重要的算力期货机制建设，而不是拼命地迭代自己的闭源AI体系了。要知道迭代一次AI，沿着Scaling Law扩大参数是非常烧钱的。如果没有后面的追赶，美国人完全可以达成一种默契，逐步收回自己的前期投资之后再推进AI大模型的发展。

　　而现在，美国的AI相关资本开支已经达到了一个惊人的地步，根据2026年6月初的公开财报和投行估算，美国AI相关资本开支已经进入“准国家级基建投资”规模：一年7000亿到8000亿美元量级，未来数年累计数万亿美元。市场媒体汇总中，四大科技公司Amazon、Microsoft、Alphabet、Meta在2026年合计资本性支出预估为约7250亿美元，较2025年的约4100亿美元增长约77%。这已买球官方网站经超过很多国家一整年的财政支出，也与美国的年度国防预算相媲美。

　　更有意思的是，美国M2从2025年4月的21.7757万亿美元，上升到2026年4月的22.8045万亿美元，一年增加约1.0288万亿美元。这意味着，仅四大AI的资本支出就是过去一年美国M2增量的70.5%。这说明AI基础设施建设已经成为吸收市场流动性、重塑资本配置和支撑高估值叙事的核心机制之一。

　　所以美国马上面临的下一个问题是：美国人多久能收回自己的投资？未来的流动性还够吗？在中国大模型已经渗透进美国公司工作环境的今天，在美国资本已经把AI相关资本开支预期打满的今天，在美国密歇根大学消费者信心指数创下自1952年调查以来历史新低的今天，在美国面临高通胀、高利率的今天，本轮美国的AI产业链以及上下游产业链还能烧多久的钱呢？他们真的还能无限扩张式（保持高增速）地烧钱吗？以及最重要的问题，AI算力尤其是推理算力真的缺吗？

　　至少从我得到的消息看，似乎推理算力（训练算力依旧相对紧缺），全球已经有了短期相对过剩趋势。微软CEO Nadella甚至公开承认，当前瓶颈不是“没有芯片”，而是没有足够电力和已经准备好的数据中心外壳，导致部分芯片处于“在库存里但插不上电”的状态。这意味着AI基础设施的约束正在从“买不买得到GPU”，转向“有没有电、有没有机房、有没有冷却、有没有真实负载把GPU用满”。而Cast AI《2026年 Kubernetes 优化报告》则指出，根据其对大量未优化Kubernetes集群的分析显示，GPU平均利用率只有约5%，CPU平均利用率约8%，内存约20%。

　　更关键的是，美国经济已经出现了明显的“双层结构”：AI相关资本开支、数据中心建设和高端设备投资仍在高速扩张，并成为GDP增长和资本市场估值的核心支撑；但在AI之外，传统消费、服务业就业、制造业就业、白领岗位、利率敏感行业和中小企业部门已经显著降速，部分指标呈现衰退特征。美国正在进入一种由AI投资遮蔽的结构性停滞状态。

　　我们可以看一张比较经典的图片：标普500指数与美国失业率的走势图。传统上，美国股市通常会在失业率见底并开始上行后进入更脆弱阶段，因为就业恶化最终会传导到消费、企业盈利和信用周期。但本轮AI行情中，这一传统关系出现了明显分化：失业率已经从周期低位抬升至4.3%，但标普500仍处在历史高位附近。AI行情暂时把“就业走弱”转化为“降息预期”，又把“资本开支扩张”转化为“盈利增长预期”，从而遮蔽了传统经济部门的疲弱。

　　我的观点：