火山引擎有了它自己的Token經濟學

作者 ｜ 王兆洋
郵箱 ｜ wangzhaoyang@pingwest.com

Token，Token，還是Token。

在12月18日的FORCE原動力大會上，火山引擎總裁譚待半小時的開場演講里提了18次“Token”，而“云”則只出現了7次。

火山也再次更新了備受矚目的豆包大模型最新日均Token調用量：

50萬億。

這一指標從發布至今實現了417 倍增長，相比去年 12 月則是超 10 倍增長。作為對比，Google10月最新公布的月均Token直接換算為日均量的數據是43萬億。豆包大模型的調用量已經是中國第一、全球第三。

而根據IDC的報告，火山引擎在中國的公有云大模型的服務調用量上也是穩居第一，MaaS市場份額從2024年的46.4%進一步提升到了今年的49.2%。

“也就是說，在中國公有云上每產生的兩個Tokens就有一個是火山引擎生產的。”譚待在當天面對臺下5000名觀眾說道。

在當天的發布中，一如既往由火山來更新了字節最新模型的進展。

豆包大模型1.8正式亮相，它在多項指標上顯著提升，繼續走All-in-One的技術路線，文字、代碼、Agent、音頻，圖視頻等能力，全部在同一個基礎模型里演進；而專門為視頻生成服務的Seedance 1.5 pro也同步推出，在音畫同步、中文及方言處理上做到了“世界領先水平”。

字節要傳達的信息明顯：豆包大模型創造著Token，且它的進化方向也正對應著今天Token消耗的結構性變化——從“推理取代訓練”推動Token消耗，到今天多模態+Agent成為Token的絕對大頭，這些需求都可以被火山提供的服務滿足。

這一切迅猛增長的背后，火山引擎正在建立起一套它自己的Token經濟學。

1

更多的Token就是代表更多智能

Token，是大模型處理信息的基本單位。無論是文字、圖像還是視頻，在模型中都在被轉換為Token序列進行計算。本質上，Token就是人們對AI的調用量。

但這背后存在一個問題：由于Token的計算方式基于長度，所以一篇文章和一段關鍵的代碼可能消耗相似的Token數量。那么，純粹的以Token數量來衡量，能否真實反映AI創造的價值？

火山引擎的算法人員在和我們的交流中回憶，其實曾經火山內部也有過類似爭論，但最終的結論是：Token量一定是對的指標。

“AI要在實際場景產生價值，大家肯定要把它用起來，不管單位價值有大有小，但實際上一定是跟Token用量正相關的。可能你最終的那個關鍵決策對應的只是‘是’或者‘否’，一個Token，但得出這個結論必然已經用掉了大量Token。”

所以火山內部最終明確，更多的Token就是代表更多智能。

而今天Token的增長，其內在結構也在悄然變化。火山引擎智能算法負責人吳迪提供了一個演化路徑：

“可能到了2027，2028年，一個普通的C端用戶從AI助手得到的很多的信號就是視覺的，你不會看到大段大段的文字了。那么，到時候LLM會以coding和agent的形式下沉到整個數字世界的底層運行邏輯里。”

換言之，Token會分層，LLM會向下成為底座，多模態的視覺、交互Token將在上層涌現。

這就會讓Token成為一個持續增長的指標，也是一個有效指標。吳迪預測，到2030年，國內市場的Token消耗量將是現在的百倍以上。屆時，衡量企業智能化程度的核心指標，將從其擁有的GPU數量轉變為消耗的Token總量，因為它是唯一能同時穿透“模型能力、使用頻率和真實需求”的統一指標。

1

云設施必須以模型為中心重構

更多Token意味更多智能，那么如何讓企業客戶更好生成它們需要的Token，就是火山作為從字節內部走出的“AI云原生”基礎設施的任務。

過往云計算所習慣的一整套體系也因此出現“不適”，它更多是一個圍繞算力設計的體系，而火山認為新的需求注定是圍繞模型的。

“傳統 IaaS、PaaS、SaaS分層規劃的IT架構不再有效，以模型為中心的AI云原生架構正在形成。”譚待說。

此次的一整套體系也由此誕生。

火山推出了“推理代工”，企業可將訓練好的模型托管至火山，按實際Token消耗付費，無需自建推理集群；

Agent開發套件（ADK） 全面升級，支持動態運行時、多會話共享、強身份傳遞與內置工具鏈；

智能端點（Endpoint） 支持模型路由，可根據效果、成本等策略自動分流至豆包、DeepSeek、Kimi等多模型后端；

方舟平臺進一步升級，支持客戶在自有場景中做RL 強化學習等的微調。

而且這一系列產品里的很多細節，都體現出很多根本性差異。

例如，Agent開發套件（ADK） 的動態運行時設計，直接挑戰了行業慣例。AWS AgentCore為每個會話啟動一個獨立運行時，而火山采用多會話共享模式。

火山引擎云基礎產品負責人田濤濤直言，這是一個行業慣性的問題，AgentCore為每個session起一個Runtime，過去可以，但進入模型時代就太奢侈了，而火山對成本敏感，字節自己內部就一直有不同的更AI原生的需求，因此本就有不同的設計，現在可以推廣給更多模型用戶。

在火山看來，人們最終會“躍過”對算力的關注，最終直接沖著模型而來。

“你很難想象五年后新的創業者還會去云上租GPU、開數據庫。到時候在他們創業的第一天，他們會直接向云服務商‘要Token’，直接要的就是調用模型和配套工具。”吳迪說。

“我們已經把像Response API、分布式的KV Cache、良好的P/D分離、一大堆高品質的內置Tools組裝好了，等著你把你的一個齒輪裝上來，這輛車就能跑。”

火山還配套改進了模型服務的定價模式，推出了一個“AI節省計劃”，讓企業達到模型使用成本的全局最優解。

“客戶只需要為用了的Token付錢。”

1

模型訓練和市場需求一桿子打通

現在我們可以來看看字節和火山今天已經有了什么：

• 最大規模的云計算需求：內部支撐抖音等國民級產品帶來的規模效應和成本優勢。

• 最多用戶的大模型產品：豆包。而且在火山的視角，它也是一個最大的Agent產品。

• 第一的Token調用量：50萬億/天，且還在猛漲。

• 以及支持著豆包app和抖音這種巨量真實需求的多模態和推理大一統的豆包大模型。

這種全棧系統能力是今天最重要AI玩家必備的能力，橫向對比，可以把目前的玩家分為三種路線：

1. OpenAI + 微軟路線：模型自己的，云設施是戰略伙伴的。

2. 阿里云路線：開源模型長在自己云上，然后近期在強推產品。

3. Google路線：全部自研，模型閉源，產品到研發直接全面打通。

這里面，字節的路線很像Google。

豆包就對應著Gemini，一個大一統的多模態agent模型。Seedance 1.5緊跟Veo3，甚至超過了對方。這一切的技術基礎也和Google類似，都長在自己的以AI為核心的機器學習平臺和云服務上，然后這些“Gemini同款”和“豆包同款”細化成產品再提供給外界。

而尚未被太多關注到的另一個“相似”，則是對待模型技術的方式上。

Google在Gemini 3的“翻身仗”后分享了很多內部復盤，其中最重要一個因素就是模型、研發、產品和需求的統一打通。而字節如何訓練模型此前并未被外界了解，它與大多模型公司一個非常大的不同是，它把真實市場需求直接一桿子打通到了模型訓練層面。

火山引擎作為模型對外統一的出口，也有自己的算法人員，他們和字節的模型部門Seed緊密合作，甚至是“混合辦公”和各種靈活的配合方式，而火山引擎團隊所獲取到的市場需求情況，可以直接影響模型研發方向和決策。

火山的模型策略團隊會把市場上的需求反饋收集和抽象出來，直接影響到模型的重要功能和研發方向。

這都直接體現在豆包大模型的身上：

豆包之所以是一個大一統的模型，除了技術路線的選擇，也是從客戶體驗出發：火山的客戶們認為模型版本太多了，甚至字節內部的“用戶”都搞不清楚各方面的區別，所以這個模型必須all in one來降低選擇成本。

字節認為，今天訓練模型最重要的是評估體系，而它絕對不應該只是公開的benchmark，必須用真實業務價值來衡量模型能力。字節內部已經為B端建設了大量benchmark，模型開發成果必須真正符合實際的經濟價值要求。

于是Seedance會在模型層面增加一個Draft樣片的能力，讓用戶不是抽卡，而是提前做預覽判斷；豆包模型在建設工具調用能力之外，直接在配套API中就配套做了許多built in的工具。128k上下文這種看起來能用來炫技但事實上實際需求并不高的能力，就會被去掉。

“在25年，有超過100萬家企業和個人使用了火山引擎的大模型服務，覆蓋了100多個行業，我們也對他們在火山方舟上的用量進行了匿名統計，我們發現，有超過100家企業在火山引擎累計Tokens使用量超過了1萬億。”譚待在發布會上說。

這可能是比市場份額增長更值得玩味的一組數據。 它最能體現字節這種用需求指引模型發展的方式所帶來的收益。

所以，如果我們來拆解一下，字節的Token經濟學就是：

1. 越多的Token意味越高智能

Token是智能的度量衡，其增長與結構變化指引技術演進。

2. 服務AI的云必須以模型為中心重構

傳統云廠商的慣性已經太大，而火山服務的最大客戶就是字節自己，字節就是一個長在AI和模型上的公司，火山解決的一直是AI的需求，現在這些需求變成外界的廣泛需求，它的技術思路就可以用來重構整個云行業的方案。

3. Agent的普及會讓Token從原材料變為更高級的智能單元，進而帶來更大價值

譚待曾經形容，目前基于Token的商業模式還很原始，而今天他認為，隨著Agent的進步和在企業里的普及，Token最終會走出今天“原材料”的定位。

Agent 可將模型串聯，云平臺和中間件進一步把Tokens組裝成Agents，并實現Agent和現有工作流、Agent和Agent之間的智能互通，以 API 或完整 Agent 的方式提供服務，從更高抽象層次創造價值。

“今天討論Token，是從底層操作系統角度看，是在 IT 預算環節考慮；而抽象成 Agent 后，可從 BPO （業務流程外包）角度看待，那么它就是在擴大整個市場的規模了。”譚待說。

“人們常說的10萬億Agent市場，核心就是這個邏輯。”

點個“愛心”，再走 吧