AI Token 價格由什麼決定？能源與算力供給如何影響每個 Token 的成本

10月21日

讀畢需時 6 分鐘

週四下午四點，小婕盯著公司的 AI 用量報表發呆。

她是一家二十人行銷公司的營運負責人，上個月剛把客服與報告產出交給幾個 AI agent，demo 時大家都很興奮。可是這個月帳單來了：agent 不是回答完一個問題就收工，它會自己查資料、重跑、再檢查一遍，一個任務背後燒掉的 Token，是她原本估算的好幾倍。

老闆問她：「模型單價不是一直在降嗎？怎麼總額還在漲？」

她答不出來。於是她花了一個晚上，去看一場最近很多人在轉的 AI 座談，想搞懂一件事：這些 Token 的成本，最後到底是被什麼決定的？

（小婕為示意性虛構人物，用來把算力、能源與 agent 部署成本具體化，非真實客戶案例。）

這場座談在談什麼：不是模型，是「電」

座談由 Nvidia 執行長黃仁勳、特斯拉與 SpaceX 的馬斯克、以及 Anthropic 共同創辦人 Tom Brown 參與，主持人依序問了能源、資料中心與就業、AI 安全、新模型與價值觀等話題。逐字稿未標示發言人，以上人物歸屬依影片標題與主持人點名推定。

小婕本來以為會聽到一堆模型參數與跑分。結果影片一開始，黃仁勳就把話題拉到最底層：他表示，這一波 AI 是整個運算體系的重新發明，從晶片、軟體訓練到應用執行，每一層都被重做；而這種「生成式」的運算方式，第一個要有的是能源，因為運算、演算法與上層應用，全部都要靠電撐著。

他的說法是：最底層是能源，再由能源往上建出土地與基礎設施；晶片、演算法與應用也都需要靠電運轉。

小婕在筆記上畫了這張堆疊圖，然後在最底層圈起來。她的帳單，其實是這張圖最上面那一層長出來的東西。

「資料中心」其實更像工廠

第二個讓她停下來的，是黃仁勳對資料中心的重新命名。他表示，過去叫它資料中心，是因為資料放在那裡；但現在蓋的東西是「超級智慧（SI）工廠」，因為它不是在儲存，而是在生產有經濟價值的東西。他形容它同時像一座大型發電設施與一座真正的工廠，包含大量運算、網路、供電與冷卻系統，是複雜的工程。

這對小婕的意義是：Token 不是憑空冒出來的數位商品，而是工廠的產出。工廠有原料（電）、有產線（晶片與冷卻）、有產能上限。產能不夠，價格就不可能只往下走。

（以上「產能與價格」的連結為本站推論，並非影片明講。）

馬斯克的算法：每瓦能做多少事

輪到馬斯克時，他的重點同樣是能源。他表示，要持續領先，關鍵是擴大電力供給與晶片產能；並指出他認為「每一瓦能產生的有用智慧」會持續上升，不論是 GPU 硬體每瓦算力的進步，或是演算法用同樣電力得到更多智慧。

小婕把這句話翻成自己的語言：單位成本的下降，其實有兩個來源——硬體更省電，演算法更省算力。

他接著談到更長遠的想法：他表示，地面上能取得的電力有限，所以他看好把運算搬到太空軌道，利用幾乎不間斷的太陽能。影片中他提到有業者已經或即將把運算晶片送上軌道（逐字稿翻譯鏈下細節不確定，未給可規劃的時程）。

這部分聽起來很科幻，小婕沒有把它當成明年能用的選項。她只留下一個判斷：連最大的玩家都在為「電不夠」找出路，代表供給面確實是瓶頸。 至於軌道運算何時能真的影響到她的帳單，影片沒有給時程，也不該被當成保證。

那個她沒想到的轉折：agent 讓需求變成「長時間運轉」

到這裡，小婕以為自己懂了：電是源頭，供給吃緊，所以價格有下限。

真正的轉折出現在 Tom Brown 那段。他談到 Anthropic 新模型的特色，表示使用者現在最明顯感受到的，是模型能完成「耗時更長的任務」，你可以把一件事委派出去，它做得比以前更完整；同時他也表示，未來會有大量軟體由這些模型寫出來。

小婕盯著這一段看了很久。

（以下為本站推論，非影片明講。）因為這正是她這個月的帳單：她買的不是一次問答，而是一段「持續運轉的時間」。 任務越長，agent 自己檢查、重試、呼叫工具的次數越多，消耗的算力就越多，背後耗的也就是那座工廠裡的電。

換句話說，供給端「每瓦能做的事」在變多，需求端「每個任務要做的事」也在變多。兩邊同時增長時，單價下降不等於總額下降。 這就是她老闆那個問題的答案：不是單價騙人，而是用量結構變了。

黃仁勳的另一句話：agent 要被關在盒子裡，也要被盯著

座談後段，黃仁勳談到 agent 安全。他表示，agent 在測試與部署時都應該被限制在隔離環境中，只給它該有的權限；而且即使有隔離，也不該完全信任，要即時監控，最好用獨立於它之外的方式監看；他把這比喻成對待一位人類員工——給權限、給工具、給範圍，然後持續檢視。

這個角度的深入說明，本站另有專文討論，這裡不重複（見延伸閱讀）。小婕只拿走和她成本有關的那一點（本站推論，非影片明講）：監控與隔離本身也是算力與維運的一部分，它不是免費的。 評估 agent 的總成本時，這筆也要算進去。

小婕週五早上做了什麼

隔天早上，小婕沒有去問「哪個模型最便宜」。她做了三件更具體的事：

1. 拆開帳單：把用量依任務類型分開，找出哪些是「一問一答」、哪些是「長時間 agent 任務」。

2. 替長任務設上限：給 agent 設定重試次數與預算，避免它在沒有人看著的時候無限檢查自己。

3. 模型分工：簡單任務交給較小、較便宜的模型，只有真正需要深度推理的才交給高階模型。

她也記下一件事：座談裡誰說什麼，她都只當成「產業玩家的觀點」，沒有任何一句變成她的採購決策依據。她要的是自己帳單上的數字。

那天下午老闆又問起帳單，這次她打開的不是模型排行榜，而是一張按任務類型拆開的用量表。

常見問題 FAQ

Q1：能源供給真的會影響我付的 Token 價格嗎？

座談中的講者把能源列為 AI 體系最底層的條件，但影片沒有直接給出「電價如何轉成 Token 單價」的算式。把兩者連起來是合理的推論，實際價格還取決於廠商定價、競爭與補貼等因素。

Q2：為什麼模型單價下降，我的帳單反而變高？

可能原因之一是用量結構改變：agent 類任務若會自行重試、查資料與檢查，單次任務消耗的 Token 可能高於一問一答（此為本站推論，影片未提供數據）。建議先把用量依任務類型拆開，再決定要優化單價還是優化流程。

Q3：軌道運算或新能源多久會降低我的成本？

影片中講者表達的是長期方向與規劃，並未提供讓一般企業用戶可以規劃預算的時程。本站建議不要把它納入近期成本預測。

Q4：這篇文章是投資建議嗎？

不是。本文只整理座談中與基礎設施、能源、算力與企業導入有關的內容，不涉及任何標的買賣建議，也不評論政治立場。

Q5：這支影片有業配嗎？

逐字稿中未見業配揭露。本文引用的觀點為講者個人陳述，不代表本站或 AI Token King 的立場；如經人工覆核原片後發現贊助資訊，將於此處補充。

資料來源與聲明

影片：《FULL: Elon Musk, Jensen Huang, Tom Brown Discuss the AI Revolution & What's Next - 09/29/26》
頻道：Right Side Broadcasting Network
原始連結：https://www.youtube.com/watch?v=388P7IFSpwE
發布日期：2026-09-29；觀看數 677,798（經查證）
翻譯鏈聲明：本文撰寫時所依據的逐字稿為阿拉伯語音軌，原片為英文，中間經過翻譯，人名、產品名與細節可能失真，因此全文以「影片中稱／他表示」轉述，且刻意不引用確切數字。如需引用，請以英文原片為準。
人物聲明：文中「小婕」為示意性虛構人物，用來說明算力、能源與 agent 部署成本，非真實客戶案例，情節與數字皆非真實事件。
本文僅為產業資訊整理，不構成投資、採購或法律建議。