Meta烧Token成KPI，OpenClaw引发AI成本结构重塑：不拼算力拼效率

Meta内部烧Token成风

近日，据The Information报道，Meta公司内部出现了名为“Claudeonomics”（源自Anthropic旗舰产品Claude）的AI token消费排行榜，由员工自愿在公司内网创建，追踪超8.5万名员工的token使用情况。过去30天，Meta内部消耗token总量超60万亿。按Anthropic最新定价估算，成本约9亿美元，但Meta实际采用的模型及采购价格尚不清楚。

Meta内部个人token数消耗最多达2810亿，这笔金额可能价值数百万美元。在Meta内部，消耗最多的AI计算能力成为新的身份象征，反映了硅谷“Token最大化”文化的兴起，将token消耗量作为衡量生产力的基准和评估员工是否“精通人工智能”的竞争指标，科技公司高管们对此表示赞同。

英伟达CEO黄仁勋称，若一名年收入50万美元的工程师每年在AI token上花费少于25万美元，他会“深感担忧”。Meta CTO Andrew Bosworth表示，顶尖工程师将相当于自己年薪的金额用于购买token，生产力可提升至多十倍，还称“这笔交易的成果显而易见；应该持续投入，而且没有上限”。Andrej Karpathy也表示“如果token用不完，我会很焦虑”。

OpenClaw改变Token消耗方式

Meta的token排行榜代表“更多调用等于更高生产力”的工程文化，而OpenClaw的流行揭示了在Agent时代，token的消耗方式正在发生结构性变化。它是一个可持续执行任务、主动调用工具、自行拆解目标的Agent系统，不像传统对话式AI“问一句答一句”，更接近不下班的执行单元。

表面上，OpenClaw降低了“用AI做事”的门槛，但也改变了成本发生方式。用户消耗的不只是“几次对话”的成本，而是一整条任务链条背后的计算开销。一次简单的自动化流程可能拆分成数十甚至上百次模型调用，“让AI自己去完成”的指令背后是长时间的推理轨迹和连续的Token流水。

当Token的主要消耗来自模型内部推理过程，而非用户直接需求时，把Token当作生产力指标可能是误判，这些不可见的Token消耗是否带来等价价值也存疑。

Token消耗等同于生产力吗

Meta的Token消耗排行榜引发争议。彭博社旗下媒体人Joe Weisenthal质问道：“用token总消耗量来衡量生产力究竟有什么意义？”还嘲讽其像“后院炼钢炉”，暗示这种追求数字指标而忽视实际质量的做法是浪费资源。

token消耗量是投入指标，而非产出指标。一些员工为提升排名让AI代理闲置数小时，表明该指标可通过“人工数据膨胀”操纵。要厘清“Token消耗越多，生产力提升越明显”这一命题，需关注被消耗的Token流向。

比如让AI助手拍张照片，后台可能触发20 - 50次模型调用，每次调用都消耗算力和token。YuanLab.ai团队专家表示，不同模型生成的token数量差异大，一些模型token效率低，大量token被消耗在无效内容上，部分无效token占比高达70%以上，是核心浪费来源。

Latency问题是token冗余的外在表现。推理链条长，单步响应时间难压缩，Agent多步骤任务中，延迟叠加会让整体任务响应时间远超预期，触发超时重试，产生更多token消耗，形成恶性循环。真正的token成本黑洞藏在系统“内耗”中，根源在于系统架构本身。

用户提出任务请求时，AI Agent系统的复杂调度会带来额外开销，将基础模型成本放大3 - 5倍，极端情况下达10倍。以企业级财报分析Agent任务为例，无推理效率优化时，单任务token消耗可达数十万甚至上百万token，综合算力成本远超人工，且随着业务规模扩大、并发任务增多，成本会快速膨胀，任务成功率和质量未必同步提升，很多场景难以实现正向ROI。

在很多场景下，Token消耗增长反映的是系统复杂度上升，而非生产力提升。“Token消耗不等于生产力提升”正成为行业普遍共识。

Token增长的本质：系统为不确定性买单

多家机构评估发现，随着任务复杂度提升，系统通过增加中间推理步骤和调用次数维持成功率，而非提升单次推理能力实现效率跃迁。当前大量Agent系统的“高Token消耗”是工程层面的补偿机制，用更多计算覆盖模型能力边界。

如果Token增加用于对冲不确定性，而非直接创造价值，优化方向应是“减少不确定性本身”。行业开始关注如何让模型在更少步骤内把每一步做对。

YuanLab.ai团队认为，大量Agent系统依赖“多轮调用”完成复杂任务是技术妥协。单步推理无法稳定完成意图理解等任务时，系统通过增加调用次数、引入反思验证机制对冲不确定性，虽提升了任务成功率，但Token消耗成倍放大，延迟累积，系统复杂度上升。

行业“多调用换效果”是因底层模型不具备单步内高质量完成决策的能力。当模型能一次推理完成精准意图识别等任务时，大量中间步骤可被压缩或消除。高效的Agent应“第一次就做对”。

Agent系统的核心挑战是跨步骤的一致性与全局规划能力。模型缺乏整体目标把控能力时，系统将任务拆解为大量子任务并增加校验机制，导致调用次数指数级增长，Token消耗增长反映的是系统控制能力不足，而非智能水平提升。

这与人类工作方式相似，经验不足的执行者需反复确认修正，而成熟专家能在更少步骤内完成任务。当前很多Agent更像前者。

过去几年，行业默认更强的智能需更高算力消耗，从GPT - 3到GPT - 4，这种逻辑演变为路径依赖，延伸到Agent系统就是“用更多调用换更高成功率”，推动了算力竞赛。但这种规模驱动的增长方式逼近边界，Token成本上升使大规模Agent部署经济上难以承受，调用链条拉长让系统延迟和不稳定性问题突出，单纯依赖“多用算力”换取效果不再可持续。

OpenClaw引发AI成本结构重塑：不拼算力，拼效率

OpenClaw带来启示。首先，AI的成本曲线不必是线性的，高效训练的模型可能比参数大但训练低效的模型更强、更省。其次，算力不是AI发展的唯一瓶颈，GPU利用率低时，问题在于算力未被充分利用，系统优化可释放现有硬件潜力。最后，AI的民主化需要效率革命，OpenClaw的token经济学为AI普及铺路。

在新时代，智能将成为触手可及的基础设施，每一分算力都应被珍视。OpenClaw引发的狂烧token问题，解决办法是让AI走向高效、可持续的未来。那么，AI能否真正实现高效、可持续发展呢？