token 经济学：你的每一瓦电，到底赚回了多少

• 原文标题：What Does Your Watt Earn?
• 作者：Eric Xu (e/Mettā)
• 内参日期：2026-08-11
• 来源类型：twitter
• 原文：https://x.com/xleaps/status/2064561720727675117/
• 标签：ai 硬件, ai 经济价值

标题把算力经济换算到「每瓦产出」这个尺度上。Reader 抓到的推文正文为空，实际内容需要回原推查看。

导读

token 经济学。

核心观点

• 每一家 AI 公司在物理层面做的都是同一件事：半导体把电变成钱。中间产物是 token、广告点击还是晶圆，是次要的。
• 因此可以用一把统一的尺子横比整个 AI 经济：每瓦美元（Dollar per Watt，DW）＝年度总收入 ÷ 年度实际使用的总瓦数。作者称它 incredibly simple to remember。
• 这把尺子的价值不在精确，而在信噪比。benchmark 因推理时算力可以买分而失效，capex 头条只说明野心，黄仁勋的「AI token 工厂」框架只适用于 LLM 厂商；DW 是唯一能同时套在 OpenAI、AWS、Meta、台积电、沙特阿美身上的一次除法。
• 用它跑一遍全行业，得到几个反直觉判断：OpenAI 三年卡在 10 美元、Anthropic 今年抬升到接近 15 美元成为第一家明确离开成本地板的实验室、xAI 当地主比自己跑 Grok 每瓦多赚 25 到 35 倍。

为什么常用指标都不好用

• benchmark 分数：inference-time compute 让任何模型都能买到更高的分，今年的数字无法外推到明年。
• 带 B 和美元符号的 capex 公告：说明的是野心，很少说明这门生意会有多好。
• 黄仁勋的「AI token 工厂」框架：为 LLM 厂商量身定制，对搜索和广告这类「在这个词流行之前就已经是 AI」的生意完全失语。
• 三者共同的毛病是信噪比低，且无法跨业态横比——所以需要一把更靠近物理层的尺子。

DW 的定义与口径

• 定义：DW ＝ 年度总收入 ÷ 年度实际使用的总瓦数。分子先取收入，不是利润。
• 想看利润就减掉成本地板：美国口径下每瓦-年大约 8 到 10 美元，覆盖芯片摊销和电费。
• 关键性质：这个地板对几乎所有美国 AI 公司都一样，所以它是一个平移不变量（shift invariant）——减与不减都不改变排序。
• 瓦数口径不是铭牌功率，而是供给到位的全口径市电功率：面向电网的数字，加上表后（behind-the-meter）自建燃气轮机，也就是原始能量输入。实践中铭牌值与之相差不远。
• 之所以能跨业态成立，是因为它测的是物理过程而非商业模式：不管你把电变成 token、广告点击还是晶圆，分母都是瓦。

Analysis 1：前沿实验室

• OpenAI：2024 年到 2026 年初的三年里，瓦数一路增加，DW 却稳稳停在 10 美元。
• Anthropic：过去同样在 10 美元附近徘徊，今年突破到接近 15 美元，是第一家明确抬离成本地板的实验室，功劳来自 Claude Code 及相关任务的指数级增长。
• xAI：若没有近期与 Anthropic、Google 的交易，Grok 的低使用率会让它巨额亏钱。
• 提升 DW 的两个杠杆：行业传统上把 DW 拆成「每 token 单价 × 每瓦 token 数」，两个杠杆实验室都在拉。
• 训练更聪明的模型抬高前者——帮你订机票的 token，卖得比押韵的 token 贵。
  • 买最新 GPU 抬高后者——每一代英伟达芯片都能从同样的瓦数里吐出数倍 token。
• 这个分解比「他们需要算力」更能解释英伟达狂热：更多瓦确实带来更多收入，但买黄仁勋的芯片是唯一不做任何研究就能改善第二个因子的办法，是这个行业里最接近免费的钱，所以人人都想拿到 GB300 NVL72。

Analysis 2：超大规模云厂商

• 传统云生意极好：把一瓦电包在硅片和 SLA 里租出去能收 20 多美元，对着不到 10 美元的成本地板，还不用交英伟达税，而且是超大规模的量。
• 人们没意识到的对照：OpenAI 的 10 美元远低于 AWS。行业旗舰 AI 产品对一瓦的变现，居然还不如把这瓦当裸云实例租出去——消费级产品的空间本就残酷，利润率一向可疑。
• 那为什么云厂商还在猛砸钱？他们赌的是聊天机器人之后的用例——真正干活的 agent——会清出远高于今天 ChatGPT 的 DW，所以要在这轮重定价发生之前先把瓦特握在手里。Anthropic 今年的抬升已经验证了这个重定价论题。

Analysis 3：xAI 的两笔租约暴露了瓦特现货价

• 2026 年 5 月，SpaceX 的 S-1 披露：Anthropic 每月付给 xAI 12.5 亿美元，到 2029 年合计 150 亿美元，独占孟菲斯 Colossus 1 的 300 多兆瓦。
• 五周之后，Google 签下每月 9.2 亿美元、到 2029 年年中约 300 亿美元的合约，拿到的算力大约只有 Anthropic 的一半。
• 把尺子架在各方身上：xAI 自营 Grok 的 DW 约 2 美元，背后是每季度 25 亿美元的运营亏损；当上地主之后，同样的瓦特租给 Anthropic 对应 50 美元的 DW，租给 Google 约 70 美元。
• 两笔交易只隔五周，瓦特现货价涨了 40%。结论是当地主比自己跑 Grok 每瓦多赚 25 到 35 倍。
• 信号很浓：Google 和 Anthropic 愿意在边际上付 50 到 70 美元的 DW，说明它们最新模型加 agentic 负载赚到的钱，足以覆盖这笔租金。作者由此说，如果他是 Elon 大概会砍掉 Grok——Grok 能否做到 10 美元的 DW 都不清楚，遑论 50。

Analysis 4：广告与搜索这类「老 AI 公司」

• 很容易把 AI 等同于 LLM，但 Google 和 Meta 在 ChatGPT 出现之前就是 AI 公司。DW 能延伸过去，因为每家的数据中心规模和收入都是公开的。
• Meta 与 Alphabet 的 DW 在 40 到 65 美元：它们把瓦特推过只有自己拥有的东西——一场广告拍卖，或一个搜索垄断——瓦特出来时值其能源成本的五十倍，这是 2026 年 5 月之前任何前沿实验室都够不到的倍数。
• 但它们的 DW 这几年在下降：垄断本身的 DW 没变，是新加的训练瓦特按设计就不赚钱，再加上尚未转化成收入的推理瓦特。
• 推论：未来几年要判断它们的 AI 转型是否真的成功，DW 可能比市盈率或毛利率更好用。

一张阶梯图看完整个 AI 经济

• 阶梯从低到高：沙特阿美 0.4 美元、受管制的公用事业 1 美元、xAI 自营模型 2 美元、OpenAI 10 美元、Anthropic 15 美元、AWS 20 美元、Google Cloud 22 美元、微软云 27 美元、英伟达一次性通行费 35 美元、Meta 45 美元、xAI 租给 Anthropic 50 美元、台积电 50 美元、Alphabet 57 美元、xAI 租给 Google 70 美元。
• 成本地板那条大约 10 美元的竖线，把整张图切成「在亏」和「在赚」两半——OpenAI 恰好压在线上。
• 作者说他用这把尺子一年，它对投资决策的帮助超过任何 benchmark 或 capex 头条。
• 它还指出接下来该盯哪几个数：OpenAI 那条 10 美元的平线会不会抬起来、Anthropic 的 15 美元能否在瓦数翻三倍之后守住、孟菲斯的现货价会不会继续爬过 70 美元。
• 每一个都只有一次除法之遥，而每一个都能了结一场目前靠感觉进行的争论。

概念网络

关键概念

每瓦美元（Dollar per Watt，DW）

context：全文的中心度量，作者提出的「a simpler yardstick: dollar per watt」，定义为年度总收入除以年度实际使用的总瓦数。它之所以能横跨前沿实验室、云厂商、广告公司、芯片代工和石油公司，是因为「every AI company runs the same physical process. Semiconductors convert electricity into money」。

费曼一下：把一家公司想象成一台插在电网上的机器：一头进电，一头出钱。DW 就是问「你插上一瓦电，一年能吐出多少美元」。这个问题不管你做的是聊天机器人、搜索广告还是芯片代工都成立，所以它是少数能把整个行业放进同一张表的指标。

成本地板（cost floor）

context：作者给出的美国口径下每瓦-年大约 8 到 10 美元的开支线，覆盖芯片摊销和电费。想把 DW 从收入口径换成利润口径，就从 DW 里减掉它。在阶梯图上，它是那条大约 10 美元的竖直虚线。

费曼一下：这是「养一瓦电一年」的最低开销：买机器分摊的钱加上电费。DW 低于它，这瓦电就是在烧钱；高于它，多出来的部分才是这瓦电真正挣到的。

平移不变量（shift invariant）

context：作者说明为什么可以放心用收入口径而非利润口径的 DW——「Since the floor is almost the same for all US AI companies, it's a shift invariant」。

费曼一下：如果所有人的成绩单都统一扣 10 分，排名一点不会变。成本地板对美国 AI 公司几乎一样，所以减不减它都不影响谁高谁低，横比时可以直接用收入口径省事。

供给到位的全口径功率（provisioned all-in power）

context：DW 分母的口径界定。作者强调「The theoretical watt here is not nameplate」，而是面向电网的数字加上表后自建燃气轮机，也就是原始能量输入；实践中铭牌功率与之相差不远。

费曼一下：不看设备标签上印的最大功率，而看你实际从电网和自家发电机拉到手的电。前者是理论值，后者才是真正要付钱、也真正在被消耗的东西。

DW 的两因子分解

context：行业传统把 DW 拆成「DW = $/token × tokens/watt」，前沿实验室两个杠杆都在拉：训练更聪明的模型抬第一项，买最新 GPU 抬第二项。

费曼一下：赚多少钱等于「每件商品卖多少钱」乘以「同样的电能造多少件」。做出更值钱的 token（比如帮你订机票的，而不是押韵的）抬高单价，换更新的芯片抬高产量——两条路互不替代。

英伟达税与卖铲人的一次性通行费

context：作者用它解释两件事：传统云生意的高 DW 部分来自「no Nvidia tax」；而在阶梯图上英伟达自身被标为 35 美元的「one-time toll」。买新一代芯片是「the only way to improve the second factor without doing anything」，因此是行业里最接近免费的钱。

费曼一下：算力这条路上有个收费站，谁想提升每瓦产出都得先交一次过路费。对买家来说这笔钱换来的是不用做研究的确定收益，对收费站来说这是整条产业链上最稳的一笔。

瓦特地主（算力出租）

context：Analysis 3 的核心角色转换。xAI 自己跑 Grok 的 DW 约 2 美元且季度巨亏，但把同样的 300 多兆瓦租给 Anthropic 和 Google 之后，DW 变成 50 和 70 美元——「it earns 25 to 35 times more per watt leasing its computer to competitors than running Grok on it」。

费曼一下：你有一间店铺，自己开店一年赚两万；把它租给对面更会做生意的人，一年收租五十万。理性的选择是当房东。算力也是一样的资产。

瓦特现货价

context：两笔租约相隔五周，Anthropic 的 50 美元与 Google 的约 70 美元之间隔着 40% 的涨幅——作者据此把租约价读成瓦特的边际市场价格。

费曼一下：租约价格不是某家公司的经营结果，而是当下市场愿意为一瓦算力出的价。五周涨四成，说明供不应求的程度在快速变化，而这个价格谁都能算，不需要内部数据。

重定价论题（repricing thesis）

context：解释云厂商为什么在 AI 瓦特收益低于云瓦特时仍猛投——「Their bet is that the use cases after chatbots, agents doing real work, will clear a far higher DW than ChatGPT does today, and they want to own the watts before that repricing」。作者认为 Anthropic 今年的抬升已经验证了它。

费曼一下：现在这块地不值钱，但你判断地铁会修过来，所以要在涨价之前先把地买下。云厂商赌的是「真正干活的 agent」比聊天机器人值钱得多，所以现在先屯电。

按设计不赚钱的训练瓦特

context：解释 Meta 与 Alphabet 的 DW 为何逐年下降——垄断本身的 DW 没变，是新增的「training watts that earn nothing by design」加上尚未转化为收入的推理瓦特把分母抬了上去。

费曼一下：训练模型的那部分电，当期本来就不产生一分钱收入，它是为未来花的。所以一家公司在大举训练时 DW 必然被拉低，这时候数字变差不一定是生意变差，但也不能默认它一定会变好。

垄断变现通道

context：Meta 与 Alphabet 的 DW 高达 40 到 65 美元的原因——「They actually push the watt through something they alone own, an ad auction or a search monopoly」，瓦特出来时值其能源成本的五十倍。

费曼一下：同样一瓦电，从一个只有你有的收费口挤出去，价钱会完全不同。广告拍卖和搜索垄断就是这样的口子，它决定了这瓦电最终能卖多贵——通道的稀缺性，而不是电本身。

指标的信噪比与可外推性

context：作者否定既有指标的判据。benchmark 因 inference-time compute「stopped being useful」且「you cannot extrapolate this year's number into next year's」；capex 公告「tell you about ambition, rarely about how good the business will be」。

费曼一下：判断一个指标好不好，看两件事：它有没有被噪声淹没，以及今年的数字能不能推出明年。可以靠花钱买高的分数两条都不满足，所以再漂亮也没用。

概念网络

graph TD
C1["半导体把电变成钱"]
C2["每瓦美元 DW"]
C3["成本地板 8 到 10 美元"]
C4["平移不变量"]
C5["供给到位的全口径功率"]
C6["DW 两因子分解"]
C7["英伟达税与一次性通行费"]
C8["瓦特地主与算力出租"]
C9["瓦特现货价"]
C10["重定价论题"]
C11["按设计不赚钱的训练瓦特"]
C12["垄断变现通道"]
C13["旧指标信噪比低"]
C1 -->|因果| C2
C13 -->|反衬| C2
C2 -->|口径| C5
C2 -->|扣减| C3
C3 -->|推论| C4
C2 -->|分解| C6
C6 -->|驱动| C7
C2 -->|应用| C8
C8 -->|定价| C9
C9 -->|佐证| C10
C10 -->|预期| C2
C12 -->|抬高| C2
C11 -->|拉低| C2

这张网络的根不在金融，而在物理。「半导体把电变成钱」是全文唯一的前提，DW 只是这句话的算术形式；因为前提是物理的，指标才敢横跨 LLM、云、广告、代工四个完全不同的商业模式。这也是它和被否定的那批指标的分野：benchmark、capex 头条、AI token 工厂的失效原因各不相同，但共同点是它们测的是某一类玩家的表现，DW 测的是所有玩家共用的那道工序。

围绕 DW 生长出两圈概念。内圈是口径类概念，负责让这个除法可信：分母由「供给到位的全口径功率」界定，排除铭牌功率的虚数；分子先取收入，要看利润则减掉成本地板，而成本地板因为对所有美国公司近似相等，进一步升格为平移不变量——这一步是全文最省力的技术判断，它让作者可以放心用最容易拿到的收入口径做横比而不担心排序失真。

外圈是操作类概念，负责回答「知道 DW 之后能做什么」。两因子分解把一个结果指标变成两个可干预的杠杆，而其中「每瓦 token 数」这一项可以靠换芯片直接买到，于是英伟达税成了分解式的必然推论，而不是情绪化的行业观察。同一层还有瓦特地主：当自营模型的 DW 长期贴地，把瓦特租出去就成了显式的算术选择；租约价格随即变成瓦特现货价，而现货价能反过来给重定价论题当证据——愿意付 50 到 70 美元租金的人，必然相信自己的 agentic 负载能赚回这个数。这条链条是全文推理密度最高的一段，也是尺子从描述工具变成预测工具的地方。

最后两个概念解释同一个指标为何会向相反方向移动。垄断变现通道把 DW 顶到 40 到 65 美元，靠的是通道的稀缺而非电的稀缺；按设计不赚钱的训练瓦特则把分母做大、把 DW 拖下来。二者叠加，才有 Meta 与 Alphabet「垄断没变但 DW 在跌」这一读起来矛盾的现象。理解了它们的张力，就能明白作者为什么说 DW 可能比市盈率或毛利率更适合用来判断这两家的 AI 转型：它把「为未来花的电」和「已经变现的电」放进了同一个分母，从而让转型的进度变成一个可以逐年追踪的数。

费曼 x3

投资里最难的部分不是找到答案，而是找到一个不会被优化掉的问题。任何指标一旦成为目标就不再是尺子：推理时多烧算力就能买到更高的分数，今年的数字因此推不出明年；带 B 和美元符号的资本开支公告更是随口就能喊大。真正耐用的度量往往退回到物理层，因为在那里作弊的空间小得多。

「一瓦电赚回了多少钱」的分量就在这里。剥掉 token、广告点击、晶圆这些中间形态，每一家 AI 公司在做的是同一件事：半导体把电变成钱。于是一次除法就能把模型厂商、云厂商、广告巨头、芯片代工乃至石油公司放进同一张表。能横比不是因为它精确，而是因为它问的是物理过程，不是商业模式。

有了尺子，很多争论会立刻塌缩成算术。行业旗舰的 AI 产品对一瓦的变现，居然不如把这瓦当裸云实例租出去；一家实验室三年里加了那么多电，每瓦收入却纹丝不动地贴在成本地板上；另一家因为编程 agent 的负载第一次抬离地板。这些不是叙事的胜负，是同一个除法给出的不同商。最锋利的一刀落在租约上：自己跑模型每瓦赚两美元的公司，把同样的瓦特租给对手能收五十到七十——那么「要不要继续做自己的模型」就不再是战略偏好，而是一道算得出来的题。

更值得记住的是这把尺子的用法。它可以拆成两个因子：每 token 卖多少钱，每瓦能吐多少 token。前者靠模型变聪明，后者靠换新一代芯片。这解释了为什么买 GPU 是这个行业里最接近免费的钱——不做任何研究，第二个因子自己就涨了。同一个分解也提醒你别急着为下跌的数字下结论：训练用掉的电按设计就不产生当期收入，分母变大不等于生意变坏。

好指标不只给出排名，还告诉你下一个该盯的数字。那条平线会不会抬起来、抬起来之后瓦数翻倍还守不守得住、现货价会不会继续爬。每一个都只是一次除法，却都能了结一场目前靠感觉进行的争论。当一个行业的估值大半建立在叙事上时，能被一次除法证伪的东西本身就是稀缺品。