生成式AI热潮正呈现两张面孔。API按输入、输出Token精确计费，产品演示却不断滑向“理解”“自主”乃至“意识”等难以验证的说法。把这轮热潮直接比作17世纪的郁金香投机并不准确：大模型已经进入客服、编程、搜索和办公流程，确实创造了使用价值。
泡沫风险仍然存在。问题出在市场经常把局部能力提前折算成通用智能、完全自动驾驶和长期利润。Token收费与机器是否有意识并不矛盾，前者只是商业计量方式；真正的矛盾，是收入和成本可以核算，宏大承诺却缺少同等严格的验收标准。
按Token收费的AI已经是生意，机器意识仍是叙事
OpenAI在2023年2月推出每月20美元的ChatGPT Plus。面向开发者的API则按Token收费，输入和输出通常分别计价。Token是模型处理文本的基本单位，并不等于一个单词；中文字符、英文单词和标点经过分词后，消耗量也不相同。
这套计费方式说明，大模型已经成为可采购、可核算的软件服务。企业可以计算一次客服问答、一段代码生成或一份合同摘要要花多少钱，也可以比较不同模型的速度、错误率和总体成本。
但模型说“我有感受”或“我已经觉醒”，不能成为意识存在的证据。大语言模型的核心机制仍是根据上下文生成后续Token。它会复现人类描述自我、情绪和意图的语言，却没有公认的科学测试能够据此确认主体意识。
几个经常被混在一起的议题，其证据强度并不相同：
| 议题 | 已经可以核验的部分 | 尚未被证明的部分 |
|---|---|---|
| 大语言模型 | Token成本、任务正确率、响应速度 | 主体意识、稳定意图、自主目标 |
| AI商业化 | 订阅收入、API调用量、企业采购 | 长期利润率、需求能否覆盖基础设施投入 |
| 自动驾驶 | 特定道路和条件下的辅助驾驶能力 | 无监督、跨地区、全天候的通用自动驾驶 |
| 郁金香历史对照 | 价格曾在1630年代快速上涨并于1637年逆转 | “全民破产”等流行叙事，已受到历史学者质疑 |
郁金香对照的价值，在于提醒人们警惕价格与兑现能力脱节。它不能证明AI毫无价值。郁金香投机主要依赖转手预期，大模型则已经承担具体工作，两者的资产基础并不相同。
FSD与数据中心暴露了两类现实边界
Tesla的FSD提供了一个更接近产品层面的参照。2024年，Tesla在北美将相关界面名称调整为“Full Self-Driving (Supervised)”。“Supervised”这个词很关键：驾驶员必须持续注意路况，并准备随时接管，责任没有转交给车辆。
这类产品通常仍按L2驾驶辅助理解。它可以提高部分场景下的便利性，却不能仅凭“Full Self-Driving”这个名称，推导出车辆已经具备无人监督的完整自动驾驶能力。买家应核对当前交付的软件功能、适用道路和责任条款，而不是把未来路线图计入今天的车价。
数据中心揭示的是另一条边界：AI能力并不只来自算法，也依赖电力、芯片、冷却系统和输电设施。国际能源署在2025年发布的《Energy and AI》报告估算，全球数据中心2024年用电量约为415太瓦时，占全球用电量约1.5%；到2030年可能增至约945太瓦时。
这个数字也有明确限制。它统计的是数据中心整体用电，并非全部由生成式AI造成。不同地区的电源结构、电网余量和企业购电协议差异很大，不能由全球预测直接推出“当地居民电费一定上涨”。
真正需要追问的是成本由谁承担。数据中心运营商是否自建电源或签署长期购电协议，电网扩容费用是否进入公共电价，项目承诺的就业和税收能否覆盖用水、土地与基础设施压力，这些都比“算力规模再创新高”更接近现实。
FSD、数据中心和机器意识没有直接因果关系。它们的共同点，是宣传口径都容易跑在责任划分和验证标准前面。古人讲“循名责实”，放到AI行业，就是按产品名称追问实际能力，按商业承诺核对成本与交付。
付钱的人应把故事改成验收条件
企业采购大模型时，最现实的变化不是立刻裁掉多少岗位，而是预算审核会越来越细。团队需要用自有任务建立测试集，记录正确率、人工复核时间和失败重试成本。API单价低，不代表总成本低；长上下文、重复调用、数据治理和安全审查都可能增加账单。
普通消费者面对AI订阅或智能汽车，也不必替厂商预测技术终点。判断是否购买，只看当前版本能否解决高频问题，以及使用失败时由谁承担责任。聊天机器人偶尔答错，代价可能只是重新搜索；驾驶辅助判断失误，后果完全不同。
接下来应盯住两个变量：模型在真实任务中的可靠性，能否比推理成本下降得更快；基础设施和事故责任，能否从模糊承诺变成清晰合同。前者决定AI是不是一门可持续的生意，后者决定热潮退去后，谁来结账。