AI推理单价断崖式下跌，底层的算力租金却纹丝不动甚至逆势走高。截至2026年8月，汇集Ornn、Silicon Data与彭博的行业数据显示，模型推理Token单价跌入谷底，而英伟达H100云端租金却依然坚挺。风投机构a16z迅速下场定调，称这是AI基础设施领域教科书般的杰文斯悖论（Jevons Paradox）：单价越便宜，催生出的自动化Agent需求越大，最终吃掉更多芯片。黄仁勋似乎又一次赢麻了。
但把降价促销直接等同于硬件采购的永动机，不仅忽略了统计口径的偏差，也美化了真实世界的商业回报。
被包装的做市商曲线与统计偏差
那张在投资人朋友圈疯传的对比图表，核心出处并非a16z的原创发现，而是做市商Citadel Securities在2026年8月18日发布的宏观研报《Elastic Expectations》。撰写者Frank Flight在报告中给出的定性非常克制，明确标注该证据属于初步且试探性的观察。在此之前，a16z早在2025年11月12日发表过题为《Jevons or Bust》的备忘录，并在2026年6月24日领投了算力基准平台Ornn的3300万美元种子轮，经过几道资本链条的互相转引，一份试探性的做市研报被直接包装成了芯片霸权的定论。
底层指数的统计口径本身就暗藏玄机。
Ornn算力价格指数自2026年7月24日起采用按小时滚动的交易量加权缩尾均值，统计范围极其狭窄，仅覆盖即时租金（on-demand），完全剔除了大客户动辄锁定数年的长期预留合约。散户与初创团队在现货市场的短期扫货，根本无法代表整体算力资产的供需全貌。
与之相对的Silicon Data代币支出指数，记录的是用量加权价格。这个指数的下坠，不仅来自厂商的主动降价，更源于大量工作负载向极廉价小模型的自然转移。
把这种包含小模型迁移的价格跌幅，与剔除长约的现货短租坚挺拼在一起，得出的杰文斯叙事更像是一场数据剪裁。
膨胀的调用量与缩水的现金流
不可否认，机器自主调用的需求确实在爆炸。开源模型分发网关OpenRouter的周消耗Token量，从2025年1月13日当周的0.5万亿，一路飙升到2026年9月14日当周的128.4万亿，规模暴增超250倍。其中，Agent调用在2026年2月6日反超人类操作，到了9月最后一周，Agent消耗的Token已经达到人类调用的约7倍。
但庞大的数字底层是一场空转。
OpenRouter披露的结构数据显示，2026年9月Agent调用的Token中，近90%为缓存提示词（cached prompt），系统真正在做推理、生成内容的输出Token仅占约1%。
借助上下文缓存机制，缓存命中时的百万Token成本会从2.08美元骤降到0.51美元。Agent在不断循环读取历史记忆、系统提示词和状态日志，硬件并没有满负荷进行复杂的浮点生成运算，只是在内存中搬运重复数据。
繁荣的表面是万亿级Token在代码循环中空转，背后是单Token变现能力的断崖式下坠。
这种虚胖直接反映在财务账面上。OpenRouter曾做过降价测试，旗下Terra与Luna模型降价60%到90%后，调用量确实猛增了5.6倍至13.8倍。但细查去向，大约75%的份额增长只是把其他厂商的用户薅了过来，初次留存观测期仅维持了6天。
Sacra预估OpenRouter在2026年7月的年化收入达到1.4亿美元，但综合算下来，单Token货币化率下降约60%。换句话说，开发者跑的Token越来越不值钱，调用量增长根本填不平单位收益的缩水。
- 风险.当90%的调用都被缓存抵消且变现率暴跌时，终端软件企业的真实投资回报率（ROI）很难成立，一旦外部融资收紧，虚假繁荣的调用量会被瞬间挤出水分。
吞吐量反噬与推理战场的变数
退一步讲，即便Token总需求真能保持指数级攀升，这些需求最终能折算成多少张物理显卡采购，依然是个大问号。
问题出在单芯片吞吐效率的飞跃上。英伟达官方宣称，GB300 NVL72在特定低延迟工作负载下，每Token的推理成本相比Hopper架构降低最多达35倍。如果一套新系统能把产出效率提高30多倍，应用端的Token总量增速就必须跑赢这个倍率，企业才需要采购更多物理机柜。硬件吞吐的大幅提升，在短期内是在消解而不是增加服务器采购量。
更关键的转折发生在推理架构的壁垒松动。在模型训练阶段，英伟达凭借CUDA生态筑起了难以撼动的护城河；但在推理阶段，云厂商和竞争对手的专用架构正在迅速反扑。
| 硬件平台 | 评测模型与精度 | 实测持有成本 (每百万Token) | 相对性能与成本优势 |
|---|---|---|---|
| Google Ironwood TPU | Qwen3.5 397B FP8 | 0.181 美元 | 持有成本比 B200 低 18%，比 B300 低 34% |
| NVIDIA B200 HGX | Qwen3.5 397B FP8 | 0.222 美元 | 性能主流，但整体综合持有成本偏高 |
| NVIDIA B300 NVL | Qwen3.5 397B FP8 | 0.276 美元 | 定价处于高位，面临自研芯片挤压 |
| AMD MI355X | Llama 3.1 405B FP4 | — | 官方标称每美元产出较 B200 高 40% |
行业分析机构SemiAnalysis旗下的InferenceX在2026年9月7日给出了具体测算，运行Qwen3.5 397B FP8时，Google Ironwood TPU的模型持有成本仅为0.181美元/百万Token，明显低于英伟达B200的0.222美元以及B300的0.276美元。同时，AMD公布的基准测试也显示，MI355X在运行Llama 3.1 405B FP4时，每美元Token产出较B200高出多达40%。
- 结论.推理市场不是训练市场的简单复制。企业不再迷信单卡峰值算力，而是锱铢必较单位Token持有成本，英伟达的高溢价定价权正在被Google和AMD的定制方案稀释。
英国经济学家威廉·斯坦利·杰文斯当年观察蒸汽机时提出，煤炭利用效率的提升引发了工业规模扩张，最终吃掉了更多煤炭。但这个闭环能转起来的前提，是工厂用煤炭纺出了真正的棉布、运出了真实的货物，有人愿意为此买单。
如今AI供应链的神经已经绷紧到了极点。资本市场对终端商业闭环极其脆弱，OpenAI年化收入传出低于预期的风吹草动，美股半导体链条便集体承压。当Agent的循环调用无法转化为可持续的利润，当单芯片吞吐效率反噬硬件采购规模，杰文斯悖论的飞轮随时可能在某个临界点卡死。