2026年3月29日，在全球独角兽企业大会上，360创始人周鸿祎把矛头对准了一个被很多人当作理所当然的想象：AI也能像互联网时代那样搞“流量包月”“无限使用”。他用传统互联网和AI的商业模式对比，强调二者在成本结构上的断层，尤其是算力和Token计费带来的刚性约束。伴随OpenClaw等现象级智能体引爆话题，“AI要不要、能不能搞包月”“Token是不是新一代流量”成了新一轮叙事焦点，也暴露出AI经济模型在机会之外同样暗藏的可持续性隐忧。
从龙虾热到OpenClaw的烧钱现实
在过去几周，OpenClaw这类现象级AI智能体的走红，把“龙虾热”式的狂欢重新搬上社交媒体时间线：大量用户蜂拥体验、疯狂调用、晒出使用效果，表面上是一场体验革命，背后却是对Token消耗特征的集体忽视。每一次对话、每一次调用模型，都对应着看得见的Token支出和算力账单，这一点在行业内外迅速引发讨论。
长期以来，用户在传统应用里的使用心智，被“无限用”“免费增值”训练得极其稳定——从宽带包月，到视频、音乐平台的会员制，人们习惯了付一次钱就可以无脑刷、无节制用。而面对需要按调用次数、按Token消耗计费的AI产品时，这种习惯与现实之间产生了明显割裂：交互越多，账单越高，用户第一次被迫直面“每次问一句都在花钱”的感觉。
在资本和开发者争相追逐AI热潮时，很多叙事集中在“增长”“爆发”“现象级”这些词上，却很少真正落到底层：支撑这些炫目体验的算力成本和Token支出究竟能不能被长期覆盖？OpenClaw式应用的持续运营，需要不断买单的推理开销。忽略这一点，AI热就容易沦为一场以补贴和烧钱堆砌出来的短期繁荣，而不是可自洽的商业模式。
互联网包月幻觉的历史惯性
传统互联网之所以敢于大规模推出“包月”“不限量”，是在特定历史路径和基础设施条件下形成的。伴随通信网络、数据中心和CDN多年的投入，整个体系逐渐逼近一种近乎无限的基础设施容量，至少在主流用户的使用规模下，很难真正触及物理极限，这为运营商和平台提供了兜底的安全垫。
在带宽和存储规模化之后，单位传输、单位存储的边际成本持续递减，新增一个用户、增加一定的使用时长，对整体成本曲线的冲击有限。只要规模够大，“卖包月”“给无限流量”的边际风险就可控，甚至可以通过分布式调度、峰谷错配继续压缩成本。这种技术和成本结构，共同支撑起“无限流量”“不限次使用”的商业想象。
更重要的是，这种流量导向思维已经塑造了一整代产品经理和运营的定价认知：用户增长优先于单体利润，通过低门槛获客、流量补贴、免费增值拉高DAU和留存，再在后端用广告、会员、增值服务提升ARPU。定价不再是精算每次调用的账，而是围绕“盘子足够大，后面总能赚回来”的信心展开。
AI按次收钱的物理边界
在这样的背景下，周鸿祎在独角兽大会上抛出一句话，显得格外刺耳：“Token永远不会像手机流量那样实现包月无限量使用。”这不是单纯的商业选择问题，而是源自AI运行的物理约束，与传统互联网的边际成本递减模式存在根本性矛盾。
他进一步强调，“AI运行本质上是算力、信息处理和智力成本的消耗。”也就是说，调用一次大模型，不只是带宽在跑，而是在消耗GPU/ASIC等硬件算力、内存和存储带宽，同时叠加电力成本和冷却、运维等配套支出。在当前主流技术栈下，AI Token的单价相对固定，用量与成本高度正相关，每多一点推理，就多一点真实支出，很难享受类似“多用几G流量几乎不多花钱”的红利。
算力资源的稀缺、电力价格的刚性，以及大模型推理本身的高开销，共同抬高了“无限用”在AI场景中的经济门槛。哪怕未来通过芯片迭代、模型压缩和算力调度降低单次调用成本，在可预见的周期内，这种成本也很难被摊薄到可以无脑包月、不设上限的程度。
因此，围绕AI Token的定价叙事，必须与互联网时代那套“流量补贴、烧钱换份额”的逻辑划清界线。继续用“先免费刷量、再慢慢变现”的路径来设计AI商业模式，很可能会在Token账单上遭遇残酷现实：没有人能长期为所有人的无限问答买单，尤其是在算力和能源仍紧绷的时期。
产品经理的错位想象与精算转向
带着互联网时代被验证过的成功范式，很多传统团队在做AI应用时，本能地沿用“低门槛获客+高频粘性”的心智：入口要足够顺滑，交互要足够多轮，鼓励用户尽可能留在产品里“多聊、多玩、多试”。这在过去是提升留存和时长的常用套路，如今却与Token按量计费的现实发生了错位碰撞。
在按Token计价的约束下，粗放交互、多轮闲聊和频繁调用都直接转化为成本爆炸。过去被当作“用户粘性”的长对话，如今意味着推理请求的线性累加；原本用来制造惊喜的多模型链式调用，在后台对应的是几何级的成本叠加。产品不再只是“好不好用”的问题，还变成“用一次要不要为它付得起钱”。
这迫使OpenClaw类智能体在交互设计和调用策略上开始向“精算模式”迁移：减少无意义轮次，把复杂需求前置引导为更精准、高信息密度的提问；通过内部策略压缩冗余调用，尽可能在有限Token预算内交付明确价值。同时，产品侧也不得不在用户教育上补上一课——让用户意识到，每一次调用背后都有算力支出，不是传统意义上的“免费陪聊”。
这种从“放任式增长”到“精算式交互”的转向，其实正在重塑AI原生产品的设计哲学：不再以单纯的时间或次数衡量成功，而是以每次调用的价值密度来评估产品是否值得存在。
AI Token经济模型的倒逼与机会
当Token成本成为刚性约束，整个行业被动进入了一种“效率优先”的演化路径。一方面，算力和电力的价格压力，倒逼模型开发者持续提升效率：从算法层做模型压缩、蒸馏和结构优化，从工程层压缩冗余调用、优化内存和带宽利用，再从硬件层发展更强的推理加速技术，用综合手段把每个Token背后的真实成本往下拽。
另一方面，按量计费也为一批高价值垂直场景、专业智能体和B2B服务提供了更清晰的商业化路径。与其追求大而全、不加区分地服务所有用户，不如围绕特定行业和高价值决策场景，将“每一次调用带来的收益”与“每一次调用的Token成本”直接对齐，让支付意愿强的企业和专业用户成为主要买单者。这种“用多少、付多少”的模式，反而更有利于构建可持续的收入结构。
在更宏观的层面，AI Token在价值捕获和供需博弈中的角色，正逐渐演变成一枚基础设施级赛道的筹码：谁能在保证性能的前提下持续压低Token成本，谁就更有可能在算力经济中占据定价权；谁能更好地把Token价格机制与实际业务价值挂钩，谁就有机会把AI从概念炒作拉回真实现金流。围绕这一筹码的竞争，远未到终局。
龙虾宴之后的冷静与重构
回到3月29日周鸿祎的这次公开发言，它真正的价值，在于对“AI也能流量包月”这种市场幻觉的纠偏。他用“Token不会变成手机流量包月”这样的直白表述，提醒行业不要把互联网时代的惯性思维简单平移到算力经济时代，更不要低估物理约束和成本结构对商业想象力的边界作用。
OpenClaw式的龙虾热，本质上只是算力经济时代定价博弈的早期样本：短期内可以用补贴、用资本、用情绪把某个智能体推向潮头，但长期能否站稳，最终还是要回到成本和价值的对价关系上。今天的热度，不会是AI商业模式的最终形态，更多是一次集体试错和心智校准。
展望未来，AI应用需要在体验、成本与算力约束之间，找到新的平衡点和叙事框架：既不能回到“免费无限用”的旧梦，也不必被“每问一次都肉疼”的恐惧所绑架。如何让每个Token背后的算力被更有效地转化为可感知的价值，如何在定价上做到透明、公平、可持续，将决定这场龙虾宴之后，AI产业能走多远、走多稳。
加入我们的社区，一起来讨论，一起变得更强吧！
官方电报（Telegram）社群：https://t.me/aicoincn
AiCoin中文推特：https://x.com/AiCoinzh
OKX 福利群：https://aicoin.com/link/chat?cid=l61eM4owQ
币安福利群：https://aicoin.com/link/chat?cid=ynr7d1P6Z
免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。
