《从技术史的角度看“卖token”》 这篇文章的主线是： Energy → Computation → Information → Intelligence 能源→计算→信息→智能 19世纪初，人类进入电气时代，开始用kwh来计算电的基本单位，标志着电力进入工业化生产，电力不再被简单地理解为代替人力畜力的一种生产力，而是可以通过网络传输，被标准化计量购买的商品，广泛参与到人类生产中。 引发我们的第一个问题，就是一个技术发明到什么阶段，才能变成基础设施，引发科技革命呢？ 20世纪初，IBM mainframe等大型机的诞生，MSU（Million Service Unit，百万服务单元），衡量CPU处理能力，MSU成为软件计费的新的计量单位。 随后AWS所代表的云计算革命，让计算能力开始像电力一样，可以被远程调用、弹性扩展和按量付费，资源、算力、存储都可以被标准化售卖。 第三阶段，则是API Economy 革命，API计费时代，概括来讲就是cloud computing + SaaS + API economy，不再是出售硬件、云算力，而是而是把算力、数据库、业务能力、AI能力全部封装成可调用接口，对外商业化。 不管是laas代表的infra： GCP Azure AWS paas代表的开发者工具如数据库中间件消息队列等。 还是Saas：salesforce、飞书、zoom等成品软件，直接面向客户。 API通过按量计费，成为统一的接口，成为参与到工业化的标准产品。 第四阶段，就是我们现在正处，AI API token时代，跟上一代计费标准不同，AI API计费主要是按照 input tokens + output tokens。 跟电力时代的kwh一样，token正成为ai时代的计量单位，但目前这个计量单位并不统一，因为从实验室出来的智能并不一致，deepseek的token只有claude fable 5token的 1/200。 token只是依托于api时代流传下来的短暂计量工具，它可能不是 machine intelligence 最终的价值单位，而是机器智能从实验室技术走向标准化商品过程中出现的一种过渡性计量制度。 如果未来商业模式不是api，如果开源模型能占据主导地位，在普及度上超越闭源模型，Electricity → Computing → AI，一定会出现统一的计量单位。 过去150年，现代技术体系不断把原本依附于机器、组织乃至人的能力，抽象出来，使其变得可计量、可定价、可通过网络输送，并最终成为可以按需购买的商品。 电网对电力做过一次统一。 云计算对 computation 做过一次统一 API economy 对 digital capabilities 做过一次。 但是ai暂时还没有实现智能计量统一，一个可以商业化的通用计量方式，是不是还有很久的路要走。

⚡️ @sukie234 对话 168X：AI 中转站是一门好生意吗？为何未来人人都会卖 Token？ AI 中转站看似只是在转卖便宜 Token，真正做起来，却要同时解决货源、支付、模型真假、服务稳定性与客户接入。 这次我们邀请独立经营 RelayRouter 与 RelayDance 的 Sukie，拆解中转站的利润、获客与风险控制，聊聊她如何从几乎没赚到钱，做到超过 700 名付费客户、单月流水接近 2 万美元。 当模型不断降价、大平台也开始提供聚合服务，小型中转站还能靠什么生存？为什么她认为，未来大多数 AI 公司，本质上都在想办法把 Token 卖出去？ 主持： @vcmktasa @168MrZ 嘉宾： @sukie234 直播时间：8/12 中午 12 点 (东八区) X Space 链接：

我看了一下@ycombinator 今年的项目，基本上都是 1. FDE/Router + Vertical Application： 模型router → 针对某个具体场景做优化 → 接入业务 workflow → 用数据反馈继续优化。 初创公司卖模型，初创公司都是中转站。 2. Router + LLM Optimization / Infra： 跟上一类不一样，这种是解决大模型调用本身的问题：routing、cost、latency、eval、observability、prompt optimization、fine-tuning、inference 等。 比如说 @WorkWeave 这个产品，他们说自己是AI to understand and then route engineering work。最开始的产品更像是 AI-native engineering analytics：接 GitHub / PR / Claude / Cursor 等工程数据，然后用模型分析： 工程师到底完成了多少工作 哪部分代码是 AI 写的 AI coding tools 有没有真正提高 productivity AI 花了多少钱、ROI 怎么样 哪些任务 AI 做得好、哪些做得不好 后面他们这个方向跑到最后发现还是需要模型聚合能力，他们就往一个中转站走了，然后发布了weave router。 他们分析 各种企业的Claude Code workload 后称，大约 60–70% requests 是比较简单的 completion，这些任务用便宜的 open-source model 可以做到相近效果，而成本可能只有约 1/40。 Coding request → Weave classifier/router → 判断任务难度 → 选择模型。 所以拆解一下这家公司就是做Router + Vertical Coding 场景，Weave 这种模式比单纯做一个LLM中转站 Router 更值得借鉴，先找到一个 token spend 巨大、任务高度重复、而且不同任务对模型能力要求差异巨大的 vertical，尤其是coding场景，然后做它的 intelligent routing layer。 所以我感觉年初做中转站的经验虽然没有给我个人带来什么经济收益，但是确实积累了很多实战技能，比如说如何从零到一搭建中转站，如何做FDE，挨个建群解决用户的api问题，比如我自己搭画布接seedance。 往后来看这种经验太值钱了，以后的ai startup都会是这个形态。