今年年初，硅谷掀起了一股被称为“Tokenmaxxing”的热潮，这个词形象地描述了企业疯狂消耗AI计算资源的现象。许多科技公司的CEO们纷纷鼓励员工尽可能多地使用AI工具，甚至将AI的利用率推向极限。然而，这股热潮在短短几个月后便遭遇了现实的沉重打击——高昂的账单如潮水般涌来，让不少公司措手不及。
据行业内部消息，Uber（优步）在短短几个月内就耗尽了全年的AI预算，这一消息在硅谷引起了广泛关注。Uber作为全球领先的出行平台，其AI技术广泛应用于路线优化、自动驾驶研究和客户服务等领域。然而，过度依赖AI和盲目扩张算力使用，导致其成本迅速失控。类似的情况并非孤例。一些公司不得不削减对Claude（一款由Anthropic公司开发的AI助手）的企业许可，部分部门的订阅被直接取消，甚至Meta（脸书母公司）也悄悄叫停了内部公布的AI使用排行榜。
这股“Tokenmaxxing”风潮的背后，反映了硅谷在AI投资上的狂热与泡沫。2023年以来，随着ChatGPT等生成式AI的爆发，企业纷纷押注AI技术，认为这将是下一个增长引擎。CEO们期望通过大规模部署AI来提升生产力、降低成本，甚至实现业务转型。现实却远没有想象中那么美好：AI模型的运行需要消耗大量的计算资源，而这些资源并非无偿的。每调用一次大型语言模型，背后都是真金白银的支出。
数据显示，训练和运行一个大型AI模型所需的计算成本正在急剧上升。以GPT-4为例，其单次训练成本就高达数亿美元，而日常推理成本更是以指数级增长。对于企业来说，一旦AI使用量超出预期，预算就会迅速被掏空。Uber的案例就是一个典型的教训：这家公司原本计划将AI用于优化核心业务，但由于缺乏有效的成本控制，最终导致预算超支数倍。
这种“疯狂烧钱”的模式并不可持续。行业分析师指出，企业在拥抱AI的同时，必须重新审视其成本结构。硅谷的风险投资机构开始提醒被投企业，要谨慎评估AI项目的投入产出比。一位不愿具名的投资人表示：“我们不能简单地认为AI是万能药。企业需要制定明确的预算上限，并建立成本监控机制，否则就会像Uber那样陷入财务困境。”
Meta叫停内部AI排行榜的决定，同样折射出企业心态的变化。此前，Meta内部曾设立一个排行榜，鼓励员工比拼各自团队使用AI的频率和效果。这种做法一度被视为激励创新的有效手段，但也助长了无谓的资源浪费。员工为了在排行榜上获得更高的排名，往往会刻意增加AI的调用量，而不管这些调用是否真正对业务有帮助。Meta最终意识到，这种内卷式的竞争只会推高成本，并不会带来实质性的收益提升。
在AI布道者眼中，Tokenmaxxing本来是一种“积极探索”的象征。理论上，AI的使用上限几乎是无限的，只要能带来哪怕微小的效率提升，就值得投入。然而，这种逻辑忽略了经济学的基本原则：资源的稀缺性和边际效益递减。当AI的滥用达到一定程度时，其带来的附加价值远不及消耗的成本。
这一趋势也引发了更深层次的思考：AI是否会成为企业的新“成本黑洞”？类似的历史曾在上世纪90年代末的互联网泡沫中上演。那时，企业一窝蜂地建网站、烧钱做广告，最终却导致大批公司破产。如今，AI领域的投资热潮似乎正在重蹈覆辙。不同的是，AI的技术迭代速度更快，投资额也更大，一旦泡沫破裂，后果可能更加严重。
从行业角度来看，AI的长期价值毋庸置疑，但企业需要找到更聪明的使用方式。一些领先的公司已经开始探索“成本意识化”的AI策略。例如，通过优化模型架构来降低推理成本，或者采用混合架构，将部分任务从昂贵的云端模型迁移到本地或边缘设备进行处理。此外，一些公司正在开发专门的“轻量级AI”，专门处理简单、高频的任务，而将复杂任务留给高性能模型。
还有企业家建议，企业应该建立多层次的AI使用权限。比如，对高价值任务开放顶级模型，而对常规任务则使用更便宜的替代方案。这种“分级管理”的策略，有助于在保持AI效率的同时控制成本。毕竟，并不是每一个查询都需要调用GPT-4这样的大模型；许多场景下，更小、更便宜的模型也能胜任。
回到Uber的案例，这家公司并非没有意识到成本问题。其内部曾考虑过采用自研AI模型来降低成本，但短期的“Tokenmaxxing”热潮让团队迷失了方向。最终，Uber被迫重新调整策略，收紧AI的使用权限，并引入预算限额。这一调整虽然短期内影响了部分业务线的效率，但从长期看，却避免了更大的财务风险。
Meta的战略调整则更为彻底。除了停止排行榜，该公司还在内部推广“成本透明化”文化，要求每个AI请求都附带成本标签。员工在使用AI时，会像打车一样看到“预估费用”，从而自然形成节约意识。这种做法的效果已经初步显现：Meta的AI相关支出在最近一个季度开始趋于平稳。
行业观察人士认为，Tokenmaxxing的退潮可能是一个积极的信号。它意味着AI行业正在从盲目扩张走向理性成熟。企业不再仅仅关注“能否用AI”，而是开始思考“如何用得更好”。这种思维的转变，将推动AI技术向更可持续的方向发展。
可以肯定的是，AI不会因为成本问题而停止进步。相反，成本压力往往会催生技术创新。历史上的许多突破，都是在资源有限的背景下被倒逼出来的。在未来，我们很可能看到更多专注于效率优化的AI技术出现，比如更高效的训练算法、更低成本的硬件，以及更智能的计算调度系统。
总而言之，Tokenmaxxing的热潮已经落幕，但它为整个科技行业敲响了警钟：技术进步不能脱离经济规律。无论是大公司还是初创企业，在拥抱AI的同时，都必须学会算好“成本账”。只有这样，AI才能真正成为推动增长的可持续动力，而非一个来去匆匆的泡沫。
