---
{
  "title": "一度电，能换多少智能？",
  "eyebrow": "HoopGram Learn · Agent foundations",
  "date": "2026-08-29",
  "lang": "zh-CN",
  "twin": "energy-to-intelligence-en",
  "summary": "从 Electricity 到 Token、Product 与 Action：一篇带来源、边界和复审日期的 Agent 世界基础课。",
  "review": {"firstPublished":"2026-08-29","lastReviewed":"2026-08-29","nextReview":"2026-11-27","volatility":"pricing + research"},
  "priceFacts": {"checkedOn":"2026-08-29","staleAfterDays":90,"rows":[{"model":"GPT-5.6 Luna","input":"0.20","output":"1.20","cached":"0.02"},{"model":"GPT-5.6 Terra","input":"2.00","output":"12.00","cached":"0.20"},{"model":"GPT-5.6 Sol","input":"4.00","output":"20.00","cached":"0.40"},{"model":"Claude Sonnet 5","input":"2.00","output":"10.00"},{"model":"Claude Opus 5","input":"5.00","output":"25.00"},{"model":"DeepSeek V4 Flash off-peak","input":"0.22","output":"0.66","cached":"0.007"}]},
  "claims": [
    {"class":"measurement","claim":"ML.ENERGY leaderboard reports about 0.39 J per output token for a 70B FP8 H100 configuration; this is an aggregate benchmark measure."},
    {"class":"estimate","claim":"Joule figures are bottom-up inference estimates, not a production electricity meter for a named provider."},
    {"class":"unknown","claim":"Closed-model production J/token and unit profit are not public facts."}
  ],
  "sources": [{"url":"https://ml.energy/leaderboard","checkedAt":"2026-08-29"},{"url":"https://platform.claude.com/docs/en/build-with-claude/prompt-caching","checkedAt":"2026-08-29"},{"url":"https://developers.openai.com/api/docs/models/compare","checkedAt":"2026-08-29"}],
  "stylesheet": "/blog-essay.css"
}
---

# 一度电，能换多少智能？
### 从 Electricity → Token → Product

**HoopGram Learn · Research Note · Last checked: 2026-08-29**

我们把训练成本先放到一边，只看一件事：**人类把电送进数据中心 → GPU / TPU 计算 → 模型读入 Input Token、生成 Output Token → 代码与答案 → 产品与行动。** 这其实是一台“**电 → 智力 → 现实**”的机器。

> **30 秒版本**：今天，1 kWh 大致可以支撑几十万到上千万级的模型输出 Token，具体取决于模型、上下文、batching 与 reasoning 强度；Coding Agent 的 Input Token 往往远大于 Output Token；用户付出的 $1 里，原始电费通常只是很小一部分，真正昂贵的是 GPU/TPU、HBM、网络、机房与可用算力；如果把 Token 映射到软件，一个个人网站大约是百万级 Input，一个完整 SaaS 往往进入亿级，一个 X/Airbnb/YouTube 风格 MVP 可以进入十亿级。[[1]](#ref-1)[[2]](#ref-2)[[11]](#ref-11)

## 1. 先建立宇宙尺度：一度电能换多少 Token？

**1 kWh = 3,600,000 J。** 在高度优化的 H100 / FP8 / batching 条件下，公开 benchmark 显示 70B 级模型可以逼近约 **0.39 J / output token** 的数量级；换算就是约 **900 万 output tokens / kWh**。这更接近“高效率下限”，不是所有模型的日常状态。[[1]](#ref-1)

更大的模型、长上下文与 reasoning 会明显增加能耗。Joule 2026 的生产级研究估计，普通 frontier-scale 请求中位约 **0.31 Wh / query**，长 reasoning 请求中位约 **3.91 Wh / query**；研究整理的 DeepSeek-V3 长请求约 **9.3 Wh / 8,968 output tokens**，DeepSeek-R1 约 **20.9 Wh / 11,287 output tokens**，分别约等于 **96 万**与 **54 万 output tokens / kWh**。[[2]](#ref-2)

| 工作负载 | 公开数据给出的数量级 | 1 kWh 大约对应 |
|---|---:|---:|
| 高度优化的 70B 级模型 | ~0.39 J / output token | **~900 万 output tokens** |
| 大型模型 / 常规 frontier workload | 约 1–3 J / token 的量级 | **~120 万–360 万** |
| DeepSeek-V3 长请求 | ~3.7 J / final output token | **~96 万** |
| DeepSeek-R1 长 reasoning | ~6.7 J / final output token | **~54 万** |

最适合记住的不是某个小数，而是：**今天的一度电，已经能变成百万级 AI Token；高效模型可以冲到千万级，重 reasoning 则可能掉到几十万级。**

这里还有一个重要边界：OpenAI 和 Anthropic 没有公开现役闭源模型在真实生产集群里的每 Token 电表数据；DeepSeek 公布了更多模型结构，但也没有公开 V4 API 集群的精确 J/token。因此，我们可以建立可信的**行业数量级**，不能诚实地写出“GPT-5.6 Sol = 2.137 J/token”这种看似精确的公司级数字。

## 2. Input Token 和 Output Token，不是一回事

**Input Token = AI 读了多少；Output Token = AI 写了多少。** 对普通聊天，这个区别只是计费问题；对 Coding Agent，它几乎决定了整个经济模型。

推理通常分成两段：**Prefill** 先把输入上下文读进去，可以高度并行；**Decode** 再一个 Token 一个 Token 地生成输出，天然更串行。Joule 的研究指出，在许多真实 workload 中，长输出与 reasoning 会显著推高能耗。[[2]](#ref-2)

所以你看到的一个短答案，背后可能已经读过几十万 Token；一个 Coding Agent 改 20 行代码，也可能先把整个 repository、terminal 输出、测试结果与自己刚写过的代码又读了一遍。

## 3. OpenAI、Anthropic、DeepSeek：Token 今天多少钱？

以下是 **2026-08-29** 核验的官方 API 标价；DeepSeek 使用非高峰价。[[3]](#ref-3)[[4]](#ref-4)[[5]](#ref-5)[[6]](#ref-6)

| 公司 / 模型 | Input / 1M | Output / 1M | $1 能买到的 Output |
|---|---:|---:|---:|
| OpenAI GPT-5.6 Luna | $0.20 | $1.20 | **~833K** |
| OpenAI GPT-5.6 Terra | $2.00 | $12.00 | **~83K** |
| OpenAI GPT-5.6 Sol | $4.00 | $20.00 | **50K** |
| Anthropic Claude Sonnet 5 | $2.00 | $10.00 | **100K** |
| Anthropic Claude Opus 5 | $5.00 | $25.00 | **40K** |
| DeepSeek V4 Flash · off-peak | $0.22 | $0.66 | **~1.52M** |
| DeepSeek V4 Pro · off-peak | $0.66 | $1.98 | **~505K** |

Caching 会再次改变账单：GPT-5.6 Sol 的 cached input 是 **$0.40 / 1M**；Anthropic 的官方 prompt-caching 文档给出 cache read 为正常 input 的 **0.1×**；这是一个算术上的 90% 差额，不应写成公司作出的“最高节省”承诺；DeepSeek V4 Flash 的非高峰 cache-hit input 低到 **$0.007 / 1M**。[[3]](#ref-3)[[4]](#ref-4)[[6]](#ref-6)

DeepSeek V4 也很好地解释了为什么“模型总参数”不等于“每个 Token 都把整个模型点亮”。V4 Flash 是 **284B total / 13B active params**，V4 Pro 是 **1.6T total / 49B active params**：图书馆可以很大，但回答一个问题时，不需要把每一层书架的灯都打开。[[7]](#ref-7)

## 4. 用户付 $1，真正有多少变成了电？

先做一个**思想实验，不冒充三家公司的真实账单**。美国 2025 年工业平均电价约 **$0.0862 / kWh**。[[8]](#ref-8) 如果把大型模型的现实能耗粗略放在 **0.5M–5M output tokens / kWh** 这个宽区间：

- GPT-5.6 Sol：$1 = 50K output tokens，对应约 **0.01–0.10 kWh**，原始电费约 **$0.00086–$0.00862**，也就是约 **0.09–0.86 美分**。
- Claude Sonnet 5：$1 = 100K output tokens，对应约 **0.02–0.20 kWh**，原始电费约 **$0.0017–$0.017**，也就是约 **0.17–1.72 美分**。

这解释了一个看似矛盾的事实：**AI 整体很耗电，但单个 Token 的电本身可以很便宜。** 数据中心真正昂贵的部分，是把电稳定地变成 Token 的机器：GPU / TPU、HBM、CPU、网络、存储、机房、冷却、冗余容量、云租金与折旧。

所以 $1 不是：**$1 − 电费 = 利润。** 更接近：**$1 → accelerator / HBM / network / data center / electricity / serving / support → gross profit → R&D / training / sales / admin → 才可能变成净利润。**

公司级数据也验证了这点。Reuters 报道 OpenAI 2025 年调整后 gross margin 约 **33%**，而 The Information 报道其 inference cost 增至约 **$8.4B**；Anthropic 2025 年的外部汇总估计约 **40% gross margin**、**$2.7B inference compute**。这些都是公司整体数据，不是“某个模型一个 Token 的利润”。DeepSeek 没有公开足够可靠的最新公司级毛利数据，所以答案就是：**unknown**。[[9]](#ref-9)[[10]](#ref-10)

> **电是燃料，GPU 是发动机。** AI 公司卖的不是一度电，而是“昂贵芯片上的时间 × 模型能力 × 低延迟可用性”。

## 5. Token 最后能变成什么？

这时我们终于可以从“电 → Token”继续走到“Token → 产品”。先看真实世界的 Coding Agent。

华盛顿大学 SyFI TraceLab 收集了 **8,058 个真实 Claude Code + Codex sessions**：总计 **114.2B input tokens**、其中 **109.2B cached-read tokens**，以及 **391.8M output tokens**。平均每个 session 约 **14.2M input / 49K output**；总 Input : Output 接近 **290 : 1**，但其中约 **95.6% 的 input 是缓存读取的上下文**。[[11]](#ref-11)

这不是异常，而是 Agent 工作方式本身：**看整个项目 → 改一点 → 跑工具 → 看结果 → 再看整个项目 → 再改一点。** 另一项 2026 年针对 agentic coding 的系统研究发现，这类任务可以比普通 code reasoning / code chat 消耗约 **1000×** 更多 Token，而且主要由 Input Token 推动；同一个任务的不同运行，Token 使用甚至可相差 **30×**。[[12]](#ref-12)

因此不存在“X = 73,291,442 Tokens”这种宇宙常数。下面是一把**工程数量级尺**：用现代 Claude Code / Codex 类 Coding Agent，从相对干净的项目开始，包含设计、实现、测试、debug 与若干轮修改。项目 Token 区间是工程估算，USD 则严格按 **Claude Sonnet 5：$2/M input + $10/M output，且把 Input 全部按未缓存价格计算**。这使不同项目可以放在同一把尺上；真实有 cache 的账单常常更低。[[4]](#ref-4)[[11]](#ref-11)[[12]](#ref-12)

| 要创造的东西 | Input Token | Output Token | API Cost · Sonnet 5 |
|---|---:|---:|---:|
| 简单 Landing Page | 0.5M–3M | 10K–50K | **$1–$7** |
| 个人网站 | 1M–10M | 30K–150K | **$2–$22** |
| Apple / OpenAI 风格公司网站 | 10M–50M | 100K–500K | **$21–$105** |
| 小型 Full-stack SaaS | 50M–300M | 0.5M–3M | **$105–$630** |
| Airbnb / X / YouTube 风格 MVP | 300M–2B | 3M–20M | **$630–$4,200** |
| 成熟 Production App | 2B–20B | 20M–200M | **$4,200–$42,000** |
| 真正的 X / Airbnb / YouTube 级系统 | 10B–100B+ | 100M–1B+ | **$21K–$210K+** |

**这些不是开发报价，也不是这些公司历史上真正花过的钱。** 它们是在问一个更纯粹的问题：如果今天把现代 Coding Agent 的“读、写、测试、返工”都算进去，软件工程大约跨越哪些 Token 数量级？不确定性可以轻易达到数倍，极端项目甚至超过 10×；这正是为什么表格给区间，不给漂亮的小数点。

## 6. 从个人网站，到真正的 X

**个人网站：百万 Input 的世界。** About、Projects、Blog、Contact、响应式、动画与部署，最终代码可能只有几十 K Token，但 Agent 为了理解和修改它，可能已经读过几百万 Token。**作品很小，过程很长。**

**Apple.com / OpenAI.com：千万 Input 的世界。** Design System、多页面、复杂动画、CMS、Blog、Docs、SEO、国际化、Accessibility、Analytics、测试与部署，把“网页”变成长期维护的网站。但这里说的是 **Apple.com 这个网站，不是 Apple。网页只是门面，公司在门后面。**

**普通 SaaS：亿级 Input 的世界。** 一旦加入账户、数据库、API、支付、搜索、通知、权限、后台、测试、监控与生产部署，网页就变成了系统。

**X / Airbnb / YouTube 风格 MVP：十亿级 Input 的世界。** 你可以做出注册、Feed、Follow、Like、Search、Upload、Notification、Payments、Recommendation 的第一版；它已经“像 X”，甚至可以有真实用户，但还不是 X。

**真正的 X：百亿级 Input 的世界。** 全球 Feed Ranking、Trust & Safety、反垃圾、广告、视频转码、CDN、搜索集群、推荐系统、数据管道、数据库分片、Observability、多机房容灾，以及十几年留下的兼容性问题，才构成真实的互联网级平台。**X 的 UI，不是 X；画出 Boeing 787 的驾驶舱，也没有顺便得到一架 Boeing 787。**

## 7. $1 能买多少 Coding？

为了建立另一个很容易记住的尺度，假设一次工作消耗 **1M Input + 100K Output**，全部 Input 按 cache miss / uncached 计算：

| 模型 | 这份工作大约多少钱 |
|---|---:|
| DeepSeek V4 Flash · off-peak | **$0.29** |
| DeepSeek V4 Pro · off-peak | **$0.86** |
| Claude Sonnet 5 | **$3.00** |
| GPT-5.6 Sol | **$6.00** |

同样数量的 Token，**不是同样的钱，也不一定是同样的智能。** 便宜模型可能需要更多轮，昂贵模型也可能一次解决。因此未来真正有意义的价格单位不是 **$/Token**，而更接近 **$/Solved Problem**。

## 8. 最后，把整条链连起来

> **Electricity → Computation → Input Tokens → Reasoning → Output Tokens → Code / Answer → Product → Action**

最开始我们问：**1 kWh 能产生多少 Token？** 然后问题变成：**1M Token 能创造什么？$1 能创造什么？1 kWh 最终能创造什么？**

Token 只是今天方便计费的中间单位。真正值得长期观察的，也许是：

> **Useful Intelligence / kWh** — 每一度电，产生多少有用智能？  
> **Solved Problems / kWh** — 每一度电，解决多少真实问题？  
> **$/Solved Problem** — 解决一个真实问题，还需要多少钱？

如果有一天 1 kWh 能让一个 AI 完成过去一个人一个月才能完成的真实工作，那么改变的就不只是“Token 又便宜了”，而是：**电开始可以大规模兑换认知与劳动。**

这可能才是 AI 革命真正深的一层。

## 方法与边界

本文刻意把结论分成三类：**测量**（公开 benchmark / 官方价格 / 真实 agent traces）、**估算**（产品复杂度对应的 Token 数量级、用统一模型价格换算 USD）、**未知**（闭源模型真实 J/token、公司单模型单位成本与单位利润）。项目 Token 估算不是 benchmark 结论，而是以 TraceLab 和 agentic-coding 研究作为现实锚点的工程尺度；不要把它用于财务预测时当作精确报价。价格与模型会变化，因此本文标记 **Last checked: 2026-08-29**。

## Sources

<a id="ref-1"></a>**[1] ML.ENERGY Benchmark / Leaderboard.** NeurIPS 2025 Datasets and Benchmarks Track. Production-oriented inference energy measurement and optimization.  
https://proceedings.neurips.cc/paper_files/paper/2025/file/9dc510e3d7b0b3b2a58ffed7a3ad6b0f-Paper-Datasets_and_Benchmarks_Track.pdf

<a id="ref-2"></a>**[2] Energy use of AI inference, efficiency pathways, and test-time scaling.** Joule, published online 22 Apr 2026. Bottom-up inference energy estimates; not a production electricity meter for any named provider.  
https://www.sciencedirect.com/science/article/pii/S2542435126001145

<a id="ref-3"></a>**[3] OpenAI GPT-5.6 models / pricing.** OpenAI Developers. GPT-5.6 Sol, Terra and Luna official API prices; Sol cached input price.  
https://developers.openai.com/api/docs/models/compare

<a id="ref-4"></a>**[4] Claude Sonnet 5.** Anthropic. Official price page; cache mechanics are sourced separately from Anthropic prompt-caching docs, where cache reads are billed at 0.1× input.  
https://www.anthropic.com/research/claude-sonnet-5

<a id="ref-5"></a>**[5] Claude Opus 5.** Anthropic. Official $5/M input and $25/M output pricing.  
https://www.anthropic.com/news/claude-opus-5

<a id="ref-6"></a>**[6] DeepSeek Models & Pricing.** DeepSeek API Docs. V4 Flash / Pro peak and off-peak input, cache-hit and output pricing.  
https://api-docs.deepseek.com/quick_start/pricing/

<a id="ref-7"></a>**[7] DeepSeek V4 Preview Release.** DeepSeek API Docs. V4 Pro: 1.6T total / 49B active params; V4 Flash: 284B total / 13B active params.  
https://api-docs.deepseek.com/news/news260424/

<a id="ref-8"></a>**[8] U.S. electricity prices.** U.S. Energy Information Administration. 2025 U.S. industrial average electricity price: 8.62 cents/kWh.  
https://www.eia.gov/energyexplained/electricity/prices-and-factors-affecting-prices.php

<a id="ref-9"></a>**[9] OpenAI compute spending / margin.** Reuters, 20 Feb 2026. Reports OpenAI 2025 adjusted gross margin fell to 33%; The Information reported inference costs rose fourfold to $8.4B.  
https://www.reuters.com/technology/openai-sees-compute-spend-around-600-billion-by-2030-cnbc-reports-2026-02-20/

<a id="ref-10"></a>**[10] AI company spending breakdown.** Epoch AI, 2026. Summarizes Anthropic 2025 revenue $4.5B, inference compute $2.7B and gross margin 40%, based on reported company projections.  
https://epoch.ai/data-insights/company-spending-breakdown

<a id="ref-11"></a>**[11] SyFI TraceLab.** University of Washington. Public Claude Code + Codex traces: 8,058 sessions, 114.2B input tokens, 109.2B cached-read tokens, 391.8M output tokens.  
https://tracelab.cs.washington.edu/

<a id="ref-12"></a>**[12] How Do AI Agents Spend Your Money?.** Bai et al., arXiv:2604.22750, 2026. Agentic coding can consume ~1000x more tokens than code reasoning/chat; same-task runs vary by up to 30x, driven mainly by input tokens.  
https://arxiv.org/abs/2604.22750