← 首页

Tokenmaxxing：当 AI 烧钱变成一场没有人敢停的军备竞赛

我们塑造了工具，然后工具塑造了我们。

We shape our tools and thereafter our tools shape us.

-- 麦克卢汉《理解媒介》

Tokenmaxxing

最近硅谷有个词很火：Tokenmaxxing。

Token 是大模型的计费单位。maxxing 来自互联网亚文化里的 lookmaxxing，大概意思是在某个维度上把事情做到极致。拼在一起，就是尽可能多地烧 AI Token，把?用 AI?这件事推到极限。

这个词第一次听起来像段子。多花钱也能变成方法论吗？

但它确实正在变成一种新的工作伦理。工程师怎么写代码，公司怎么衡量?拥抱 AI?，硅谷怎么重新分配话语权，都开始被这个词影响。

一个 13 年没写代码的人

故事的引爆点来自 YC 总裁 Gary Tan。

他已经 13 年没怎么写过代码。2025 年初，他重新坐回键盘前，用 Claude Code 重建了自己 2008 年的第一个创业项目 Posterous。

他给了一个很夸张的对比：

  • 2008 年：400 万美元，6-7 人团队，一年半。
  • 2014 年：10 万美元，2 个人，三个月。
  • 2025 年：200 美元，1 个人加 AI，五天。

200 美元对 400 万美元，五天对一年半。这种数字当然很适合传播。

后来他在社交媒体上说，自己的编码速度是 2013 年的 100 倍。很多人不买账，觉得代码行数不等于生产力。Gary Tan 也较真，用公开的 Git 工具重新算逻辑代码行，剔掉注释和空行。结果更夸张：400 倍。

他把这套做法叫 Tokenmaxxing。

Gary Tan 的比喻是旧金山房租：旧金山很贵，但不住在旧金山的代价更贵。Token 也一样，不应该像办公用品一样能省则省。真正昂贵的不是 API 费，而是因为不舍得烧 Token，错过了模型能帮你完成的事情。

黄仁勋在 GTC 2026 上也讲过类似的话。他说，如果一个年薪 50 万美元的工程师年底告诉他，自己只用了 5000 美元的 Token，他会非常抓狂。

这句话的潜台词很明显：AI Token 不是成本中心，而是生产资料。不用，才像是在浪费工资。

问题也从这里开始。

当使用量变成排行榜

2026 年 4 月，Meta 内网上线了一个叫 Claudeonomics 的排行榜。名字取自 Claude，功能很直接：追踪 8.5 万名员工的 AI Token 消耗量，按月排名，只展示前 250 名。

铜、银、金、铂金、翡翠、钻石。看起来像手游段位。

有人一个月烧掉 140 万美元的 Token 登顶。扎克伯格本人甚至进不了前 250。

这件事如果只看表面，像是 Meta 在鼓励员工拥抱 AI。但它发生的背景是，Meta 今年接连两轮裁员，规模加起来上万人。一边冲 Token 使用量，一边大规模裁人，这两件事并不矛盾。它们更像同一件事的两面：先把人的工作流蒸馏出来，再决定还需要多少人。

亚马逊那边更荒诞。内部消息说，有员工为了提高 AI 使用数据，会让公司 AI 工具 MeshClaw 执行一些没有必要的任务。公司当然可以说这些数据不直接用于绩效考核，但员工不一定这么理解。只要大家相信?积极使用 AI?会影响职业发展，刷量就会自然出现。

迪士尼也在追踪 AI 使用情况。据报道，员工在 9 个工作日内累计调用 AI 模型约 46 万次，平均每 1.7 秒一次。公司还搭了 AI Adoption Dashboard。

我很好奇，这里面到底有多少是真正有效的调用。

《证券时报》有一句评论很准：别让 Token 消耗量成为新型形式主义。

这句话看起来像传统媒体的老派警惕，但放在这里并不过时。以前有人为了代码行数注水，为了 Git 提交次数拆 commit。现在同一套行为可以换成 Token。区别只是这次注水更贵，因为每一次无效调用都在消耗真实算力。

它也不只是胡乱烧钱

说到这里，Tokenmaxxing 很容易被理解成一种很蠢的东西：老板觉得 AI 好，于是要求大家多调模型、多花钱、多制造一点「我很 AI」的痕迹。

这当然是它最容易滑向的样子。但 Gary Tan 原本讲的并不是这个。

他真正强调的是，不要在错误的地方省 Token。比如让 Claude 写代码之前，先生成 ASCII 图：数据流、状态机、依赖关系、决策树，全都先画出来。听起来很怪，但它的作用是逼模型先建立全局理解。

一旦它把上下文全部加载进来，它做的事情就完整得多了。

这和排行榜上的刷量不是一回事。前者是在买上下文，买推理前的准备动作；后者是在买一个看起来积极的数字。

他说的另一个原则也很有意思：Thin Harness, Fat Skills。

调度、路由、编排这些框架层的东西，交给成熟工具。真正需要投入的，是把「这件事应该怎么做」写成足够清楚的自然语言技能。很多 AI 工程失败，不是模型不够强，而是人把应该用语言描述的东西，硬写成了死板的代码。

这点我很认同。做 Agent 相关东西时，最难的经常不是「调哪个模型」，而是判断边界：哪些部分应该交给 LLM，哪些部分应该交给确定性代码。这个判断，可能会变成 AI 工程师最重要的能力之一。

Gary Tan 同时调度 15 个 AI 代理，48 小时合并 13 个 PR。他把 Claude Code 比成适合 ADHD CEO 的工具，速度快、响应灵；把 OpenAI Codex 比成 200 IQ、话不多、专门解决硬问题的 CTO。这个比喻有点夸张，但能看出他不是把 AI 当单一工具用，而是在组织一组性格不同的「劳动力」。

他的网站 Gary's List，每篇文章生成成本大概 5-10 美元。系统会自动抓取几十篇文章、整本书、多个数据源，交叉比对后生成带引用的深度报道。

如果这件事真的能稳定工作，那么 5-10 美元并不贵。它买到的是一个人类记者可能要花几周才能完成的前期资料整理。

所以这套东西的问题不在于「烧 Token」本身，而在于谁来判断它烧得值不值。一个有经验的人，为了获得更完整的上下文主动多花 Token，和一个组织为了排行榜制造 Token 消耗，是两件完全不同的事。前者可能提高质量，后者只会把所有人推向表演。

产出真的变多了吗

五源资本的孟醒提过一个问题：很多 CTO 兴奋地说百倍工程师、十倍效率，但 100 倍的效率提升落到公司营收上，可能只体现为 50% 或 1 倍增长。中间的差距在哪？

这大概是今天所有 AI Coding 叙事里最容易被跳过的问题。

代码产出可以暴涨，产品价值不一定会暴涨。多写的代码不等于多创造的价值，多烧的 Token 也不等于多获得的洞察。

Anthropic 自己也有一个很有意思的例子。作为 Coding Agent 做得最好的公司之一，他们内部的 oncall agent 依然不够好用。当 API 突然变慢，或者某个推理节点挂掉，AI 仍然不如人类工程师定位得快。

蒸汽机已经被发明出来了，但它有时候跑得还没有马车快。

发明蒸汽机的人自己还在骑马车。这画面很有意思，也很真实。

?AI native 组织?听起来很先进：让每个部门梳理工作流，把能被 AI 介入的部分线上化，写成 skills。但换个角度看，这也是在让人蒸馏自己。你把经验、判断、路径全部整理成机器可复用的形式，公司就获得了你的 skill。至于以后还需不需要你本人，那是另一个问题。

所以 Meta 的排行榜和裁员，在我看来并不是两条新闻。排行榜不是单纯在鼓励员工用 AI，它也是在观察哪些工作可以被工具吸收。

吹口哨的蒸汽机

Tokenmaxxing 有两种样子。

一种是 Gary Tan 那种。你有明确目标，有判断力，有上下文管理能力，愿意用 Token 换完整性和质量。这个方向当然成立。5 天重建一个当年要 400 万美元的产品，即便有很多传播上的水分，也依然说明了一些变化。

另一种是排行榜上的 Tokenmaxxing。月度排名、段位、KPI、茶歇间的谈资。到了这一步，它就不再是方法论，而是一种身份游戏。

Gary Tan 自己也知道这里的危险。他问过一个问题：

你能掌控自己的工具，还是你的工具会掌控你？

这句话比?多烧 Token?重要得多。

播客最后，他说可以向机器借时间，用机器的时间去为你在乎的人和事工作。这大概是 Tokenmaxxing 最好的版本：不是为了数字而烧 Token，而是为了买回你真正想用的时间。

但从 Meta 的排行榜、亚马逊的刷量、黄仁勋那句?不花 25 万买 Token 的工程师让我抓狂?来看，行业可能没那么有耐心区分这些细节。

2026 年的硅谷，蒸汽机已经发明出来了。有人拿它造火车，有人拿它吹口哨。最尴尬的是，吹口哨的人 Token 消耗量可能更高。

所以问题不是?烧不烧 Token?。问题是：这些 Token 到底换回了什么？

如果换回的是更快的验证、更完整的上下文、更好的判断，那它值得。如果换回的只是排行榜上的段位和?我很 AI native?的姿势，那它只是一种更昂贵的形式主义。

更需要警惕的是另一件事：当工作越来越依赖公司提供的 AI 基础设施，?会用 AI?这件事可能并不真正属于个人。工具、数据、模型、工作流都在公司手里。个人只是使用接口的人。

Meta 的排行榜到底是在鼓励员工使用 AI，还是在驯化员工？

这可能才是 Tokenmaxxing 留下的真正问题。

参考资料：