0xTodd

早上我测试了几个语音转文字输入法。 我已经苦苦找这种语音转文字工具很久了。因为我每天都要高强度码字，电脑端有键盘稍微还好点，尤其手机端，特别头疼。 准确率上：Typeless>豆包输入法>微信输入法>>苹果自带语音转文字。 速度上：豆包输入法=微信输入法>Typeless>>苹果自带语音转文字。 价格上：Typeless 每月 12U，其他都不要钱。 关于体验问题→ 除了苹果，准确率都在 90% 以上，体验非常非常，超乎意料地好。 真的。AI 时代就应该这么输入。AI 时代谁还在那里扣手机打字啊，是吧？ 语音转文字，然后用文字告诉 AI 该干什么活，这是一个“最后一公里”问题。 我之前那个 iPhone 17 Pro 还是特意买的新加坡版本没买国行，目的就是想体验苹果的 AI。但是但凡你用过一次 Siri，就会觉得它听力有问题，智商也有问题。 真的。苹果的语音转文字太垃圾了：我问它问题的时候，听懂、听不懂也就一半一半吧。 其实我这个人说话，只要线下见过我的人都知道，我普通话水平还是非常高的，用苹果的智能没法我在那里字正腔圆地模仿播音员，最好 Siri 完全跑偏，就非常挫败。 关于隐私问题→ 接下来，豆包微信背景不需要我多介绍，作为研究员，咱们还是得 DD 一下，看看这个 Typeless 输入法到底是怎么回事。 先说团队情况：Typeless 看起来也是华人团队，应该是斯坦福背景，真格投了他们，算是中美联姻吧。 另外它号称数据都在本地保存，但我总觉得这就像那句话：不能“入宝山而空回”吧？这么大的素材它不可能不用。 保不齐未来某次更新，还是要把大家的输入当训练素材😂。 所以你用语音输入法的话，尽量别把敏感信息放进去。 基于这个考虑，我建议大家尽量装在苹果手机里。因为苹果的权限控制得比较死； 你要是装在电脑上（尤其 Windows）或者安卓系统，我怕权限过大。当然这也是来自 OpenClaw 的建议。 关于输入方式切换→ Typeless 有一点不太好：输入法装上之后（如图所示），如果你想临时手动输入一些东西，就没那么方便，还得先切换一下。 这件事有利有弊。微信和豆包输入法的好处在于：它们保留了传统键盘格式，只是把语音转文字作为功能之一。 我觉得 Typeless 的 UI 可能还有改进空间，比如： 现在 UI 上就是一个大大的话筒，最好旁边能有一些常用的英文键。因为有时候只想输入两三个字，也非得用语音转文字，感觉有点怪。 比如 5 个字以内，我觉得还是手打更快；但如果是长句子，那毫无疑问，语音转文字简直吊打手写。 关于“雪花写作法”→ 而且它还催生了一个新的写作方法，叫“雪花写作法”。 意思就是：你平常想到什么就直接说出来，攒够了一起让 AI 根据你的语录编篡为文章。 其实我很擅长动笔，但我也知道很多朋友没那么喜欢动笔，有时候用嘴说反而更自然、更方便。你平常没事就说，往备忘录里说话谁不会啊？ 等你说够二十句、三十句，各个观点也都齐全了，就把这些观点直接丢给 AI，让它根据你的内容生成一篇文章。 这样生成的文章全是你的观点，而不是那种很傻、大家都不爱看的“AI 八股文”。我觉得让 AI 帮你整理语录，这个逻辑还是很 OK 的。 其他→ 另外有个忘说了，我刚下载时还有点困惑：它靠什么盈利？也没看到弹广告。 后面我看官网说可以升级 Pro 会员，升级后每月大概 12 美金，不便宜。对我这种重度输入文字的人来说，肯定能回本。 所以看到它收费，稍微放心了一点😂。要是它免费，那肯定（包的，对吧）会拿我的语音数据当训练素材。 当然，收费也不代表它就不会这么做，但至少我知道它的动机是为了赚钱。我觉得知道动机很重要。 哎呀，真是相见恨晚。

重新审视 Token (词元）的属性 TLDR： 之前我也一度觉得是大宗商品/资产 甚至还设想过相关的交易和定价逻辑 也看到不少人提过Token期货，交易所之类 但现在我倾向它只是一种服务，没必要过度金融化 毕竟它没有办法脱离AI推理单独存在，无法被提前生产出来或预先被囤积。但换个角度看，是服务，就天然是分层的、多元的，不同的人有不同的需求，这其实也恰恰奠定了AI 经济必将是百花齐放而非赢家通吃的基础。 在这浪潮中，红利属于能把廉价 Token 加工成更有价值的 Token 卖出去的人。 -------------------------------- 我的一些个人思绪和逻辑： 1、Token (词元）经济从何而来？ 首先它是AI训练转向AI推理的产物， 这是理解 Token 商业模式的基础。 过去模型训练时代，主要是卖算力时间。为什么？因为训练是持续性的大工程，需要大量算力协同工作。这种规模的投入，有资本的大厂基本都会选择自购，毕竟可控性最强，但对于没有能力一次性投入大量资金的团队来说，出于对稳定性的要求，也会倾向选择租赁模式，包下一整段时间的独占使用权，榨干这段时间内算力的所有价值，是一种占用的逻辑。 但随着主流大模型开始进入商用阶段，AI 算力的需求重心也从模型训练转向了推理。你用 GPT聊天、用 Claude写代码、问豆包问题，这些本质上都是在跑推理，每一次调用，都在为你做一次推理和计算。 而推理是相对碎片化的、一次性的、用完即走的。虽然也有不少企业，仍然会采用租赁或自购的模式来跑推理，但对于广大中小开发者和应用方来说，他们对算力独占性的要求并不高，因而额外衍生出了按消耗计费的模式，这样算力服务商就可以把算力资源同时卖给成千上万个客户。 Token (词元) 就是在这种背景下而产生的，衡量每次计算消耗了多少资源的那个单位，你付的钱，就是对这次计算的补偿，本质是消耗逻辑。 所以训练和推理是完全不同的生意形态： 训练时代，商业模式是卖 GPU 时间。 推理时代，商业模式是卖 Token (词元)。 --------------------------------- 2、为何Token (词元) 是服务属性而非商品/金融属性？ 卖Token (词元)，就是卖服务！ Token (词元) 经济，本质是服务经济！ 为什么？ 一个比较直接的原因是 Token (词元）不能被预先生产出来，而是产出后就被消耗掉了，并作为衡量你这次推理服务所消耗资源的参考，来给你计费。 且Token (词元) 的一些特性，也和大宗商品的逻辑不像： - 价格长期下降趋势 - Pay-As-You-Go - 难以标准化 你在Claude的100万Token额度，和你在Minimax的100万Token额度，两者本身是没有可比性的，模型不同，性能不同，定价完全可以不一样。 而大家愿意接受价格差异的原因，也是因为 Token (词元) 本质上计量了一种非标准化的服务，而不同用户对服务的诉求是不同的，有的人看重性能，所以愿意支付溢价，有的人看重成本控制，所以觉得国产开源模型也够用了。 而整个模型市场占有率，并没有出现几家独大，本身也是其服务属性的体现。如果 Token (词元) 是资产，那资产的流动性、网络效应，一定会引发所有资源最终向一个市场集中，形成赢家通吃的局面。但恰巧 Token (词元) 其实是服务，而服务市场天然是分层的、多元的，不同的服务商满足不同的需求，所以才构成了 AI 经济百花齐放的基础。 我想通这点后，就不再纠结模型厂商只有哪家笑到最后了。 因为未来必将是多模型共存、多层级并行的格局，Token（词元）也将会被计入到企业的会计成本之中，并反映到企业的产品和服务之中。 比较值得关注的一点是，AI时代Token所代表的服务经济和传统的人力服务经济，成本曲线可能是完全反过来的。由人所提供的服务，长期要求的是报酬上升，这也是为什么服务业占比高的经济体，服务更贵。但 Token 服务恰恰相反，价格长期只会下降，当 Token 逐步替代掉一部分原本需要人力智力才能完成的工作，这部分成本不但不会随时间上升，反而会持续走低。 这可能也是这一波AI的红利之一。 ------------------------- 3、这个Token (词元) 服务都有谁在卖？ - 闭源模型厂商 - 开源模型厂商 - 开源模型托管商 - 大模型聚合器、中转站 1）闭源模型厂商：直营为主，分销为辅 最直接的模式。OpenAI 卖 GPT 的 Token，Anthropic 卖 Claude 的 Token。模型自己训的、API 自己提供、定价权在自己手里，产品和渠道都是自己的，跟品牌直营店一个逻辑。当然作为最顶级的模型，难免会被接入像一些API中转站，或者Open Router这样的大模型聚合平台被动分销。 2）开源模型厂商：开源也挺赚钱的 开源模型谁都可以拿去用，很多人不想自己本地跑，因此催生出了一批开源模型托管商，他们可以帮你跑模型，并按 Token 收费。但这就引出一个问题：Token 的钱都让模型托管商这些中间商赚了，开源模型的开发者自己怎么赚钱？这一点，至少中国的开源模型厂商，走的很灵活。 像Minimax，Kimi，Zhipu，它们都有自有的 API 直售，更多面向开发者群体，并且也都有自己的 Coding Plan 订阅包，把按 token 计费玩出了订阅制，完全是中国移动卖流量的玩法。而OpenClaw 这波更是让它们赚得盆满钵满，各自推出了品牌化的 Claw 产品，帮用户把 OpenClaw 部署好，底层跑自家模型，Token 消耗从自家 API 走。 3）开源模型托管商：帮别人跑模型，赚差价 对于那些没有能力或意愿自己卖 Token 的开源模型来说，托管商就是它们触达用户的渠道。它们帮开发者跑模型、按 Token 收费： - Together AI / Fireworks：自有 GPU 集群 + 极致推理优化，核心竞争力是翻台率，同样的卡单位时间能吐出更多 Token。 - Groq：自研 LPU 推理专用芯片，不用传统 GPU，核心竞争力是极致速度，跑 Llama、Qwen 等开源模型比 GPU 快。 - Cloudflare Workers AI：全球 300+ 边缘节点，跑 Llama、Mistral、Qwen，最近还加了智谱 GLM 和 Kimi，核心竞争力是低延迟 + 开发者生态 - AWS Bedrock / Google Vertex AI — 企业级云平台，跑 Llama、Mistral 等主流开源模型，核心竞争力是客户的数据和基础设施已经在这些云上了，迁移成本低 4）大模型聚合器：一个入口管所有模型 闭源和开源的大模型越来越多，而不同场景适合不同模型，不同模型的优劣势不同，对开发者来说，一个个去接不同厂商和托管商的 API，管理起来很痛苦。于是催生了 OpenRouter 这类聚合器，可以接几十个模型，开发者在一个地方统一管理、按需切换即可。 OpenRouter按照批发转零售的模式盈利，各家模型厂商把自己的Token分销出去。而 OpenClaw 这波直接让 OpenRouter 上中国模型的消耗量暴增，前十名 Token 消耗量中，中国模型占了 61%，前五有四个是中国的。 而围绕这条 Token (词元) 产业链，也衍生出了一些其他的参与者和新需求： 第一是一些推理优化引擎，vLLM、SGLang 这些开源项目，在大家对效率极致追求的当下，通过对硬件算子层面（更高效地利用 GPU 计算单元，减少内存碎片和带宽瓶颈）以及 LLM 算法层面（让多个请求共享已经算过的内容，更聪明地管理显存）的优化，提升同一张卡在同一时间内的 Token 吞吐量。 它们自己不面向终端用户收费，但 Together AI、Fireworks 这些托管商底层用的就是这些技术。也有不少自己本地跑开源模型的开发者，会直接使用 vLLM 或 SGLang 来搭建自己的推理服务。 第二是对Token消耗的优化需求，当 Token 消耗逐渐常态化，自然就会有人开始琢磨怎么省钱，也有不少人早就抱怨OpenClaw高昂的Token消耗，那么，帮你预览一次 Prompt 会消耗多少 Token、建议怎么优化 Prompt 来降本、甚至自动帮你选性价比最高的模型和服务商的产品，就很有市场了。 ---------------------------- 4、AI经济时代，真正的机会在哪？ 我觉得 Token 经济的红利，属于把廉价的 Token 加工成更有价值的 Token 卖出去的人。 1）如果你有能力，就做一个模型，哪怕是微调的 你不需要从头训一个 GPT，在开源模型基础上针对某个垂直场景做微调，只要在某个细分领域效果够好，就有人愿意按 Token 付费调用你的模型。前面说了，Token 是服务，服务市场天然分层，通用大模型吃不掉所有场景，垂直微调的模型在自己的领地里反而更有定价权。 2）做一个新时代的产品，开放 API 你的产品底层消耗 Token，但你的产品本身也可以对外输出能力，你开放 API，让别的开发者和 Agent 来调用。你买入底层模型的 Token，加上你的产品逻辑和数据，产出更高价值的 Token 服务卖出去。这跟传统行业买原材料、加工、卖成品的逻辑是一样的。 3）写 Skill，做 Agent 每一个被广泛使用的 Skill 和 Agent，背后都是源源不断的 Token 消耗。你写的 Skill 越好用、越多人用，你帮模型厂商卖出去的 Token 就越多。这不是你直接卖 Token，但你是这条产业链上的分销渠道。 而不管你选哪条路， 你的护城河在我看来最终都会归结为三样东西： 算力、算法、数据。 算力影响你的吞吐量 算法影响你的效率和成本 数据决定你是不是不可替代

中国在 AI 时代出口的新饽饽就是 Token 了。 国产模型超低的推理价格； 内蒙新疆过剩的电力（大量弃风，弃光）； 主打一个量大管饱，顺着一根 API 就卖向了全世界。 PS：就差一个国产显卡或者 AI FPGA 矿机就闭环了