以前拼人数，以后拼 Token——AI 时代创业公司的"燃料经济学"
Site Owner
发布于 2026-07-12
YC合伙人Diana Hu提出tokenmaxxing：把固定人力成本换成可变算力成本。字节Seed用38000小时跑出Agent Scaling Law，硅基流动冲击港股AI token工厂第一股。烧法决定生死。
以前拼人数，以后拼 Token——AI 时代创业公司的"燃料经济学"
YC 合伙人 Diana Hu 最近提了个新词，tokenmaxxing。
翻译过来就是：创业公司别再拼谁家工位多了，以后拼的是谁家模型调用量大。
她想表达的核心逻辑其实就一条——把固定人力成本，换成可变算力成本。以前你招个工程师，月薪三万，五险一金，带薪年假，离职了还得聊竞业协议。现在你搞个 Agent 跑业务，跑错了当然也亏钱，但项目停了 Token 也就停了，不像那个工程师，裁他还得给 N+1。
听起来是个新时代的降本增效圣经。
但刷完 YC 的官方表态，又翻了一圈国内外的落地数据，发现这事根本没那么简单。tokenmaxxing 这个口号底下，藏着一个挺残酷的事实：大多数人烧 Token 的本质，只是把以前人的无效工作，交给 AI 更快地跑了一遍。
账单翻倍，产出没变。
<!-- 配图：tokenmaxxing vs headcountmaxxing 成本结构对比图 -->
字节干了件狠事：38000 小时跑出来的 Scaling Law
先说个让我觉得这轮讨论里最有含金量的东西。
2026 年 7 月 2 号，字节 Seed 团队放出来一个叫 EdgeBench 的项目。拿了 5 个前沿模型——Claude Opus 4.8、GPT-5.5、GPT-5.4、GLM-5.1、DeepSeek-V4-Pro——总共跑了大约 38000 小时。
干吗呢？专门验证一件事：Agent 到底有没有稳定的学习曲线。
结果反直觉得吓人。134 个任务的平均学习曲线，被一个 log-sigmoid 函数以 R²=0.998 的精度拟合。这意味着 Agent 的进步不是玄学，是可预测的，而且预测精度高到反常识。
更狠的是同一模型连续运行和重复重启的对比。Opus 4.8 连续跑 12 小时、保留所有中间产物，比 6 次独立重启多拿了 6.9 分（百分制）。引力波重建那个案例里，GPT-5.5 提交了 224 次，真正推动最佳成绩的只有 27 次。
27 次。剩下那 197 次全是无效燃料，烧得悄无声息。
字节还发现了一个时间维度的规律：学习效率 221 天里提升了 8 倍，约每 3 个月翻一番。可以把它理解成 Agent 界的摩尔定律——翻的不是晶体管密度，是模型从经验里提取有效信息的速度。
<!-- 配图：EdgeBench 学习曲线 log-sigmoid 拟合示意图 -->
这数据一出来，tokenmaxxing 就不只是口号了，它开始有实证支撑。但支撑的不是"多烧就能赢"，而是烧法决定了回报率。
10 倍 Token 换 2 倍产出，这笔账划不划算？
Jellyfish 今年 4 月干了件得罪人的事。他们分析了 7500 多个开发者的 Claude Code 使用数据，发现 Token 消耗最高的前 10% 用户，用了同事 10 倍的 Token，产出只有约 2 倍。
10 倍燃料，2 倍结果。剩下 8 倍的差额去哪了？都变成了反复推倒重来的方案、优美的中间产物、以及模型自己跟自己较劲的无效循环。
Uber 总裁 Andrew Macdonald 说得更直白：很难在 Token 消耗上升和消费者可感知的功能改进之间，找到因果关系。
Uber 自己就在大规模用 AI 做调度、做匹配、做风控。一个实战派给出的判断是——烧得多和烧得好，是两码事。
Token 不是什么神圣燃料，它只是另一种原材料。原材料堆得多不等于产品竞争力，就像你往工厂堆更多钢材不等于造出了更好的汽车。
<!-- 配图：Token 消耗与产出对比图，10:1 vs 2:1 -->