在人工智能浪潮席卷全球的当下，初创企业和科技巨头都在争相寻找下一个突破点。而Y Combinator的CEO陈嘉兴却给出了一个令人意外的建议：别省token，尽管烧。他直言，创业者如果想把公司带到2028年的水平，就得现在就开始像“来自未来的人”一样使用AI智能体。这种高投入策略背后，究竟隐藏着怎样的商业逻辑？本文将深入剖析陈嘉兴的“tokenmaxxing”理念，同时结合硅谷的争议声音，为读者呈现一幅关于人工智能投资与回报的完整图景。
什么是“tokenmaxxing”？一场关于AI消耗的激进实验
“tokenmaxxing”这个词听起来像技术术语，但陈嘉兴的解释非常简单：让AI智能体尽可能多地消耗token，哪怕成本高昂，也不以节省资源为首要目标。在当前的AI生态中，token是模型处理文本的基本单位，每一次对话、每一次代码生成、每一次图片创作，都对应着成千上万个token的消耗。传统的做法是尽量压缩token，降低调用次数，以求控制成本。但陈嘉兴认为，这种做法恰恰限制了AI能力的释放。
他建议创业者直接“把强度拉满”——一次性给智能体100万个token，或者至少80万个。在他看来，只有在这种极端用量下，创业者才能真正触达AI智能体的上限，从而获得大多数人在未来几年才能体验到的最新科技能力。这种“提前活在2028年”的说法，听起来有些夸张，但背后反映了一种对AI技术潜力的极致信心。
值得注意的是，陈嘉兴并非纸上谈兵。作为硅谷最知名的孵化器Y Combinator的掌门人，他每天接触无数创业者，深知在AI Agent技术尚未完全成熟的今天，谁能率先摸清智能体的边界，谁就能在下一轮竞争中占据先机。这种激进策略，某种意义上也是一种“压力测试”——通过烧token来倒逼AI系统产出一流水准的结果。
高成本背后的理性：5万到10万美元一年的“未来门票”
如果按照陈嘉兴的建议，让AI智能体以最高强度运行，一年的token费用可能高达5万到10万美元（约合33.8万至67.6万元人民币）。对于一家初创公司来说，这笔钱不是小数目。但陈嘉兴认为，对于CEO或者创业者而言，这笔投资“其实很合理”。
他的逻辑是这样的：传统的软件采购或人力雇佣，往往需要支付固定的薪资或订阅费，但产出却难以量化。而AI智能体虽然消耗token成本高，但它带来的产出是即时、可复制的。比如，一个智能体可以在几小时内完成过去一个团队需要一周才能做完的数据分析或市场调研。更重要的是，一旦智能体成功完成某项任务，创业者就可以把整个流程“技能化”——整理成一套可重复使用的指令，让AI以后自动反复完成同一项工作。
陈嘉兴用一句形象的话概括：“一个Markdown文件就是一名员工。这名员工每次都能完美完成工作，而且你想让它做多少次都可以。”这里的Markdown文件，本质上是一套告诉AI智能体如何完成特定工作的书面指令。换句话说，创业者一次性投入的token成本，换来的是一套可无限复用的“数字员工”资产。随着后续使用次数的增加，单次成本会急剧下降，长期来看反而是一种高效的企业数字化转型手段。
当然，这种策略并非适用于所有场景。对于资金充裕的初创公司，或者正在寻求突破性增长的项目，烧token可能是一条捷径。但对于那些现金流紧张、需要精细运营的团队，也许需要更谨慎地评估。不过陈嘉兴的态度很明确：在人工智能的早期红利期，不敢投入就意味着错失窗口。
技能化：从一次性token消耗到长期资产沉淀
陈嘉兴提出的“技能化”概念，是理解其tokenmaxxing策略的关键。他并不主张无休止地浪费token，而是强调每次高消耗实验都应该沉淀出可复用的知识。具体来说，创业者在使用AI智能体完成一个复杂任务后，应当记录下所有有效的提示词、参数设置和流程步骤，将其整理成一个标准的Markdown文件。这个文件就是智能体的“岗位说明书”，下次遇到类似任务时，可以直接调用，无需重复试错。
这种做法实际上是在构建公司的“AI知识库”。随着越来越多的任务被技能化，公司拥有的智能体能力会呈指数级增长。例如，一个营销团队可能通过多次高token消耗的实验，摸索出一套生成高质量文案的指令模板；一个设计团队则可能通过反复调整，找到最适合品牌风格的AI图片生成参数。这些模板和参数，就是公司最宝贵的数字资产之一。
更有意思的是，这种“技能化”还可以跨团队共享。一个工程师写出的代码审查指令，可以被整个开发组使用；一个市场人员总结的客户画像生成方法，可以成为销售团队的利器。当公司内部形成这样的知识流动时，token的消耗就不再是成本，而是投资。
从更宏大的视角看，陈嘉兴的这套方法论，其实是在加速AI技术的落地效率。传统上，AI模型的训练和部署需要大量专业人才，而“技能化”降低了使用门槛——任何人只要会写指令，就能让智能体完成专业工作。这或许正是AI工具导航类平台能够快速崛起的原因：它们帮助用户发现和分享那些经过验证的指令模板，让最新的科技红利惠及更多人。
硅谷的争议：tokenmaxxing是高效还是浪费？
当然，陈嘉兴的观点并非硅谷共识。事实上，随着AI应用成本逐渐透明化，反对声音也在增多。优步技术负责人普拉文·内帕利·纳加最近就公开表示，优步观察到了一些令人警惕的AI成本数据，并认为“tokenmaxxing时代即将结束”。他指出，下一个阶段的关键不是谁消耗的token最多，而是谁能够最高效地使用token。
这种观点代表了一部分务实派的声音。他们认为，盲目追求token消耗量，就像过去不计成本地烧钱买流量一样，忽视了最终的商业回报。AI编程公司Cognition的CEO斯科特·吴也在播客中批评了“tokenmaxxing”的过度倾向。他说：“有人会说‘我们按照工程师用了多少token给他们排名’，那还不如按照每个人实际产出了多少成果来排名。”这种“以产出论英雄”的思路，显然更接近传统商业逻辑。
那么，到底谁是对的？其实两者并不完全矛盾。陈嘉兴的tokenmaxxing更适合探索性、创新性的任务——比如研发新产品、生成前所未有的设计稿、或者分析非结构化数据。而反对者强调的效率，则更适合成熟、标准化的业务场景。在抠图这样的日常工具中，用户当然希望一次调用就能得到高质量结果，而不是反复消耗token。因此，创业者在实践中需要根据具体场景灵活选择策略，而不是盲目站队。
值得注意的是，这场争论背后，其实反映了人工智能行业当前的一个核心矛盾：技术潜力巨大，但成本模型尚未成熟。随着更多企业开始用透明背景等图像处理工具、古诗词生成等创意工具，token的消耗模式会越来越多样化，行业也需要更精细的定价和优化方案。
创业者的现实选择：如何平衡烧钱与产出？
对于正在读这篇文章的创业者来说，最实际的问题可能是：我到底该不该烧token？答案因人而异，但有几个关键因素值得考虑。
首先，你的项目阶段。如果还在零到一的探索期，需要快速验证产品方向或生成大量创意方案，那么适度的tokenmaxxing可能很有价值。比如，用AI生成数百个产品概念图，或者跑几十种营销文案，这些高消耗实验可以帮助你快速筛选出最有可能成功的路径。相反，如果产品已经进入稳定运营阶段，那么优化token使用效率、降低单次成本才是正道。
其次，你的资金储备。陈嘉兴提到的5万到10万美元年费，对于拿到大额融资的初创公司来说或许可以接受，但对很多早期团队仍是天文数字。一个折中方案是：先设定一个token预算上限，把高消耗实验集中在最核心的业务环节。比如，用AI画图生成产品原型，但用更便宜的模型做数据清洗。
最后，你需要建立一套评估机制。不能只看token消耗量，更要看每消耗一万token，带来了多少新增用户、多少收入或多少效率提升。只有把token投入与业务指标挂钩，才能真正判断出“烧钱”是否值得。事实上，很多成功的AI初创公司正在实践这种“有控制的tokenmaxxing”——他们会在关键节点投入大量token，然后迅速将成果固化为可复用的指令，再通过AI工具箱中的自动化工具来降低后续成本。
展望未来，随着大模型价格的持续下降，tokenmaxxing的门槛会越来越低。但与此同时，竞争也会更加激烈。正如陈嘉兴所说，创业者必须抓住当下的窗口期，用“烧钱”换时间，才能提前活在2028年。而硅谷的反对者则提醒我们，任何技术投入都不能脱离商业本质。这场关于人工智能与token消耗的博弈，注定将成为未来几年创业圈最引人瞩目的话题之一。