$1.3 Million Token Burn：分析 AI 驱动开发的经济学

Peter Steinberger（OpenClaw 创始人、OpenAI 员工）最近在社交媒体上的一篇帖子在开发者社区掀起了轩然大波。该帖子展示了他工具 CodexBar 的截图，显示在 30 天内对 OpenAI 代币的原始 API 支出为 $1.3 million，日支出峰值约为 $20,000。

虽然这一数字令人瞠目结舌，但故事揭示了当前 AI 热潮中的更深层次矛盾：原始计算支出与实际软件生产力之间的差距。随着开发者日益将自主代理集成到工作流中，‘粗暴’开发的成本正成为争论的焦点。

支出规模

对于单个开发者而言，这些数字是天文数字。根据社区对数据的分析，Steinberger 在一个月内使用了约 6000 亿代币。为了对比，一些高级用户报告称 5 亿代币已经是“巨量”，这意味着该使用量比典型高端 AI 开发者的消耗高出三个数量级。

这种高额支出主要归因于使用自主代理——具体而言是 OpenClaw——它能够执行大量迭代工作。GitHub 的数据表明了这种活动的规模：仅在 2026 年 5 月，就有 8,826 次提交，遍及与该项目相关的 94 个仓库。

“员工折扣”与经济现实

讨论的关键在于 Steinberger 是 OpenAI 员工。正如 Hacker News 上的多位观察者指出的，$1.3 million 这一数字代表的是 原始 API 成本，并不一定是实际的自付费用。

"这个标题相当误导，因为这只是原始 API 成本，但他（显然）作为 OpenAI 员工拥有无限使用权限。"

这一区别凸显了 AI 行业日益增长的趋势，即成本被大量补贴。一些用户指出，如果改用月度订阅（如 Codex）而非原始 API 调用，成本可能会降低 100 倍，尽管此类限制可能会抑制 Steinberger 正在测试的自主代理工作流。

生产力 vs. 浪费：激烈辩论

技术社区的反应呈现明显分化，主要聚焦于三个关注点：

1. 生产力悖论

许多开发者质疑花费 $1.3 million 代币是否能带来相称的产出增长。论点是，以如此月度消耗的费用，公司完全可以雇佣一支拥有长期上下文和架构直觉的高级工程师团队，而这些是当前 LLM 所缺乏的。

2. 环境与资源影响

对于如此高代币使用的环境成本，出现了强烈的反对声音。批评者认为，为实验性代理工作流燃烧数十亿代币是能源的低效利用，实质上是把“水和现金”转化为 CO2。

3. “开发环境”鸿沟

从产品视角来看，有人将其比作开发者使用高端 48GB RAM 机器为入门级设备用户构建应用。存在风险，即使用“无限”计算和最昂贵模型（如 GPT-5.5）构建的软件在真实的成本受限环境中部署时，难以实现可持续性和高性能。

更广泛的行业影响

围绕此支出的讨论与 90 年代末的互联网泡沫相呼应，当时客户获取成本被风险资本大量补贴。分析师指出，随着 AI 公司迈向 IPO，补贴式的“代币炫耀”时代可能结束，届时将出现显著的价格上涨或更严格的使用限制，以确保公司治理和盈利能力。

归根结底，OpenClaw 案例是对软件工程未来的边界测试。它提出了一个根本性的问题：编码的未来是人类直觉在 AI 辅助下的精益过程，还是大规模代币消耗与自动化迭代的粗暴实践？