容度词元——交互数据的计量标尺，从“燃烧算力”到“照亮问题”

导语： 按token计费关注“燃烧了多少算力”，容度词元关注“照亮了多少问题”。容度词元是交互数据的计量标尺，它的定义是“单位词元输入或输出所带来的确定性增加或不确定性降低”。

正文：

容度词元的计量哲学是“从信息熵到问题熵”的转向。信息熵是香农信息论的核心概念，衡量的是“信息的不确定性”。问题熵是容度词元体系的核心概念，衡量的是“问题的确定性”。信息熵关注的是“信息的量”，问题熵关注的是“问题的质”。在AI时代，信息的量已经过剩，但问题的解决程度不足。问题熵比信息熵更贴近AI时代的核心矛盾。

容度词元的数学表达为：ΔD = D_before - D_after。其中，D_before表示交互前的“问题熵”，D_after表示交互后的“问题熵”，ΔD表示容度词元的量值，即确定性增益。

以一个法律咨询场景为例。用户问“这份合同是否有效？”模型初始回答“需要看具体条款”，此时问题熵较高——可能的答案有“有效”“无效”“部分有效”“效力待定”等多种。用户追问“如果条款违反了法律强制性规定呢？”模型回答“如果违反法律强制性规定，则条款无效”。此时问题熵降低——可能的答案收敛到“无效”。容度词元ΔD = D_before - D_after，计量了这次追问带来的确定性增加。

容度词元有三个突出特征。结果导向——传统计量方式关注“投入”，容度词元关注“产出”——产生了多少确定性增加。相对测量——同一个问题在不同上下文中的确定性增益不同，容度词元计量的是“变化量”而非“绝对量”。情境依赖——同一条追问在医疗场景中的容度词元量值，可能与在法律场景中的量值不同。

容度词元与传统的“按token计费”存在根本区别。按token计费的逻辑是“燃烧了多少算力”，容度词元的逻辑是“照亮了多少问题”。按token计费无法区分“有价值的token”和“无价值的token”——一次追问可能消耗100个token但带来了巨大的确定性增加，另一次追问可能也消耗100个token但没有带来任何确定性增加。按token计费对两者收取相同的费用，这显然不合理。

从按token计费到按容度词元计费，是AI经济计量哲学的一次根本转向。它使得AI经济的计量锚点从“算力消耗”转向“价值创造”，从“成本侧”转向“价值侧”。