（一）研究背景

在数字化转型的浪潮中，人工智能技术已成为推动经济社会发展的核心驱动力之一。以深度学习、自然语言处理和生成式AI为代表的先进技术正在深刻改变传统商业运营模式，并在工业生产、研发设计、交通运输、智能网联汽车与具身智能应用、智能原生服务等多个领域展现出广阔的应用前景与赋能价值。2026年，以词元计费为基础的新型商业逻辑正在加速演进，国家数据局局长刘烈宏在中国发展高层论坛中提到，中国AI词元日调用量已从2024年年初的1 000亿激增至2026年3月的140万亿。以豆包大模型为例，截止到2026年4月2日，其日均Token使用量已突破120万亿，较2024年5月首次发布时增长超1 000倍。词元经济在驱动技术革新与经济增长的同时，其对环境、社会与治理三个维度的深层冲击正日益凸显。然而，现有可持续信息披露框架未将词元经济纳入核算与披露范围，导致这一新兴经济形态的ESG相关风险难以被及时识别与管控。

在环境方面，AI模型进行训练、推理时，会面临巨大的能源消耗、水资源消耗、碳排放压力。De Vries-Gao（2025）预估,2025年全球AI系统的碳足迹介于3 260万吨至7 970万吨二氧化碳当量之间，水足迹能达到3 125亿升至7 646亿升，这大致相当于全球一年的瓶装水消费总量；中国信息通信研究院发布的2025年《算力电力协同发展研究报告》里提到，我国数据中心2023年的用电量为1 500亿千瓦时，同比增长15.4%；Mistral AI于2025年7月22日发布的报告显示，截止到2025年1月，Mistral Large 2模型每次进行推理大约会产生1.14克二氧化碳当量、消耗45毫升淡水。在社会方面，人工智能对劳动力市场结构有着深刻的重塑作用，使得收入极化、就业替代风险加剧。蒋为等（2025）发现生成式AI可能进一步让就业极化情况加重，过度的技术替代会对长期增长潜力产生抑制作用；孙伟平（2026）强调，数据与算法并非价值中立，在应用时常常会产生偏见、歧视，这对数字时代的社会公正构成了系统性威胁。在治理维度来看，词元经济的爆发式增长给企业治理模式、公共治理逻辑提出了全新的要求。黄世忠（2026）系统解构了AI的ESG风险，在治理方面重点关注算法黑箱、AI滥用、数据安全、治理框架缺失等核心挑战；江小涓（2025）提出把“合理性”和“合意性”当作数智秩序的双重评估目标。由此能够看出，词元经济在推动技术创新、经济发展的同时，也存在杰文斯悖论，能源安全、水资源安全、气候变化、就业公平、治理重构等重大可持续发展议题已然成为当前词元经济发展过程中的关键所在。

面对词元经济带来的各类ESG冲击，如何通过完善信息披露机制对词元经济进行有效约束与引导，成为政策制定者与监管机构关注的焦点。目前全球可持续信息披露监管要求持续强化，国际可持续准则理事会（ISSB）发布的《国际财务报告可持续披露准则第1号——可持续相关财务信息披露一般要求》与《国际财务报告可持续披露准则第2号——气候相关披露》已成为全球基准，被40多个司法管辖区采用，覆盖全球约60%的GDP。国内层面，财政部会同九部委于2024年11月发布《企业可持续披露准则——基本准则（试行）》，于2025年12月发布《企业可持续披露准则第1号——气候（试行）》，上海、深圳、北京三地证券交易所于2024年4月同步发布《上市公司可持续发展报告指引(试行)》，标志着统一、可比的可持续披露准则体系正式建立。然而，现有可持续披露准则主要聚焦于传统产业的碳排放与能源消耗，对于AI、数据中心等新兴数字经济领域，特别是以词元为核心的词元经济领域，缺乏针对性、可量化的披露指标。Christensen和Hail（2021）在强制性企业社会责任与可持续发展报告的研究中指出，新兴行业的量化指标缺失是当前披露体系的核心短板，这导致AI企业的环境影响无法被有效衡量、比较与监管，制约了可持续治理效能的发挥。

为填补这一关键领域的披露空白，确立统一的计量基础成为破局关键。国家数据局在中国发展高层论坛上正式将Token的中文译名确定为“词元”，并明确词元是连接技术供给与商业需求的“结算单位”，为词元纳入会计核算、管理考核乃至可持续信息披露体系奠定了权威基础。在实践中，词元已演变为大模型行业通用的计量、计价与结算单元，企业按词元数量收取服务费用，资本市场亦将词元消耗量作为企业估值的核心依据。由于词元贯穿模型训练、推理与服务全流程，其消耗量与算力、电力、碳排放、水资源使用高度线性相关，能够精准映射AI服务的资源投入与ESG影响程度。因此，将词元指标体系化、标准化并嵌入可持续信息披露框架，已成为理论研究与政策实践的迫切需求，也是推动词元经济可持续发展的重要路径。

（二）研究意义

1.理论意义。首先，本文系统构建“词元—可持续信息披露”的理论框架，填补了现有理论在AI领域的研究空白，丰富了AI时代可持续发展理论体系的内涵。其次，创新性地提出以词元为核心的AI可持续发展计量范式，突破传统以电量、算力等单一指标为衡量尺度的局限，建立“词元—资源消耗—环境影响—价值创造”的全链路量化逻辑，为AI环境影响核算提供了全新方法论支撑。最后，本文将可持续信息披露的研究范畴从传统实体经济拓展至AI词元经济领域，为构建适配AI时代的全球可持续信息披露标准提供了理论参考与思路借鉴。

2.实践意义。首先，本文为AI企业、数据中心提供精准的环境影响核算工具，引导其从“被动合规”转向“主动减碳”，推动词元经济绿色低碳转型，助力国家“双碳”战略落地。其次，本文为监管机构、投资者、评级机构提供统一、可比的AI可持续绩效评价标尺，有助于有效识别“漂绿”行为、提升资本市场对AI企业可持续风险的定价能力，规范行业市场秩序。同时，本文提供一套完整、可操作的词元披露指标体系与实践案例，能够帮助企业建立健全AI可持续管理体系，优化资源配置，提升AI效率与商业价值，为企业可持续发展实践提供具体指导。最后，本文的研究成果可为相关部门制定AI企业、数据中心等的可持续披露标准与监管政策提供参考，助力我国在全球绿色AI治理中抢占国际话语权，推动数字经济与可持续发展深度融合。

（一）词元的概念与本质

1.词元的基本概念。词元是大模型对文本、图像、音频、视频等信息进行编码处理后的最小单元，是模型理解、生成、传输信息的基础载体，兼具技术单元与商业单元双重属性。从技术层面看，词元由模型分词器拆分生成，一个词元可以是一个汉字、一个词或一个标点符号。一段文本、一次提问、一篇文档均可拆分为若干词元。从商业层面看，词元已成为全球大模型企业通用的计费与结算单元，无论是国外的OpenAI、Google、Anthropic，还是我国的阿里巴巴、百度、字节跳动等，均采用输入词元与输出词元双向计价模式，客户调用模型服务时按实际消耗词元数量支付费用。相应地，这些企业的收入确认、成本核算与市场估值均围绕词元展开。

2.词元的本质特征。词元作为大模型处理信息的最小信息单元，具有智能时代可计量、可定价、可交易的特征，这三大属性共同奠定了它在人工智能领域的基础地位。可计量是词元的基础属性，依托这一属性，词元能够对模型训练、交互推理、多模态生成等AI活动进行统一量化，将算力消耗、服务规模与资源占用转化为可核算的标准指标。在此基础上，可定价属性得以建立，借助统一的计量体系，词元为模型调用、算力服务、数据处理等AI服务提供了公允的计价依据，实现了按量计费与透明定价，有效解决了行业长期存在的计价模糊、成本核算复杂等问题。可交易属性以可计量与可定价属性为基础，词元可作为AI产业价值交换的核心媒介，实现市场化流通与商业化结算，推动AI服务走向标准化交易，为词元经济规范化、规模化发展提供坚实保障。

不管是模型训练、微调，抑或是用户交互推理，所有词元经济活动最终能够量化为词元的处理量。词元就好像工业时代的“吨、公里”、数字时代的“字节”一样，是AI世界的通用度量衡，它连接着技术、成本、资源消耗、商业价值。当下，词元已经在大模型API调用、智能客服、文本生成、多模态处理、私有化部署、智能体服务等全场景中有广泛的应用，涵盖了互联网、金融、政务、工业、通信等多个行业。中国移动、中国电信等运营商依靠海量自有语料，搭建自研大模型，按照词元向政企客户收费，科技企业与云厂商通过开放API接口，达成词元按量计费。词元的可计量性、可定价性与可交易性，让它成为连接AI技术、商业价值和环境影响的核心纽带。

（二）企业词元驱动的可持续外部影响

词元作为词元经济里的核心计量单元，它的处理规模跟企业资源消耗、环境影响呈现出高度的线性联系，此联系不仅直接对企业自身的运营产生作用，并且还进一步拓展到环境、社会、治理这三个核心维度，进而引发了一系列连锁效应和全新挑战。

1.环境维度。大模型运行分为训练与推理两个核心环节，其中推理环节词元消耗量大、持续时间长，是环境影响的主要来源。在能源消耗与碳排放方面，词元生成高度依赖电力，廖新雪（2025）发现，一台搭载英伟达H100 GPU的服务器单卡峰值功耗达700瓦，一个万卡集群的算力中心仅计算单元每小时就要消耗7 000度电。Jegham N等（2025）的研究也显示，高效模型处理长文本（约7 000词输入、1 000词输出）的能耗仅为0.443Wh，而低效模型可达29Wh，能效差距超过65倍。在词元调用量呈现爆发式增长的背景下，全球AI算力用电量快速攀升，而当前多数智算中心仍以火电为主要能源，绿电覆盖率偏低，进而形成较强的碳锁定效应，阻碍“双碳”目标实现。

在资源消耗与生态破坏方面，有着淡水大量消耗的情况，Mistral AI于2025年7月22日发布的报告显示，截止到2025年1月，训练Mistral Large 2模型耗水量达到28.1万立方米，单次推理400词元大概耗水45毫升，这些数据直观呈现词元处理过程中水资源的消耗强度。随着词元规模的持续增大，AI数据中心的数量与规模不断增加，淡水需求量也随之上升，使得干旱地区水资源供求矛盾变得更为严重。数据中心制冷散热系统持续排放热量会让城市热岛效应加剧，打破区域原本的生态平衡，对城市生态环境的可持续发展造成影响。芯片制造依赖稀土、钴、锂等关键矿产资源，为满足词元经济扩张需求，这些矿产的大规模开采活动越来越频繁，不但引发森林砍伐、土壤与水源重金属污染等生态破坏问题，还会致使生物多样性丧失，进而让生态系统退化加剧。更为突出的是，芯片生产材料利用率偏低，高昂的生态代价与词元经济的快速扩张形成鲜明对比，这进一步突出了词元经济在环境维度的负外部性。

在电子废弃物与污染方面，词元大规模处理要求高强度的算力支撑，导致AI芯片、服务器等硬件的迭代速度显著加快，其中AI专用芯片的迭代周期普遍为2～3年（部分头部企业的芯片迭代周期只有1.5年左右），这会在短期内产生大量被淘汰的硬件设备，形成大量含汞、铅、砷等有毒物质的电子废弃物。这类废弃物如果被不正确处理，不仅会渗漏有毒物质，造成土壤与水源的二次污染，还会通过生态链对人的身体健康造成威胁。

2.社会维度。词元经济正在推动企业快速扩张并提升运营效率，也对社会结构产生深刻影响，进而引发一系列潜在社会风险。在就业结构方面，AI词元处理能力的提升使其正在大量替代标准化、重复性的白领工作，词元效率的每一次提升都可能降低特定岗位的人力需求，进而引发结构性失业与技能转型压力。这种替代效应并非均匀分布，而是导致就业市场呈现明显的两极分化，陈彦斌等（2019）的研究发现，人工智能对不同技能劳动力的替代存在显著差异，高技能岗位需求上升而中低技能岗位被替代，从而加剧了就业极化现象。与此同时，用工模式也在向零工化、计件化方向演变，劳动者普遍面临社会保障缺失的困境。更值得警惕的是，上述结构性变化最终导致产业利润高度集中于少数算力与模型巨头，而普通开发者与终端用户的价值被严重挤压，进一步加剧了收入分配的不平等。

在数字鸿沟、权益保护的相关领域当中，词元处理能力对于算力和资金投入有着很强的依赖性，大型科技公司依靠自身所具备的大量词元处理量形成技术和数据壁垒，此种现象使得大型企业与中小企业及欠发达地区之间的差距被进一步拉大，甚至有可能形成“词元霸权”现象，使得全球数字经济发展不平衡的状况进一步加剧。并且词元经济在接入条件、数字能力、使用成本这三方面存在数字鸿沟情况，大量没有接入互联网、缺乏数字素养的群体无法享受到人工智能发展带来的红利，使得中小企业和个人用户因“词元通胀”所导致的使用困境呈现出加剧的趋势。企业进行大规模的词元训练和交互服务时，需要对大量内容进行处理和储存，包括词元数据、基于词元分析所生成的用户画像等，如果这些信息出现被泄露、被滥用的情况，会对数据主体带来非常严重的隐私侵犯与伦理危害。在这个过程中，词元交互会伴随着全维度行为数据的采集一同出现，这种情况很容易形成一种没有边界限制的监控趋势，进一步侵犯用户的合法权益。

算法歧视与社会公平风险同样不容忽视。一方面，训练数据中自带的历史偏见经AI技术放大后，会在招聘、信贷、司法、教育等核心领域持续传导并固化不公平结果，进一步加剧阶层固化与发展机会的不均等。另一方面，高耗能、高污染设施向弱势社区的转移，不仅直接破坏环境正义，更让弱势群体承担额外的环境与健康代价，持续拉大社会不公平差距。在此基础上，依托词元处理生成的深度伪造、偏见信息与茧房式推送，正推动造谣、诈骗、舆论操纵等行为趋于产业化，不仅严重加剧社会对立与意识形态渗透，更对公共安全构成直接威胁。

3.治理维度。词元经济在快速发展中形成技术、资本、数据三重垄断，呈现出收益私有化、成本社会化的治理困境，带来了算法不透明、市场垄断、监管滞后、数据主权受损等系统性治理风险。在责任真空与合规风险方面，词元驱动的AI决策具有典型黑箱特征，包括过程不可解释、结果难以追溯等，这使得当模型出现决策错误、歧视性输出或损害用户利益时，模型开发者、算力提供方与平台运营方之间相互推诿，难以明确追责主体。Rahwan（2018）提出的算法社会契约理论强调，AI系统需要建立可追溯、可问责的治理机制，然而当前实践仍存在明显的责任真空。此外，AI技术迭代速度远超法律、监管规则完善速度，算法审计、数据合规、AI伦理审查等关键规则长期缺位，导致企业面临较大的合规不确定性，容易产生合规漏洞，并可能因此遭受监管处罚。

在技术垄断与权利失衡方面，词元产业发展态势高度集中，少数科技巨头掌控着核心算力、训练数据、基础模型与定价机制，产生显著的市场垄断与技术霸权风险。一方面，头部企业牢牢控制算力、数据、模型等核心资源，妨碍行业内的公平竞争，非常容易触发业务拆分、高额罚款等反垄断调查与处罚，并且会直接影响企业长期发展布局。另一方面，巨头企业主导技术标准的制定，一旦其将自身商业利益置于行业可持续发展与公共利益之上，就容易形成技术霸权。不仅会导致技术发展的方向偏离普惠和公平的价值导向，也容易引发政策干预与广泛社会不满。

在数据安全与国家主权方面，词元处理对海量数据的采集存储还有跨境流转有着高度的依赖，然而在这一过程当中隐藏着多种安全隐患、主权风险。金融、能源、医疗、地理信息属于关乎国家命脉的关键领域，一旦这类数据出现泄露、被滥用或者非法出境的情况，将会直接触及国家安全底线，给国家金融稳定、能源安全、公共卫生保障、地理信息安全带来严重威胁。部分跨国企业借助词元经济扩张的机会，在发展中国家毫无秩序地抽取各类数据资源，并且没有向数据来源国给予相应的技术补偿、利益回馈，这种不平等的数据获取与利用模式，形成了事实上的数据殖民现象，不但严重侵害了所在国的国家数据主权，还进一步损害了当地的社会公共利益，让全球数字经济发展的不平衡进一步加剧。

在公共治理与伦理风险方面，AI和词元技术有被用于舆论操控、选举干预的可能性，这会扭曲公众认知与民意，这种公共决策干预风险会让AI企业面临政策限制、舆论谴责，从而对企业市场布局产生影响。与此同时，如果公共决策过度依赖算法，容易出现重效率、轻公平的情况，而词元跨境流动还会侵蚀税基，削减公共服务投入能力，进一步损害社会整体利益和公共治理效能。此外，伦理失范风险也很突出，AI技术在军事、安防、基因编辑等领域被滥用，违背人类伦理底线会引发社会广泛反对，导致企业面临政策禁止、市场抵制风险。如果AI企业过度追求商业利益，忽视技术普惠与社会公平等公共价值，会面临政策引导压力，进而被要求增加社会责任投入，影响企业盈利。

（三）企业面临的词元相关可持续风险

词元已成为AI企业的核心运营单元，其规模扩张、效率差异及披露合规性直接给企业带来多维度可持续发展风险，主要体现在物理风险、转型风险、技术与治理风险三个方面。

1.物理风险。物理风险涵盖资源约束风险与气候相关风险。资源约束风险主要呈现出AI词元需求呈指数级增长的情况，这会导致企业资源消耗超出电力和水资源的承载范围，使企业面临限电、停水等运营中断的风险，进而对企业的模型服务连续性与相关用户体验产生影响。气候相关风险呈现出企业数据中心多数处于气候敏感性地区，高温、洪水等极端天气可能会对词元处理服务的连续性造成直接影响，导致冷却系统的能耗和碳排放有所增加，致使企业的运营成本进一步增加。

2.转型风险。转型风险涵盖政策合规风险、市场竞争风险与技术迭代风险，直接关系企业的长期生存与竞争力。政策合规风险指未来AI监管政策的出台将直接增加高词元消耗、低效率企业的运营成本，未按要求披露词元环境信息的企业可能面临监管处罚与声誉损失；市场竞争风险指投资者与客户将越来越青睐词元效率高、环境友好的AI企业，低效企业将面临估值下调、客户流失、市场份额萎缩的风险；技术迭代风险指固守低效模型与技术路径将导致单位词元成本居高不下，在快速迭代的AI市场中被淘汰。

3.技术与治理风险。技术与治理风险涵盖技术风险、数据安全风险与监管风险。技术风险表现为词元依赖复杂的深度学习模型生成，容易出现算法偏见、模型鲁棒性不足等问题，导致输出结果失真、不可靠，一旦用于可持续信息披露等场景，可能造成误导性信息扩散。数据安全风险表现为词元在生成和处理过程中需要采集、存储大量数据，一旦发生数据泄露或者被恶意滥用，会严重侵害个人隐私与企业商业机密，还可能触及数据主权和国家安全问题。监管风险表现为目前围绕词元相关技术的法律法规体系仍然不健全，企业在披露相关信息时容易陷入法律责任不清晰的困境，比如AI生成内容的版权归属、信息披露过程中如何平衡透明度与保密性等，都是待解决的难题。

（四）企业获得的词元相关可持续机遇

1.提升运营效率与成本管控能力。以词元为统一计量核心，企业可以精准追踪AI业务全流程的算力耗用、能源消耗与资源投入情况，通过模型轻量化、无效词元压缩、词元算力匹配优化等方式，可以使冗余算力支出与能源浪费显著降低。依托词元数据也可以实现成本精细化分摊和预算管控，进而可以将AI服务的单位成本精确归集到各业务线和各个客户项目，持续提升AI业务运营效率，直接推动企业整体运营成本下降。

2.增强产品竞争力与市场议价能力。词元能效、绿色低碳水平已成为客户选择AI服务的重要决策依据，企业通过优化词元处理效率、降低单位词元环境影响，可形成区别于同行的核心竞争力，更容易获得注重ESG表现的大型客户、政企项目与生态合作伙伴。这不仅有助于扩大市场覆盖范围、提升客户黏性与市场占有率，还能在与竞争对手的议价中占据主动。

3.改善企业估值与资本市场表现。规范透明的词元信息披露能够向投资者直观展现企业AI业务的绿色水平、风险管理能力与长期发展潜力，帮助企业在资本市场上建立起负责任的科技形象。凭借可验证的词元环境数据，企业更容易获得绿色信贷、绿色债券等低成本融资支持，降低资金成本。同时，良好的ESG评级会提升资本市场估值与投资吸引力，有效降低融资难度、改善资本结构，增强企业长期发展韧性。

4.降低合规风险并提升品牌声誉。随着全球可持续信息披露监管不断收紧，各个国家对于数据中心能耗、AI碳排放的披露要求正逐步变得严格起来。如果可以预先构建词元核算与披露体系，企业能首先达成监管要求，防止因披露缺失或者数据不实而引发的各类处罚与声誉方面的风险，能够降低潜在的法律诉讼和罚款支出。企业积极践行词元绿色发展理念，能够强化负责任的科技企业形象，起到提高品牌公信力和社会认可度的作用，进而可以为自身实现长期稳健发展搭建起良好的基础条件。

（一）词元作为可持续信息披露核心指标的必要性

1.顺应披露趋势，补齐披露短板。全球范围内，可持续信息披露正经历从自愿披露向强制披露的深刻转变，处于新兴高耗能领域的词元经济已成为监管机构和市场各方关注的焦点。现有可持续披露准则缺乏针对词元经济的量化指标，所以企业披露的能耗与碳排放数据多为数据中心整体层面的估算值，无法精准归因于具体的AI模型、业务或产品，导致以定性描述为主、数据可信度偏低，难以满足日益严格的监管要求和日益增加的信息需求。而词元作为词元经济的“原子”单元，恰恰提供了统一、精准的度量基准，使得不同企业、不同模型、不同业务线的环境影响具备了直接可比性，正是破解当前AI时代可持续信息披露“黑箱”的关键。凭借可计量、可定价与可交易的特性，词元可作为基准核算资源消耗与排放，统一全行业披露口径，实现数据精准可比，有效杜绝“漂绿”行为，显著提升披露信息的可信度与应用价值。

2.回应社会关切，强化市场监督。以词元为核心指标开展披露，可量化岗位替代效应、数字接入差异、数据滥用风险，让社会层面的外部性可衡量、可监督，推动AI技术向普惠、公平、安全方向发展，维护社会整体利益与公共价值。与此同时，投资者需要精准的词元能效数据，评估企业长期可持续发展能力与投资风险，资本市场也以词元消耗量、增速与单位收益作为企业估值的核心依据。消费者可能关注AI服务的绿色属性，倾向选择低碳环保产品，希望了解所使用AI服务的真实环境代价。社会公众也需要透明信息，监督企业环境行为，尤其在能源短缺、干旱缺水地区，大规模AI算力布局可能挤占民生资源，公众对AI资源消耗的知情权诉求日益强烈。规范的词元披露可充分保障各方知情权，形成有效市场监督，倒逼企业履行可持续责任，实现数字普惠与可持续发展的平衡。

3.完善治理闭环，防范系统风险。词元经济面临算法黑箱、数据垄断、责任真空、跨境治理冲突等多重治理难题，传统披露框架缺乏针对治理维度的量化依据，导致监管滞后、问责困难、合规成本居高不下。将词元纳入披露体系，可以建立全流程可追溯、可问责机制，明确模型开发者、算力提供方、平台运营方的治理责任，从而规范数据跨境流动与算法伦理。这一机制为监管部门提供了可审计、可验证的数据基础，显著降低信息不对称，提升监管精准度。同时，通过词元层面的责任追溯，还可以有效遏制算法歧视与数据滥用，增强AI系统的可解释性与社会信任，从而从源头防范技术垄断、数据安全与伦理失范风险，填补AI治理规则空白，提升企业合规能力与公共治理效能。

4.助力“双碳”落地，推动产业升级。实现碳达峰碳中和是我国重大战略决策，而词元经济作为人工智能带来的碳排放新增量，其能耗与排放管控已成为“双碳”目标落地的重要环节。词元指标能够实现AI碳足迹的全流程追踪，从而帮助企业精准识别减排节点、科学制定降碳方案，引导它们从“被动合规”转向“主动减碳”，最终切实助力“双碳”目标落地。在此基础上，以词元效率为导向，还能促进企业开展技术创新、优化模型架构、提升算力效率、积极采用清洁能源。李青原和肖泽华（2020）发现环境信息披露等自愿性规制工具能够显著激励企业开展绿色技术创新，这为词元披露促进企业减排提供了理论支撑。

（二）词元作为可持续信息披露核心指标的可行性

1.技术可行性。从技术方面而言，词元计量技术如今已经达到了非常成熟的程度，目前所有主流大模型平台都拥有能够精确统计输入与输出词元数量的功能，并且可以进行词元消耗的实时统计、分场景进行核算并且实现全流程追溯。当前OpenAI、Anthropic、百度文心、阿里千问等主流大模型API均已原生支持词元计数，数据获取成本较低且精度较高。在此情形之下，企业级AI管理平台又进一步提供了词元监控、分析与报表功能，具备按照模型、部门、场景等多个维度来进行数据采集与分析的能力。依靠词元数量，结合算力功耗、电力碳排放因子、用水效率等相关数据，能够精确地计算出词元碳强度、能耗强度和水资源强度等各项指标，此核算方式逻辑条理清晰、技术路径成熟。事实上，能源消耗、碳排放及水资源使用与词元处理量之间所存在的关联，能够借助行业通用的换算因子直接建立，并不需要依赖复杂的系统，企业能够依据标准化核算模型快速地实现落地实施。

2.实操可行性。目前，主流大模型企业已普遍将词元作为收入核算、成本分摊与定价管理的核心单元，并据此建立了完善的词元台账与统计系统，使得词元深度嵌入企业日常运营流程——企业普遍按输入与输出词元数量收取服务费用，资本市场亦以词元消耗量、增速及单位收益作为估值核心依据。在此基础上，可持续信息披露仅需在现有词元统计体系中叠加资源消耗与碳排放核算模块，而无需重构企业整体核算体系，因此实操成本低、难度小。与此同时，运营商及科技企业等均已拥有成熟的能耗与水资源统计体系，能够与词元计量无缝对接，从而快速生成披露数据。

3.市场可行性。目前，大模型行业已经形成了以词元作为核心的商业共识，词元已广泛应用于企业计费、机构估值、市场规模衡量等核心场景，全行业对词元指标的接受度较高。在此基础之上，谷歌、微软、百度等企业的官方报告或公开声明中都提到了AI对自身能耗和碳排放的影响，而OpenAI、阿里巴巴、腾讯等企业同样已把词元消耗量及AI使用效率纳入到内部成本核算与运营管理之中，这些实践为词元披露的全面推广积累了宝贵经验。词元披露不仅是达到合规要求所需要的手段，也是企业展现技术实力、管理水平和获得绿色溢价的重要途径，具备强大的市场内生动力。推行词元信息披露既符合现有市场习惯，无需改变行业商业模式，可有效降低企业抵触情绪、便于落地推广，又能引导资本流向高能效、低排放的绿色AI企业，形成“披露—提升—溢价”的良性市场循环。

（一）词元披露指标设计基本原则

词元披露指标体系的设计是实现词元可持续信息规范披露、发挥指标监管与引导作用的基础前提。为确保指标体系科学合理、贴合行业实际、具备推广价值，需遵循五大核心原则，各原则相互衔接、有机统一，既保障指标的严谨性与实用性，又兼顾行业发展阶段与企业实操能力，为词元披露工作的有序推进提供明确指引。

1.科学性原则。科学性原则是词元披露指标体系构建的基础。词元相关指标的内涵需界定清晰、核算逻辑需严谨规范、计量口径需高度统一，充分贴合词元生成、传输与处理过程和资源消耗、碳排放之间的内在客观机理，确保能够精准、真实地反映词元经济活动产生的影响、风险与机遇，在核算与披露全过程中最大限度减少主观判断与随意性，保证指标体系的严谨性与客观性。

2.可操作性原则。词元相关指标体系设计需充分立足企业实践，坚持可操作性原则。所选指标应具备数据易得、核算简便、流程清晰的特点，能够依托企业现有词元计量统计系统、能耗监测系统及水资源管理系统直接采集与计算，无需对现有核算体系进行颠覆性重构，避免过度增加企业额外披露成本与执行负担，保障指标能够在行业内平稳落地、普遍适用。

3.可比性原则。为实现有效监管与行业对标，指标设计必须严格遵循可比性原则。通过统一核算边界、统计口径、计量单位与报告周期，确保同一企业不同时期数据具备纵向可比性，不同企业、不同模型、不同业务场景之间具备横向可比性，从而为行业对比、监管评价、资本市场决策提供稳定、可比、可验证的量化基础。

4.全面性原则。指标体系应坚持全面性原则，实现对可持续发展关键维度的完整覆盖。不仅要涵盖环境维度的能源消耗、碳排放、水资源利用等核心内容，还应统筹兼顾社会、治理等相关维度。同时覆盖AI模型训练、推理、运维等全生命周期流程，全面、系统反映AI企业可持续发展表现，避免关键的ESG相关指标被遗漏或弱化。

5.渐进性原则。考虑到行业发展阶段与实践基础差异，指标构建需遵循渐进性原则。在体系设计上合理区分核心强制指标与补充参考指标，优先推广核算成熟、代表性强、易于落地的核心指标，稳步推进、分步实施。在此基础上，随着技术成熟与监管完善逐步扩展细化指标内容，兼顾当前现实可行性与长期体系完整性，实现词元披露制度平稳有序升级。

（二）词元相关指标体系构成

本文构建了“四维三级”词元可持续信息披露指标体系，四维即规模维度（见表1）、效率维度（见表2）、环境强度维度（见表3）、价值转化维度（见表4）。三级即核心指标（强制披露）、进阶指标（鼓励披露）、补充指标（自愿披露）。

该指标体系已经覆盖了词元经济在规模、效率、环境、价值转化四个核心维度的披露要点，但仍然存在部分未完全涵盖的影响、风险与机遇。在环境影响方面，与词元处理相关的硬件生产、运输过程中的环境影响以及词元数据存储过程中废弃物渗漏的土壤污染等间接环境影响未被完全涵盖。在社会影响方面，词元处理过程中涉及的数据隐私保护影响、AI可能带来的偏见传播等伦理影响以及对就业结构的影响未被完全涵盖。在治理影响方面，企业词元管理的治理架构、董事会及管理层对词元可持续发展的责任划分以及词元相关合规管理体系未被完全涵盖。在风险方面，跨境词元数据流动违反各国数据安全法规的风险、词元处理涉及的知识产权侵权风险以及词元披露不符合监管要求的风险未被完全涵盖；词元处理系统故障导致的业务中断风险、词元质量不合格导致的决策失误风险以及供应链词元管理失控的风险未被完全涵盖；词元处理引发的隐私泄露等导致的企业声誉受损风险、词元可持续目标未达成引发的投资者及公众质疑风险未被完全涵盖；AI模型迭代导致的词元处理效率下降、指标核算方法变更导致的披露数据不可比风险以及技术升级带来的词元成本激增风险等未被完全涵盖。基于以上未被涵盖到的风险，企业可以结合自身业务特点、行业属性以及监管要求，进一步细化披露要点，确保全面、准确、相关地对词元进行可持续信息披露，同时需要充分反映词元经济对企业ESG发展的全方位影响。

（三）指标应用与披露建议

1.披露载体。词元相关指标应该作为专项章节纳入企业“可持续发展报告”，并且在财务报告附注中进行交叉引用。同时可以借助在线平台、互动式仪表盘等数字化工具来增强信息传递的直观性与时效性。

2.核算边界。企业应当明确披露词元核算的边界，需要确定是否将供应链、云服务供应商的词元消耗涵盖其中，并且要明确是否采用统一的核算方法，比如GHG Protocol、ISO 14064等核算方法。核算还需要对训练环节和推理环节加以区分，并且注明碳排放因子在训练环节还是推理环节进行的取值。

3.披露形式。实行年度强制披露与中期自愿披露相结合。年度披露随ESG报告或财务报告同步发布，中期披露供投资者参考。披露形式以定量表格为主、定性说明为辅，统一指标格式与单位。

4.鉴证要求。对于核心指标，特别是环境强度的指标，应鼓励企业聘请第三方机构进行独立鉴证，以此来确保数据的可信度。同时，企业应该建立内部数据核查机制，严禁私自篡改数据，有条件的企业可以引入区块链技术进行存证溯源。

5.目标设定。企业应该基于词元指标设定科学、可量化的可持续发展目标，如“到2030年将词元碳强度降低50%”等发展目标，并且定期披露已设定目标的完成进度，充分展示减排降耗成效。

（一）境外头部企业词元披露实践

1.OpenAI。作为全球大模型行业的代表性企业，OpenAI较早开展与词元服务相关的环境信息披露。在其官方2025年6月11日发布的技术博客中，OpenAI公开了ChatGPT推理环节的资源消耗数据，单次查询平均耗电约0.34瓦时，耗水约0.000085加仑，为行业提供了可参考的单位服务环境影响基准数据。同时，企业在披露中提及模型训练与推理环节能耗存在显著差异，并围绕算力基础设施建设提出可再生能源使用目标，将绿色能源供应与模型服务能耗管理纳入长期可持续发展布局，形成了较为透明的词元相关环境信息披露实践。

2.Google。Google依靠其完备的环境信息披露体系，于《2024年度环境报告》中具有开创性地披露了AI计算工作负载的能源使用效率（PUE）和碳强度指标。虽然报告没有直接使用“词元”这一术语，但其提出的“单位计算工作量碳排放”核算理念和词元碳强度的内涵非常相符。企业借助DeepMind智能调度技术建立起了系统化的AI算力环境影响核算框架，对大模型计算规模、单位算力能耗及碳足迹进行量化披露，并且实施绿色电力优先供电策略，通过算力动态调度与冷却技术升级不断降低单位计算服务的碳排放与水资源消耗，同时为客户提供低碳模型调用选项，逐步形成覆盖模型训练、推理服务、基础设施运维的全链条绿色AI生态模式。

3.Microsoft。在《2025环境可持续发展报告》中，微软对Azure云服务及大模型相关的能源消耗与碳排放数据进行了系统披露，并探索以“功能单位”核算GitHub Copilot等AI产品的环境影响，其计量逻辑与词元强度管理思路高度一致。依托Azure OpenAI服务体系，微软已经将词元相关的环境数据纳入云计算可持续信息披露框架中，不仅向企业客户提供词元级能耗和碳排放明细，还公开了不同区域的词元碳强度差异，同时通过全球绿电布局持续降低AI服务的碳排放，并且承诺在2030年实现企业整体碳排放为负的目标。

4.Mistral AI。欧洲AI初创公司Mistral AI于2025年7月发布了全球首份AI模型全生命周期环境影响报告，这份报告是由ESG咨询公司Carbone 4、法国生态转型机构（ADEME）一同编制而成的，并且经过了独立机构的同行评审。报告把旗舰模型Mistral Large 2当作案例，精确地披露了该模型在训练与推理阶段所产生的环境代价，在截至2025年1月的18个月使用时间里，训练过程产生了2.04万吨二氧化碳当量、消耗了28.1万立方米淡水，单次推理生成大概400词元会产生1.14克二氧化碳当量、消耗45毫升淡水。报告也指出，训练和推理一起构成了全生命周期里85.5%的温室气体排放、91%的水资源消耗。这是当前全球最为详尽且最接近词元强度指标的企业实践，能够为中小AI企业提供精细化核算、可持续管理方面的范本。

（二）国内头部企业词元披露试点进展

1.腾讯。腾讯云在2026年3月27日举办的上海城市峰会上，将原有的MaaS平台升级为TokenHub，同时以词元作为AI服务的统一计量与计费单元，构建了多模型调度与统一计费体系，成为国内企业词元运营的典型实践。升级后的TokenHub支持企业通过统一API调用混元、DeepSeek、MiniMax等主流大模型，并配套Token Plan实现词元统一计费，可以根据业务需求在不同模型间灵活调度与切换，大幅度降低企业模型迁移与使用成本。腾讯云将“模型任选、按词元计费”的理念贯穿于Agent产品矩阵，依托微信、企业微信等生态渗透政企与产业场景，推动词元计量体系在企业AI服务中规模化落地，也为国内AI服务标准化、市场化提供了重要参考。

2.阿里巴巴。在阿里巴巴集团2026年3月19日的2026财年第三季度（截至2025年12月31日）业绩发布电话会上，管理层对2026年3月16日阿里巴巴已正式成立Alibaba Token Hub（ATH）一级事业群进行披露，该事业群以创造Token、输送Token、应用Token为核心目标全面布局词元经济，同时整合通义实验室、MaaS业务线、千问事业部、悟空事业部及AI创新事业部，构建起从基础模型研发、模型服务平台到个人与企业端应用的全链条。阿里巴巴在此次会议中也明确将Token定位为AI时代的核心价值载体与AI Agent运行的核心燃料，在通义千问、百炼MaaS平台、钉钉悟空等产品中推行按Token计费模式。会议同时披露过去3个月百炼MaaS平台日均Token消耗规模提升6倍且AI相关产品收入已第十季度实现三位数同比增长，阿里巴巴也依托自研平头哥GPU芯片与阿里云算力支撑持续优化单位Token成本，推动词元在电商、云计算、企业服务等场景规模化落地并成为国内词元经济的标杆实践者。

3.字节跳动。字节跳动是在行业里较早展开词元相关信息公开披露的企业，已把词元当作AI服务的核心计量单元，还对外公布了豆包大模型词元运营有关的数据。截至2026年4月，企业依据火山引擎进行数据披露，所展示出来的数据表明豆包大模型每天词元被调用的数量已然超过120万亿，较三个月前增长一倍，较2024年5月份首次发布时增长超1 000倍。在服务模式方面，字节跳动采取按词元计费的方式并且对外公布了相关的定价与优惠规则，把词元调用量作为核心运营指标来披露。它推出的“龙虾”产品能够迅速和飞书、微信、钉钉等渠道进行配对，达成端云协同存储的效果，对词元在智能体场景中的规模化应用起到进一步推动作用，使得其成为国内词元数据披露维度比较全面且透明度较高的代表性科技企业，为行业在探索AI服务计量标准化与可持续信息披露等方面给予了非常关键的参考依据。

（三）实践总结与启示

从境外企业实践来看，词元级可持续信息披露正经历从碎片化探索向体系化构建的演进。OpenAI通过技术博客公开ChatGPT推理环节的单位服务能耗与水资源消耗数据，为行业提供了可参考的环境影响基准，Google依托成熟的环境报告框架以“单位计算工作量碳排放”为核算理念将AI计算负载的能源使用效率与碳强度纳入常规披露范畴，Microsoft则更进一步在Azure OpenAI服务体系下面向企业客户提供词元级能耗与碳排放明细并公开不同区域的词元碳强度差异，而Mistral AI作为欧洲初创企业的代表通过发布全球首份AI模型全生命周期环境影响报告精确披露了训练与推理环节的词元级环境代价，其与Carbone 4、法国生态转型机构ADEME合作开展研究并邀请第三方机构进行同行评审的做法为行业树立了从精细化核算到独立鉴证的全流程披露标杆。

从境内企业实践来看，腾讯云将MaaS平台升级为TokenHub，以词元作为AI服务统一计量与计费单元，阿里巴巴成立Alibaba Token Hub一级事业群将Token定位为AI时代核心价值载体并在通义千问、百炼MaaS平台等产品中全面推行按Token计费，字节跳动通过火山引擎披露了豆包大模型日均词元调用量超120万亿，并明确区分企业端与个人端消耗结构，这些实践表明境内企业已将词元深度嵌入商业模式并积累了海量的词元运营数据，但从可持续信息披露视角来看目前披露内容仍以词元调用量、计费模式等商业化指标为主，尚未将词元消耗与能源消耗、碳排放、水资源使用等环境影响建立直接关联核算。

对比可见，境外企业在词元级可持续信息披露方面已形成从单位服务影响披露到全生命周期精细化核算的完整谱系且注重第三方鉴证与标准引领，境内企业则在词元商业模式创新与运营数据归集方面走在前列，为未来将ESG影响纳入披露框架奠定了扎实的数据基础。但需要注意的是，当前词元可持续信息披露仍面临统一核算标准的缺失导致同类指标难以直接横向比较、第三方鉴证能力不足又使得环境影响数据的真实性与可信度难以保障等挑战。未来趋势表明词元可持续信息披露正加速从整体能耗披露走向词元级精细化披露，这要求企业借鉴Mistral AI的全生命周期核算理念与Microsoft的区块链数据存证经验，同时依托境内企业已建立的词元运营数据基础，最终使词元真正成为AI时代可持续信息披露的核心指标。

本文围绕词元作为AI时代可持续信息披露核心指标这一主题，通过系统研究发现，词元作为大模型的通用计量单元，与词元经济资源消耗、碳排放及水资源耗用之间存在高度相关性，是精准量化AI环境影响的理想载体，且因其贯穿模型训练、推理与服务全流程，天然具备可持续披露属性。当前词元经济可持续披露普遍面临口径不统一、数据失真与监管缺位等结构性痛点，在此背景下推行词元披露既是顺应监管趋严态势、回应市场信息需求的必要之举，也在技术计量成熟度、企业运营适配性、监管规则导向性以及行业市场接受度等层面具有较强的可操作性。基于此，本文构建了规模维度、效率维度、环境强度维度、价值转化维度四维三级指标体系，为实现AI对ESG影响的精准核算、透明披露与可比监管提供了系统化工具，有效补全了现有可持续披露框架在数字经济领域的关键缺口。

针对当前词元可持续信息披露的实践现状与突出问题，结合相关政策与实践经验，本文有以下四项核心启示。第一，健全披露规则体系、统一行业标准。由监管部门、行业协会联合牵头，联合模型厂商、算力平台、运营商等产业链主体制定披露指引，明确核心指标、核算公式等关键内容，并区分上市公司与非上市公司、大中小型企业，实行差异化披露要求，对头部大模型企业实行强制披露，中小微企业采用自愿披露过渡。第二，建立分级披露机制、强化强制约束。构建“基础披露+进阶披露”模式，基础层面要求所有大模型企业披露词元总处理量、总能耗等核心数据，进阶层面要求头部企业、上市公司披露精细化数据，逐步将词元披露纳入上市公司强制范围，严厉惩处虚假披露、“漂绿”等行为。第三，完善核算技术支撑、提升数据质量。出台核算技术规范并推广统一工具，指导企业搭建系统化核算体系，借助物联网、区块链技术实现数据实时采集、自动核算与溯源，培育第三方机构开展独立审计，保障数据真实可信。第四，加强信息资源共享、强化监管协同。搭建集中披露平台实现信息公开可查，加强多部门监管联动，依托现有产业链协同生态强化行业自律，引导企业主动披露、自觉减排，营造良性竞争氛围。

主要参考文献

[1]陈彦斌，林晨，陈小亮.人工智能、老龄化与经济增长[J].经济研究，2019，54（7）：47-63.

[2]郜阳.打造中国特色词元经济学[N].新民晚报,2026-03-28(6).

[3]郭倩．企业加码“词元经济”产业链布局[N]．经济参考报，2026-04-01（2）.

[4]黄世忠．人工智能的十大ESG风险：解构与缓释[J]．财会月刊，2026，47（1）：3-11．

[5]蒋为，陈星达，倪诗程．人工智能、产业结构转型与跨越“中等收入陷阱”[J]．经济研究，2025，60（10）：239-260．

[6]江小涓．数智时代的秩序重构与治理合作：合理合意双重目标[J]．管理世界，2025，41（5）：1-14+58+241．

[7]李青原，肖泽华．异质性环境规制工具与企业绿色创新激励——来自上市企业绿色专利的证据[J]．经济研究，2020，55（9）：192-208．

[8]李宣璋，李玥．词元爆火：AI时代新计价标尺 重构信息通信业价值版图[N]．人民邮电报，2026-04-02（3）．

[9]廖新雪．建立算力中心需要多大的电量？一场数字时代的“电力大考”[EB/OL]．（2025-09-01）[2026-04-14]．https://www.kepuchina.cn/article/articleinfo?ar_id=629891&business_type=100&classify=0．

[10]孙伟平．数据、算法歧视及其治理方略[J]．人民论坛·学术前沿，2026（4）：84-92．

[11]闫俊文．字节跳动，正在变成“Token跳动”[J]．中国企业家，2026（2）：82-85．

[12]央广网．腾讯云上海峰会：发布Agent产品全景图，升级全栈AI能力[EB/OL]．（2026-03-27）[2026-04-14]．https://tech.cnr.cn/techgd/20260327/t20260327_527564472.shtml．

[13]杨雪．国产AI日均词元调用量激增[N]．科技日报，2026-04-03（2）．

[14]叶丹．AI商业化进入词元时代[N]．南方日报，2026-03-27（B03）.

[15]袁传玺．豆包大模型日均词元使用量突破120万亿[N]．证券日报，2026-04-03（B03）．

[16]中国信息通信研究院．算力电力协同发展研究报告（2025年）[R/OL]．（2025-05-08）[2026-04-14]．http://www.caict.ac.cn/kxyj/qwfb/ztbg/202505/P020250509511369626787.pdf.

[17]中国信息通信研究院．人工智能产业发展研究报告（2025年）[R/OL]．（2026-01-29）[2026-04-14]．https://www.caict.ac.cn/kxyj/qwfb/bps/202602/P020260202487301304903.pdf.

[18]Alibaba Group Holding Limited. Alibaba Group fiscal 2026 third quarter earnings call transcript[EB/OL].(2026-01-30)[2026-04-14].https://www.alibabagroup.com.

[19]Altman S. The gentle singularity[EB/OL].(2025-06-10)[2026-04-14].https://blog.samaltman.com.

[20]Christensen H B, Hail L, Leuz C. Mandatory CSR and sustainability reporting: economic analysis and literature review[J]. Review of Accounting Studies, 2021, 26(3): 1176-1248.

[21]De Vries-Gao A. The carbon and water footprints of data centers and what this could mean for artificial intelligence[J]. Patterns, 2025, 7(1): 101430.

[22]Google. 2024 Environmental Report[R/OL].(2024-07-03)[2026-04-14].https://sustainability.google/reports/google-2024-environmental-report.

[23]Jegham N, Abdelatti M, Koh C Y, et al. How hungry is AI? Benchmarking energy, water, and carbon footprint of LLM inference[J]. arXiv:2505.09598, 2025.

[24]Microsoft. 2025 Environmental Sustainability Report[R/OL].(2025-06)[2026-04-14].https://www.microsoft.com/en-us/corporate-responsibility/sustainability/report.

[25]Mistral AI. Our contribution to a global environmental standard for AI[EB/OL].(2025-07-22)[2026-04-14].https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai.

[26]Rahwan I. Society-in-the-loop: programming the algorithmic social contract[J]. Ethics and Information Technology, 2018, 20(1): 5-14.