To kenFactory（词元工厂）技术与产业发展白皮书（2026.6）

Token

Factory（词元工厂）技术与产业发展白皮书九章云极DataCanvas

&

infoQ2026年6月400-805-7188

编撰人员

：

尚明栋

胡宗星

陈庶

张峰出品机构

：

九章云极

DataCanvas

&InfoQ编制日期

：

2026

年

6

月版权所有

©

九章云极

DataCanvas

未经许可禁止转载2026

年，全球人工智能产业正经历一场深刻而确定的范式转移。从英伟达（NVIDIA）CEO

黄仁勋在GTC

大会上首次将未来数据中心定义为“生产

Token

的工厂

（Token

Factory）”，

到中国电信宁夏分公司发布总金额达174.38

亿元人民币（含税）的“Token

工厂”集采项目，

仅用了不到两个月时间。这一系列标志性事件清晰表明

：

人工智能正以前所未有的速度，

从“技术突破期”迈向“产业化落地期”。我们正在站上

AI

从“技术概念”

迈向“工业产能”

的关键转折点。这不仅意味着算力需求的指数级增长，

更意味着全球产业链、商业模式和价值分配体系的系统性重构。作为长期深度参与人工智能基础设施建设的企业，

九章云极持续投入智算中心建设、算力集群运维以及智算云平台研发与运营，

在工程实践与产业观察方面积累了丰富经验。基于这些长期实践与思考，

我们编写了本白皮书，

希望与产业界、

投资界和政策制定者共同拆解

AI

工业化浪潮背后的底层逻辑，

识别未来发展的核心变量与关键机会。本报告将重点围绕以下几个核心问题展开

：

Token

与

Token

Factory

的概念究竟意味着什么、

如何衡量并优化

Token

生产效率、

Token

经济正在如何重塑产业链格局、

中国在全球

Token

竞争中的独特优势与战略机会、

AI

工业化将带来哪些趋势、挑战与风险。我们期待本报告能够为行业提供一套理解

AI

工业化的新框架，

并共同迎接智能生产力全面释放的新周期，欢迎扫码与我们联系。前言Preface目录0105071112373862645454555244552431引言

AI

工业化时代已到来

：

从模型竞赛到

Token

生产革命第一章

范式跃迁

：

从

“

算力中心

”

到

“Token

Factory”

02Token（词元）

：

AI

时代的核心价值尺度

03Token

Factory（词元工厂）

：

智能生产时代的新型基础设施

Token

Factory

与传统算力基础设施的代际跃迁

第二章

产业基石

：

Token

Factory（词元工厂）成本结构与盈利模式

08成本结构全解析

：

电力、芯片、网络与平台的分布逻辑

09盈利密码

：

从

“卖算力

”到

“卖智能

”的商业模式升级

11效率决定盈利

：

核心

KPI

如何驱动单位成本下降

定价策略

：

黄仁勋的五级分层模型与市场定价博弈

财务模型分析

：

Token

Factory（词元工厂）的投资回报

121315第三章

产业全景

：

价值链重构与核心参与者

上游

：

生产要素层（能源与算力基础设施）

中游

：

智能生产执行层（大模型与云计算）

下游

：

应用服务与价值实现层（API

与

Agent

应用）

第四章

普惠实践

：

九章智算云

Token

Factory（词元工厂）

35行业逻辑升维

：

从算力生产效率走向客户价值落地

36九章云极

AI

工厂体系

：

构筑

Token

全链路降本核心底座

36Alaya

NeW

全栈平台

：

智能操作系统打通算力价值流通

紧抓国家战略机遇

：

依托

“东数西算

”打造世界级

Token

产业基地

实战落地案例

：

前沿技术赋能，数据印证降本实效

38落地实施路径与行业发展展望

40第五章

竞争机遇

：

全球竞争格局与中国战略机遇

41全球市场现状与发展空间

42中美发展路径比较

43中国迈向

“世界

Token

工厂

”的核心优势

第六章

风险挑战

：

产业影响、未来趋势与关键挑战

47对传统产业体系的重塑

48未来核心发展趋势

50主要风险与现实挑战

第七章

行动建议

：

面向政策制定者、产业界、企业与个人的应对策略 53政策层建议

产业层建议

企业层建议

用户层建议

第九章

未来展望

：

迈向

Token

驱动的智能新时代

68第八章

技术方案

：

Token

生产效率评价体系与优化路径

57产能效率优化

60时延与响应体验优化

61服务承载能力与稳定性优化

资源利用率与能效优化

经济效率优化

66优化实施保障

67Contents引言AI工业化时代已到来

：

从模型竞赛到

Token

生产革命2026

年英伟达

GTC

大会的聚光灯下，一个全新的概念被正式确立——“Token

Factory（Token

工厂）”。当黄仁勋身着标志性皮夹克，

将未来数据中心定义为

“生产

Token

的工厂

”，

并给出

“收入=Tokens/W

×

可用千兆瓦数

”[1]

这一简洁而有力的公式时，全球科技界都清晰地意识到

：

人工智能产业，正站在一个历史性的转折点上。这并非一次简单的技术迭代，

而是一场深刻的范式转移。过去十年，

AI

产业的核心叙事是

“模型竞赛

”——比拼参数规模、训练数据和算力堆砌。然而，随着大模型能力逼近实用门槛，产业重心从训练单一赛道转向训练

+

推理双轮驱动。AI

不再仅仅是

“能说会道

”的聊天工具，

而是正在进化为能够自主规划、调用工具、执行任务的

“数字劳动力

”。这一转变，催生了对

AI推理算力的海量需求，也使得衡量AI价值的标尺发生了根本性变化。Token，这个曾经仅存在于技术文档中的最小语义单元，如今已跃升为AI

时代的

“新货币

”和

“新大宗商品

”。它不仅是模型处理信息的基本单位，更是连接算力消耗、模型能力与商业价值的统一度量衡。Token

Factory，

正是为规模化、

高效率、

低成本生产

Token

而生的新型基础设施。它不再是传统意义上存放文件和运行程序的

“数据中心

”，

而是一座将

“电力、

算力、

数据、

算法

”作为原料，

通过精密的生产流程，

持续产出

“智能

”的

“数字炼油厂

”。其核心竞争指标，

已从

“峰值算力（FLOPS）”

转向

“每瓦

Token

吞吐量（Tokens/W）”，

这标志着AI产业竞争的本质，

已从

“资源拥有量

”的比拼，

转向了

“资源转化效率

”的较量。这一变革的深远意义，

在于它开启了AI

的“工业化大生产”时代。正如工业革命将手工劳动转化为机器生产，Token

Factory

将AI

的“智能”从昂贵的、稀缺的实验室产品，

转化为可批量生产、可标准化定价、可全球流通的

“商品

”。它使得AI服务的成本急剧下降，

应用门槛大幅降低，

为

AI

赋能千行百业提供了坚实的物质基础。同时，

它也催生了全新的商业模式——从

SaaS

（Software

as

aService，

软件即服务）到

MaaS（Model

as

a

Service，

模型即服务），

再到

AaaS（Agent

asa

Service，

智能体即服务）的转变，从

“卖软件

”到

“卖

Token”

的升级，以及

“Token

出海

”这一中国独创的数字服务贸易新形态。在这场全球性的产业变革中，

中国凭借其独特的结构性优势，

正加速从

“世界制造工厂

”向

“世界

Token

工厂

”转型。我们拥有全球领先的低成本绿电与

“算电协同

”战略，

拥有全球最完整的制造业产业链和庞大的AI

应用市场，

更拥有将能源优势、

算法优势与工程化能力相结合的

“Token

出海

”模式。这些优势，

使得中国在全球

Token

经济竞争中有望成为重要引领者。然而，

机遇与挑战并存。Token

Factory

的发展仍面临电力供给瓶颈、

高端芯片供应、

推理效率提升的物理极限以及数据安全合规等多重挑战。如何应对这些挑战，将决定我们能否真正抓住

AI工业化时代的历史性机遇。我们希望通过这份报告，

帮助读者朋友深刻理解AI

工业化时代的底层逻辑，

把握

Token

经济带来的巨大机遇，

共同迎接一个由

Token

驱动的、更加普惠和高效的智能新时代。[1]

在固定电力约束下，Token

工厂的收入上限由

“

单位电力产出的

Token

数量

”

和

“

可用电力规模

”

共同决定，并非实际收入。第一章范式跃迁从“算力中心”到“Token

Factory”TokenFactory（词元工厂）技术与产业发展白皮书第一章

范式跃迁

：

从“算力中心”到“Token

Factory”0102在人工智能领域，Token

概念源于自然语言处理（NLP）领域，最早在

1950–1960

年代的文本处理系统中出现，由美国逻辑学家皮尔士提出，

用于区分抽象类型与具体实例。在此次以大模型为代表的人工智能技术革命中，

Token

这个词来源于大模型主流技术架构

Transformer

的最常用的分词方法

SubwordTokenization。业界公认的定义为

：

Token

是文本被分割后的最小语义单元，可以是单词、子词（subword）、字符或特殊符号。无论是文本、代码、图像还是音视频，所有模态的内容在被

AI

模型理解和生成时，

都会被转化为

Token

序列进行处理，

需要说明的是，

图像音频也可以通过编码器转换为可被模型处理的离散或连续表示，并进一步映射为Token

空间。例如，在自然语言处理中，模型并非直接“看懂”一整句话，而是先将输入切分成更小的片段——这些片段就是

Token。一个英文单词可能被拆分为一个或多个

Token，

一个汉字或标点符号通常对应

1

到

2

个

Token。2026

年

3

月

23

日，

中国国家数据局局长刘烈宏在中国发展高层论坛上正式宣布，

将

AI

领域的

“Token”

定名为

“词元

”。同时宣布中国日均

Token

调用量在两年内从

1000

亿飙升至

140

万亿次，

这一指数级增长的数据，

正是AI

工业化时代到来的重要转折。随后，

3

月

25

日，

中国全国科学技术名词审定委员会

[2]

正式发布

“词元

”，

标志着它已从技术术语上升为产业核算的官方语言。[3]

这一定名具有里程碑式的意义。它不仅统一了技术话语体系，更将“词元”定位为“智能时代的价值锚点”。TokenFactory（词元工厂）技术与产业发展白皮书第一章

范式跃迁

：

从“算力中心”到“Token

Factory”Token（词元）AI

时代的核心价值尺度01

Token

的定义与技术属性02

Token

的官方定名与产业意义英伟达

CEO

黄仁勋在

GTC

2026

大会上，

将

Token

定义为

“新的大宗商品

”和

“新的货币

”。这一论断深刻揭示了Token

的经济学内涵。如同工业时代的石油和电力，Token

正在成为

AI

时代驱动一切智能应用的基础能源。同时，

据

iiMedia

Research（艾媒咨询）

报告显示

：

2025

年中国词元调用总量达

24,619.3

万亿次

；

报告预计

2026年将增至

111,799.5

万亿次，

2030年将进一步攀升至

7,046,680.4

万亿次，

2025–2030

年复合增长率（CAGR）为

210%。词元已经呈现出

“类数字能源

”或

“类大宗商品

”的经济属性，成为

“新大宗商品

”。03

Token

作为

“

新货币

”

与

“

新大宗商品

”

的经济学内涵Token

具备三重核心技术属性，使其成为连接技术、工程与商业的关键纽带

：信息单位模型的训练和推理，

本质上都发生在

Token

序列上。Token

是模型内部

“思考

”和

“表达

”的颗粒度，

它决定了模型处理内容的精细程度。算力消耗单位Token

的数量直接决定了计算资源的消耗。Token

越多，

意味着更多的显存占用、

更多的注意力（Attention）计算和更长的推理链路。因此，

Token

是衡量算力投入的核心指标，

这里先顺便说一下，

Token

消耗量与算力并不是简单的线性关系，

它与模型大小（model

size）、上下文长度（context

length）、KV

缓存（KV

cache）、批大小（batch

size）、量化（quantization）等多个因素相关。计费单位在商业化层面，绝大多数

AI

模型

API

已经按照输入和输出

Token

的总量进行计费，而非简单的调用次数。这使得

Token

从一个纯技术概念，演变为连接模型能力、算力成本和商业结算的统一单位。图

1

：

2024—2030

年中国词元调用数量及预测

[4]资料来源

：

iiMedia

Research（艾媒咨询）Token（词元）经济产业链全景分析报告0304Token

Factory（词元工厂）智能生产时代的新型基础设施同样是在

2026

年3

月的英伟达

GTC

（GPU

Technology

Conference）

大会上，

黄仁勋还正式提出了一个颠覆性的概念——Token

Factory（Token

工厂）。他将未来的数据中心重新定义为“生产Token

的工厂”，并指出“每一座数据中心、每一座工厂，从定义上来说都是受电力限制的。一座

1GW

的工厂永远不会变成

2GW，这是物理和原子的定律。在固定的功率下，谁的每瓦

Token

吞吐量最高，谁的生产成本就最低。[5]”

这一论断将AI产业的竞争焦点，从

“算力规模

”彻底转向了

“生产效率

”。01

概念起源

：

黄仁勋在

GTC

2026

正式提出Token

Factory

的本质，

是将传统的数据中心从

“存储文件和提供通用计算的仓库

”，

转变为

“以大规模、

高效率、低成本生产

Token

为核心目标的智能化生产设施

”。它不再是简单的算力出租场地，

而是一条完整的

“智能生产线

”。其核心逻辑是

“输入电力、算力、数据和算法，输出可量化、可计费的

Token”，其过程如下

：02

本质定义

：

从

“

算力中心

”

到

“

智能生产线

”

的范式革命可计量性每一次

AI

调用都有清晰的

Token

消耗记录，相较原来的按算力资源消耗量计量，它更易核算，更直接对应价值产出。可交易性不同平台间已形成基于

Token

的结算模式，

甚至出现了

“Token

中转站

”和

“Token

交易所

”等新型交易形态，使其具备了类大宗商品的交易属性。标准化虽然各模型Token

切分细节略有差异，但行业已形成通用的计量与定价参照体系，为AI

服务的商品化铺平了道路。输入电力（驱动算力集

群）、

算力（GPU、

内存、

存储、

网络等资源）、数据（训练和推理的原料）、算法（模型架构与优化方法）。生产过程通过大规模加速卡集群、

高效调度系统和推理加速引擎，

将原始数据转化为结构化的智能单元。输出稳定、可计量、可计费的

Token，用于支持文本生成、代码编写、多模态交互等各种

AI

应用。词元的价值不再仅仅取决于技术参数，而是源于其作为

“智能通货

”的稀缺性和通用性。Token

的经济学内涵体现在

：这一转变标志着AI产业从

“实验室经济

”走向

“工厂经济

”，从

“模型竞赛

”走向

“效率竞赛

”。这个公式将电力效率从

“运营指标

”提升为

“收入指标

”，

每一瓦的利用率都直接映射到收益表上，

彻底改变了数据中心

/

智算中心的价值评估体系。03

核心公式

：

收入

=

Tokens/W

×

可用千兆瓦数黄仁勋为

Token

Factory

的经济模型给出了一个简洁而有力的公式

：

收入

=

Tokens/W

×

可用千兆瓦数。这个公式揭示了

Token

Factory

盈利的两大核心驱动因素

：[5]TokenFactory（词元工厂）技术与产业发展白皮书效率（Tokens/W）这是

Token

Factory

的核心竞争力指标，

反映了将电力转化为智能产出的效率。效率越高，单位成本越低，利润空间越大。规模（可用千兆瓦数）这是

Token

Factory

的产能天花板，

受限于电力供给、

芯片供应和基础设施建设。规模越大，总产出越高，收入上限越高。第一章

范式跃迁

：

从“算力中心”到“Token

Factory”0506Token

Factory与传统算力基础设施的代际跃迁为了更清晰地表述TokenFactory与传统数据中心的区别，我们引用融中研究的相关资料并进行，得出以下对比表：表

1

：

Token

工厂与传统数据中心的对比

[6][6]

数据来源

：

公开资料，融中研究维度本质定位核心产出优化目标架构逻辑能源策略商业模式核心

KPI毛利率算力枢纽算力资源

(FLOPS)峰值算力、调度效率高性能计算集群高密度供电、部分绿电出租算力（按台月、卡时、按核时、DCU）GPU

数量、峰值

FLOPS中等

（约

20%—25%）智能生产线Token

（智能服务单位）Token吞吐量、单位功耗产出、成本算－电

-

热

-

网深度协同自建微电网、捆绑核电/地热、液冷标配出售

Token

（按百万

Token

计费）Tokens/W、每百万Token

成本高

（可达

40%—50%+）传统数据中心 Token

Factory我们总结一下核心差异

：从“房东”到“工厂主”

传统数据中心是

“房东

”，

出租硬件资源，

赚取固定租金

；

Token

Factory

是

“工厂主

”，

自己组织生产，

销售标准化产品（Token），赚取产品溢价和规模效应。从

“

资源拥有量

”

到

“

资源转化率

”传统数据中心比拼的是谁拥有的

GPU

多、

机房大

；

Token

Factory

比拼的是谁能将电力、

芯片和数据更高效地转化为有价值的Token。竞争焦点从

“堆

GPU”

提升算力规模转向了

“炼

Token”

提升

Token

生产效率。从

“

卖算力

”

到

“

卖智能

”

传统数据中心客户购买的是硬件资源的物理控制权，

需要自行管理模型部署和优化

；

Token

Factory

模式客户购买的是最终结果——智能服务，无需关心底层算力资源，按需付费即可。这极大地降低了

AI应用的门槛。由此可见

Token

Factory

并非简单的技术升级，

而是

AI

时代生产方式的一次根本性变革。它重新定义了数据中心的角色、价值评估标准和商业模式，标志着AI

产业正式迈入工业化大生产的新纪元。TokenFactory（词元工厂）技术与产业发展白皮书第二章产业基石Token

Factory（词元工厂）成本结构与盈利模式第二章

产业基石

：

Token

Factory（词元工厂）成本结构与盈利模式0708Token

Factory（词元工厂）的本质是将电力、

芯片和数据转化为可交易的智能商品（Token）

的工业化生产设施。要理解其商业逻辑和竞争力来源，

必须深入剖析其成本构成和盈利模式。本章将从成本结构、

商业模式、

效率驱动、

定价策略和财务分析五个维度，系统性地揭示

Token

Factory（词元工厂）的产业经济基石。TokenFactory（词元工厂）技术与产业发展白皮书成本结构全解析电力、芯片、网络与平台的分布逻辑Token

Factory（词元工厂）的成本分析通常采用全口径运营成本，

将硬件资本支出以折旧形式纳入每期运营成本，

区别于传统仅统计当期付现支出的核算方式。这种口径更贴合重资产智算中心的真实财务逻辑。本章节以

128

节点

H200

集群、五年硬件资产会计折旧的某

Token

工厂实际运营数据为依据，分析得出其主要运营成本构成如下

：表

2

：

某

Token

Factory（词元工厂）运营成本构成分析成本项占比成本性质GPU

设备折旧60%固定成本（资本支出摊销）网络设备折旧10%固定成本（资本支出摊销）机柜用电成本8%变动成本运营带宽

+

人力成本10%半固定成本软件平台成本10%半固定成本其他综合成本2%固定

/

杂项GPU

设备折旧是

Token

Factory（词元工厂）最大成本项，

集中体现高端

AI

算力的重资产属性。传统算力统计多忽略硬件折旧，

仅核算当期付现费用，

但

H200

高端集群的核心成本来源于硬件摊销。折旧范围包含

H200GPU

及服务器配套CPU、内存、电源、NVSwitch等整机硬件。测算采用年限平均法，设定

5

年折旧周期，残值为

0，将一次性资本支出平摊为每期固定运营成本。该项成本主要受采购单价、

折旧年限与算力利用率影响。H200

单卡采购价

3.5

万—4

万美元，

规模化集采可有效降低折旧基数

；

AI硬件约两年迭代一代，模型选用

5

年折旧，兼顾成本与技术风险

；

集群利用率直接决定折旧摊薄效果，高负载可显著降低单位

Token

成本，

空载运行则会大幅抬升单品成本。管控上，

通过批量采购压低硬件单价，

维持

70%

以上集群利用率，并动态平衡折旧年限与技术迭代节奏，实现降本控险。01

GPU

设备折旧成本（总成本占比

60%）02

网络设备折旧成本（总成本占比

10%）网络设备是万卡集群高速互联的核心基础设施，

折旧成本占总成本比重稳定。成本覆盖高速光模块、

核心与

TOR

交换机、光纤布线等全套互联硬件的分期摊销费用。组网架构、扩容节奏与光模块寿命是主要影响因素。高速无损组网性能更强但折旧成本更高，

经济型组网可压缩投入

；分阶段扩容能够平滑单期折旧峰值

；

高速光模块存在自然损耗，

测算需预留冗余成本。日常管控可采用高性价比高速组网方案，分批扩容平摊投入，并搭建光模块备件池，降低设备故障带来的额外成本。机柜用电是核心变动成本，

优化空间大、可控性强，

是项目关键降本杠杆。成本涵盖服务器运行、液冷散热机组、机房照明及安防等全场景耗电。用电成本主要由区域电价、

PUE

能效、

算电调度决定。西部绿电产区电价

0.2—0.4

元

/

度，

较东部工业电价低一半以上

；

全液冷方案可将

PUE

控制在

1.1

以内，

大幅减少无效能耗

；

错峰调度生产可进一步压缩电费支出。管控策略以落地西部绿电园区、全液冷降

PUE、智能化错峰用电为主，持续优化用电成本。03

机柜用电成本（总成本占比

8%）软件平台是算力高效、稳定运行的核心软实力支撑，

成本涵盖算力调度、推理加速、MaaS服务、安全合规等系统的研发、授权、迭代与运维费用。成本差异主要来自研发模式、模型迭代速度与合规要求。自研核心软件前期投入高，

但可规避长期授权费用、构建技术壁垒；

基础模型快速迭代与合规监管升级，会持续增加软件适配与改造成本。管控上以核心软件自研、搭建标准化适配层、模块化部署合规系统为主，降低重复开发成本，实现精细化控本。运营带宽

+

人力成本（总成本占比

10%）运营带宽与人力成本为项目配套核心支出，

占比稳定。带宽成本包含对外出口带宽、

跨区域算力调度专线及互联传输费用

；

人力成本覆盖算法、架构、运维、客服等全岗位薪酬福利。业务流量决定带宽采购规模与成本，高端

AI

运维人才稀缺性则推高用工溢价。集约化运维可多集群共享团队资源，自动化运维系统能有效提升人效、减少人工干预。实际运营中可通过弹性采购带宽、搭建一体化运维体系、升级智能运维能力，摊薄单位人力与带宽成本。软件平台成本（总成本占比

10%）其他综合成本占比仅

2%，为场地租赁、土建分摊、资质年审、设备保险、维修备件及风险预备金等零星隐性支出。园区补贴政策可减免场地与配套费用，

监管收紧小幅增加合规杂费，

硬件故障率直接影响维修成本。管控依托产业政策红利选址落地，搭建设备全生命周期管理体系，合理计提风险预备金，平滑偶发性支出，保障整体成本稳定。06

其他综合成本（总成本占比

2%）第二章

产业基石

：

Token

Factory（词元工厂）成本结构与盈利模式0910盈利密码从“卖算力”到“卖智能”的商业模式升级定价策略黄仁勋的五级分层模型与市场定价博弈财务模型分析Token

Factory（词元工厂）的投资回报Token

Factory（词元工厂）推动了

AI

算力商业模式的根本性变革，

使其从重资产、

周期性的

“资源租赁

”模式，

升级为高毛利、高弹性的

“智能服务

”模式。此次升级的核心优势体现在以下方面

：Token

作为

“智能货币

”，

其定价已形成清晰的商业梯度。黄仁勋在

GTC

2026

大会上提出了面向未来的五级分层定价模型，精准匹配并推动着不同层级用户的价值变现。效率决定盈利核心

KPI

如何驱动单位成本下降前文给出了

Token

Factory

（词元工厂）

的核心竞争力公式

：

收入

=

每瓦

Token

数

×

可用千兆瓦数。在这个公式中，“每瓦

Token

数

”就是效率，是成本下降的核心驱动力。收入天花板被打开传统算力租赁收入受限于物理硬件数量，

而

Token

工厂的收入与模型调用量直接挂钩。在应用爆发期，

Token

消耗量呈指数级增长，收入天花板被彻底打开。毛利率显著提升据中金公司

2026

年

5

月研报及润建股份官方测算，

传统算力租赁毛利率约

20%—30%

；

Token

工厂通过算力细切、

分时复用、模型优化，毛利率可达

40%—50%，自建算力场景下甚至

60%

以上，显著高于传统模式。抗周期能力增强Token

工厂的收入与模型厂商的

Token

调用量直接挂钩。未来即便硬件价格下跌，

通过优化效率也可以转移价格下跌带来的影响，盈利的持续性远高于传统模式。根据润建股份的测算，其

Token

工厂模式

2

年+

可收回成本，远优于传统算租的

3—5

年。单位功耗产出（Tokens

per

Watt）该指标直接反映将电力转化为智能产品的核心生产效率。提升该指标，

意味着在固定电力预算下，

产出更多

Token，

从而直接摊薄单位Token

的电力成本。优化路径包括采用新一代高能效芯片（如Vera

Rubin

相比Blackwell

提升

10

倍）和液冷散热技术（液冷导热效率为空气

25

倍以上，换热系数为风冷1000–3000倍）[7]。投资回收期传统算力租赁模式的投资回收期通常为

3—5

年。而根据润建股份等企业的公开测算，

在

Token

分成模式下，

其投资回收期可缩短至

2

年左右。这种更快的资金回笼速度，显著增强了企业的再投资与扩张能力。盈利弹性分析Token

Factory（词元工厂）的盈利弹性源于“规模效应+

技术迭代+

需求爆发”的叠加。以下数据可直观地展示其盈利能力：抢占成本下降红利Token

工厂具备

“成本在降、价格在稳、利润在扩

”的绝佳模型。通过效率提升，

工厂每单位产量的成本持续下降。而市场结构性的高需求使

Token

价格刚性十足，从而为工厂保留了日益扩大的盈利空间。单位成本产出（Cost

per

Million

Tokens）该指标是Token

Factory（词元工厂）的“利润核心”。通过提升“每瓦Token

产出”，可直接拉低每百万Token

的综合成本。其核心逻辑是——谁的

Token

成本更低，谁的利润空间就更大，也就能在定价战中占据更多主动权。[7]

头豹研究院（2026.1）表

2

：

黄仁勋的五级分层模型定价层级价格（每百万

Token）面向场景与特点免费层0

美元高吞吐、低速度，用于吸引用户、培养习惯。基础层3

美元面向普通用户，用于基础问答、文档摘要等

“走量

”场景。进阶层6

美元面向企业级应用，支持更大模型和更快速度，用于复杂分析、代码生成等任务。高速层45

美元面向高端商业场景，支持长上下文和深度推理（如金融、医疗）。顶级层150

美元面向顶级的超长研究任务和关键路径实时响应，追求极致的准确性与速度。收入提升在优化的Token分成模

式下，Token

服务收入有望达到传统算力租赁的

5-10

倍。毛利率提升在高效的运营下，

毛利率可达

50%以上，约为传统算力租赁的两倍。净利率提升由于固定成本占比极高，

Token

分成模式的超额收益几乎全部转化为利润，

净利率有望从此前的

10%—15%

跃升至

30%

以上。TokenFactory（词元工厂）技术与产业发展白皮书第二章

产业基石

：

Token

Factory（词元工厂）成本结构与盈利模式09111314第三章产业全景价值链重构与核心参与者Token

Factory（词元工厂）产业链并非简单的线性结构，而是一个以

“Token”

为核心，从能源、硬件到软件、应用，层层递进、深度耦合的生态系统

：[8]本白皮书按公开信息，排名无先后图

2

：

Token（词元）经济产业链全景

[8]TokenFactory（词元工厂）技术与产业发展白皮书第三章

产业全景

：

价值链重构与核心参与者上游

：

生产要素层（能源与算力基础设施）中游

：

生产执行层（大模型与云计算）绿电供应

(

风光储一体化、智能电网调度

)算力芯片(GPU/NPU/DCU)特高压输电AI

服务器基础大模型智算云服务商网络硬件

(

光模块、高速交换机

)下游

：

应用落地层（服务与Agent应用）开发者生态（工具链集成、SDK

开发）API

中转、Token

分发企业解决方案（行业定制化、垂直模型部署）Agent应用（AI

Agent

开发、多模态交互）存储硬件(HBM/DDR/SSD)（通义）（通义千问）（豆包大模型）（混元大模型）（盘古大模型）（文心一言）(Claude)(GPT)(Gemini)(Llama)(Grok)本报告来源于三个皮匠报告站（上游生产要素层（能源与算力基础设施）上游是

Token

Factory（词元工厂）的

“粮草

”与

“兵工厂

”，

为

Token

的生产提供最基础的物理和能源支撑。这一环节的价值量占比最高，据行业研究估算，约占整个产业链价值的40%

以上，是Token

经济中最确定、最刚性的受益环节。在

Token

Factory（词元工厂）的成本结构中，

电力成本高企，

这使得电力供应不再是简单的“后勤保障”，

而是决定Token

Factory（词元工厂）生死存亡的“核心战略资源”和“产能天花板”。谁能以更低成本、

更稳定地获取电力，

谁就掌握了

Token

生产的定价权。核心逻辑

：

从

“成本项

”到

“产能瓶颈

”的质变传统数据中心，

电力是运营成本之一

；

而在

Token

Factory（词元工厂）时代，

电力直接决定了

Token

的总产量上限。AI芯片对电压波动极度敏感，

而风光绿电的间歇性与

Token

Factory

（词元工厂）

7×24

小时连续生产的要求形成根本矛盾。部分地区电网容量已耗尽，

新建

Token

Factory（词元工厂）面临

“有

GPU、

无供电

”的尴尬。因此，

电力供给侧正成为制约AI

产业扩张的最短木板。关键技术与模式传统数据中心，

电力是运营成本之一

；

而在

Token

Factory（词元工厂）时代，

电力直接决定了

Token

的总产量上限。AI芯片对电压波动极度敏感，

而风光绿电的间歇性与

Token

Factory

（词元工厂）

7×24

小时连续生产的要求形成根本矛盾。部分地区电网容量已耗尽，

新建

Token

Factory（词元工厂）面临

“有

GPU、

无供电

”的尴尬。因此，

电力供给侧正成为制约AI

产业扩张的最短木板。01

绿电供应

：

风光储一体化、智能电网调度风光储一体化这是解决绿电间歇性的核心方案。通过在

Token

Factory

（词元工厂）周边配套建设风电、光伏电站和大型储能设施（如锂电池储能、

抽水蓄能），

实现

“自发自用、

余电上网

”的微电网模式。当风光发电充足时，

全力生产

Token

；

当发电不足时，

由储能系统或电网补充，确保生产的连续性。例如，中国西部地区的

“东数西算

”枢纽节点，

如甘肃庆阳、

宁夏中卫等地，

正是依托丰富的风光资源，

将过去被浪费的

“弃风弃光

”电力，

高效转化为

AI算力。图

3

：

中国华能陇东能源基地（我国首个千万千瓦级

“风光储输

”多能互补综合能源基地）智能电网调度代表公司Token

Factory（词元工厂）

不再是单纯的

“用电大户

”，而是可以成为电网的

“调峰伙伴

”。通过

“算电协同

”技术，

TokenFactory（词元工厂）可以根据电网的实时电价和负荷情况，

动态调整自身的算力负载。例如，

在电网负荷低谷、电价低廉时（如夜间、节假日），全力进行高耗能任务

；

在电网负荷高峰、电价高昂时，则仅维持推理等低延迟、低功耗服务，甚至通过自备储能向电网反向送电，

赚取峰谷价差。这种柔性负载调度能力，

不仅降低了

Token

Factory（词元工厂）的用电成本，

也提升了整个电力系统的运行效率。核电与地热捆绑对于追求极致稳定和超大规模（吉瓦级）的

Token

Factory（词元工厂），

头部科技巨头已经开始探索与核电、地热等基荷能源捆绑的模式。例如，

微软通过与

Constellation

Energy

合作推动三哩岛核电站

TMI-1

反应堆计划重启并签署长期购电协议（PPA），

谷歌则捆绑地热能源，为

AI数据中心提供

7×24

小时不间断的清洁电力。图

4

：

美国三里岛核电站图

5

：

美国首个增强型地热发电厂

[9]这种模式虽然前期投入巨大，但能从根本上解决电力供给的瓶颈问题，并实现真正的

“零碳

”Token

生产。[9]环节绿电供应特高压输电风光储一体化、智能电网调度将西部绿电高效输送到东部算力中心概析代表公司中国能建、三峡能源、隆基绿能、晶科能源、长江电力、明阳智能、中国核电、阳光电源、远景能源（排名不分先后）特变电工、国电南瑞、保变电气、中国西电、许继电器、平高电器（排名不分先后）表

3

：

Token

Factory（词元工厂）和上游能源与算力基础设施代表企业TokenFactory（词元工厂）技术与产业发展白皮书第三章

产业全景

：

价值链重构与核心参与者1516英伟达（NVIDIA）

全栈

AI

工厂架构师英伟达是当前

Token

Factory

（词元工厂）

生态的绝对霸主。其在

GTC

2026

上发布的

VeraRubin

平台，

不仅仅是一个

GPU，

而是一个完整的

“从芯片到数据中心

”的集成系统。该平台包含

7

款自研芯片，通过全液冷设计、第六代

NVLink

72

交换网络和异构解耦架构，

实现了推理

Token

成本降至前代

1/10，

训练同规模

MoE

模型仅需

1/4

GPU

数量的惊人效率。国产替代主力国产AI芯片产业正加速突破，

市场格局完成了从

“三足鼎立

”到

“群雄逐鹿

”的关键跃迁。华为、

寒武纪、

海光信息三大核心厂商筑牢产业基本盘，摩尔线程、沐曦、燧原、平头哥、昆仑芯等多元玩家在通用

GPU、ASIC、云原生等细分赛道全面发力，国产AI

芯片正式进入百花齐放、多点突破的全新发展阶段。华为昇腾系列芯片是构建

“国芯

+

国模

+

国用

”全栈生态的核心。昇腾

910

系列芯片已广泛应用于国内各大智算中心，

支撑着从政务、金融到制造等关键行业的AI推理需求。

昇腾

950PR（推理版）已深度适配

DeepSeek

V4，用于生产级推理

；

950DT（训练版）预计

2026

年第四季度量产。华为不仅提供芯片，

还提供从服务器、

集群到AI

框架（CANN）的全栈解决方案，

是国产

TokenFactory（词元工厂）的

“总包商

”。另外，寒武纪、海光信息、摩尔线程、燧原科技等也正在各个细分领域追赶。寒武纪的思元系列芯片专注于云端

AI

推理，海光信息的

DCU（深度计算处理器）兼容

CUDA

生态，摩尔线程则致力于打造国产全功能

GPU。这些企业共同构成了中国自主可控算力底座的重要力量。以下是国产

AI芯片厂商及主要产品的汇总情况

：02

算力芯片

：

GPU/NPU/DCU/LPU/DPU

架构算力芯片是

Token

Factory（词元工厂）的

“发动机

”，

其性能直接决定了

Token

的生产效率和成本。当前，

芯片领域的竞争已从

“单芯片性能竞赛

”转向

“全栈系统级协同

”，芯片不再是孤立元件，而是与互联、存储、网络深度绑定的平台化解决方案。核心玩家与策略图

6

：

英伟达发布的新一代

AI

平台

VeraRubin此外，英伟达还通过收购

Groq

团队，整合了

LPU（语言处理单元）技术，专门用于优化

Token

生成的吞吐率和延迟，进一步巩固了其技术护城河

[10]。表

4

：

国产

AI

芯片厂商及主要产品厂商名称主流产品核心参数应用场景与市场情况华为(Huawei)（D昇腾(Ascend)910B工艺：

7nm算力：FP16/BF16256

TFLOPS显存

：

64GB

HBM2e,

带宽

1.6TB/s应用场景

：

千亿级大模型预训练、微调

；

数据中心大规模分布式训练

；

自动驾驶、科学计算。市场情况

：

国产

AI芯片

“带头大哥

”，技术实力雄厚，拥有全栈生态（CANN+MindSpore），市场份额领先。工艺：7nm

(Chiplet)应用场景

：

千亿

/

万亿级大模型预训练与微调

；昇腾(Ascend)910C算力：FP16/BF16约800

TFLOPS显存：128GBHBM3,带宽3.2TB/s,互联带宽

784GB/s（双向）华为

CloudMatrix

384

超节点集群

；

直接对标NVIDIA

H100。市场情况

：

2025年已规模量产和部署，是国产功耗：约

400W高端算力替代的核心产品。昇腾(Ascend)950分为

950PR（Prefill/

推理优化版）和

950DTecode/

训练增强版）工艺：

7nm算力：

FP8:1P;FP4:2P显存

：

128GB/144GB,

带宽

1.6TB/s

与/4TB/s互联带宽

：

2TB/s功耗：约

600W+应用场景

：

950PR

版用于大模型推理、

多模态生成、

长文本处理

；

950DT

用于万亿参数模型训练，4TB/s

带宽解决

Decode

瓶颈，稀疏激活场景效率提升

40%+。市场情况

：

950PR

已经用于

DeepSeekV4

推理，

预计

2026

第四季度量产

950DT

进行模型训练。平头哥(T-Head)真武(Zhenwu)810E

(PPU)特点

：

自研并行计算架构显存：96GB

HBM2e互联

：

片间互联带宽

700GB/s应用场景

：

AI

训练、AI

推理、自动驾驶。已在阿里云部署多个万卡集群。市场情况

：

阿里巴巴旗

下，

性能被指超越A800，与

H20

相当，已服务国家电网、小鹏汽车等400

多家客户。应用场景

：

大模型微调与推理，

特别适合高吞昆仑芯(Kunlunxin)昆仑芯

P800工艺

：

XPU-R架构算力

：

FP16

345

TFLOPS

（稠密）显存

：

96GB

HBM2e,

互联带宽约200GB/s吐推理场景

；

多模态模型。市场情况

：

百度旗下，2024

年中国加速芯片市场出货量位居国产第二。已成功点亮

3.2

万卡集群，

单机

8

卡即可高效运行满血版

DeepSeek模型。应用场景

：

云端

AI

训练与推理，

是国产高端思元(Siyuan)590

(MLU590)工艺：7nm+

Chiplet算力：FP16约314

TFLOPS,整体性能约为

A100

的

80%算力替代的重要方案之一。市场情况

：

已与

DeepSeek

等头部模型公司深度合作，实现

“发布即适配

”，2025

年市值一寒武纪(Cambricon)度超越茅台，营收增长迅猛。应用场景

：

中大规模模型微调

；

高密度推理思元(Siyuan)370

(MLU370-X8)工艺：

7nm算力：INT8256TOPS,FP1696TFLOPS显存

：

48GB

LPDDR5,

带宽614.4GB/s集群

；

多模态

AI任务，

在政务、

金融领域规模落地。市场情况

：

采用双芯

Chiplet

设计，

兼顾训练与推理，产品线齐全，商用落地案例丰富。[10]TokenFactory（词元工厂）技术与产业发展白皮书第三章

产业全景

：

价值链重构与核心参与者1718厂商名称主流产品核心参数应用场景与市场情况海光信息(Hygon)深算(DeepComputing)二号(DCU

Z100)工艺：

7nm算力：FP16Tensor200TFLOPS,INT8400

TOPS应用场景

：

适合科学计算与AI融合场景

；

为习惯CUDA

生态的开发者提供便捷的国产替代方案。市场情况

：

采用

GPGPU

路线，兼容

“类CUDA”生态环境，代码迁移成本低，在金融、电显存：64GB

HBM2信等行业广泛应用。工艺：

12nm应用场景

：

AI训练与推理

；

高性能数据分析

；沐曦(MetaX)曦云(Xiyun)C600特点

：

144GB

HBM3e

显存及3.35TB/s显存带宽，支持

MetaXLink

超节点扩展生态

：

自研MXMACA

软件栈，科学计算

；

智算中心。市场情况

：

核心团队来自

AMD，已成功商业化落地并启动

IPO。在

Kimi-K2

等大模型上实现规无缝兼容

PyTorch/TensorFlow模化部署。燧原科技(Enflame)云燧(Yunsui)T21工艺：

7nm算力：FP16128TFLOPS,INT8256

TOPS显存

：

32GB

HBM2E,

带宽

1.6TB/s应用场景

：

中大规模模型预训练

/

微调

；

数据中心

AI

训练

；

在泛互联网、智算中心、智慧城市等场景应用。市场情况

：

专注云端AI算力产品，发布了基于国产AI

芯片的文生图MaaS

平台“燧原曜图”。工艺

：

第四代

“平湖

”架构应用场景

：

大模型训练与推理

；

智算中心千卡

/摩尔线程(MooreThreads)MTT

S5000算力

：

单卡AI

稠密算力

FP8精度下最高1000

TFLOPS显存

：

80GB,

带宽

1.6TB/s,

互联带宽万卡集群部署

；

云渲染、数字孪生等多元场景。市场情况

：

国产全功能

GPU

领军企业，已构建万卡级智算集群，2025年登陆科创板，商业化进784GB/s程提速。壁仞科技BR106、BR166BR106

采用

7nm成熟工艺与自研

BIREN训推一体架构，为规模化商用主力芯片，适配全场景

AI计算

；

BR166

采用先进2.5D

Chiplet

芯粒封装，集成两颗

BR106计算裸晶，裸晶间双向互联带宽高达896GB/s，整体算力、显存、编解码性能较

BR106

实现翻倍提升，突破单芯片工艺性能上限，是国产高端算力代表产品。应用场景

：

大模型训练与推理

；

支撑千卡、万卡级智算中心集群部署，同时可覆盖云端高性能计算、智能视频解析、行业算力赋能等多元场景。市场情况

：

壁仞科技为港股国产

GPU

第一股，是国内少数具备高端通用

GPGPU

全栈研发与规模量产能力的领军企业。公司依托自研

BIRENSUPA

全栈软件生态，兼容主流

AI

开发框架，大幅降低行业适配迁移成本。清微智能云端旗舰TX81与边缘量产TX5系列创新搭载

TSM-LINK

算力网格直连技术，无需依赖高端先进制程，即可实现高效

AI计算，原生支持万亿参数大模型部署，X81单芯片FP16稠密算力可达512TFLOPS，搭载该芯片的REX1032整机集群算力可达4

PFLOPS。截至

2026年

5月，公司可重构芯片累计出货量超3000万颗，全国部署AI加速卡超

3万张，稳居国产非

GPU

算力第一梯队。覆盖大模型训练与全量推理场景，可稳定适配

DeepSeek

等主流开源大模型，支持千亿、万亿级参数模型部署、微调与常态化在线推理，综合推理能效优异。广泛用于千卡、万卡级国产智算中心集群建设。表

4

：

国产

AI

芯片厂商及主要产品关键数据

：

2025

年国产芯片中国市场市占率已达

41%，华为昇腾出货

81.2

万张居首

[11]。[12]

数据源自戴尔2026

财年

Q4

财报电话会（2026

年

2

月发布）[11]数据来源：、艾媒咨询、融中研究03

AI

服务器

：

高密度算力集群、液冷散热、超节点AI服务器是

Token

Factory（词元工厂）的

“生产车间

”，它将算力芯片、内存、存储和网络等组件整合在一起，形成高密度的算力集群。随着芯片功耗的飙升（单机柜功耗已突破

100kW），

液冷散热已从

“可选

”变为

“标配

”，

成为决定

Token

Factory（词元工厂）

PUE（能源利用效率）和稳定性的关键。主要玩家与策略如下

：戴尔（Dell）核心产品为第18

代

PowerEdge

服务器与

XE9680

液冷

AI

服务器，

搭载NVIDIASXM5

GPU，

AI

工厂订单积压

430

亿美元[12]，2026年

Q4

起批量交付，聚焦大模型训练与推理场景。惠普（HPE）核心产品是

ProLiant

DL380aGen12

服务器与

Private

CloudAI平台，

集成

NVIDIA

Blackwell

GPU

与量子网络，

支持128GPU扩展，

2026

年

3

月更新

Agent

开发蓝图，

深耕企业私有

AI部署。AMD核心产品为

Instinct

MI455X

GPU

与

Helios

机架平台，

搭配Zen6

EPYC

CPU，全液冷设计，单机架72GPU，2026年下半年量产，主攻超大规模

AI训练与智能体算力需求。工业富联工业富联核心产品是英伟达GB300

与

Rubin

平台服务器，

全球市占率超

40%，2026

年

Q4

量产RubinNVL72

机柜，同时布局

CPO

交换机，为头部云厂商提供高端代工服务。浪潮信息核心产品为元脑SD200超节点与

NF5488A7

服务器，

自研高速互联支持

64

卡统一寻

址，

2026

年

Q1净利同比增30.74%，订单排至

2027

年，绑定字节等头部客户。中科曙光核心产品是

scaleX640超节点与万卡集群，

单机柜

640

卡，PUE

低至

1.04，

2026

年

4

月上线

6

万卡

AI4S

集群，

深度绑定海光

DCU，国产超算市占率领先。联想核心产品为

ThinkSystem

SR675i

V3

服务器与万全异构智算平台

4.0，

支持

8GPU

高密度部署，

2026

年推出

AI

主机推进词元普惠，千卡集群算力利用率提升至

60%。华为核心产品包括

Atlas

350

（昇腾

950PR

推理卡）

与

Atlas

950SuperPoD

超节点

（搭载昇腾

950DT）

；

单柜

64

卡，

最大支持

8192

卡互联。950PR

已于

2026

年

Q1

量产，

950DT

计划

2026

年

Q4

量产，适配国产大模型训练与智能体场景。TokenFactory（词元工厂）技术与产业发展白皮书第三章

产业全景

：

价值链重构与核心参与者1920除了

AI

服务器，

超节点也是当下的热点。超节点是面向大模型训推打造的高密度算力集群单元，

集成大量加速芯片、高速互联与散热系统，具备高算力、大带宽、低时延、易扩展特点。作为智算中心核心模块化单元，可单机柜或多柜组网，支撑万亿级大模型训练、高并发推理等高强度

AI业务。目前，主流的超节点厂商及其产品现状如下

：英伟达GB200NVL72、GB300NVL72及VeraRubin采

用Blackwell

架构，

搭配

GPU

与

Grace

CPU、

全液冷方案，

算力与带宽强劲，

适配万亿参数大模型、

MoE

架构及大规模代理式

AI。华为

Atlas

SuperPoD

依托灵衢全光互联，

可集成上万张昇腾卡，

算力与整体带宽领跑国产方案，

是自主可控的高端算力底座。阿里磐久

128

单机柜集成

128

颗自研芯片，

互联时延低，

可支撑大模型训练与高并发推理。新华三UniPoD

为高密液冷架构，

互联性能出色，

支持大规模集群弹性扩展，兼容各类算力硬件。百度天池基于昆仑芯打造多卡全互联节点，辅以液冷散热，稳定承载万亿级模型训练，高效支撑文心一言推理业务。04

网络硬件

：

光模块