給 AI 建「流水線」，九章云極看清了什么？

九章云極能成為AI時代的“公共基礎設施”嗎？

作者丨楊依婷

編輯丨包永剛

當一個行業的核心問題開始轉移，舊的基礎設施就會在無聲中失效——AI，正在經歷這樣的時刻。

2026年3月，國家數據局公布了一個數字：中國日均Token調用量已達140萬億；4月，斯坦福人工智能指數報告寫道，過去兩年推理成本下降了280倍；Gartner的預測則顯示，2026年將有40%的企業把AI Agent嵌入自己的業務系統。

這些數字拼在一起，看起來像是一個時代到來的宣告。

九章云極創始人兼董事長方磊打了一個比方：第一次工業革命，始于瓦特的蒸汽機，但真正定義那個時代的，是福特的流水線——它把天才的一次性靈感，變成了每個人都能享用的產品。

AI正站在完全相同的拐點上：過去幾年的大模型突破是"蒸汽機時刻"，而現在，真正的考驗是能不能建起那條"流水線"。

但這條"流水線"，究竟建起來了多少？

把視線從宏觀數字移開，去問那些真正在大規模部署AI的工程師，你會發現數字的另一面，是一組依然懸而未決的問題——大量Token消耗并未轉化為實際的業務成功，代碼在本地、算力在云端的開發環境依然割裂，企業在評估AI項目的真實回報率時缺乏可靠的工具。

這些現象指向一個根源：整個行業缺少一套能夠度量“智能生產”的基礎設施。

6月17日，九章云極正式發布“AI工廠”核心戰略，推出基于AI工廠鍛造的新一代智算云Alaya NeW Cloud 3.0——一套從算力投入到專業智能交付的工程體系。

這是一家擁有超過十年AI技術積淀的公司，對當下這組困境給出的系統性回答。

理解它的設計邏輯，需要先把問題看清楚。

01

AI工業化卡在了度量上

AI產業的競爭重心，正在悄然轉向。

九章云極副總裁胡宗星把這個轉變拆成了三段歷史：模型發明期，核心問題是“能不能做出更強的模型”，基礎設施形態是算法、參數和單點突破；產業驗證期，核心問題是“能不能跑通行業場景”，基礎設施形態是項目制、PoC和私有部署。

而現在，正在進入的是第三個階段——智能工業化期，核心問題變成了“能不能規模化生產與交付智能”，需要的基礎設施是AI工廠、標準化生產和專業Token。

胡宗星認為，前兩個階段，行業已經走完；第三個階段，才是真正的硬仗。

它意味著基礎設施的競爭邏輯已經徹底改變，而大多數企業賴以運轉的基礎設施，還停留在上一個階段。這種錯配，正在讓三件事同時失效。

▎第一重失效：算力投入無法被標準化度量

今天，一家企業如果同時采購了不同架構的GPU和NPU，它很難用一把統一的尺子回答：這筆錢到底換來了多少“有效算力”？

不同芯片的FLOPS數字互不可比，不同廠商的“X卡時”定義各異，算力利用率更因架構差異天壤之別。

這不只是報表難看的問題，更深的麻煩在于：一旦說不清投入了多少，優化就無從下手——換芯片、調調度、改模型，哪個更值得試？根本沒有判斷的依據。

對于需要長期規劃算力預算的智算中心運營方而言，這直接決定了采購能否理性化、資源能否跨平臺調度、規模擴張的邊際成本能否被真正管控。

沒有統一的“度”，就沒有現代電力工業；同樣，沒有統一的算力度量，算力就無法成為可以被采購、被運營、被持續優化的社會級基礎設施。

▎第二重失效：Token單價已經不是成本標尺

Token價格戰打了兩年，中端模型的Token單價已經接近為零。但對于企業而言，比起“每百萬Token多少錢”，更關心完成一項業務的總成本，即真實成本。

這兩者的差距，遠比想象中大。

假設一個AI Agent執行一項20步的自動化任務，每一步的成功率是85%，那么整個任務完成的概率只有約4%。如果把單步成功率從85%提升到98%，任務完成率就會躍升至67%——模型的專業程度，在多步任務中產生的收益，是指數級而非線性的。

胡宗星把這個邏輯拆成了一個公式：AI應用成本=Token消耗×推理時延×重試次數×人工兜底成本。

這意味著，任意一項失控，即使單Token再便宜，任務總成本也會面臨失控的風險，這也解釋了為什么在Token價格大幅下降的當下，很多企業的AI部署成本反而還在上升。

▎第三重失效：專業模型生產還停留在“手工作坊”階段

每家行業客戶都需要一個真正理解自己業務的專業模型，但今天，訓練一個垂類模型的路徑，往往是：收集數據、清洗數據、精調、評測、部署、運維——每一步都是定制的、不可復用的、需要大量人工介入的。

手工生產最大的問題，不只是慢，而且經驗難以形成復用。一次金融領域的專業模型訓練積累的業務知識，很難直接遷移到制造業的專業模型生產中；每個客戶的模型交付，在數據和業務層面幾乎都是從零開始的新項目。

這意味著，無論做多少個項目，邊際成本都很難實質性下降。

大量企業因此陷在PoC（概念驗證）階段出不來，從模型研發到上線動輒半年以上，模型交付，正是在“作坊化”里被大規模浪費。

三種失效，指向同一個本質：AI競爭的形態已經改變，但工業化所需要的基礎設施——一套能夠標準化度量投入、降低任務完成成本，并實現模型規模化生產的體系——至今仍然缺位。

而這，正是九章云極試圖填補的空白。

02

AI工廠如何讓

「算力到智能」第一次可被計量

從本質上看，AI工廠試圖讓“智能生產”第一次具備工業體系中的三要素：統一計量、標準生產與規模交付。

胡宗星在發布會上給AI工廠下了一個定義："AI工廠，是智能工業化的工程底座。"

“工程底座”這個定語，透露了產品的底層邏輯：一套能被度量、被管理、能持續優化的生產體系。工廠的本質，是一條可以持續運轉、不斷降低邊際成本的生產線。

沿著這個邏輯，AI工廠的完整鏈條可以概括為：DCU（標準化算力單位）→訓練工廠（專業模型生成）→Token工廠（專業智能流通）→企業任務（價值實現）→數據回流（模型迭代）。

鏈條的起點是DCU。九章云極把DCU定義為1度算力=312TFLOPS*1小時，第一次把異構、多廠商、多架構的算力資源折算成一個可以跨平臺比較的標準量。

客戶按DCU采購，不必理解底層芯片型號和集群拓撲，GPU、NPU、不同代際的芯片，都可以換算成統一的DCU單位進行采購和結算。

只有投入側有了度量，生產才有核算的基礎。

有了標準化的算力投入，下一步是把它轉化為專業智能，這是訓練工廠的任務。

訓練工廠負責把“通用智能”冶煉為“專業智能”，胡宗星特意用了“冶煉”這個詞，其背后的工藝由四個節點構成：數據處理、領域精調、強化學習、評測反饋。

其中強化學習是最關鍵的一環，也是訓練工廠區別于平臺精調服務最核心的地方。

通用大模型經過領域精調之后，能更好地“回答問題”；但只有經過強化學習，模型才能真正學會“完成任務”——拆解復雜目標、調用外部工具、在失敗后調整路徑。

胡宗星把這個區別概括為：讓專業模型從"會回答"走向"會執行"。

這個區別在Agent大規模落地的今天尤為重要，對企業而言，模型會不會回答問題早已不是門檻，真正的門檻是：模型能不能在有容錯率約束、有工具調用鏈路、有業務邊界限制的真實生產環境里穩定執行任務。

專業模型從訓練工廠產出后，需要經過壓縮、量化、評測和分發，才能進入下一段——Token工廠，胡宗星將這個“中間環節”稱之為“模型轉運”，是專業智能從“被生產”到“被消費”之間不可省略的工程步驟。

Token工廠則負責專業智能的流通與交付，不同于行業常說的推理工廠，推理工廠的出發點是資源調度，核心命題是如何把已有模型部署穩、服務好、延時低，優化的是單任務性能。

而Token工廠的出發點是價值交付，核心命題是如何把智能封裝為可以精確計量的價值單元，優化的是規模化產出的效率。

這意味著Token工廠交付的不是泛化的Token，而是分層分檔的專業Token——消費級、專業級、前沿級，對應不同類型的模型、不同復雜度的任務和不同的服務等級。每一類Token的定義，對應的是它所封裝的智能密度與業務價值，而不只是它背后消耗的算力成本。

在這個框架下，“每任務完成成本”終于有了被計算的基礎：投入側用DCU度量，產出側用專業Token度量，兩者之間的轉換效率，就是工廠效率。

胡宗星將其總結為："同樣的DCU，能不能生產更多、更穩定、更高價值的專業Token，這就是工廠效率，也是客戶價值。"

每一次企業任務的完成，都會產生反饋數據——成功了什么、失敗了什么、哪里卡殼、哪個步驟需要人工兜底，這些數據會持續回流到訓練工廠，驅動專業模型的下一代迭代。

至此，閉環完成。

AI工廠因此不只是算力到智能的一次性轉化，更成為了一個可以自我優化的生產體系，每一輪任務，都在為下一個更專業的模型積累原料。

這套體系為企業用戶帶來的變化，可以歸結為三個更直接的結果：

第一，算力成本開始具備可預測性。通過DCU統一計量，算力投入不再依賴多廠商、多口徑的碎片化統計，而是可以像電力一樣被預算、被核算。

第二，智能交付效率顯著提升。Token Factory將底層芯片、模型與調度能力封裝為標準化的Token服務，專業Token的分層分檔交付，使不同復雜度的業務任務可以被更穩定地規模化執行，減少重復試錯與人工兜底。

第三，模型能力可以持續復用與迭代。業務任務產生的反饋數據持續回流至訓練工廠，驅動專業模型的下一代迭代，形成“越用越強”的價值增強回路。

工廠用得越多，模型越專業；模型越專業，任務完成率越高；任務完成率越高企業落地 AI 項目的綜合價值可清晰衡量。這是雙工廠區別于單純算力租賃和推理服務的本質所在。

03

在算力與模型之間，AI開始出現“中立工廠層”

當前，智算賽道參與者日趨多元，綜合云廠商、大模型企業、傳統IDC 服務商紛紛布局算力領域，行業競爭維度不斷豐富。九章云極堅持獨立智算云定位，走出差異化發展路徑。

綜合云廠商業務布局較為全面，同時覆蓋算力、應用等多個領域。九章不競爭模型，不競爭應用，意味著它和每一家模型公司、每一家行業客戶之間，理論上都不存在利益對立——平臺的中立性，讓它有可能成為整個生態的"公共基礎設施"。

而不做模型、不做應用，就意味著九章的價值，需要通過生態的繁榮來兌現。平臺不以單一業務作為利潤核心，價值依托整個產業生態共同成長實現。只有當足夠多的專業模型在平臺上被訓練、被交付、被調用，當足夠多的行業任務在AI工廠里跑通，平臺的價值才得以實現。

這套體系要真正運轉起來，前提是必須有足夠多、足夠好的專業模型進入Token工廠——沒有專業模型，專業Token就是一個空概念。

于是，九章啟動了"智算開放計劃"，計劃遴選并孵化1000個高價值專業模型與智能應用，通過算力支持、技術共創、商業分成、市場聯動，與行業開拓者深度綁定，這是整個雙工廠體系能否成立的公開驗證。

目前持有的籌碼來自三處。

首先是已被驗證的規模：九章累計服務超過3萬次客戶算力任務，平臺上已經預置了50多款主流基座模型 以及100余款的面向金融、制造、政務、科研等真實開源數據集。

其次是全棧自研的效率護城河：全棧自研的智算操作系統、算電協同優化、跨中心跨型號全局調度、模型量化與推理優化，五條路徑相乘，構成獨立于硬件之外的效率優勢，即使競爭對手購入同等算力，也未必能在任務完成成本上達到同等水平。

第三是更遠處的一個思考。當千倍降本實現、算力便宜如水電，什么會成為下一道關卡？九章的判斷指向高質量產業數據，以及傳統企業缺乏AI原生工作流與組織能力。打通算力這一關，正是為了讓產業界盡早面對這些更深層次的"軟性"瓶頸。

這個判斷，或許是理解九章戰略的另一個視角：AI工廠既回應了當下的競爭格局，也提前布了一局棋——關于“算力之后是什么”。

推理成本的下降，確實讓AI進入了規模化應用的臨界點，但下一階段產業效率的真正決定因素，已經從“能否用AI”轉向了“能否用工業化方式持續生產智能”。

在這一點上，AI行業仍處于基礎設施重構的早期階段：算力需要統一計量，智能需要標準化生產，模型需要工程化交付。

九章云極提出的AI工廠，本質上是在嘗試回答一個更基礎的問題：當AI從能力競爭進入工業化競爭階段，誰來定義“智能生產”的基礎設施標準？

這套體系的成熟度，最終取決于兩個層面的驗證：它能否支撐更多行業場景中穩定運行的專業模型，以及這些模型能否在真實業務中持續創造可衡量的價值。

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。