九章云極發布AI工廠體系：破解140萬億Token時代的落地悖論｜甲子光年

讓AI像電力一樣流動，讓智能像工業品一樣生產。

作者｜田思奇

編輯｜栗子

140萬億，這是今年3月，國家數據局公布的中國日均Token調用量。

280倍，是斯坦福大學人文中心人工智能研究所（Stanford HAI）測算的，過去兩年推理成本的降幅。

40%，這是Gartner預測的，到2026年底，計劃在業務系統中嵌入AI Agent的企業比例。

AI行業已正式告別堆砌硬件與參數的粗放發展階段，從模型競賽走向智能工業化。然而，算力越堆越多，模型越來越強，企業真正獲得的智能服務卻沒有同步增長。

制造企業算不清AI投入回報，銀行模型無法對接核心業務。問題的關鍵變成如何把算力、模型和行業知識，轉化為可持續生產的智能交付能力，也把算力從硬件資源，轉變為可度量、可結算、可落地的生產力。

立足這一產業拐點，九章云極DataCanvas于6月17日正式發布Alaya NeW AI工廠，并從即日起面向行業開發。它錨定十萬P算力、十萬億Token、千個模型、千倍降本這四大目標，力求讓算力像電力一樣流動，讓智能像工業品一樣生產。

“人工智能的競賽，已經從發明時代進入工業化時代，”九章云極創始人兼董事長方磊表示。

1.智能工業化時代：算力從資源走向服務

回顧數字產業發展歷程，每一輪產業升級，本質都是硬件資源向標準化服務的轉型。

云計算時代，企業告別自建機房，算力成為按需取用的公共服務。如今AI行業正在復刻這一路徑，企業的需求已超越底層算力，轉向直接獲取能落地、創造價值的專業智能。

「甲子光年」注意到，這種變化首先來自模型能力的逐漸收斂。進入2026年，模型差距縮小，但智能服務需求卻快速增長。推理成本斷崖式下跌、Token需求指數級爆發，標志著大模型從高端技術變為全民基礎能力，智能服務成為競爭核心。

企業采購AI，本質是為了落地業務、創造收益，堆砌模型參數無法帶來實際價值，更低運營成本、更高研發效率才是核心追求。產業重心徹底從模型訓練轉向推理交付。但傳統智算云本質只是“算力倉庫”，只做硬件資源供給，無法承接全鏈路智能生產需求。

以前企業需要GPU，平臺提供GPU；企業需要訓練集群，平臺提供訓練集群。而當下企業需要的是集模型訓練、推理優化、智能體調度、成本管控、持續迭代于一體的完整體系。這也解釋了行業普遍困境：算力資源不等于智能生產力，孤立模型不等于商業價值。整個產業急需一套現代化智能生產線，打通資源到價值的全鏈路。

在此背景下，Token的產業地位全面凸顯。工業時代，電力是標準化能源；互聯網時代，流量是標準化連接；而智能時代，Token正在成為標準化智能。AI產業正在從算力經濟走向Token經濟。

“Token時代的本質，是智能需求進入工業規模，”九章云極副總裁胡宗星表示。他同時指出，中端模型Token單價已趨近于零，單純打價格戰沒有意義，企業真正關心的是每一項業務的任務完成成本。

金融需要適配風控的專業Token，制造需要貼合產線的專業Token，科研依賴高復雜度推理Token。唯有實現智能服務可量化、可定價、可迭代，企業才能清晰核算ROI，讓AI從實驗室試點轉為常態化生產工具。

從這個角度來看，九章云極的AI工廠體系并非憑空誕生，而是智能工業化的必然產物。它就如同智能煉油廠，以算力、數據為原料，一邊完成通用模型的專業化冶煉，一邊實現專業智能的規模化流通，系統性解決資源難轉生產力的行業難題。

2.專業Token：智能價值的最小可計量單元

九章云極打造的AI工廠體系，并非兩套系統的簡單拼接，而是閉環運轉的智能生產線。

其中訓練工廠被九章云極定義為智能產業的重工業基地與核心精煉廠。它將海量算力與通用模型作為原料，通過以強化學習為核心的工業級冶煉，生產出為千行百業量身定制的專業模型。訓練工廠不是堆卡，而是把通用智能冶煉為專業智能，系統性地解決智能從0到1的研發與制造難題。

這背后需要四項工程能力：大規模訓練底座，保證千卡到萬卡級集群的穩定運行；領域精調，讓模型真正懂金融、制造、政務、科研；強化學習，讓模型從會回答問題走向會完成任務；評測閉環，確保專業模型可驗證、可迭代、可進入生產系統。

胡宗星總結為：“訓練工廠不是堆卡，而是把通用智能冶煉為專業智能?！笔fP算力規劃，正是為這套冶煉體系提供原料保障。

如果說訓練工廠生產的是專業智能，那么Token工廠生產的則是專業智能服務。

長期以來，AI行業更多關注模型訓練，卻很少關注模型如何規?；桓?。對于企業而言，一個模型文件本身并不能創造價值，真正有價值的是能夠穩定調用、持續運行、成本可控的智能服務。大量項目難以落地，問題往往不在模型能力，而在推理成本、資源調度和服務治理。

Token工廠解決的正是這一環節。通過推理優化、動態路由和統一調度，專業模型被封裝為可調用、可計量、可保障的專業Token，讓智能首次具備規模化流通能力。每日十萬億專業Token的規劃產能，考驗的不只是算力規模，更是推理效率、調度效率和服務能力。

結合場景差異，九章進一步提出Token分級體系。消費級Token主打大眾普惠體驗，專業級Token深度綁定業務與合規，前沿級Token面向高端科研與復雜推理。按照九章云極的定義：專業Token，將成為智能價值的最小可計量單元。

同時，九章云極將戰略重心放在專業級和前沿級Token，并并致力于實現單日十萬億高質量Token流轉能力的目標。其關注的并非單個超級模型，而是覆蓋千行百業的專業智能供給體系。

“企業關心的不是有多少機器，而是每天能穩定獲得多少專業智能，”胡宗星表示。AI工廠體系，正是智能工業化的工程底座。

3.三大支柱：把算力轉化為可交付的智能

作為長期運轉的智能生產體系。企業更關心AI工廠能否持續創造價值。九章云極的答案是技術效能、生態范式和商業飛輪三大支柱：技術效能決定成本結構，生態范式決定規模邊界，商業飛輪決定增長天花板。

首先是技術效能。行業價格戰愈演愈烈，但九章云極反復強調：千倍降本不是價格戰，而是工程效率戰。行業真實痛點是有效算力嚴重不足，GPU利用率偏低、異構芯片難以協同、訓推資源重復建設，造成巨大效率浪費。因此，九章把重點放在提高單位資源的產出能力上。方磊在發布會明確了三條路徑:

第一，全棧自研的智算技術矩陣，打通從底層驅動到全局調度的完整鏈路，實現萬卡級異構統一調度。 第二，算電協同。讓算力負載動態適配能源波谷，將每一度電轉化為更高價值的計算。 第三，貫穿生產線的模型與推理優化。訓練階段優化算法與框架，推理階段采用量化、KV緩存、動態路由，同時將訓練、轉運、服務化流程標準化，實現“工廠復用”，不斷降低邊際成本。

這三條路徑的集成，將超大規模集群的有效利用率穩定在行業高位。對企業而言，這意味著任務完成成本大幅下降；對投資人，持續降本意味著更高毛利和更強壁壘。

其次是生態范式。技術效能解決效率問題，生態范式解決規模問題。任何單一企業都難獨立完成AI產業鏈建設：芯片廠商需要模型生態，模型廠商需要推理平臺，企業需要成熟應用場景。因此，九章啟動智算開放計劃，旨在構建多元、互補、共生的產業共同體。

按照發布會披露，該計劃包括能力開放、資源開放和生態開放三層：向模型廠商開放訓練底座，向應用方開放Token工廠接口，并在未來三年聯合孵化1000個高價值專業模型與智能應用。同時，九章希望與芯片、模型、能源、硬件、應用和開發者等伙伴共同參與標準制定、能力共享和市場拓展。

按照方磊的規劃，九章云極將跳出單一服務商的角色，定位為串聯上下游的價值開放平臺。

目前，九章智算云預置50多款主流基座模型以及100多款面向金融、制造、政務、科研等真實開源數據集。這意味著九章云極AI工廠生態并非從零開始，而是已經具備一定可調用能力。

「甲子光年」認為，中立性是獨立智算云的重要價值。對模型廠商和企業而言，基礎設施越開放，技術路線被鎖定的風險越低。企業越來越少押注單一模型，而是根據場景組合使用不同模型能力，中立平臺的價值進一步提升。

最后是商業飛輪。方磊在演講中將其概括為：DCU度量投入，Token度量產出，數據驅動進化。

DCU是九章云極提出的一度算力計量體系，將GPU、網絡、存儲等異構資源統一封裝為標準化算力產品。專業Token則衡量智能產出，讓模型調用、行業任務執行和Agent能力變成可結算、可運營的服務。由此，AI工廠的效率不再只看資源規模，而是看DCU到專業Token的轉換效率。

同樣的DCU，能否產出更多、更穩定、更高價值的專業Token，直接決定企業的任務完成成本，也決定平臺的經營效率。對企業而言，AI由此從買卡、建集群、招團隊的基建投資，轉向Token調用、按需訓練、快速POC、按用付費的運營支出。

更重要的是，Token應用產生的數據會回流訓練工廠，推動模型持續迭代，讓下一個Token更聰明、更便宜。方磊將其稱為越用越強，越強越用的增強回路。相比傳統云計算的一次性資源交易，AI工廠試圖通過DCU、專業Token和強化學習，形成持續增長的智能服務關系。

據「甲子光年」觀察，越來越多企業開始用運營指標而非技術指標評估AI項目。任務完成率、單位任務成本和業務轉化率，正在取代模型參數和Benchmark成績，成為新的核心指標。Alaya NeW系統不只賣Token也不只賣算力，而是把全棧能力打包提供，讓算力轉化為可持續生產、可持續交付、可持續增長的智能生產力。

4.獨立智算云的時代機遇：中立、全棧、全球化

AI工廠戰略的意義，不只是推出一種新的產品形態，更折射出智算產業競爭邏輯的變化。

過去幾年，國內智算產業經歷了一輪建設高峰。隨著大模型進入推理時代，行業正從建設周期邁入運營周期。建設階段比拼硬件規模，運營階段比拼資源利用率、服務能力和生態效率。企業關注的也不再是部署了多少張卡，而是在同樣預算下能夠獲得多少智能產出。

這一變化正在為獨立智算云創造新的機會。隨著模型生態日益豐富，企業越來越重視技術路線的開放性，希望避免被綁定在單一模型或單一平臺之上。相比同時擁有模型、應用和云業務的大型平臺，獨立智算云的中立屬性開始體現價值。

九章云極強調的第三方中立定位，正契合了這一趨勢。其不參與模型競爭，也不綁定單一芯片路線，而是連接芯片廠商、模型廠商、開發者和企業，為多元生態提供統一底座。

與此同時，行業競爭已從單點對決，升級為全棧系統能力比拼。企業需要的已不是單一算力資源，而是一套覆蓋訓練、推理、調度、開發和運營的完整體系。

九章構建的全棧能力，從底層基礎設施到智算操作系統，再到開發入口和應用工具，試圖打通智能生產全鏈路。對于企業而言，這意味著更低的集成成本和更快的落地速度；對于生態伙伴而言，則意味著更統一的開發環境和更高的協同效率。

全球化則是下一階段的重要變量。AI正成為可對外輸出的數字基礎設施。

相比單純輸出算力，九章云極選擇把經過市場驗證的AI工廠整套體系推向海外，依托全球智算火種計劃，深耕中東、東南亞等區域，持續布局全球智算網絡。

放眼全行業，高端芯片供給、跨境數據合規、多模態計量標準仍是共性挑戰，Token體系與專業模型生態也仍需市場培育。

從更長周期看，AI產業正在經歷與電力、云計算類似的發展過程。資源規模依然重要，但資源轉化效率、服務穩定性和生態協同能力正在成為新的競爭變量。九章云極提出10萬P算力、十萬億Token、千個模型和千倍降本四個目標，指向的正是智能生產體系的規模、交付、生態和效率。

在發布會最后，九章云極提出了一句倡導：以普惠算力讓AI獲得自由。

「甲子光年」認為，這種自由不是技術意義上的自由，而是一種產業意義上的自由。智能可以脫離單一模型、單一芯片和單一平臺的束縛，像電力一樣被標準化生產、規?；魍ā葱枵{用，并持續創造價值。

當AI的競賽從發明時代進入工業化時代，九章云極的AI工廠，回答的正是這道產業命題：讓算力回歸本質，成為普惠、可靠、高效的社會級生產力。

（封面圖來源：2026全球智算科技峰會暨九章云極戰略發布會）