如果一家紡織廠只向投資人展示有多少臺織機，卻說不清每米布的成本、合格率和訂單，恐怕很難讓人相信它經營得好。奇怪的是，到了Token（詞元）工廠，數顯卡、數機櫃、數萬億Token，卻成了某些項目最醒目的成績。至於這些Token賣給誰、成本多少、能否賺錢，展廳大屏往往沒有答案。
2026年，Token工廠正在成爲人工智能產業的新熱詞。江蘇出臺詞元經濟行動方案，鼓勵算力中心向詞元服務轉型；北京提出建設詞元工廠和分級評價體系。從比拼多少P算力，到展示日產多少Token，人工智能基礎設施終於開始關注產出。但產量不等於銷量，調用量也不等於營業收入。一個更尖銳的問題隨之出現：我們究竟是在建設新型智算基礎設施，還是給舊式算力投資換了塊招牌？
Token不是鋼鐵，更像機票
Token是大模型處理信息的基本計量單位。Token工廠把算力、模型、數據和推理系統組織起來，持續向客戶提供可計量、可計費、可交付的智能服務。“工廠”一詞容易讓人以爲Token像鋼鐵、水泥一樣可先生產、再入庫，等待買家。實際上，Token可以保存和復用，但今天閒置的算力不會變成明天額外的產能。就像航班起飛後，空着的座位再也賣不出去。航空業用“可用座公裏”衡量運力，用“收入客公裏”衡量真實銷售，二者之比就是客座率。Token工廠同樣需要自己的客座率：理論峯值、有效調用、實際付費，三者之間的落差，比日產多少萬億Token更能反映經營水平。
而且，Token之間並不等價。不同類型的Token，生成成本不同；不同模型完成相同任務，消耗的Token數量也可能相差很大。一個工業智能體用10萬Token正確處理設備故障，另一個消耗100萬Token仍答錯，按產量統計，後者反倒領先。這樣的排行榜，恐怕只有顯卡供應商喜歡。
因此，當一家工廠宣稱每天能夠生產萬億Token，我們至少還要問：使用什麼模型？能夠完成什麼任務？響應速度多快？單位成本多少，又有多少Token真正賣給了客戶？離開質量、成本和客戶需求，萬億Token只是一個漂亮的數字。
產量漲1000倍，產值未必漲1000倍
建設Token工廠最怕重走算力投資老路，先建機房、採購服務器，最後招商。算力投資的風險，正在於設備的財務折舊周期與技術迭代周期日益錯位。賬面上尚未收回成本的芯片，可能隨着新一代產品性能和能效的躍升，提前喪失市場競爭力。
更大的壓力來自價格。Epoch AI在2026年9月公布的研究發現，自2023年以來，在一組能力測試中，達到同等表現所需的調用成本平均每季度下降約47%，折算約爲一年降低至原來的1/13。一家Token工廠即使調用量增長10倍，如果單位售價也降至原來的1/10，營業收入仍然原地踏步。這正是所謂的“紅皇後”困境：必須拼命奔跑，才能留在原地。
因此，合理的投資順序應當是訂單先行、分期擴產，先完成場景驗證、模型適配和成本測算，再根據真實需求配置產能。對時延不敏感的批量任務，可以通過錯峯調度降低成本。OpenAI的批處理服務允許在24小時內完成任務，收費較常規調用低50%。對實時性和數據安全要求高的業務，可以根據需要採用本地部署。在這個行業，提前贏得客戶，比提前買到顯卡更重要。
Token越省，生意反而越難做？
Token工廠最直接的商業模式，是按照Token調用量收費。但這裏暗藏悖論。假設某個工業智能體原來完成一項任務需要10萬Token，經過優化只需1萬，結果更準確、響應更迅速。按照調用量計費，同一筆業務的收入反而可能下降。照此邏輯，最會浪費Token的模型，倒可能成爲最積極的創收機器。當然，節省下來的算力可以服務更多客戶，但這個例子揭示了單純按量計費的局限。Token可以衡量資源消耗，卻難以衡量智能服務創造的價值。
Token工廠的商業模式需要向智能服務延伸。在基礎層，提供高效、穩定、可計量的模型推理服務；在平臺層，通過模型適配、智能調度、性能優化和服務保障，向開發者交付可直接調用的智能能力；在應用層，則可以與行業軟件企業合作，探索按任務、服務等級乃至實際業務成效收費。對於制造企業，真正值得付費的是設備故障減少了多少、研發周期縮短了多少、生產效率提高了多少。至於完成這些任務消耗了1億還是10億Token，客戶未必關心。
這並不意味着每家Token工廠都要親自開發行業應用，但其經營邏輯必須從銷售計算資源走向交付智能能力。當技術進步能夠幫助客戶以更少的Token完成更多任務，運營商也能通過更高的服務質量、更廣泛的應用和更穩定的客戶關系獲得收益。未來Token工廠的競爭，最終要看誰能夠以更低的成本交付更高質量的智能服務。Token決定如何計量，智能服務決定客戶爲什麼付錢。
買得來顯卡，未必經營得好工廠
Token工廠容易出現的一個誤判，是把硬件配置等同於生產能力。芯片提供基礎，軟件則決定這些算力能夠以多高的效率轉化爲穩定、低成本的智能服務。同樣的GPU集羣，採用不同的推理引擎、調度系統和運維策略，實際生產效率可能相差甚遠。國內已有不少實踐，基流科技通過異構算力調度、通信優化和集羣管理，提高現有設備的運行效率。硅基流動在與貴州移動合作的Token工廠項目中，通過算子融合、顯存優化和動態批處理，在相同硬件條件下將單位GPU推理性能提升30%以上。軟件優化由此成爲擴大有效產能、降低單位成本的一條重要路徑。
這也對Token工廠的投資和運營提出了更高要求。地方國資可以提供基礎設施、長期資本和公共服務配套，也可以通過專業託管、聯合運營等方式引入市場主體，但必須確保技術能力、客戶資源與經營責任相匹配。設備折舊由誰承擔，技術更新由誰負責，產能閒置和客戶流失的損失如何分擔，都應在投資之前算清楚國資負擔。衡量國資參與成效的標準，最終應是撬動了多少真實市場需求、培育了怎樣的產業生態，而非擁有多少臺顯卡。
更要警惕一種熟悉的產業循環：政府協調投資，國資採購設備，再由政府協調本地單位購買服務。看似形成了商業閉環，實則可能只是財政資金繞着機房轉了一圈。Token工廠最終仍要依靠獨立、持續的市場收入證明自身價值。畢竟，顯卡可以花錢買來，客戶訂單卻不會隨着機房竣工自動出現。
Token可以異地生產，價值應當留在本地
對於地方政府，還有一個更值得關注的問題：一座城市究竟需要多少家Token工廠？又應該在詞元經濟產業鏈上佔據什麼位置？能源成本低、規模化供給條件好的地區，可以競爭大規模推理產能。模型與軟件人才集中的地區，可以發展推理引擎和服務平臺。制造業密集的城市，更值得布局行業數據、模型評價、智能體開發和應用集成。城市無需把每一個Token留在本地生產，卻應盡力把應用創新和產業收益留在本地。
我甚至認爲，評價一座城市詞元經濟的發展水平，應該更多關注有效Token消費及其創造的產業價值。與其按新建多少Token工廠、發放多少Token券排座次，不如看看有多少企業真正用上了AI，多少生產流程得到改善，每投入1元AI成本能夠創造多少經濟收益。Token消費量增長值得觀察，但無效調用也能把數字做大，尤其要避免一邊補貼生產、一邊補貼購買，最後以雙方相互結算證明項目成功。
Token工廠當然值得建設，但最終必須經受市場檢驗。否則，幾年以後，我們可能又會看到熟悉的場景：機房燈火通明，展廳裏的Token產量不斷跳動，接待人員熟練地介紹着萬億級生產能力。參觀者聽得十分振奮。只有財務人員還在追問那個略顯掃興的問題：這些Token，究竟賣給誰了？
或許，評價一家Token工廠最有效的方法，就是關掉展廳的大屏幕，打開它的客戶訂單和經營賬本。
相關閱讀
- 全國首個！“冷門絕學”怎麼學？誰來教？院長解讀2026-11-12
- 成品油價或迎年內第六降，加滿一箱將少花約15元2026-11-12
- “囤Token”成“雙11”出圈熱詞，繼李佳琦之後羅永浩也來賣2026-11-12
- 美國真不想再打伊朗了？2026-11-11
- 火流星散落石家莊周邊，“天外來客”價值幾何？2026-11-11
