<mark id="oztn4"></mark>
0
| 本文作者： 魏溶 | 2026-07-27 15:52 |
7月的上海，WAIC 2026的熱度，或許比蟬鳴來得更盛。
幾乎每個展臺都人頭攢動，人群的目光在展板的鉛字和展商的面龐間來回切換。無數人來到這里，心里總帶著同一個問題：中國的人工智能產業，到底走到哪一步了？
雷峰網(公眾號：雷峰網)特別策劃WAIC 2026觀察報道，我們與8位參展AI Infra公司的決策者聊了聊，試圖從展臺邊的對話里，捕捉今年大家真正在關心什么，以及這個行業正在形成哪些新方向和新共識。
今年產生了這樣一種有意思的趨勢，不管是來自CEO還是業務負責人，都不約而同地提到同一件事——WAIC 2026，行業關注的重心發生了改變。
過去大家更多在聊千卡集群、GPU性能等指標；而現在，話題更多轉向了如何穩定、低成本批量產出Token，以及在此基礎上，要怎么樣利用這些穩定的、低成本的token去支撐Agent和AI應用持續穩定運行。
市場數據能清晰地印證這輪轉變。2025年全市場Token調用量同比暴漲300倍，頭部大模型企業的增長已完全由API和Token調用拉動。以智譜為例，其年化收入已從預期的7億突破至10億美金，增長核心全部來自推理側規模化調用。據Gartner測算，推理目前已經占到企業AI計算支出的65%以上。
這不再是一場“誰有更多卡誰就是贏家”的規模競賽——用產出衡量能力，是推理時代的必然。
九章云極市場部負責人陳庶觀察到，去年大家還在討論如何把模型訓練出來，今年討論已經變成了“如何讓模型規模化地跑起來”。推理效率、調度能力、成本管控替代了算力規模，成為展臺和論壇上最高頻的詞。
這一看法成為了默契的共識，首都在線COO董直燁提到，行業的關注點已經從“算力資源的有無和規模大小”，轉向了“算力的落地效率與價值確定性”。
并行科技董事長，CCF中國計算機學會副理事長陳健指出，前兩年行業算力需求基本上訓練、推理五五分，但今年開始，隨著AI Coding、小龍蝦式自主智能應用批量落地，直接把算力推理需求推到了絕對主導地位。
陳健將其概括為行業的一個共識判斷——2026是AI大規模商業化元年，推理才是算力消耗的長期主體。
如果說Token是AI時代的石油，那Agentic AI就是那個轟鳴的內燃機。
Agent正在推動AI從“生成內容”走向“完成內容”，在執行任務的過程中不斷調動多個模型、多個工具，這會帶來比傳統單輪問答成百上千倍的Token消耗量。
當AI Coding、智能客服和企業Agent等場景成為業務板塊的一部分，單次請求將面臨著更復雜的任務，也會更頻繁的調用工具——毫無疑問，Agent的消耗速度絕對不是人可以比擬的。
PPIO的創始人兼CEO姚欣給出這樣的判斷，現在人類和Agent的Token消耗量能打個平手，但未來Agent才會是Token的第一用戶。“99%的Token都會由Agent消耗，而不是人。”
這意味著，Agentic AI會明顯提高對Infra的要求。趨境科技創始人兼CEO艾智遠有一個判斷，未來AI基礎設施的競爭不會只停留在單點性能，而是更看重復雜任務中的連續穩定服務能力。
博大數據董事長余武旺表示，未來競爭不會只是拼 GPU 數量，而是拼整個系統的協同能力，包括 AI 網絡、高速互聯、能源保障、資源調度，以及能否快速響應不同業務場景。
需求端的變化已經清晰，供給端要如何回應？（關于AI Infra的產業需求變革，歡迎添加作者微信 treelog10 交流）
Agent讓Token消耗呈現指數級增長，行業的回應是“AI工廠”和“Token工廠”。
從2022年，英偉達CEO黃仁勛提出AI工廠，到2025年AI工廠被明確為像互聯網和電力一樣的基礎設施。這場關于“造Token”的革命，在2026年已經進入了發展的關鍵階段。
8位站在行業最前沿的人均認同，AI工廠和Token工廠并非對立關系，二者更像一體兩面的共生關系：AI工廠將包含推理和訓練兩大板塊，是整個Token生產體系的完整載體；而Token工廠則更加注重規模化交付，把算力輸出為標準的Token產能。
董直燁認為，AI工廠的概念更寬泛，覆蓋從數據處理、模型訓練、微調、推理到應用分裝的全流程；Token工廠則是聚焦智能最小單位——Token的全生命周期，本質是把算力轉化為標準化的Token產能，更側重推理側的效率和確定性。
清程極智聯合創始人師天麾提出，AI工廠和Token工廠之間的概念異同，更多是一種觀察尺度和敘事重點的區別。“AI工廠”這一概念強調的是完整的生產體系；而Token工廠則是把視角聚焦到推理和服務交付環節。
“Token 工廠可以理解為 AI 工廠在推理時代、特別是在大規模 Agent 應用場景下的一種具體運營形態。”師天麾說。
陳健則對二者關系做出了分層。他認為完整AI工廠分為兩大模塊，訓練工廠和推理工廠，而推理工廠就是行業所說的Token工廠。他還指出二者之間存在的差異，是產業變革的核心。
第一是需求體量與長期占比的改變。陳健表示，長期來看，訓練算力整體占比會萎縮至10%左右，研發類算力占比5%，剩余85%以上的算力需求將全部歸屬Token推理工廠。行業算力資源投入重心不可逆的向推理傾斜。
第二是集群設計邏輯完全相反。大規模訓練任務是典型的超大規模單一計算任務，允許外部互聯網絡臨時波動，但無法接受集群內單點硬件故障；而Token推理是線上持續服務，可容忍單張GPU失效等集群內故障，但無法承受對外服務互聯網絡的不穩定。
“總而言之，AI工廠是完整產業載體，Token工廠是AI工廠當下和未來的價值核心——所有商業化收入、規模化應用增量，將由Token推理承載。”陳健說。（如果對AI工廠和Token工廠有獨到的見解和看法，歡迎添加作者微信 treelog10 交流）
“后Scaling時代”是今年WAIC大會的熱點詞之一，意思是單純堆算力、堆參數的方法，邊際效益在遞減。
這個解讀是否符合產業真實情況？目前從一些方面看來，答案是肯定的。
早期，行業靠放大模型參數、建立千卡、萬卡集群實現算力的躍升，但是來到2026年，已有廠商僅靠傳統方案10%的訓練算力，就做出了頂尖模型；企業也越來越“現實”，同樣的資源要能產出更多有效的Token。
但后Scaling并不意味著Scaling的終結。師天麾判斷，Scaling并沒有失效。只不過，靠擴大參數和堆疊算力，已經不能再自動換來等同比例的業務價值。訓練和推理規模仍會增長，只是行業必須同時回答成本、能耗、延遲、穩定性和商業回報的問題。
共績科技創始人兼CEO付智，也有類似的判斷：后Scaling并非“不再Scaling”，而是進入一種更加精細的系統Scaling、效率Scaling和調度Scaling。陳庶也提出，Scaling并沒有結束，但是它的優先級在下降；模型能力的上限仍然在向前推進，但競爭的焦點確實在轉移。
既然單純拼規模的時代已經過去，那現在行業要如何滿足Agent的需求？市場給出了一個更加現實的答案——“效率為王”。
“我們的判斷是，AI Infra正從資源競爭轉向系統效率競爭。”師天麾說。
付智把這種效率競爭劃分為三個層面。一是計算效率，通過芯片、網絡、推理框架、模型優化和系統架構，讓同樣的硬件產生更多有效計算。第二是資源效率。通過彈性調度、異構資源整合和跨區域協同，讓更多原本閑置或利用率不足的算力進入生產體系。第三是能源效率。算力任務如何與能源條件進行匹配，會越來越影響最終的Token成本。
艾智遠的觀察是，企業會非常現實地計算：同樣一批資源，能產出多少有效Token；服務能穩定運行多久；成本能不能支撐長期使用。未來競爭的關鍵，是提升單位資源產出、提高有效利用率、跨過成本線，并把這套能力復制到更多客戶和場景中。
姚欣則給出一個鋒利的判斷：隨著賽道進入白熱化競爭，絕大多數Token工廠目前都應處于虧損狀態。
比賽已經進入下半場，不同賽道的玩家在這場變革中各懷優勢，也各有短板。
陳健對雷峰網表示，他判斷當下Token工廠賽道的玩家正在加速分層。其中，具備萬卡GPU集群和全棧調度優化能力的算力服務商，優化后集群TPS和單位算力Token吞吐能拉開中小玩家10倍差距。但重資產模式注定了更長的擴張周期。
自研大模型廠商自建推理集群，可以深度貼合自有模型架構，但硬件出處不對外開放，無法承接第三方海量Token需求。硬件采購上也有對外服務性價比不足的弱勢。
至于中小型算力服務商和初創團隊，體量小、決策靈活，可承接定制化零散小單，卻缺少長期穩定大客戶訂單、大批量GPU鎖貨渠道和底層調度與性能的優化能力。
“穩定大客戶訂單、強GPU供給、頂尖性能算力優化能力三者缺一不可。同時，具備的頭部玩家會持續收割份額，中小玩家的生存空間正在持續收窄。”陳健說。
AI產業的發展進入深水區，百川歸海，構建起新的行業共識。故事更迭背后，是技術浪潮的自然延續，Token產出取代GPU卡數成為新的標尺，效率接替規模成為新的命題。
AI Infra企業紛紛在地圖上圈出了新的目的地——讓AI真正成為可度量、可交付、可依賴的生產力。
百舸揚帆，向深海駛去。
關于競爭和優勢，8位決策者還給出了不同的判斷和解讀。
算力基礎設施與規模化交付
站在2026 WAIC現場，我感受到最直觀的行業變化只有一句話概括：推理落地了。
整個會場廠商、客戶交流的核心不再是“能搭多大訓練集群”，而是“如何穩定、低成本批量產出Token”，Token工廠、推理服務、低時延調度成為全場高頻詞。
本次WAIC并行科技集中釋放全棧算力服務落地成果，核心想向行業傳遞一個信號：算力競爭早已告別“拼卡量、拼集群規模”的粗放階段，高效、穩定、低成本的Token化推理服務，才是產業長期生存的核心壁壘。
硬件儲備層面，我們和合作伙伴2025年已經落地國內首套2000卡B200集群、萬卡5090集群，今年落地兩個超大規模算力集群。業務新增兩大核心業務線：規模化推理算力服務及Token工廠標準化MaaS服務，覆蓋AI Coding、文生視頻和自主智能三大場景。
隨著Agent帶來底層的需求變革，Token消耗規模被拉高了一個量級。推理服務規模化之后，Token工廠應運而生，穩定大客戶訂單、強GPU供給、頂尖性能優化能力，這三個必要條件這抬高了賽道的準入門檻。當前Token工廠賽道的玩家主要分三類，各有優劣勢的體現。
第一類是具備大規模硬件儲備和全棧調度優化能力的算力服務商。優勢在于手握萬卡級多元GPU集群，深耕算力調度多年，優化后集群TPS和算力單位Token吞吐能拉開中小玩家10倍差距；長期服務頭部客戶，有穩定大訂單攤薄硬件折舊成本。劣勢是重資產模式，硬件采購和機房建設資金投入大，擴張周期更長。
第二類是自研大模型廠商自建推理集群。優勢是深度貼合自有模型架構，軟硬件適配度高。劣勢則是硬件儲備只為自有業務配套，不對外規模化開放，無法承接第三方海量Token需求，缺少業務靈活性和服務完備性。
第三類是中小型算力服務商和初創團隊。優勢是體量小、決策靈活，可承接定制化短期零散小單。但致命短板是三重壁壘無法突破：沒有長期穩定大客戶訂單、缺少大批量GPU鎖貨渠道、底層調度與性能優化能力薄弱。同樣硬件規格下，Token產出效率和頭部廠商存在10倍級差距，成本完全沒有競爭力。
整體回望2026整個算力產業，舊規則正在全面作廢：從拼卡量、拼訓練規模，轉向拼推理、拼Token效率、拼場景交付。推理落地帶來的Token浪潮只是起點，未來十年，誰能把算力穩定、低成本轉化為標準化Token供給，誰就能握住AI基礎設施賽道的長期話語權。
今年WAIC，我認為最大的變化在于算力供需關系的徹底逆轉。
一年前市場的核心困境是“賣不掉”，手里積壓著大量英偉達卡，客戶仍停留在驗證與試點階段，市場整體需求疲軟。而今天，形式完全倒轉，算力不僅短缺，價格更持續飆升。
這一反轉背后，驅動力來自兩大關鍵變化：其一，AI的智能生產力已切實落地，編程、辦公、AI短劇等場景進入了規模化應用階段；其二，智能體的崛起帶來了指數級的算力消耗，成為新的需求引擎。
PPIO今年帶來了兩款核心產品。一是智能Token工廠，在國內首發了智能模型網關產品。智能模型網關是AI Agent的智能調度中心，關鍵決策由混合模型把關提升質量，簡單任務自動分流到輕量模型，確保Agent用最低的Token成本、最高的智能性能完成任務。二是Agent Harness層，以Agent沙箱為核心，集成任務編排、Tool Use、記憶管理等功能，延長Agent可持續運行的Loop時長以解決復雜長程任務。
關于Token工廠之間的競爭，我認為關鍵區別在于能力覆蓋的層次。目前最典型的一類，是底層算力和云服務完全依賴第三方，僅聚焦于推理加速這一中間層。推理加速雖是Token生產鏈上的關鍵軟件環節，早期優化空間巨大。但隨著賽道進入白熱化競爭，絕大多數Token工廠目前都應處于虧損狀態。
根本原因在于，Token的性價比和毛利空間，必須通過每一層的端到端優化來兌現。
從底層往上拆解：第一層是能源成本，中國東西部電價相差近3倍，算力中心的選址直接決定成本基線；第二層是調度效率，將全球調用的白天黑夜利用率從40%～50%提升至70%～80%，又能釋放20%～30%的空間。
第三層是模型服務層的推理加速，優化潛力同樣高達百分之七八十；第四層是Token的實際用途——用于長上下文Agent應用還是簡單問答，兩者價值能差出10倍。
我認為現在行業不能只盯著Token生產數量，更要關注Token的智能含量和毛利率。而要實現可觀毛利率，必須完成從底層能源到上層應用的全棧式優化，覆蓋至少五個層級。
我認為，目前行業的關注點，已經轉向了算力的落地效率與價值確定性。
去年行業的討論更多圍繞算力供給擴張、大模型訓練基建搭建、GPU資源保供等“規模側”問題；而今年的討論已經深入到產業落地的具體環節，包括Token全鏈路的價值共識，Agent帶來的基建新需求，國產算力怎么從概念走向實操三大方向。
今年首都在線在WAIC展示的核心成果與能力，均圍繞“Token從生產到應用的確定性旅程”展開，包括有智算基建的規模化落地成果，自研CloudOS算力調度平臺和自研Maas智能調度與運營平臺的能力升級。
首都在線對自身的定位很清晰：堅守中立云定位，堅持不碰模型、不碰客戶數據、不碰芯片。我們希望行業看到，AI基礎設施的競爭已經進入下半場——不再是單純拼GPU數量或是算力規模，而是拼全鏈路的確定性、效費比與服務能力。
關于不同背景玩家在Agent基礎設施競爭中的優劣勢，我的判斷是這樣的：
頭部云大廠的優勢是生態體系完整、品牌影響力強、標準化產品成熟，C端與中小客戶覆蓋廣泛。但劣勢也很明顯——服務高度標準化，靈活度不足，難以滿足客戶深度定制化的部署與運維需求。同時，多數云廠商自身也布局大模型和應用業務，與客戶存在潛在的業務競爭關系，在數據安全與商業隱私上的中立性存在天然短板。
至于接下來的競爭核心，我認為有三個方面：一是算力轉化效率，通過集群調度與推理引擎優化釋放每張GPU的產出；二是網絡傳輸效率，Agent時代的低延遲與穩定性直接決定用戶體驗；三是運營調度效率，動態匹配算力與模型，實現Token消耗全鏈路可監測、可管控。
如果說，行業上半場拼的是“誰有更多算力”，下半場拼的是“誰能把算力的價值發揮到最大，給客戶更確定的結果”。規模是基礎，但最終的核心競爭力，是全鏈路的效率與確定性。
系統軟件與優化層
我今年最直觀的感受是，AI Infra 開始真正回答算力最終能穩定產出多少Token、成本是多少、能否真正被 Agent 和企業應用用起來。
現場有幾類產品讓我印象很深：一類是面向大規模集群的超節點、光互連和異構算力方案，繼續解決算力規模化和資源利用率問題；一類是圍繞推理引擎、Token 計量、持續評測和智能調度的產品，把算力產出轉化為可以衡量、比較和交付的服務；還有一類是面向 Agent 的本地網關、身份管理、調用追蹤和故障恢復工具，說明 AI Infra 正在進入應用的真實運行鏈路。
討論重點的遷移，反映出行業正在從基礎設施的建設期走向持續運營期。
今年WAIC清程極智最大的變化，是把一站式Token全鏈路服務做成了一個可以現場體驗的“前店后廠”。赤兔推理引擎負責“后廠”生產，AI Ping負責“前店”評測和路由，ATM負責Agent調用管理。我們最想傳遞的是，AI 基礎設施的價值，體現在能否持續生產并穩定交付高質量、低成本的 Token。只有生產、評測、路由、管理和應用形成閉環，國產算力才能真正進入規模化使用。
關于不同背景公司在Agent基礎設施競爭中的位置，我的判斷是：芯片和算力廠商的優勢在硬件資源和基礎設施投入，但硬件性能并不會自動轉化為推理效率，跨芯片、跨模型的適配與優化仍需要專業的系統軟件。
模型公司最了解自身模型能力，也能針對Agent場景做深度優化，但如果體系只圍繞單一模型展開，用戶的跨模型選擇空間會受到限制。云和MaaS平臺擁有豐富的資源與運維能力，但還需要解決跨服務質量透明度和中立調度問題。
我認為，這個市場最終不會由單一層級包辦。芯片、算力中心、推理引擎、模型服務商、評測調度平臺和 Agent 開發框架，需要開放協同。
放眼未來，競爭的關鍵不是誰擁有最多算力，而是誰能讓單位算力、單位能耗和單位成本產生更多真正有用的 Token，并把它們穩定交付給用戶。對于 Agent 場景，還要進一步看長期完整任務成功率、單位任務成本和服務穩定性。
我們的產品布局也圍繞這件事展開。算力資源仍然重要，但模型、推理引擎、評測、路由與應用負載之間能否協同優化，將決定一套基礎設施最終的真實產出。
今年我感受到，AI Infra 的討論重心正在發生變化：從“基礎資源是否充足”，轉向“這些資源能不能形成穩定、可持續的生產能力”。今年的焦點不只是建設基礎設施，而是如何運營好基礎設施。
趨境科技這次想傳遞的核心信息是，我們正在圍繞高品質AI Token工廠，推進從技術能力到生產能力的落地。過去一段時間，我們持續升級自研ATaaS平臺，并在關鍵模型、真實負載和企業場景中提升Token生產效率、穩定性和成本表現。
追求把模型列表做得更長并非趨境科技的目標，我們想要真正有生產需求的模型做深度優化。因為企業客戶最終關心的不是接入了多少模型，而是這些模型能否在實際業務中穩定、低成本、高效率地運行。
行業方面，在我看來“AI 工廠”和“Token 工廠”不是對立概念。AI 工廠更偏整體組織，強調模型、資源、數據、應用和工程系統如何協同；Token 工廠更偏結果導向，關注底層資源能否持續產出高品質 AI Token。
而具備企業級價值的高品質AI Token，需要同時滿足低首Token時延、高輸出速度、高并發等多個要求。難點不在單項指標，而在這些指標能否在真實生產負載下長期同時成立。
關于Agent的行業競爭，我認為未來會看重復雜任務中連續穩定的服務能力。這意味這模型公司更理解模型能力邊界，云和資源型公司有基礎資源優勢，系統工程型公司則更擅長把模型、資源和業務負載整合成穩定服務。
最終競爭會看誰能在 Agent 場景下穩定產出高品質 AI Token，并把成本控制在可持續區間。
算力鏈接與調度平臺
今年讓我印象最深刻的 ，并不是某一款產品 ，而是 AI 基礎設施正在進入“系統級競爭”的新階段 。
大家關注的不再只是單張芯片性能 ，而是如何通過高速互聯 、系統集成和軟硬協同 ，讓更多GPU 高效協同工作 。我認為，這反映出 AI 產業發展的一個重要趨勢：競爭正在從“單點性能”走向“系統能力” 。
這次 WAIC，博大數據重點展示的是博大數據面向 AI 時代的整體基礎設施能力，包括智算中心、AI 算力、AI 網絡，以及覆蓋全國和海外的資源布局。我們希望展示一套完整的 AI 基礎設施解決方案，從規劃設計、建設交付，到網絡互聯、運營維護。我們最想傳遞的信息是：AI 的發展，不只是模型的競爭，更是基礎設施能力的競爭 。
關于未來，我認為競爭不會只是拼 GPU 數量，而是拼整個系統的協同能力，包括 AI 網絡、高速互聯、能源保障、資源調度，以及能否快速響應不同業務場景。
不同類型企業也各有優勢 。芯片企業推動算力性能不斷提升；模型企業持續優化算法；應用企業探索商業場景；而像博大數據這樣的基礎設施企業，則更關注如何把這些能力連接起來，構建穩定、高效、可持續運行的底座。
未來 AI 產業一定不是單個企業完成的 ，而是生態協同 。
至于未來競爭的關鍵，我認為主要是系統效率、能源效率和運營效率三大方面。簡而言之，未來行業不會從“拼規模”走向“不拼規模” ，而是會進入一個規模和效率并重，但效率決定競爭力的新階段 。
今年一個很明顯的變化，是大家討論 AI Infra 的方式正在發生變化，AI Infra正在從“資源規模競爭”走向“系統效率競爭”。
這次WAIC共績科技帶來“上天入地，算力一體”的畫面展示：把IDC、企業園區閑置算力、網吧GPU、車載算力放在同一張圖景里。我們以電網式算力調度平臺為底座，一端連接不同算力供給，另一端連接模型訓練、推理、Agent等需求，進行跨區域、跨集群調度。
隨著Agent的爆發式增長，我認為這意味著未來AI負載會越來越呈現出幾個特征：調用頻率更高、鏈路更長、并發波動更大、模型更加多樣，而且越來越多任務會長期運行。
這就對AI Infra提出了一些新的要求：高峰流量來了能否快速擴容？不同任務能否調度到最合適的模型和算力？大規模并發下延遲和SLA能不能穩定？大量Token消耗之后，企業的綜合成本能不能控制？
因此，我認為Agent基礎設施的競爭最終會分成幾個不同的層次。芯片和服務器廠商的優勢在于底層硬件和系統協同能力，能夠不斷提升單機和集群性能；大型云廠商擁有規模化資源和成熟云生態，能夠提供完整的平臺能力；模型和推理服務企業更接近模型層，在推理優化、模型路由和Token服務上有優勢。
未來真正有競爭力的AI Infra，需要同時具備三個能力：資源異構化，不能只能依賴一種芯片或一個資源池；供給彈性化，業務需求增加時能夠快速補充，下降時能夠釋放資源；調度智能化，不同任務能夠根據時延、成本、模型、網絡和算力條件選擇更優的執行路徑。
當然，這里面仍然有很多需要解決的問題，包括異構資源標準化、跨區域網絡、數據安全、穩定性以及調度效率。這也是未來基礎設施公司真正需要長期投入的地方。
今年大會上，能明顯感受到一個轉向——不少頭部AI Infra廠商已經從“展示芯片和集群規模”轉向“展示Token生產效率和工程化能力”，這個變化本身就很說明問題。
讓我印象比較深的是，大家普遍在談如何讓算力真正產出價值——從“我有多少P的算力”轉向“我能以什么成本產出多少Token”。
這次WAIC九章云極在展位搭建了一座微型AI工廠的實景，完整覆蓋從算力調度到Token交付的全鏈路。Alaya NeW Cloud的三項核心能力：智能隊列調度、資源配額管理、開發工具套件，對應算力使用中最關鍵的三個問題：排得公平、分得清、用得順手。
Agentic AI確實是Token消耗的“放大器”，但反過來看，這也意味著企業對Token交付的穩定性、成本、合規和可審計性的要求，比傳統API調用高出一個數量級。
云廠商的優勢在于規模化供給和完整服務體系，短板是異構算力精細化調度與多模型路由優化——而這恰恰是Agent任務的核心需求。芯片廠商強在底層硬件掌控力，可通過軟硬協同優化提升單卡Token產出，但缺少從芯片到上層應用的工程化封裝能力。
算力運營商的優勢則在于對算力、模型、調度、計價的系統性整合，Agent需要的是“算力+模型+調度+計量+成本管控”的一體化能力。
未來行業競爭的關鍵，我們認為有三層。第一層是算力治理能力——能不能讓算力資源被充分調度、不被閑置。行業平均利用率不足30%，意味著大量算力投入未被有效轉化，誰先把這部分效率釋放出來，誰就有成本優勢。
第二層是Token生產效率：同樣一度電、同樣一張卡，能不能產出更多有效Token。第三層是規模化運營能力：能不能讓這套體系在不同的行業、不同的業務場景中被復用，而不是每個項目都從零開始搭一遍。
算力是投入，Token是產出。用投入衡量能力，是訓練時代的慣性；用產出衡量能力，是推理時代的必然。
歡迎添加作者微信 treelog10 交流，互通有無。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
