杰西卡 发自 凹非寺

卡买得起，AI却用不起。这话听着有点离谱，可AI大规模进企业之后，不少公司确实卡在这种尴尬里。

AI产业这两年的增长，几乎只能用狂飙来形容。国家数据局数据显示，我国日均词元调用量从2024年初的1000亿增至2025年底的100万亿，2026年3月突破140万亿，两年增长千倍；中国信通院披露，到2026年6月，相关指标已突破500万亿。

需求暴涨很快传到了算力供给端。模型不断进化，Agent逐渐接手复杂任务，Token需求激增，算力基础设施也随之加速扩张。IDC预计，2026年全球服务器市场收入将达到约6851亿美元，AI基础设施投资是主要增长动力。

不过，算力供给一直在加，企业对“烧Token”这件事反倒越来越谨慎了。

《经济观察报》的报道提到，一家中型银行上半年花在Token上的钱接近900万元，占其上年度IT预算的8%。年初，Token消耗量上涨还被当成AI真正渗入业务的利好信号；可到了6月底，管理层却提出要重新算一算这笔投入的成本收益。

麦肯锡的一项调查也显示，约五分之一的受访者表示，所在组织因AI运营成本而限制了AI使用。

企业开始算AI的成本与实际产出了。原因也不难理解：Agent执行复杂任务可能持续数小时，反复推理、模型调用和任务重试都会累积成本；自建算力就得为业务高峰预留设备，平时闲置，折旧、电费和运维开支也照付不误。

更麻烦的是，钱未必花在了刀刃上。简单任务用上昂贵模型，敏感业务又必须留在私有环境，算力很难各归其位。

所以，企业真正把AI用好、用得起，还是个亟待解决的问题。

河北张家口是塞北的风口，谁也没料到，这里要立起一座混合词元工厂。按规划，它是一座15000P超节点集群，年产2000万亿Token。11月10日，联想集团在张家口正式发布“联想万全混合词元工厂”品牌。

和单纯交付服务器或销售计算资源不同，该工厂计划把不同来源的算力与模型组织起来，持续生产更经济、更高效的Token服务。生产逻辑甚至称得上直接粗暴：绿电进，词元出。

自此，粗放堆芯片的时代，开始转向工业化量产高性价比Token的时代。算力基础设施的底层规则，恐怕要一夜变天了。

绿电进，词元出

当天，联想集团和河北张家口市政府签署合作协议，将推进首座混合词元母本工厂在张家口落地。按照最新披露的方案，项目首期规划建设15000P异构算力集群、约100MW智算中心，建成后Token年产能力预计达到2000万亿，峰值产出能力达到每秒2亿Token。

联想集团高级副总裁、中国方案服务业务群总经理戴炜在现场说，首期建设时间表定在2027年；到2030年，相关规模计划再扩大10倍及以上。

2000万亿的年产能，到底是个什么量级？

折算下来，一天大约能产出5.5万亿Token。这还只是粗略换算，规模之大已经可见一斑。

规模之外，工厂的名字更引人琢磨。

词元工厂算不上新提法，此前已有不少产业尝试：有的从芯片和服务器能效入手，有的做模型平台运营，还有的专攻智算中心。路线各有侧重，可企业真正用起AI来，碰到的常常是多种计算需求叠在一起。

联想的词元工厂，特殊之处就在“混合”这两个字。所谓混合，要害是让算力供给随业务需求而动。

企业一方面要稳定、可控的私有算力，另一方面又会遇到突发的公共调用；任务不同，对模型能力、响应速度、成本的要求也相差很远。

只把算力规模做大，或者只优化Token生产的某一环，都撑不起全部问题。

联想拿出的混合供给，扮演的是枢纽角色：把原先散着的资源重新归拢，私有Token与公共Token服务并用、以私有为主，端侧、边缘、云端协同运转，不同模型按任务需要灵活挑选。

这样一来，算力供给跟着业务需求走，不再由硬件配置一锤定音。

理想的Token供给应当像用电一样。企业按需接入，拿到稳定、经济的服务；背后跑的是什么设备、调的是哪种模型、资源怎么调度，都归统一的供给体系管。

不过，要让不同资源在同一套体系里配合运转，光有模型和服务器不够。计算设备、机房运营、能源供给、模型调度，都得一起算进去。

靠什么保障？

联想选中的是离北京最近的一个“风口”——河北张家口。

叫它“风口”，首先是因为当地难得的能源条件。

张家口是全国风光绿电第一大城市，也是国家六张网（算力网+新型电网）的标杆型双节点；截至2025年底，当地可再生能源装机规模突破4500万千瓦，占电力总装机的比重接近九成。

其次，这里的算力底子也相当厚。

张家口是国家“东数西算”工程京津冀枢纽的重要承载地，当地政府还在积极给政策、做产业引导。目前当地已建成50多座数据中心，投运标准机架超过107万架。

塞北的风光资源丰富，气候冷凉，电价更有优势，又紧挨北京（距京一百多公里）、时延更短，正好压降算力运营成本，接住京津冀的AI推理需求。

政策层面其实也在推着算力产业往高效供给转。

《“十五五”规划纲要》今年发布，其中明确：算力要朝规模化、集约化、绿色化、普惠化方向推进，绿电与算力要协同起来，中小企业用算的成本也得降下去。

于是联想与张家口当地合作，摸索出一种更“端到端”的产业模式：绿电进，词元出。

听着像工业流水线。可跟传统工厂不同，Token生产线不光要稳定的能源和设备，还得随千差万别的任务需求，随时调整生产方式。

那么，处在不同位置的算力、具备不同能力的模型，要怎么才能真正配合起来，为企业所用？

让每一分算力都花在该花的地方

可以设想这样一个场景：一家制造企业大规模用上了AI，日常可能会碰上这种情况：

生产系统得稳定运行，敏感数据不能离开私有环境；可办公助手、客服智能体这类应用，又可能在业务高峰时突然涌来大量请求。

要是全部自建算力，就得为短暂的峰值长期养着设备，开销很大；如果完全购买公共服务，数据边界、持续支出和模型适配这几关又绕不过去。

再说，整理简单文档和做复杂专业推理，本来也不该用同样昂贵的配置。不同任务，显然需要不同的算力供给方式。

沿着这个思路，联想拿出的方案是混合供给模式，分为三个维度：

• 供给来源上混合，让私有自产的Token与获得授权的公共服务互相补充；
• 端边云协同，轻量任务留在端侧，时延敏感的任务就近运行，弹性需求则匹配到云端；
• 模型生态上混合，按质量与成本要求，在开源权重和专有闭源模型之间做选择。

可选的路子多了，真正调度起来反而更复杂。

比如任务涉不涉及敏感数据、要多强的模型、能等多久、公私资源怎么配比，这些都得综合权衡。公私资源分配尤其如此，两类负载的性质正好相反：常驻企业内部的要稳，数据不能越界；随外部调用起落的要省，能跟着峰值伸缩。

为此，联想做了Token Engine（词元引擎），靠模算动态混部、任务级资源池调配和智能模型路由，把资源匹配的效率提上去。

而要让调度真正覆盖私有与公共资源，还得有一套统一的管理体系。

联想此前布局的xCloud联想智能云正好能担这个角色。私有云和公有云资源，它都能统一纳管、调度，并做智能运维，让分散在不同环境里的计算资源协同起来。

在此之上，xCloud里还配了Token Hub（词元中枢）。它进一步面向AI推理场景，通过模型路由和推理资源池的动态调配，把任务需求、模型质量、数据边界、响应时延与成本放在一起考虑，为不同请求找到合适的模型与算力。

这样一来，原本分散的资源就能按业务需求灵活组合。调度的精细程度，甚至能深入到芯片和计算节点。

联想集团副总裁、全球基础架构和智能云总经理姚振宇举例说，轻量模型可以跑在较小的计算节点或边侧资源上，不必占用大型集群。

换句话说，调度不只是找一台空闲机器，还能让任务用上合适的模型和芯片；计算资源被充分利用，每一分算力都花在了刀刃上。

另外，考虑到数据安全合规，联想还设了三个维度的屏障：

第一是模型安全，所有模型都要通过安全测试认证、进入白名单，才能在词元中枢上供企业使用。

第二是内容安全，联想设置了Token Trust词元安全能力，在传输路径上主动拦截敏感信息，把数据安全和使用权限定为资源调度必须遵守的边界。

第三是隐私计算与TEE（可信执行环境），联想支持企业把隐私、敏感数据放到隔离的可信环境中处理，平台侧读不到内容，只有获授权的用户才能使用，也就是业内常说的“可用不可见”。

调度做得再细，设备和机房本身的成本也压不下去。联想为此又提了三级优化思路。

头一级，是把算力设备的效率提上来。

问天异构智算方案里，超节点、多芯多模训推引擎，加上集群通信与算子优化被联想捏到了一块儿，目的就是让异构计算资源配合得更顺。

联想披露的数据是，这套方案能带来30%以上的算力效率提升。集群规模一大，少一些等待和闲置，能多榨出来的算力就相当可观。

第二级落在智算中心的全生命周期成本上。

服务器只是其中一块，供电、制冷、建设、运维哪样都不便宜。联想把模块化预制、一体化全液冷、绿电直流智控这些手段用上，让机房建设和日常运营放在一起做优化。

联想还打算在张家口建一条算力设备回收与再利用产线，把存量设备的价值用得更久；配套智算中心给出的目标则是PUE低于1.1。

第三级针对业务场景做Token效能优化。模型路由加上资源池动态调配，简单任务不用去占高成本模型，突发需求也能配上合适的计算资源。

硬件、机房、词元中枢各管一段，各段省下的资源和成本加在一起，最后落到企业用AI时的效率上。联想给出的核心主张就是“释放算力的每一分效能”。

对企业客户负责之前，联想先拿自己的业务试了一遍。姚振宇透露，靠内部AI实践，公司已经做到约70%的综合成本优化。

混合词元工厂的整体目标也已摆出：百万Token综合成本优化70%，每秒Token产出量提升5倍，Token良品率超过99.9%。

不过，词元工厂的效率不能只拿成本和吞吐量来说事。

产能再高、成本再低，响应速度和模型质量也得守住。企业内部的敏感数据尤其如此，安全不能在降本时被牺牲掉。大型智算中心的能耗，同样是左右长期运营成本的大头。

所以除了综合成本和Token吞吐，联想把任务完成精准、绿色可持续、全链路安全也算进考核，合成词元工厂的五大核心竞争力。

按联想的说法，这五个字是“多、快、好、省、绿色”。

“好”这一项更值得琢磨。同样让Agent干活，一套系统一次就交出合格结果，另一套要反复改、反复推理，后者就算烧掉更多Token，也谈不上创造了更多价值。

联想给这种情况起了个直观的名字——有效Token。

对一家企业而言，Token产量和百万Token单价当然要看，可抛开实际任务的完成质量，性能指标再好看，也难讲清AI到底带来了多少实打实的价值。

把一座工厂，变成一套方法

“各自都没错，整体却出了问题”，姚振宇说他见过不少这种场面：

企业IT系统一出故障，硬件、数据库、平台供应商都能自证清白，可根源就是查不出来。

AI系统牵扯的环节越多，这类麻烦只会越明显。

分散的能力怎么重新拧成一股绳，正是词元工厂要过的坎。

联想从动手做词元工厂第一天起，看中的就是这个机会。

这家在多个技术环节都有积累的硬件老大哥，把自家企业AI业务装进了一个叫“三层混合动力”的框架：

• 最底下是问天AI基础设施，服务器、存储、网络和异构智算平台都在里头；中间一层是这次发布的万全混合词元工厂，干的是把计算资源变成能持续供应的Token服务；最上面摆着擎天、百应等智能体方案和服务，直接对接企业的实际应用。

三层能力串起算力生产、Token供给和业务使用，最后落在一个枢纽角色上——帮更多企业从“+AI”走向“AI+”。

所谓“+AI”，是在原有业务流程里塞进AI工具，解决某个局部环节的问题；“AI+”不一样，它要让AI进入研发、生产、供应链这些核心业务，把生产流程和组织方式重新做一遍。

AI接的任务越复杂、扎进业务越深，企业对底层算力的稳定性、经济性和灵活性就越是离不开。

联想的优势就在这里：业务能力横跨基础设施与应用两头，既能参与设备、能源和算力效率的优化，也能靠模型服务和智能体应用拿到真实业务的反馈。

一头连着算力生产，一头接着真实业务，联想在AI基础设施价值链上站到了离最终产出更近的地方。

能力齐全是一回事，让协同自然发生是另一回事。要把跨环节优化变成能复制的方法，还得有块成熟的试验田。

张家口就是这块田。它既是联想万全混合词元工厂的第一个落点，也担起了验证任务。联想管它叫“首座混合词元母本工厂”。

按计划，联想会拿自己真实的AI业务负载去检验不同算力和模型之间的协同效率，一边跑一边优化资源调度、成本控制和安全运营机制，等技术和运营经验成熟了，再往不同产业推。

联想集团执行副总裁兼中国区总裁刘军提到，公司内部已经有上百个智能体应用，正好能提供持续变化的使用场景。

母本不是要造一个能1:1复制的机房，目的是归纳出一套让不同资源协同工作的办法。

湖南广电的AI短剧项目可以拿来当例子。

戴炜透露，湖南广电最开始要的其实是内容生成Agent。后来AI创作进入常规生产，Token成本慢慢成了新的压力，双方的合作就延伸到了基础设施层面，计划在长沙建一座专门服务影视和短剧产业的混合词元工厂。

这得从短剧的生产流程讲起。

AI影视制作要过剧本、分镜、图像、视频、渲染好几道环节，不同模型的开销差得很远，项目档期又带来明显的算力波峰波谷。自有IP和版权素材还牵扯数据安全，不能随便交给外部服务。

芒果传媒战略投资部投资总监肖文强也在现场给了判断：算力的供给方式，得服从内容的生产方式。

所以湖南这个项目打算用全模态词元混合路由、多芯多模推理加速等技术，给不同制作环节配上对应的计算资源。

按照规划，项目希望把制作成本降50%、生产周期缩短60%，月产成片超过1200小时，并聚合超过1万名OPC内容创作者。

1200小时摊下来平均每天约40小时成片，背后得靠大量并行任务撑着。这种规模的并行创作，对Token持续供给的要求，比零散调用高出一大截。

这种矛盾不只出现在影视圈。教育场景同样如此。联想披露的上海健生普教项目覆盖600余所中小学，平时教学、集中备课、考试批改对算力的需求各不相同，寒暑假一到，负载又降了下来。

教育系统与影视制作还有一点不同：涉及大量未成年人信息，数据安全和服务连续性的要求更严。算力不能常年按峰值配，也不能为省钱就把敏感业务随手挪到公共环境。

所以混合供给难的地方，不光是资源调多调少，还得在业务规律和数据边界之间找准那个平衡点。

需求匹配得合不合理，最终要看长期运营的成绩单。联想公布的甘肃庆阳燧弘华创智算中心就是一个运营侧样本——它被列为联想首个混合词元运营案例，综合使用成本省下约30%，单一模型日均处理超过200万次调用、20亿Token，把衡量标准落到了日常调用和实际成本上。

这几个案例的业务节奏不一样，资源约束也各有各的难处。词元工厂要想真正走进千行百业，靠一套固定硬件配置包打天下并不现实。该标准化的是底层技术、调度和运营方法，面向具体产业的供给方式则要差异化。

联想打造母本工厂，出发点正在这里：张家口先把方法验证出来，其他地区再按能源条件和产业需求做组合。方法一旦跑通，联想就有机会把自身业务能力变成可规模化复制的词元供给体系，做跨区域、跨产业的词元供给组织者。

坐上组织者的位置，责任就不止于交付。卖服务器的时候，性能和价格都有明确标尺；词元服务进入生产流程后，却要经受业务波动、模型适配、数据安全和成本控制的长期考验。

AI基础设施的价值，正从交付计算能力延伸到交付实际生产力。对企业来说，生产任务能不能稳定交付、长期成本能不能控住，才是衡量AI基础设施价值的最终尺度。

类似的变化，两百多年前的工业革命时期就能看到。蒸汽机带来持续而强劲的机械动力，工厂慢慢不再受水流和地理条件束缚，更多机器和工人得以集中生产。

工业生产从中得到的启示，除了动力更强，还在于能源、机器和生产流程被组织成一套高效运转的体系。AI眼下也在跨过相似的门槛。

芯片性能一路往上，模型能力日新月异，可机房里的算力要变成生产现场的效率提升，中间还隔着模型部署、资源调度和业务适配等不少环节。下一轮AI基础设施竞争的关键，就是把庞大的计算能力转成持续的生产力。

技术越复杂，用技术的人越不该被困在复杂里。繁重的模型部署、资源调度和长期运营，应该交给成熟的基础设施去接，企业把更多精力留给产品、生产和服务。

到这一步，AI 的价值才算落回解决问题这个原点上。

千行百业手里的 AI 生产力，也才有可能在日复一日的运转中真正用起来、用透。