过去两年，整个AI行业的注意力几乎都压在训练端。行业热点主要是哪家公司建了多大的集群、哪个模型把参数又推高了一个量级、哪家芯片的新品又把算力翻了一倍。

那是一个“造模型”的时代。算力的全部意义，似乎就是支撑下一次参数竞赛。

进入2026年，风向变了。

训练的故事还在继续，但行业真正的焦虑、真正的资本开支、真正的工程难题，正在集体挪到另一边——怎么让已经做出来的模型，稳定、便宜、大规模地跑起来。而围绕这个问题的讨论，正在收敛成一个新词：Token工厂。

在AICC 2026大会上，IDC和浪潮信息联合发布的报告显示：2026年全球活跃Agent约7940万个，到2030年将达22.16亿个。而同期Token消耗量的增长更为惊人：从2026年的0.026Peta（千万亿），增长到2030年的152667Peta。Agent数量增长约28倍，Token消耗却增长数百万倍。

与此同时，斯坦福大学披露的大模型推理成本两年下降了280多倍，一边是成本的下降，另一边是中国Token消耗量的大幅暴涨，由此业内也出现了“Token通缩”的说法——模型越便宜，用得越多；用得越多，越要把每一张卡、每一度电榨出更多Token。

而这一切背后的推手，正是Agent。

当智能体开始替人完成真实工作，算力的消耗方式就从“一次性的峰值”变成了“常年在线的供给”。一个复杂任务的背后，已经不再是一次模型调用，而是几十次、几百次的模型推理，是多个Agent连续几小时，甚至几天的协同工作。

智能本身，正在像电一样，成为一种可以被规模化生产、计量和供给的生产要素——Token，正是这种生产要素的计量单位。

Token工厂，

正在成为算力行业的新共识

浪潮信息首席AI战略官刘军在AICC 2026人工智能计算大会主论坛上，把这场变化概括为一次从“提供算力”到“生产智能”的迁移。

用刘军的话说，从ChatGPT到快速发展的Agent，AI正在发生一个关键变化——从回答问题，走向解决问题：一个智能体接到任务后，要理解目标、制订计划、调用工具、执行任务、检查结果，发现问题还要重新规划，跑起来就是几个小时甚至几天。

顺着这个判断往产业里看，最直接的承接者，就是Token工厂。这种共识在AICC上体现得尤其直接，本次大会甚至专门设置了“Token工厂”分论坛，一众Infra厂商都在讨论同一件事——怎么把算力高效地变成Token。

分论坛上，信通院专家给出了一个判断：Token正在具备“水电煤”式的属性——普惠、基础、连续；围绕它的产业生态，已经从算力供给、Token生产、Token分发一路延伸到Token应用，Token工厂正成为连接AI基础设施与Agent应用的底座。因此，在不少行业人士看来，2026年已经称得上“Token元年”了。

时至今日，Token工厂的入场者已经越来越多：运营商把它当成新的大生意，云厂商把它做成新的服务形态，初创公司靠极致的算力优化把价格打下来，大型企业则把它视为守住数据与安全的私有底座。有人甚至断言：未来人人都是Token工厂。

Token工厂之所以在这个时间点集中涌现，底层原因是需求的形状变了。Agent规模化之后，一次任务从“一次模型调用”变成了“几十、上百次推理”的乘法题，而算力供给只能以线性的速度增长——供需之间的缺口是结构性的，不会随着某一轮扩产而消失。而Token工厂，正是对这种结构性缺口的正面回应：把算力稳定地转化为可计量的Token供给。

更深一层看，Token成为计价单位，也意味着算力行业的商业模式正在发生迁移。过去按“资源”计价，比如卡、机房、云主机都是按配置和时长来卖的，今天算力行业第一次有了真正意义上的“计价单位”——Token。

从本质来说，运营商的大生意、云厂商的新服务、初创公司的价格战、企业的私有底座，都是同一件事：从卖算力，走向了卖Token产能。“算力规模决定产能上限，优化效率直接变成利润”正在成为Token工厂这门生意的核心逻辑。

而在供给侧，算力行业接下来要走的路也越来越清晰。刘军把算力供给分为两个方向：Capability AI Compute（能力型智算）向上突破智能上限，Capacity AI Compute（容量型智算）向广实现智能充分供给。

这两个方向，也成为浪潮信息产品创新的重要着力点。面向能力型智算，浪潮信息发布元脑SD200 Ultra超节点AI服务器。元脑SD200 Ultra基于本土AI芯片，单机承载运行2.8万亿参数的Kimi K3大模型，Token生成时延首次突破5.85毫秒。

面向容量型智算，浪潮信息发布元脑HC2000多元算力机组，采用DirectCom 2.0极速架构，基于高密液冷AI整机柜、搭配MCIS推理软件栈，实现计算负载按需匹配、动态优化，同等投资Token产能提升10倍。

值得一提的是，容量型智算的核心，不追求用一种算力解决所有问题，而是以开放汇聚多元、以协同实现全局最优，让每一份算力都转化成更多可交付的智能——而Token工厂，就是容量型智算最典型的落地形态。

Token工厂走红，行业路径变了：

从“一芯打天下”到“各就其位”

当算力行业的评价标尺从“算力规模”变成了“Token产出”，产业要重构的就不是单颗芯片，而是整个系统。而要看清产业重构的方向，得先回到Agent对算力的真实要求——Agent要的从来不是某一瞬间的爆发力，而是三件非常朴素的事。

其一，装不装得下——更大的模型权重、更长的上下文、持续增长的KV Cache要同时驻留显存。其二，跑不跑得稳——漫长任务链路上任何一次抖动，都可能让之前的推理和执行全部作废。其三，跑得划不划算——推理成本要低到让企业敢把业务真正跑上去。

但这三件事，没有一件是靠“把单卡算力再提高一倍”就能解决的。究其原因，推理不是一种负载，而是一系列负载。

譬如，Prefill高并行、高计算密度，是典型的计算密集型任务，吃算力，且可以通过批处理摊薄成本。Decode逐Token串行执行，是典型的访存密集型任务，吃内存带宽，而且随着任务变长，对显存容量和显存带宽的要求还会更高——每个Token的生成都串行依赖上一步，容不得半点拖沓。Attention频繁访问不断增长的KV Cache，MoE则是大规模All-to-All通信。

如果把它们硬塞进同一套代码和配置里，虽然也能跑，但很容易就会出现顾此失彼的局面。总之，用同一种算力去扛所有任务，必然有大量资源在闲置和等待——简单加服务器带不来线性增长，反而让一部分算力长期闲置、另一部分持续拥塞。

这就是为什么“堆卡”这件事，在以推理为主导的Agent时代突然不灵了。

如今，当我们把各家Token工厂的方案拆开看，可以发现技术路线正收敛为PD分离与多元异构，即把Prefill和Decode拆开、让不同芯片各司其职——这比“一芯扛所有”更划算。

众所周知，芯片从来不是“样样精通”的——峰值算力、显存容量、显存带宽、互联带宽四个维度，即使是旗舰芯片，也难在这四个维度同时做到极致，多数芯片则各有偏科。而异构部署的价值，正是让“偏科”的芯片做自己擅长的事：擅长Decode的芯片，不该被绑死在耦合部署里浪费掉。

可以预见，随着芯片百花齐放、各有专长，跨集群异构的推理架构会成为标配。那么，方向有了，谁来把这些多元算力组织起来、按业务负载动态调配，真正变成可计量的Token产能？这，正是算力机组要回答的问题。

所谓算力机组，本质上是Token工厂里负责“生产Token”的那套产能系统——不要求一种芯片什么都做，而是让不同的算力干最适合自己的活。

以元脑HC2000多元算力机组来说，硬件层面基于DirectCom 2.0极速架构，以原生液冷高密整机柜为载体，把单柜供电做到300kW以上、承载256张加速卡，算力密度提升了4倍。

很显然，当单颗芯片功耗向千瓦级逼近、单机柜功率向兆瓦级逼近，散热和供电已经不是机房配套工程，而是决定Token工厂能否持续运转的主命题，液冷由此从“可选项”变成“必选项”。

与此同时，在软件层面， MCIS多元算力协同推理软件栈持续测量不同算力资源的能力与负载，根据任务需求动态分配算力，并在运行过程中实时调整资源配置，让不同负载都能找到更适合的算力。

综合来看，芯片各就其位，软件动态调度，整机柜按负载组织资源——这套组合解决的不是“某一颗芯片好不好”，而是“多元算力机组怎么被用成一支配合的队伍”。落在Token工厂上，结果也很具体：在HC2000上部署主流开源大模型推理服务，同样的SLO约束下，同等投资Token产能提升10倍。

要知道，电费本就是推理成本里最大的一块刚性支出，每度电多产出10%的Token，光电费这项刚性支出就能省下近一成。也就是说，企业从算力机组里买到的，也不再是一堆零件，而是一套可以直接换算成Token产能的生产系统。

写在最后

总的来说，Token工厂的评价标尺，正在从“拥有多少算力”切换到“生产多少智能”。这不是某一家公司的叙事需要，而是Agent规模化之后需求侧的真实变化——客户要的不再是一次性的算力峰值，而是持续、稳定、可负担的智能供给；落到工程上，就是单位投资、单位电力能够稳定产出的Token产能。

回看技术史，一项技术的最高水平决定它能做到什么，普及程度才最终决定它能改变什么。真正改变几十亿人生活的不是ENIAC，而是个人电脑和智能手机；真正改变工业社会的不是最先进的发电技术，而是稳定廉价的电力进入千家万户。

今天，Token工厂要做的，正是把“智能”这道电，稳定廉价地送进千家万户。企业已经不太关心有多少卡了，他们只关心一件事——投入的算力能替自己生产多少Token、多少智能。