结论：联想集团董事长兼 CEO 杨元庆在 2026 年 10 月 23 日的内部领导力培训中预测，未来 80% 的 Token 将在终端和边缘侧生成，并判断每人都需要一台家用服务器或专属 AI 中心。
关键数字：终端与边缘 Token 占比预测 80% / 联想 AI PC 全球份额 25.1% / x86 服务器出货全球第一（IDC 2026 Q2）。

端边云协同：80% 推理为何要下沉

杨元庆判断，随着大模型参数迈入万亿级、Token 规模持续扩大，AI 应用正从云端集中式计算走向端边云协同。

他认为”过去的生态是芯片和操作系统，未来的生态是计算、模型和数据”，算力是联想最具优势的领域，公司将重点做好 Token Hub 统一调度与端边云全栈组合。

每人一台 AI 中心：个人计算将被重写

杨元庆提出，随着个人 AI 普及，每个人都需要一台家用服务器或属于自己的 AI 中心，形成围绕个人数据、模型和智能体的专属计算体系。

联想正以”一体多端”推进个人 AI 战略，并已通过个人超级智能体 Qira 整合跨设备 AI 体验。

设备交给 Agent：谁在用这台机器

他还判断，未来很多设备不再由人直接使用，而是由 Agent 使用——智能体从回答问题转向自主执行任务。

这意味着计算设备既要满足人的交互需求，也要适应智能体持续运行、协同工作与自动执行任务的需要。

这对联想和用户可以意味着什么

对联想：把算力优势押注在推理下沉一侧，发展 Token Hub 在统一平台上将不同工作负载分配给不同模型，提高 Token 使用效率。

对个人用户：家庭 AI 计算设备的需求或被重新点燃，但重度使用者才更需自建专属算力。

值得注意的是，IDC 2026 年第二季度数据显示联想 x86 服务器出货登顶全球第一，为其端边云路线提供了底座支撑。

常见问题

80% Token 在终端生成意味着什么？

意味着大量 AI 推理将从云端下沉到设备与边缘，个人计算设备和边缘基础设施迎来新的增长空间。

普通家庭需要买家用 AI 服务器吗？

视使用深度而定。重度 AI 用户可构建专属计算体系，轻度用户暂不必跟风采购。

联想凭什么押注端边云路线？

算力是其优势领域，且 IDC 2026 Q2 显示其 x86 服务器出货与营收均居全球前列。

信息来源：IT之家/新浪科技 2026-10-23 报道（联想内部领导力发展培训项目发言）。

首个省级词元经济专项政策落地

9 月 18 日，北京市经济和信息化局与北京市发展和改革委员会联合发布《北京市加快词元经济发展的行动方案（2026—2028 年）》，即“词元经济十条”。这是北京市级层面首个围绕词元经济发展的专项行动方案，也是首个省级单位发布的词元经济专项政策，文件自公布之日起施行至 2028 年 12 月 31 日。

六大维度、十条核心政策

方案设置六大维度、十条核心政策，系统构建词元经济产业体系：在生产端，高标准建设“词元工厂”并推动基础模型与推理芯片等核心技术攻关；在流通端，建立词元质量评测体系、打造词元分发平台；在消费端，培育通用与垂直领域智能体、构建智能体核心软件生态；在国际合作上，面向“一带一路”等新兴市场提供词元技术与算力服务；此外还提出探索数据本体技术范式，并配套算力与词元金融工具、词元工程师再技能化培训。

把 Token 当作新型生产要素

词元（Token）是大模型处理信息的最基础计算单位。市经信局介绍，近两年中国市场的日均词元调用量增长超千倍，目前中国超半数词元生产集中在北京，仅豆包一家企业的词元调用量已突破 180 万亿。市经信局预测，词元经济全产业链在“十五五”期间有望突破万亿规模。数字产业处相关人士表示，针对词元“空转”与质量参差问题，建立评测体系有助于筛选优质词元、引导市场。

从算力到应用的全链路布局

方案将“算力变词元”视为北京的核心优势，提出市场化调度京津冀蒙等地算力资源，建设覆盖电力、算力调用、词元生产、分发与应用的系统化工程。以词元工厂为底座、以分发平台为入口、以行业智能体为场景，北京正试图把 Token 从技术资源转化为可计量、可交易的经济要素。

9 月 16 日，华为举办”以行动，至未来”探索智能世界系列报告线上发布会，正式发布《智能世界 2035：从愿景到行动》研究成果，首次提出通往智能世界的十大关键命题。

报告指出，Agentic AI（智能体 AI）正推动数字世界从”以应用为中心”走向”以智能体为中心”。智能体持续感知环境、自主推理决策、动态调用工具并实时与人交互，每一步都伴随 Token 的大规模生成与高频流转。

十年 Token 消耗将增 10 万倍

报告预测，到 2035 年，全球年度 Token 消耗量将增长 10 万倍，其中智能体流量占比超过 90%，对算力、网络与云提出远超传统互联网应用的要求。围绕这一判断，报告凝练出十大关键命题：

1. 构建具备自主认知与全域通用能力的 AGI，走向物理世界是 AGI 形成的必由之路，需在语言智能、具身智能、科学智能等方向协同推进；<br/>2. 算力集群规模百倍提升，智能体任务成本千倍下降，计算架构从”单芯片算力”转向以”超节点”为核心的 Token 高转换效率体系；<br/>3. 构建因果准确、溯源可信的新型存储与记忆系统，推动从”数据”向”知识与记忆”演进；<br/>4. AI 全面融入通信系统，构建以体验为中心的智能联接底座；<br/>5. 深耕”韬定律”下的芯片设计方法与工具，以”时间缩微”替代”几何缩微”，支撑时延与能效协同优化；<br/>6. Agent OS 成为智能体原生技术底座，核心能力可概括为”（协同力 × 执行力 × 记忆力 × 连接力）^ 演进力”；<br/>7. 定义无感适配、全域随行的终端智能新形态，让智能服务跨越设备与场景持续伴随；<br/>8. 实现智能驾驶的自我学习与极致安全，推动汽车从交通工具向”移动具身智能体”演进；<br/>9. 攻克供电与散热难题，支撑 AIDC（人工智能数据中心）走向更大算力规模；<br/>10. 面向自主 Agent 的安全与隐私保护，为智能世界筑牢可信可控的安全底座。

数智化指数同步发布

会上还同步发布了由华为联合清华大学经济学研究所撰写的《全球数智化指数（GDII）2026》。该报告预测，未来五年人工智能将累计创造超 27 万亿美元经济价值；全球数智基础设施投资加速，复合年增长率达 19.14%，到 2030 年将超过 4 万亿美元。

华为方面表示，十大关键命题意在为产业界提供从愿景到行动的研究框架，涵盖 AGI、算力、存储、通信、芯片、操作系统、终端、智能驾驶、能源与安全保障等方向。

「李白说『举头望明月，低头思故乡』，这是李白的 Token；他的 Token 跟一个打油诗人写出来的 Token，显然价值是不一样的。」徐子阳说。因此在用 Token 计费时，高价值模型产生的 Token 与一般模型产生的 Token 之间，会存在一个「Token 汇率差」。未来运营商在 Token 计费过程中，可能需要对这一汇率差做进一步研究。

三次流量暴涨的启示

徐子阳首先回顾了历史。从历史上看，数据流量的暴涨至少发生过三次。

第一次是在 90 年代，通信固定电话需求旺盛之时，用程控交换机、用 TDM 技术解决了固定语音的流量暴涨。第二次是在 2000 年，用 IP 技术和光技术解决了互联网流量的暴涨问题。第三次流量暴涨发生在 4G 和 5G 移动通信时代，用 LTE 技术解决了无线通信的流量暴涨问题。

现在同样的问题来了：在 AI 时代流量暴涨的时候，网络应该做好哪些准备？

AI 对网络的三个「不一样」

徐子阳指出，AI 对网络的需求跟以往有三个不一样。

第一是服务对象不一样。 以往网络上的流量基本是人使用的，现在不一样——今年互联网的流量有近 60% 是给机器服务的。特别是智能体正呈现由虚向实演进的趋势，对云边端连接提出了千倍的需求。

第二是计费的度量不一样。 以前用比特计费，现在要用 Token 来计费。Token 的调用量在一到两年的时间里呈现了千倍的增长。而如上所述，不同能力模型的 Token 价值存在差异，汇率差将成为计费体系必须面对的问题。

第三是需求能力的变化。 AI 需要频繁地进行上下文交付，这对整个 5G 网络的上下行流量产生了极大需求，特别是上行流量的增长对网络提出了更新的要求。此外，AI 大量边缘智能体的协同需要确定性的网络，对时延又提出了非常高的要求。

运营商集体转向 Token 经营

这一判断与行业趋势相呼应。国家数据局公布的数据显示，2024 年初中国日均词元调用量为 1000 亿；至 2025 年底跃升至 100 万亿；今年 3 月已突破 140 万亿，两年增长超千倍。

据界面新闻报道，三家运营商已经形成的共识是：Token 将成为继语音、流量、宽带之后，第四个通信计量单位。各家运营商均已开始探索售卖 Token 套餐，并复用了卖话费、流量套餐的经验——做成定额、统一标准、随话费一起扣费。从已上线的套餐看，中国移动和中国电信的起步价分别为 5 元/月和 9.9 元/月，中国联通推出的 TokenPlan 套餐售价 15 元/月起，不同套餐包含的 Token 额度有所差别。

中国联通依托元景 MaaS 平台售卖 Token，业界最新发布或开源的模型当天即可上线该平台，同时推出了元珠计量计费体系，实现词元精准计量与计费，用量透明可追溯。

卖 Token 是一门怎样的生意

运营商积极布局 Token 套餐，一方面源于传统个人通信业务营收增长见顶，需要寻找第二增长曲线；另一方面，运营商也希望争夺 Token 的定价权。目前各家模型厂商各自定价，业内存在 Token 种类多、计费规则不统一、用量不透明等问题，像卖通信套餐一样售卖 Token，有助于让价格更透明、更容易标准化。

与互联网厂商相比，运营商手里的牌不在模型，而在经营体系：手机号即账号、话费直接代扣，用户不用注册、不用绑卡，多家模型的 Token 还能装进一个统一额度池、出一张统一账单。这套体系的门槛更低，适用于更广泛的人群。

不过挑战同样存在：Token 收入需要向模型厂商分润，毛利势必低于模型厂商；模型能力和服务能力均非运营商自有，迭代速度与服务运营生态难以匹敌互联网厂商，用户粘性如何保持仍是待解问题。

问题出在“token”这个计量单位

用户向大模型提问、让它写代码或自动执行流程时，这段提示词会被拆成一个个被称为 token 的数学块交给模型处理，模型的回答同样以 token 的形式产出，再还原成文字、代码或指令。

麻烦在于，这个过程并不可预测。提示词的细微差别会带来不同的回答，同一段提示词两次运行结果也未必一致，换个模型答案又不一样。而在智能体系统里，多个 AI 智能体协同决策与执行，token 消耗量和不确定性还会进一步叠加。

身份管理公司 Saviynt 正在把智能体能力接入自家服务，公司高管 Simon Gooch 的说法很直白：“想把客户绑定在一套未来 12 个月、两年、三年的成本模型上，说实话根本讲不通，因为我们自己也不知道。”

单价暴跌，用量暴涨

高盛的分析显示，近年来单个 token 及其对应额度的价格已大幅下滑，但企业和个人消耗的 token 数量却在飞速膨胀。该行预测，随着各方转向使用 AI 智能体，2026 年到 2030 年间 token 消耗量将增长 24 倍，达到每月 120 千万亿个（1.2×10¹⁷）。

问题是，多数使用者对自己烧掉了多少 token 只有模糊的概念，往往要等到额度用尽或月底账单送达才反应过来。报道援引消息称，连微软都已收紧工程师对部分第三方编程工具的使用；而优步在今年早些时候，把一整年的 AI 编程 token 预算在几个月内就消耗殆尽。

伦敦政治经济学院数字创新与信息系统副教授 Will Venters 认为，企业在内部试验或落地 AI 时最容易踩坑，因为员工会不知不觉把额度耗光。“大家发现这个成本真的很难管……它的产出是非确定的，所以价值也是非确定的。”

各方的应对办法

工程软件公司 smartR AI 创始人 Oliver King-Smith 观察到，规模较小的组织“可以躲在雷达下，用固定费用的个人账户，我敢肯定大厂并不乐意”。但他判断这条路走不长：“大厂在这些账户上是在亏钱的。”一旦平台开始面临股东的盈利压力，“他们就会收紧”。

英国财务软件公司 iplicit 首席财务官 Rob Steele 则强调提示词要写得更精确。他打了个比方：“你总不会一句交代都没有，就打发家里人去采购一周的东西吧？”

Venters 补充说，当 AI 被嵌入一款要面向成千上万用户推广的产品时，局面会更难控制——管理者可能才意识到，除了核心的软件开发，测试、安全乃至护栏机制同样都要消耗 token。他还提到一个容易被忽视的对比：多雇几个 AI 智能体只需点一下按钮，而扩充人类团队则要经过编制和招聘的层层讨论。

不过 Venters 也提醒，成本不可预测未必等于亏，企业可能确实从中获得了更高的价值。“这跟计算器不一样，”他说，“你喂给它的越多，它就越贵，但结果也可能越好。”

卖方同样一头雾水

企业还得把这些成本转嫁给自己的客户，而这一步同样没有答案。软件公司 Sumo Logic 产品营销高级总监 Bill Peterson 说得直接：“没人真正搞明白。”该公司正在预览基于智能体的新安全服务，如何收费仍在与企业客户商讨中。“我们内部还在开一些‘有意思’的会。”他略带调侃地表示。

可选方案包括全线涨价、按结果付费，或按“事件包”打包销售。但只要底层大模型厂商调整自己的定价策略，这些结构随时可能被推翻。“一旦进入浮动定价，价格每隔几个月就变一次，”Peterson 说，“客户不喜欢这样，没人是这么做预算的。”

来源：BBC News

据《卫报》看到的内部备忘录，Atlassian 本月为研发团队的员工推出了”AI 钱包”，每人每月上限在 500 至 2000 美元之间，可用于包括 Claude Code 在内的四款 AI 产品。当花费接近上限时，员工会收到提醒；额度用尽后，AI 工具将暂停使用。员工可以申请追加预算，知情人士称目前公司并未拒绝过任何追加请求。

“Tokenmaxxing” 正在推高企业 AI 账单

Atlassian 的举动，与硅谷一度流行的”tokenmaxxing”形成鲜明对比。这个词指鼓励员工尽可能多地使用 AI，一些公司甚至用排行榜来炫耀谁的 AI 用量最高。

代价是真实的。据报道，Uber 在四个月内就烧光了全年 AI 预算；亚马逊也已要求员工不要为使用而使用 AI。token 是 AI 响应的基本计费单位，OpenAI 称一个 token 约等于四个字符，而美国《独立宣言》全文约为 1695 个 token。即便模型单价持续下降，企业实际支出仍在快速上涨，因为 AI 代理会自主生成大量子任务和提示词。

Atlassian 发言人表示，公司正转型为”AI 优先企业”，AI 工具预算按角色设定，”AI 钱包”实际上还提高了员工可支配的额度。但显然，核心目的不是省钱本身，而是让花钱变得可见、可管理。

80% 的高管担心”用得多”被误当成”干得多”

一项由搜索 AI 公司 Elastic 委托、PureProfile 在 6 月开展的调查访问了 500 名澳大利亚企业高管，其中 80% 担心高频 AI 使用被误解为生产力提升。32% 的受访者表示，由于成本压力，公司已经暂停、取消或缩减了 AI 部署。

Gartner 副总裁分析师阿伦·钱德拉塞卡兰认为，”钱包”是一种简单有效的激励手段，能促使员工把 AI 用在真正值得的地方。他指出，AI 代理是成本激增的主要推手：”这些系统会自主生成任务、派生子代理、自己写提示词并发起模型请求。虽然模型价格三年来一直在降，但代理发送给模型的 token 总量正在显著增加。”

企业正在尝试多种降本手段：对简单任务使用更小的模型、采用可本地部署的开源或开放权重模型、以及像 Atlassian 这样直接给预算设上限。

从”无限量”到”有天花板”

Atlassian 的限额策略，某种程度上标志着企业 AI 应用进入第二阶段。第一阶段是探索和尝鲜，预算模糊、用量无上限；第二阶段则要回答一个更现实的问题：这些 token 到底换来了什么价值？

Atlassian 今年年初曾表示，AI 是公司裁员 1600 人的部分原因。如今它用”AI 钱包”把成本责任压到每个研发团队身上。这一做法会不会被其他公司效仿，取决于两个指标：员工是否因为额度而减少无效使用，以及 AI 带来的实际产出是否因此变得更清晰。

对中国企业而言，这一幕同样值得留意。随着豆包、Kimi、通义千问等模型在企业场景的渗透率提升，如何计量、分摊和控制 AI 支出，很可能很快从”后台技术问题”变成”前台管理问题”。

来源：The Guardian（https://www.theguardian.com/technology/2026/jul/30/atlassian-tightens-tracking-of-staff-ai-use-as-other-technology-firms-encourage-tokenmaxxing）

这一细节出自《金融时报》援引的一份亚马逊内部演示材料。多份内部报告显示，AI 正在让这家公司在多个项目上出现超支，而 180 万美元还只是其中单个项目的数字。

“以前不值钱的错误，现在贵得吓人”

按照内部材料的说法，这类失误过去”便宜到可以忽略不计”，但 AI 模型让它们变得”代价高到灾难性”，尤其是在部署 AI 智能体之后，token 消耗量急剧攀升。

目前已知最大的一笔来自一次失败的 Claude Sonnet 部署，原本用于匹配作者信息与商品列表，最终花掉 180 万美元。除此之外，内部还浮现出另外两笔超支：一个财务审计工具项目额外产生了 54.1 万美元成本——这一点颇具讽刺意味；一套用于缩短物流网络配送时间的系统，额外支出 13.4 万美元。

从数量级上感受一下这笔钱的分量：Claude Sonnet 的公开定价约为每百万输入 token 3 美元、每百万输出 token 15 美元。仅按输入价格粗略折算，180 万美元大致对应约 6000 亿 token 的消耗量。作为参照，同一模型上一次典型的开发者编程任务，成本通常远低于 5 美元。

亚马逊的回应：不要以偏概全

针对这些数字，亚马逊在内部演示中回应称：”和任何新技术一样，我们也在实验、学习并改进使用方式，包括如何提升成本效率。”

公司还表示：”挑出一些孤立的小例子——那些团队正在相互学习的场景——并把它们描绘成常态，并不能反映亚马逊各团队使用 AI 的真实情况。”

从比例上说，这个辩解有其道理。亚马逊最新一季营收超过 1810 亿美元，这些超支的 AI 费用甚至占不到其一个月收入的 0.1%。

真正的问题在治理，不在模型

这并不是 AI 第一次在亚马逊的工作流里制造麻烦。今年早些时候，AWS 曾报告多起由 AI 编程机器人失误引发的服务中断，公司的应对方式是限制 AI 智能体的权限，而不再让它们与所绑定的资深工程师享有同等权限。

更值得注意的是激励机制层面的问题。亚马逊内部曾维护一份排行榜，展示哪些员工使用 AI 最多。在 AI 成本不断膨胀之后，公司重新审视了这一政策并取消了排行榜。这套机制催生出一个被称为”tokenmaxxing”（刷 token 量）的现象——员工为了在排行榜上排名靠前，让 AI 智能体去执行毫无意义的任务。

不少科技公司都在推动员工多用 AI，理由是能提升生产力。但优步（Uber）首席技术官表示，这类政策与能否成功交付产品之间并没有关联。

问题的根源在于计费模式的转变。随着智能体接管更多工作、AI 供应商从订阅制转向按 token 计费，成本迅速膨胀，一些企业在几周内就用光了全年预算。传统软件里那些只值几分钱的失误——低效的循环、设计糟糕的工作流、失控的批处理任务——一旦交给大模型按 token 逐步执行，就会变成毁灭性的开支。

对亚马逊、微软这样的巨头而言，这也许还不是燃眉之急；但对绝大多数其他公司来说，这样的成本结构难以持续。

这起事件给所有在内部部署 AI 智能体的企业留下了一份相当明确的反面教材：为每条工作流指定明确的费用责任人，给智能体设置硬性熔断开关，并把自主 AI 系统当作正式的生产负载来对待，而不是当成边缘实验。

一张 180 万美元的账单，挂在一个从未上线的项目上——这说明跳过治理环节的代价，已经不再是假设性问题。

来源：Tom’s Hardware（https://www.tomshardware.com/tech-industry/artificial-intelligence/amazon-accidentally-spent-usd1-8-million-using-claude-for-menial-coding-task-went-860-percent-over-budget-catastrophically-expensive-coding-blunders-discovered-in-internal-amazon-ai-usage-metrics）、《金融时报》

从”Token最大化”到”Token最小化”

据《华尔街日报》报道，美国企业界正在经历一场根本性的AI支出转向。几个月前还流行”Tokenmaxxing”（Token最大化）——Meta内部有名为”Claudeconomics”的排行榜，追踪前250名重度用户，员工30天内消耗了超过60万亿个Token，有人为了竞逐”Token传奇”称号，让AI代理花数小时做无意义的研究来刷量。

如今，风向完全调转。”Tokenminimizing”（Token最小化）成为新口号。AT&T已开始限制部分员工访问GitHub Copilot的权限；Meta在收紧员工在Anthropic及其他AI服务商上的支出；Uber在2026年4月就耗尽了全年AI编程预算，随后对每位员工每款工具设定每月1500美元使用上限。

亚马逊则直接废除了名为”Kirorank”的内部AI使用排行榜。亚马逊高级副总裁Dave Treadwell公开承认，员工为了刷榜让AI执行无意义任务，推高了运营成本。他明确指示员工：”不要为了用AI而用AI。”

账单触目惊心

驱动这一转变的是迅速膨胀的成本压力。AI使用强度最高的企业，每名员工每月AI支出已高达7500美元。微软发现，部分工程师每月仅在Claude Code上消耗的Token费用就高达500至2000美元。更极端的案例是，据Axios报道，一家企业客户在单月内花费了5亿美元用于Claude，原因仅仅是没有为员工使用量设置任何上限。

问题的根源在于AI智能体（Agentic）工具的普及。与用户手动发送单条指令不同，此类工具在完成一项任务的过程中会反复自动调用模型，大幅推高实际用量。这使得即便单Token价格持续下降，企业整体账单依然居高不下。

省钱新策略：混合模型与”兰博基尼不该买菜”

面对成本压力，企业开始采用全新的AI使用策略。Cursor公司首席技术官Mike Saeks做了精辟解释：”对于普通任务，不需要功能最强大、最昂贵的AI模型。这就像开兰博基尼去杂货店买牛奶，而兰博基尼原本是设计用来在赛道上驰骋的。”

具体做法包括：用最先进的AI系统规划任务，再用便宜的模型去执行；在不同模型之间灵活切换——将中国模型如Moonshot开发的Kimi等纳入工作流，按需选择。Cursor的实验显示，使用OpenAI的GPT-5.5从零构建网页浏览器成本超过1万美元，而结合Cursor的Composer编码模型和Anthropic的Claude，成本仅为1339美元，节省超过87%。

法律AI初创公司Harvey的总裁Gabe Pereyra表示，他们训练了GLM-5.2，让其在遇到复杂任务时再”调用”Anthropic的Fable 5模型——既保持性能又大幅降低成本。

市场格局重塑

这场AI支出转向正在重新定义AI市场的受益方。能够帮助企业监控、限制和优化AI支出的”网关”（Gateway）工具与模型路由器需求快速上升，微软、Databricks以及英伟达投资的Factory等公司迎来增长窗口。

与此同时，廉价但高效的开源模型和中国模型正在蚕食OpenAI和Anthropic的市场份额。Zoom早在三年前就开始使用Meta开源的Llama模型，通过微调大幅节省成本。Zoom首席技术官黄学东引用中国古语”三个臭皮匠，顶个诸葛亮”来形容企业采用多种模型组合的策略。

Anthropic和OpenAI正试图锁定客户，提供合作机会和巨额AI使用补贴。但企业高管的共识明确：AI成本降低的时代已经到来，并将持续下去。

*文章来源：本文基于《华尔街日报》（The Wall Street Journal）2026年7月25日报道”Corporate America Has Suddenly Decided to Stop Blowing Money on AI”改写，并综合Axios、The Information、彭博社等多家媒体补充信息。*

AI产业竞争的新焦点：从模型能力到价值闭环

本届WAIC以”智能伙伴，共创未来”为主题。丁永指出，行业关注点正在从模型能力竞争逐步转向应用价值创造。过去几年围绕参数规模、模型性能和技术突破的讨论正在被一个更核心的问题取代：AI如何真正进入企业业务流程，如何降低应用门槛，如何通过实际业务结果创造价值。

在这一趋势下，Token成为连接算力、模型与应用的重要基础资源。润建股份的探索聚焦于此：依托五象云谷Token工厂，构建Token生产、应用、部署和服务的全栈能力，降低企业使用AI的成本门槛。

Token工厂：700%性能提升与30%成本下降

润建股份在展会上发布了五象云谷Token工厂润蟾平台，通过对Token吞吐性能的优化实现了700%的性能提升，进一步降低Token成本。

电力成本是Token生产的重要组成部分。基于润建股份在能源领域的积累，通过虚拟电厂结合储能能力调配绿电使用，降低算力生产的能源成本。公司获批准在南宁五象云谷计算中心自建220千伏专用变电站，通过专变提供480兆瓦容量，预计降低30%以上的算力使用成本。

制冷方面，采用微通道液冷结合800伏高压直流技术，使PUE降至1.1以下。

AI FDE：派工程师进企业现场

在Token应用环节，润建股份提出了AI FDE（AI Forward Deployed Engineer）服务体系，定义为VGE——Value Growth Engineering，即价值增长工程师。简单来说，FDE团队会进入客户现场，与企业共同挖掘AI应用场景和价值。

丁永解释了客户选择这种模式的原因：一方面是低成本Token，另一方面是适用于企业AI化转型的工具链。FDE团队携带工具、Token和行业场景的结合能力，帮助企业将AI从技术概念转化为可衡量的商业价值。

出海布局

丁永还谈到了出海方向。润建股份在东南亚和中东已有布局，Token工厂模式可以复制到海外市场。不同地区对AI的需求场景不同，但降低成本门槛的逻辑相通。

来源：36氪专访