如果一家纺织厂只向投资人展示有多少台织机，却说不清每米布的成本、合格率和订单，恐怕很难让人相信它经营得好。奇怪的是，到了Token（词元）工厂，数显卡、数机柜、数万亿Token，却成了某些项目最醒目的成绩。至于这些Token卖给谁、成本多少、能否赚钱，展厅大屏往往没有答案。
2026年，Token工厂正在成为人工智能产业的新热词。江苏出台词元经济行动方案，鼓励算力中心向词元服务转型；北京提出建设词元工厂和分级评价体系。从比拼多少P算力，到展示日产多少Token，人工智能基础设施终于开始关注产出。但产量不等于销量，调用量也不等于营业收入。一个更尖锐的问题随之出现：我们究竟是在建设新型智算基础设施，还是给旧式算力投资换了块招牌？
Token不是钢铁，更像机票
Token是大模型处理信息的基本计量单位。Token工厂把算力、模型、数据和推理系统组织起来，持续向客户提供可计量、可计费、可交付的智能服务。“工厂”一词容易让人以为Token像钢铁、水泥一样可先生产、再入库，等待买家。实际上，Token可以保存和复用，但今天闲置的算力不会变成明天额外的产能。就像航班起飞后，空着的座位再也卖不出去。航空业用“可用座公里”衡量运力，用“收入客公里”衡量真实销售，二者之比就是客座率。Token工厂同样需要自己的客座率：理论峰值、有效调用、实际付费，三者之间的落差，比日产多少万亿Token更能反映经营水平。
而且，Token之间并不等价。不同类型的Token，生成成本不同；不同模型完成相同任务，消耗的Token数量也可能相差很大。一个工业智能体用10万Token正确处理设备故障，另一个消耗100万Token仍答错，按产量统计，后者反倒领先。这样的排行榜，恐怕只有显卡供应商喜欢。
因此，当一家工厂宣称每天能够生产万亿Token，我们至少还要问：使用什么模型？能够完成什么任务？响应速度多快？单位成本多少，又有多少Token真正卖给了客户？离开质量、成本和客户需求，万亿Token只是一个漂亮的数字。
产量涨1000倍，产值未必涨1000倍
建设Token工厂最怕重走算力投资老路，先建机房、采购服务器，最后招商。算力投资的风险，正在于设备的财务折旧周期与技术迭代周期日益错位。账面上尚未收回成本的芯片，可能随着新一代产品性能和能效的跃升，提前丧失市场竞争力。
更大的压力来自价格。Epoch AI在2026年9月公布的研究发现，自2023年以来，在一组能力测试中，达到同等表现所需的调用成本平均每季度下降约47%，折算约为一年降低至原来的1/13。一家Token工厂即使调用量增长10倍，如果单位售价也降至原来的1/10，营业收入仍然原地踏步。这正是所谓的“红皇后”困境：必须拼命奔跑，才能留在原地。
因此，合理的投资顺序应当是订单先行、分期扩产，先完成场景验证、模型适配和成本测算，再根据真实需求配置产能。对时延不敏感的批量任务，可以通过错峰调度降低成本。OpenAI的批处理服务允许在24小时内完成任务，收费较常规调用低50%。对实时性和数据安全要求高的业务，可以根据需要采用本地部署。在这个行业，提前赢得客户，比提前买到显卡更重要。
Token越省，生意反而越难做？
Token工厂最直接的商业模式，是按照Token调用量收费。但这里暗藏悖论。假设某个工业智能体原来完成一项任务需要10万Token，经过优化只需1万，结果更准确、响应更迅速。按照调用量计费，同一笔业务的收入反而可能下降。照此逻辑，最会浪费Token的模型，倒可能成为最积极的创收机器。当然，节省下来的算力可以服务更多客户，但这个例子揭示了单纯按量计费的局限。Token可以衡量资源消耗，却难以衡量智能服务创造的价值。
Token工厂的商业模式需要向智能服务延伸。在基础层，提供高效、稳定、可计量的模型推理服务；在平台层，通过模型适配、智能调度、性能优化和服务保障，向开发者交付可直接调用的智能能力；在应用层，则可以与行业软件企业合作，探索按任务、服务等级乃至实际业务成效收费。对于制造企业，真正值得付费的是设备故障减少了多少、研发周期缩短了多少、生产效率提高了多少。至于完成这些任务消耗了1亿还是10亿Token，客户未必关心。
这并不意味着每家Token工厂都要亲自开发行业应用，但其经营逻辑必须从销售计算资源走向交付智能能力。当技术进步能够帮助客户以更少的Token完成更多任务，运营商也能通过更高的服务质量、更广泛的应用和更稳定的客户关系获得收益。未来Token工厂的竞争，最终要看谁能够以更低的成本交付更高质量的智能服务。Token决定如何计量，智能服务决定客户为什么付钱。
买得来显卡，未必经营得好工厂
Token工厂容易出现的一个误判，是把硬件配置等同于生产能力。芯片提供基础，软件则决定这些算力能够以多高的效率转化为稳定、低成本的智能服务。同样的GPU集群，采用不同的推理引擎、调度系统和运维策略，实际生产效率可能相差甚远。国内已有不少实践，基流科技通过异构算力调度、通信优化和集群管理，提高现有设备的运行效率。硅基流动在与贵州移动合作的Token工厂项目中，通过算子融合、显存优化和动态批处理，在相同硬件条件下将单位GPU推理性能提升30%以上。软件优化由此成为扩大有效产能、降低单位成本的一条重要路径。
这也对Token工厂的投资和运营提出了更高要求。地方国资可以提供基础设施、长期资本和公共服务配套，也可以通过专业托管、联合运营等方式引入市场主体，但必须确保技术能力、客户资源与经营责任相匹配。设备折旧由谁承担，技术更新由谁负责，产能闲置和客户流失的损失如何分担，都应在投资之前算清楚国资负担。衡量国资参与成效的标准，最终应是撬动了多少真实市场需求、培育了怎样的产业生态，而非拥有多少台显卡。
更要警惕一种熟悉的产业循环：政府协调投资，国资采购设备，再由政府协调本地单位购买服务。看似形成了商业闭环，实则可能只是财政资金绕着机房转了一圈。Token工厂最终仍要依靠独立、持续的市场收入证明自身价值。毕竟，显卡可以花钱买来，客户订单却不会随着机房竣工自动出现。
Token可以异地生产，价值应当留在本地
对于地方政府，还有一个更值得关注的问题：一座城市究竟需要多少家Token工厂？又应该在词元经济产业链上占据什么位置？能源成本低、规模化供给条件好的地区，可以竞争大规模推理产能。模型与软件人才集中的地区，可以发展推理引擎和服务平台。制造业密集的城市，更值得布局行业数据、模型评价、智能体开发和应用集成。城市无需把每一个Token留在本地生产，却应尽力把应用创新和产业收益留在本地。
我甚至认为，评价一座城市词元经济的发展水平，应该更多关注有效Token消费及其创造的产业价值。与其按新建多少Token工厂、发放多少Token券排座次，不如看看有多少企业真正用上了AI，多少生产流程得到改善，每投入1元AI成本能够创造多少经济收益。Token消费量增长值得观察，但无效调用也能把数字做大，尤其要避免一边补贴生产、一边补贴购买，最后以双方相互结算证明项目成功。
Token工厂当然值得建设，但最终必须经受市场检验。否则，几年以后，我们可能又会看到熟悉的场景：机房灯火通明，展厅里的Token产量不断跳动，接待人员熟练地介绍着万亿级生产能力。参观者听得十分振奋。只有财务人员还在追问那个略显扫兴的问题：这些Token，究竟卖给谁了？
或许，评价一家Token工厂最有效的方法，就是关掉展厅的大屏幕，打开它的客户订单和经营账本。