中国的蓬勃发展的人工智能产业正进入一个新阶段，因为投资者、跨国公司和政策制定者将他们的重点转向在世界第二大经济体中将#AI投入使用，并将这一能力出口到海外。#

拆解 DGXX财报：矿企到AI 算力房东的重构 过去几年，加密货币矿企凭借其手中掌握的大量廉价电力和土地资源，成为了这场算力淘金热中最具潜力的“卖水人”。 在众多转型企业中，Digi Power X (DGXX) 展现出了一种“小而美”范式。透过其刚发布的 2026 年第一季度的财报及近期的业务动作，我们可以清晰地看到一家重资产企业如何完成从“旧能源消耗者”向“下一代算力基础设施”的跨越。 DGXX 将 2026 年第一季度定义为业务的“拐点”。这一阶段最核心的特征是主动的业务收缩与财务结构的极度健康。 在资本密集型的 AI 数据中心赛道，大多数企业都在疯狂举债。然而 DGXX 目前维持着罕见的零长期债务状态，且账上躺着高达 1.25 亿美元的现金储备。今年迄今约 4500 万美元的资本支出（CapEx）被精准投放于阿拉巴马州 Columbiana 数据中心的改建与初期 GPU 设备的采购。 这种“无债+高现金”的模型，赋予了 DGXX 极高的经营容错率。伴随旗下 NeoCloudz 在 5 月份正式启动首个 GPU 租赁合同，其 AI 业务的创收齿轮已然开始咬合。 如果将目光放到整个转型赛道，DGXX 的规模只能算是一个“袖珍玩家”。这种体量差异背后，是截然不同的战略分野： 金融化避险路径 (如 BMNR)： 彻底放弃硬件层面的重资产拼杀，转而沉淀为加密资产对冲基金（例如囤积数百万枚 ETH 进行质押生息）。 Hyperscaler 巨头路径 (如 IREN、TeraWulf)： 动辄锁定 2.8GW 甚至 5GW 的惊人电力管道，狂奔在举债百亿、堆砌十万级 GPU 集群的路上，试图直接对话大型科技公司。 中型闭环路径 (如 HIVE)： 利用既有清洁能源跑通数千张 GPU 算力云的商业闭环。 DGXX 目前的算力部署规模（估算千张顶级 GPU 级别）与宏大的“算力新城”毫无可比性。但它避开了同质化的算力军备竞赛，利用极其干净的资产负债表，切入了利润丰厚且风险可控的企业级精品算力托管市场。 通过与 AI 芯片巨头 Cerebras Systems (CBRS) 签署长达 10 年、总价值最高可达 25 亿美元（初始估值 11 亿美元）的主服务协议，DGXX 彻底确立了自己在行业内的位置。 在这场合作中，DGXX负责出地、出电、建机房；Cerebras带着晶圆级芯片拎包入住。 核心的 40 兆瓦 (MW) Tier III 数据中心容量将分批交付，一期 15 MW 预计在 2026 年 12 月投入使用并开始产生确定性现金流。 这份大单不仅仅是营收的保障，更是对 DGXX 阿拉巴马州项目交付能力的背书。 盘点 DGXX 的电力底座：公司目前锁定的总容量约为 400 MW，其中约 210 MW 已并网就绪。在划拨给 Cerebras 40 MW 之后，DGXX 手中依然握有充足的“现货电力”余量。 相较于竞争对手动辄 5GW 的远景规划，400 MW 似乎不值一提。但其核心差异在于确定性。DGXX稳扎稳打的低负债高现金流的“包工头”模式，反而提供了一个极具确定性的备选项。 这可能是为什么，在dgxx财报不及预期的情况下，股价仍然不跌反涨的原因之一 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

老黄点名了下一个将达到万亿美金市值的公司，相比这个Murphy（MRVL的CEO）今天演讲以及他与来黄的对话更值得一看。Murphy用近一个小时的时间，系统阐述Marvell如何押注数据基础设施、为什么光互联将成为AI时代的关键技术，以及这场从铜缆到光纤的转型将如何重塑整个数据中心架构，看完murphy的演讲，相信能对光互联的技术演化有更深的理解和认识，梳理下Murphy的演讲要点： 1、十年豪赌：如何成为数据中心之王 Murphy演讲从一段自我剖白开始。2014年加入Marvell 时，这家公司60%的收入来自消费电子市场，数据中心业务占比不到10%。也正是在那个时刻，他做出了一个大胆的判断——半导体行业的下一个增长周期，将由 Google、Amazon、Microsoft、Meta 等平台公司驱动，核心需求是“以大规模移动、存储、处理和保护数据的半导体技术”。 这个判断在当时并不被广泛认可。“数据基础设施”甚至还不是一个被行业承认的市场类别，只是 Marvell 用来描述未来愿景的内部术语。但 Murphy 和他的团队展现了惊人的执行力：通过一系列精准的并购和剥离，Marvell 在十年间投入了约285亿美元（225亿美元收购+60亿美元内部研发-40亿美元资产剥离），系统性地构建了从毫米到千公里、覆盖 AI 基础设施全栈的连接技术平台。 这些并购包括2018年收购 Cavium 强化计算和网络能力；2019年收购 Avera 建立定制芯片业务、收购 Aquantia 增强连接产品组合； 2021年以100亿美元收购 Inphi 获得世界级数据中心连接技术； 以及最近12个月内收购 Celestica AI 的光子结构技术和 Xcon 的 scale-up 交换能力。 结果是惊人的：Marvell 从2014年的25亿美元营收增长到2026财年预计的110亿美元，最近几年增速更是达到每年40%。根据上周财报电话会议后的华尔街共识预期，2027财年 Marvell 营收将达到164亿美元。更关键的是，数据中心业务占比已从不到10%飙升至上季度的75%以上。 2、连接性：AI 基础设施的真正瓶颈 Murphy 在演讲中抛出了一个核心问题：什么定义了 AI 基础设施的性能？大多数人会想到处理器、GPU、制程节点（3nm、2nm 甚至未来的1.4nm、1.6nm），或者高带宽内存。这些当然重要，但 Murphy 指出，这些都不是系统的决定性特征。 “因为一个处理器，无论它有多快、连接了多少内存，对于今天的 AI 工作负载来说根本不够。你需要数万个、最终是数百万个处理器作为一个单一的大规模计算引擎协同工作。这就是为什么这种规模的计算从根本上是一个连接性挑战。”Murphy 说道，“而且越来越多地，正是连接性的架构和特性定义了系统的性能。” 这个判断得到了英伟达 CEO 黄仁勋的呼应。在 Murphy 邀请下登台的黄仁勋强调，AI Agent 的计算模式是“分解和分布式的”（disaggregated and distributed）——当你把一个计算问题分解成许多部分，并分布到整个数据中心时，连接性就成为必需品。“我们分解和分布式计算，使其运行在这些巨大的集群上，这样我们就能聚合总计算量、总内存和总带宽。而使这一切成为可能的，就是连接性。”黄仁勋说，“这就是为什么 Matt 做得这么好，为什么 Marvell 如此关键。” Murphy 进一步解释了连接性瓶颈的演变逻辑：过去几年，AI 基础设施先后解决了计算瓶颈（英伟达引领的 GPU 革命）和内存瓶颈（HBM 高带宽内存的规模化），现在瓶颈正在再次转移。“现在是连接性将定义基础设施的极限，就像计算和内存一样。”他引用了与最大客户的对话：“世界上最大的超大规模云服务商现在正在重新构想他们的整个网络架构。他们认识到，扩展 AI 基础设施现在首先是一个连接性挑战。” 随着推理模型、专家混合架构（mixture of experts）、生成式 AI 的持续演进，更多数据必须在基础设施中移动，需要更高的带宽和更低的延迟。当工作负载不再适合单个数据中心时，就需要建设更大的数据中心或整个数据中心园区，以及它们之间的所有高速连接。“因此，连接性成为扩展计算的关键推动力，我们的客户越来越认识到光学是前进的方向。”Murphy 说。 3、从千公里到毫米：Marvell 的全栈连接布局 Murphy 用一张图展示了 AI 基础设施跨越的所有距离——从数据中心之间的数百甚至上千公里，到封装内部的毫米级距离。每一个距离都需要不同的解决方案、不同的技术、不同的工程团队，甚至不同的供应链。“这些不是同一问题的变体，而是根本不同的工程挑战。” 1）跨数据中心连接（数百至上千公里） 这需要非常专门的相干调制（coherent modulation）技术，核心是专用的数字信号处理器（DSP）。Marvell 是全球少数几家能够构建这种相干 DSP 的公司之一，已经领导了从100Gbps 到400Gbps 再到800Gbps 的代际演进。Murphy 在现场展示了一个相干光模块实物——这是一个极其复杂的工程产品，包含了 Marvell 最复杂的先进制程 CMOS DSP 芯片、第四代硅光子技术（已量产十年），以及用硅锗工艺设计的自研宽带模拟组件。“今年晚些时候，我们将采样世界上首个1Tbit、2nm 制程的相干光学解决方案。”Murphy 宣布。 2）数据中心内部连接（数百米） 数据中心内部包含成排的计算服务器，每个机架顶部通常有一个交换机，机架级交换机连接到脊柱和核心交换机，通过光纤电缆形成整个数据中心的网络结构。这部分使用的是更节能的 PAM4调制技术。Marvell 构建了业界领先的 PAM4 DSP 解决方案，以及高速模拟组件（包括跨阻放大器 TIA 和激光驱动器），并引领了从25Gbps、100Gbps、200Gbps、400Gbps 到800Gbps 的每一次重大转型。去年，Marvell 开始量产业界领先的1.6Tbps PAM4解决方案。在以太网交换方面，Marvell 拥有从51.2Tbps 到51.2Tbps 的完整产品组合，并在 ComputeX 当天宣布了专为 AI 数据中心设计的新一代102.4Tbps 以太网交换机，具有业界最低功耗。 3、机架内部连接 目标是以全互联（any-to-any）配置连接尽可能多的处理器——每个处理器都能直接与其他每个处理器通信。英伟达的 NVLink 72（因机架内连接72个 GPU 而得名）首次将这种架构推向市场。这需要完全不同的交换类别，以及通过机架内铜背板驱动超高速信号的能力。“今天，这不是光学的领域，这是铜的领域。”Murphy 说。核心差异化因素是电气 SerDes 技术而非光学。Marvell 拥有目前领先的200Gbps 电气 SerDes，并已在过去几年中演示了面向未来的400Gbps 技术，这些 SerDes 被集成到客户的定制芯片、XPU 以及 Marvell 自己的 scale-up 交换机中。 4）封装内部连接（毫米级） 当今最先进的芯片内部有多个 chiplet，2.5D 或3D 封装本质上是一种连接技术，允许这些 chiplet 在封装内非常靠近地放置，并通过超高速短距离 die-to-die 接口通信。Marvell 拥有领先的 die-to-die SerDes 和先进封装能力，使客户能够构建业界最复杂、最独特的多 die 芯片。 Murphy 强调，拥有所有这些能力“在一个屋檐下”是不寻常的、独特的。“当我们去竞争时，通常在每个类别中我们面对的是不同的竞争对手。但这就是我们的独特之处——我们是一站式商店，是整个连接堆栈的领导者。” 4、铜墙将移：光互联的物理必然性 Murphy 演讲的核心洞察集中在一个概念上：铜墙（Copper Wall）。他用一张图清晰地展示了当前 AI 基础设施中的连接分界线——左侧是光学连接（使用光纤电缆传输光信号，两端有复杂的电子设备驱动和调制激光），右侧是电气连接（使用铜缆、PCB 上印刷的铜走线，或封装内部的微观铜布线）。中间是“铜墙”，定义了信号在必须转向光学连接之前可以通过铜传输的最长距离。 “这是一个重要的区别，因为铜很简单、成本低，正如 Jensen 所说，你想尽可能长时间地使用它，这非常实用。但光学更复杂，需要激光器、光子学、复杂的电子设备。”Murphy 说，“而铜墙，我今天要告诉你们的是，它即将移动。它将再次移动，并将接管机架本身。这正在为光学行业创造需求的爆炸式增长。” 这不是偏好问题，而是物理定律。信号通过铜缆传输的距离与带宽成反比——每次带宽翻倍，距离就必须减半。Murphy 给出了具体数据：当今世界上最高速的生产系统运行在每通道200Gbps。在这个带宽下，电缆长度限制在大约1.5米。相比之下，100Gbps 系统可以使用约3米的电缆。而机架的高度约为2米，考虑到机架内部的所有布线，2.5米正好是极限。“所以当我们转向1.6Tbps 时，我们不能再用铜完全连接机架了。墙正在移动，而且是现在。” Murphy 强调，这不是遥远的未来：“今后，即使是机架内的连接也将变成光学的。整个行业都知道这一点即将到来，所以我们一直在为这一刻做准备——不仅仅是 Marvell，而是整个行业。你可以在台湾看到这一点，在供应链和正在发生的产能爬坡中。” 铜墙每向右移动一步，连接数量至少增加一个数量级。“这正在创造我提到的需求爆炸，光学供应链需要大规模扩展并做好准备。”Murphy 回顾了20年前的类似转型：当时数据中心内部的最先进技术是10Gbps，整个数据中心都使用铜缆，光学基本上只是电信技术，保留用于非常长的距离。但当墙移动时，光学行业迎接了挑战，今天世界上所有的超大规模数据中心都是光学连接的。这次转型催生了新的解决方案——针对数据中心内部优化的 PAM4技术，而 Marvell 是那里的关键创新者之一。 5、CPO：光互联的下一个前沿 当光学进入机架内部时，需要的新技术叫做共封装光学（Co-Packaged Optics, CPO）。Murphy 花了相当篇幅详细阐述这一技术：“CPO 是一种将光学连接一直带到封装本身、紧邻计算的技术，无论是定制计算还是交换芯片。” CPO 要解决的根本挑战是密度和功耗。机架内的连接数量是机架之间连接数量的10倍。“如果我们只是尝试使用数据中心机架间使用的相同光学技术，你不会有足够的功率，不会有足够的物理空间，无法容纳所有这些标准光学模块和电缆——这根本行不通，不可能。”Murphy 解释道。 CPO 的概念是将光纤直接带到封装，将驱动光纤信号的电子设备与定制计算或交换芯片紧密耦合。“这是一个巨大的变化，而且很难，因为你要结合芯片行业中一些最先进的技术：领先制程 CMOS、硅光子学、先进封装、光互连，所有这些都在一个小型紧密集成的系统中制造。复杂性非常高，但这是继续扩展带宽并克服我谈到的铜限制同时降低功耗的唯一方法。” Murphy 强调这不是未来主义的东西，而是正在发生的现实。他在现场进行了实物展示：一边是传统的以太网交换机——当天宣布的102.4Tbps Teralink 交换机，可以看到板中央的交换芯片，PCB 内部的铜走线将信号传输到前面板，所有光学模块都插在那里。另一边是基于 CPO 的交换机——封装中央仍然是交换芯片（51.2Tbps 交换机），但边缘周围是16个3.2Tbps 光学引擎。“16乘以3.2，你得到51.2Tbps。所以光纤现在直接连接到这些引擎，而不是前面板。我们完全消除了 PCB 上的铜走线。光直接从封装中出来。这是一个非常非常复杂的工程作品。”Murphy 说。 Marvell 为 CPO 投入了十多年：硅光子学、光学 DSP、所有周围的模拟宽带组件，以及实现这一切所需的所有先进封装。“这一切实际上都需要在 CPO 中汇聚。”Murphy 说。 6、英伟达的背书与 NVLink Fusion 合作 Murphy 特别强调了与英伟达的战略合作扩展。几个月前宣布的合作中，英伟达向 Marvell 投资了10亿美元，双方正在扩展跨多个维度的合作，包括光学、光子学和 NVLink Fusion。黄仁勋亲自登台与 Murphy 对话，这本身就是一个强有力的信号。 黄仁勋详细解释了 NVLink Fusion 的战略意义：“有时候，也许云服务提供商想要设计自己的定制芯片。在我们之间，我们也在 NVLink Fusion 上合作，这使得你可以使用相同的系统架构，内部有 Marvell 的一些半定制芯片、大量互连、硅光子和光学技术。我们可以创建一个本质上分解、分布和异构的数据中心。” 关键是系统架构保持一致。“他们的网络技术可以利用大量英伟达的堆栈。CPU 可以是 Vera，但它可以利用大量你们的堆栈。所以 NVLink Fusion 是关于采用英伟达的技术和我们的平台、Marvell 的技术和平台，然后我们融合它。这就是为什么它被称为 fusion。”黄仁勋说。 Murphy 追问了铜到光学的转型时间表。黄仁勋的回答非常务实：“我们应该尽可能长时间地使用铜，但铜有其限制——带宽和距离的限制。所以最终正确的策略是：尽可能长时间地用铜进行 scale up。之后，用光学进一步 scale up，用光学 scale out，用光学跨越连接。所以你在必须的地方使用光学，在可以的地方使用铜。” 但黄仁勋随即给出了乐观的市场预测：“底线是，在未来五到十年，我们将使用大量的铜，也将使用大量大量的光学。这些数据中心现在是基础设施的一部分。我说 AI 现在有用、有用的 AI 已经到来的原因是，现在 AI 是有利可图的，token 是有利可图的。当 token 生产有利可图时，每个人都想制造更多 token，这就是为什么 Marvell 的需求如此之高，我们的需求也如此之高。因为每个人都想生产更多 token，因为它被 Agent 到处使用。” 7、无距离数据中心：光互联的终极愿景 Murphy 在演讲的最后部分描绘了一个激进的未来愿景：他当数据传输全部变成光学时，距离实际上不再重要。“这是一个深刻的变化。”说。 今天的服务器、机架和整体数据中心架构都是围绕距离的约束设计的，软件工作负载也围绕这些相同的约束进行了优化。但如果距离不再重要呢？ 首先，scale-up 网络的规模可以从72个或144个 XPU/GPU 扩展到1000个或更多，全部光学互连。“对工作负载的影响是巨大的。今天，AI 工作负载必须分解成适合 scale-up 集群的更小子问题，因为在集群外部通信今天更慢、带宽低得多。但光学互连系统可以管理数量级更大的工作负载。” 其次，服务器本身可以被解构。现代 AI 服务器由一定数量的 CPU、XPU、内存和网络接口组成，它们都在同一系统上的原因是距离——CPU 和 XPU 需要以非常高的带宽访问内存，这意味着它们需要紧挨着坐在板上，铜走线作为它们之间的连接。“但在这些连接都是光学的未来，距离实际上不重要。你可以想象一个完全解构的架构——XPU 在一个系统中，内存在另一个系统中，巨大的 CPU 在另一个系统中。” 这解锁了另一种可能性：今天系统中 CPU 和 XPU/GPU 的比例是固定的，必须在系统构建和部署时定义。但没有两个工作负载需要完全相同的比例，这意味着在任何给定时间，计算或内存的某些部分可能未被充分利用——这要花钱。“但一旦我们将系统分解为独立的计算池和内存池，并且它们都是光学互连的，我们就可以动态组合专用系统，然后针对任何工作负载进行优化。” Murphy 的终极愿景是“全球光学互连的数据基础设施”：“我们今天拥有的这些系统中的刚性边界开始消失。计算现在可以被池化，内存可以被池化，基础设施可以大规模动态组合。架构师第一次可以开始围绕模型的需求设计 AI 系统，而不是围绕互连的限制。” 他将这个愿景命名为“无距离数据中心”（data center without distance）：“计算、内存、网络和光子学作为一个统一系统运行，数据中心中的数百万资源可以像一台机器一样协同工作，一个由工作负载需求定义的架构，而不是连接性的限制。我们相信这是计算基础设施的下一个时代，Marvell 正在帮助构建使这一切成为可能的连接基础。” 最后再多说点， Marvell的核心竞争力集中在两个细分领域。 1、定制芯片（ASIC/XPU）设计。 Marvell与博通是全球两大定制AI加速器设计巨头。大厂自研芯片的趋势正在加速——比如微软的Maia 200推理芯片、亚马逊的Trainium系列，背后都有Marvell的参与。TrendForce的预测数据值得留意：2026年定制AI芯片销售增速预计为45%，而同期GPU的增速仅为16%。不是GPU不行，而是超大规模云厂商在推理端的成本压力正在推动它们加速自研定制方案。 2、数据中心互连产品线。 这是Marvell更深的一条护城河。根据其财报，光学互连产品收入保持两位数季度环比增长，数据中心交换机业务预计2027财年将突破5亿美元。Marvell过去十年通过一系列并购累计投入约360亿美元，围绕连接搭建了涵盖定制芯片、高速交换器、光模块、硅光子和先进封装的完整技术平台。

7月31日，WSJ发表了一篇文章，详细分析了OpenAI为何从AI行业的绝对领先者，逐渐变成了追赶Anthropic的一方。过去一年AI竞争格局发生了根本性的变化。 OpenAI最大的失误在于误判了AI市场的发展方向。公司认为，ChatGPT会持续吸引大量消费者订阅，因此将消费级聊天机器人作为未来增长的核心引擎。然而真正爆发的并不是消费级AI，而是AI Coding和企业开发者市场。 Anthropic抓住了这一机会。其推出的Claude Code并不是为了完成算法竞赛，而是围绕真实的软件开发场景进行训练，更符合企业开发流程，也拥有更好的开发者使用体验。大量程序员因此从OpenAI的Codex迁移到Claude Code，使Anthropic收入增速超过OpenAI，公司估值也接近1万亿美元，并正在积极推进IPO。WSJ甚至认为，Claude Code几乎改变了整个AI行业的竞争格局。 文章还指出，OpenAI另一个重要的问题是资源过于分散。在过去一年，公司投入了大量算力和资源到Sora视频生成、AI硬件、AI设备、自研芯片、浏览器等多个项目，却没有把企业最需要的Coding产品做到最好，从而给了Anthropic一个快速扩张的窗口期。 事实上，OpenAI很早便推出了Codex，但产品体验存在不少问题，例如响应速度较慢、使用流程复杂、与开发者真实工作流程不够契合，因此实际体验不如Claude Code。不少开发者最终直接转向Anthropic，这也成为双方竞争格局逆转的重要原因。 面对落后的局面，OpenAI内部开始反思，并进行了大规模调整。Greg Brockman重新负责产品，推出多个新的Coding模型，与Amazon合作销售企业AI产品，同时推出整合ChatGPT、Codex和浏览器的Super App。最新发布的GPT-5.6 Sol也获得了开发者较好的评价。 不过，WSJ认为OpenAI当前仍然面临不小压力。一方面，公司现金消耗速度仍然很快；另一方面，为了争夺企业客户，不得不提供大量折扣，盈利能力受到影响，因此IPO时间很可能推迟到明年。 相比之下，Anthropic目前几乎在多个维度占据领先地位：收入增长速度超过OpenAI，估值接近1万亿美元，开发者认可度更高，Claude Code逐渐成为AI编程的重要标准，同时IPO推进速度也更快。 当然，WSJ并不认为OpenAI已经失去翻盘机会。GPT-5.6 Sol获得开发者认可，Super App开始积累用户，Codex及相关产品用户数已经达到1000万，OpenAI依然拥有全球最强的品牌、算力资源和生态体系，未来仍有机会重新夺回领先地位。 我的几点思考： 第一，AI Coding已经成为目前企业付费意愿最高、商业化最成熟的AI应用方向之一，未来企业级AI很可能取代消费级聊天机器人，成为行业竞争的核心战场。 第二，未来AI公司的竞争重点已经不再只是模型能力，而是开发者生态、企业生态和产品执行能力。谁能够真正融入企业工作流，谁就更有机会建立长期竞争优势。 第三，对于美股投资者而言，需要重点关注企业AI软件、AI Coding以及Agent生态的发展，因为真正创造价值和现金流的，很可能不是聊天机器人本身，而是能够提升企业生产效率的AI应用。

过去半年的 Seed：多模态领先、大语言追赶 过去半年，Seed 的多模态模型取得了显著成绩：今年 2 月上线的视频生成模型 Seedance2.0 和图片生成模型 Seedream 5.0 Lite 声量一度超过业内其他同类模型，迅速引发关注。Seedance2.0 成为火山引擎 MaaS 业务营收的基本盘。 同期发布的语言模型 Seed 2.0，市场反响却较为有限。它一度因较好承接春节期间涌入的 C 端需求，在内部获得好评。但春节大战中，Anthropic 凭借 Opus 系列的 Coding 能力迅速打开程序员和 B 端市场，ARR 很快逼近并反超 OpenAI。中国大厂这才意识到，自己错过了 Coding 的窗口期。与此同时，GLM-5 和 Kimi K2.5 的 Coding 能力也已明显领先。 模型能力的落后影响到了收入端。据我们了解，火山引擎目前是国内最大的模型 API 卖家，市场份额约占一半。火山引擎 2025 年的收入在 150 亿元左右，今年内部定下的目标是超 400 亿元。目标虽大，但并非没有隐忧。 火山引擎的 token 消耗能反应商业化的增长。多位接近火山引擎人士告诉我们，豆包大模型的 token 消耗中，超过一半来自 Seedance 和 Seedream 两个多模态生成模型系列，语言模型占比不高。 二季度以来，随着短剧行业增长见顶、经济大环境的变化，Seedance 的 token 消耗和收入增速放缓，并影响了火山 MaaS 的整体 token 增长——豆包大模型的 token 消耗，3 月为 120 万亿，6 月为 180 万亿，低于原计划的 250 万亿至 300 万亿目标。 智谱和月之暗面凭借持续提升的 Coding 能力，ARR 分别突破 10 亿美元和 3 亿美元。 为补课 Coding 能力，张一鸣亲自邀请，高薪吸引 DeepSeek 核心研究员郭达雅加入 Seed，负责模型 Coding 能力的专项训练。字节将 Coding 相关的研发资源收拢整合，统一划归给郭达雅。同期阿里千问基模团队也投入更多资源和人力专攻 Coding 训练。 训练好的模型更重要的是数据。大公司可以凭借推动内部业务线使用自研模型做开发，形成真实场景反馈数据。但仅有这些还不够。 我们了解到，Seed 内部曾激烈讨论过蒸馏路线的可行性，字节高层则担心蒸馏对 Seed 和技术带来的危害。据 The information，张一鸣在 Seed 的 all hands 会议上明确表示，即使不蒸馏意味着公司在技术上会短暂落后国内竞争对手，也不会采用这一捷径来推进其 AI 模型能力。 8 月 6 日，字节跳动举行公司全员会。豆包负责人赵祺在会称，大模型的市场潜力很大，因此不担心经济回报，但收入还是重要的。 在模型研发上，字节拥有国内最充足的算力储备、业内领先的基础设施能力和高密度的人才队伍，这些构成了它的底气。Seedance 的成功也让字节看到，模型能力一旦领先，便能迅速转化为商业护城河。 一位字节人士说，Seedance 证明，用户会自然流向能力最强的产品。只要能在关键节点做到行业第一，就有机会快速抢占市场，因此不必过度焦虑于短期的排名落后。

重新审视 Token (词元）的属性 TLDR： 之前我也一度觉得是大宗商品/资产 甚至还设想过相关的交易和定价逻辑 也看到不少人提过Token期货，交易所之类 但现在我倾向它只是一种服务，没必要过度金融化 毕竟它没有办法脱离AI推理单独存在，无法被提前生产出来或预先被囤积。但换个角度看，是服务，就天然是分层的、多元的，不同的人有不同的需求，这其实也恰恰奠定了AI 经济必将是百花齐放而非赢家通吃的基础。 在这浪潮中，红利属于能把廉价 Token 加工成更有价值的 Token 卖出去的人。 -------------------------------- 我的一些个人思绪和逻辑： 1、Token (词元）经济从何而来？ 首先它是AI训练转向AI推理的产物， 这是理解 Token 商业模式的基础。 过去模型训练时代，主要是卖算力时间。为什么？因为训练是持续性的大工程，需要大量算力协同工作。这种规模的投入，有资本的大厂基本都会选择自购，毕竟可控性最强，但对于没有能力一次性投入大量资金的团队来说，出于对稳定性的要求，也会倾向选择租赁模式，包下一整段时间的独占使用权，榨干这段时间内算力的所有价值，是一种占用的逻辑。 但随着主流大模型开始进入商用阶段，AI 算力的需求重心也从模型训练转向了推理。你用 GPT聊天、用 Claude写代码、问豆包问题，这些本质上都是在跑推理，每一次调用，都在为你做一次推理和计算。 而推理是相对碎片化的、一次性的、用完即走的。虽然也有不少企业，仍然会采用租赁或自购的模式来跑推理，但对于广大中小开发者和应用方来说，他们对算力独占性的要求并不高，因而额外衍生出了按消耗计费的模式，这样算力服务商就可以把算力资源同时卖给成千上万个客户。 Token (词元) 就是在这种背景下而产生的，衡量每次计算消耗了多少资源的那个单位，你付的钱，就是对这次计算的补偿，本质是消耗逻辑。 所以训练和推理是完全不同的生意形态： 训练时代，商业模式是卖 GPU 时间。 推理时代，商业模式是卖 Token (词元)。 --------------------------------- 2、为何Token (词元) 是服务属性而非商品/金融属性？ 卖Token (词元)，就是卖服务！ Token (词元) 经济，本质是服务经济！ 为什么？ 一个比较直接的原因是 Token (词元）不能被预先生产出来，而是产出后就被消耗掉了，并作为衡量你这次推理服务所消耗资源的参考，来给你计费。 且Token (词元) 的一些特性，也和大宗商品的逻辑不像： - 价格长期下降趋势 - Pay-As-You-Go - 难以标准化 你在Claude的100万Token额度，和你在Minimax的100万Token额度，两者本身是没有可比性的，模型不同，性能不同，定价完全可以不一样。 而大家愿意接受价格差异的原因，也是因为 Token (词元) 本质上计量了一种非标准化的服务，而不同用户对服务的诉求是不同的，有的人看重性能，所以愿意支付溢价，有的人看重成本控制，所以觉得国产开源模型也够用了。 而整个模型市场占有率，并没有出现几家独大，本身也是其服务属性的体现。如果 Token (词元) 是资产，那资产的流动性、网络效应，一定会引发所有资源最终向一个市场集中，形成赢家通吃的局面。但恰巧 Token (词元) 其实是服务，而服务市场天然是分层的、多元的，不同的服务商满足不同的需求，所以才构成了 AI 经济百花齐放的基础。 我想通这点后，就不再纠结模型厂商只有哪家笑到最后了。 因为未来必将是多模型共存、多层级并行的格局，Token（词元）也将会被计入到企业的会计成本之中，并反映到企业的产品和服务之中。 比较值得关注的一点是，AI时代Token所代表的服务经济和传统的人力服务经济，成本曲线可能是完全反过来的。由人所提供的服务，长期要求的是报酬上升，这也是为什么服务业占比高的经济体，服务更贵。但 Token 服务恰恰相反，价格长期只会下降，当 Token 逐步替代掉一部分原本需要人力智力才能完成的工作，这部分成本不但不会随时间上升，反而会持续走低。 这可能也是这一波AI的红利之一。 ------------------------- 3、这个Token (词元) 服务都有谁在卖？ - 闭源模型厂商 - 开源模型厂商 - 开源模型托管商 - 大模型聚合器、中转站 1）闭源模型厂商：直营为主，分销为辅 最直接的模式。OpenAI 卖 GPT 的 Token，Anthropic 卖 Claude 的 Token。模型自己训的、API 自己提供、定价权在自己手里，产品和渠道都是自己的，跟品牌直营店一个逻辑。当然作为最顶级的模型，难免会被接入像一些API中转站，或者Open Router这样的大模型聚合平台被动分销。 2）开源模型厂商：开源也挺赚钱的 开源模型谁都可以拿去用，很多人不想自己本地跑，因此催生出了一批开源模型托管商，他们可以帮你跑模型，并按 Token 收费。但这就引出一个问题：Token 的钱都让模型托管商这些中间商赚了，开源模型的开发者自己怎么赚钱？这一点，至少中国的开源模型厂商，走的很灵活。 像Minimax，Kimi，Zhipu，它们都有自有的 API 直售，更多面向开发者群体，并且也都有自己的 Coding Plan 订阅包，把按 token 计费玩出了订阅制，完全是中国移动卖流量的玩法。而OpenClaw 这波更是让它们赚得盆满钵满，各自推出了品牌化的 Claw 产品，帮用户把 OpenClaw 部署好，底层跑自家模型，Token 消耗从自家 API 走。 3）开源模型托管商：帮别人跑模型，赚差价 对于那些没有能力或意愿自己卖 Token 的开源模型来说，托管商就是它们触达用户的渠道。它们帮开发者跑模型、按 Token 收费： - Together AI / Fireworks：自有 GPU 集群 + 极致推理优化，核心竞争力是翻台率，同样的卡单位时间能吐出更多 Token。 - Groq：自研 LPU 推理专用芯片，不用传统 GPU，核心竞争力是极致速度，跑 Llama、Qwen 等开源模型比 GPU 快。 - Cloudflare Workers AI：全球 300+ 边缘节点，跑 Llama、Mistral、Qwen，最近还加了智谱 GLM 和 Kimi，核心竞争力是低延迟 + 开发者生态 - AWS Bedrock / Google Vertex AI — 企业级云平台，跑 Llama、Mistral 等主流开源模型，核心竞争力是客户的数据和基础设施已经在这些云上了，迁移成本低 4）大模型聚合器：一个入口管所有模型 闭源和开源的大模型越来越多，而不同场景适合不同模型，不同模型的优劣势不同，对开发者来说，一个个去接不同厂商和托管商的 API，管理起来很痛苦。于是催生了 OpenRouter 这类聚合器，可以接几十个模型，开发者在一个地方统一管理、按需切换即可。 OpenRouter按照批发转零售的模式盈利，各家模型厂商把自己的Token分销出去。而 OpenClaw 这波直接让 OpenRouter 上中国模型的消耗量暴增，前十名 Token 消耗量中，中国模型占了 61%，前五有四个是中国的。 而围绕这条 Token (词元) 产业链，也衍生出了一些其他的参与者和新需求： 第一是一些推理优化引擎，vLLM、SGLang 这些开源项目，在大家对效率极致追求的当下，通过对硬件算子层面（更高效地利用 GPU 计算单元，减少内存碎片和带宽瓶颈）以及 LLM 算法层面（让多个请求共享已经算过的内容，更聪明地管理显存）的优化，提升同一张卡在同一时间内的 Token 吞吐量。 它们自己不面向终端用户收费，但 Together AI、Fireworks 这些托管商底层用的就是这些技术。也有不少自己本地跑开源模型的开发者，会直接使用 vLLM 或 SGLang 来搭建自己的推理服务。 第二是对Token消耗的优化需求，当 Token 消耗逐渐常态化，自然就会有人开始琢磨怎么省钱，也有不少人早就抱怨OpenClaw高昂的Token消耗，那么，帮你预览一次 Prompt 会消耗多少 Token、建议怎么优化 Prompt 来降本、甚至自动帮你选性价比最高的模型和服务商的产品，就很有市场了。 ---------------------------- 4、AI经济时代，真正的机会在哪？ 我觉得 Token 经济的红利，属于把廉价的 Token 加工成更有价值的 Token 卖出去的人。 1）如果你有能力，就做一个模型，哪怕是微调的 你不需要从头训一个 GPT，在开源模型基础上针对某个垂直场景做微调，只要在某个细分领域效果够好，就有人愿意按 Token 付费调用你的模型。前面说了，Token 是服务，服务市场天然分层，通用大模型吃不掉所有场景，垂直微调的模型在自己的领地里反而更有定价权。 2）做一个新时代的产品，开放 API 你的产品底层消耗 Token，但你的产品本身也可以对外输出能力，你开放 API，让别的开发者和 Agent 来调用。你买入底层模型的 Token，加上你的产品逻辑和数据，产出更高价值的 Token 服务卖出去。这跟传统行业买原材料、加工、卖成品的逻辑是一样的。 3）写 Skill，做 Agent 每一个被广泛使用的 Skill 和 Agent，背后都是源源不断的 Token 消耗。你写的 Skill 越好用、越多人用，你帮模型厂商卖出去的 Token 就越多。这不是你直接卖 Token，但你是这条产业链上的分销渠道。 而不管你选哪条路， 你的护城河在我看来最终都会归结为三样东西： 算力、算法、数据。 算力影响你的吞吐量 算法影响你的效率和成本 数据决定你是不是不可替代

📉《美股暴跌，百年大顶已至？AI 泡沫即将破裂？》 今天，SK 海力士财报不及预期，亚洲科技股再度遭遇猛烈抛售，市场一片腥风血雨。🤯 👉回看本轮调整： 📉纳指较高点回落约 8%—10%； 📉费城半导体指数较 6 月高点跌去约 25%； 📉韩国 KOSPI 指数单日暴跌 10.84%，距离历史高点回调35.81%。 但就在芯片股血流成河之际，苹果重夺全球市值第一，道指逆势创出新高。资金似乎并未完全离开美股，而是从拥挤的 AI 硬件交易中撤出，转向现金流更稳定、估值压力更小的资产。 市场也由此分裂成两派：一边高喊“AI 泡沫终于破了”，另一边坚持“这只是一次健康出清，AI 主线从未改变”。 👉所以，真正的问题是： 美股正在遭遇“百年大顶”，还是仍在攀爬牛市的“担忧之墙”？AI 泡沫即将全面破裂，还是仅仅在经历阶段性的估值重定价？ ⬇️下面，请看多空双方激辩 ⬇️ 📈看多方：AI 主线完好，这不是泡沫破裂 一辩：Cathie Wood @CathieDWood｜ARK Invest 创始人｜XHunt 排名：170 Cathie Wood 认为，市场仍在攀爬一堵典型的“担忧之墙”。 真正的牛市顶部往往不会出现在所有人都充满怀疑的时候，而是诞生于极度乐观——当投资者普遍相信“天空才是极限”，风险才可能真正失控。 现在市场充满争议、恐慌和质疑，反而不像一个典型的终极顶部。 ⭐核心判断：这仍可能是牛市中的正常调整。长期颠覆式创新逻辑没有改变，真正的大顶通常出现在共识极度一致之时。 二辩：RamenPanda @IamRamenPanda｜XHunt 排名：3994 RamenPanda 将注意力从 AI 硬件转向了软件和应用层。 市场担心大量数据中心和算力基础设施会形成产能过剩，但这些基础设施最终仍需要通过软件、平台和商业应用实现回报。 互联网时代同样经历过基础设施过度建设。早期最耀眼的是思科，但真正的长期赢家，是随后崛起的谷歌、微软和亚马逊。 AI 时代也可能复制类似路径：硬件投资首先过热，随后价值逐渐向软件和应用层转移。 ⭐核心判断：基建过剩可能是技术革命的必经阶段。当前更像是从硬件建设切换到应用兑现，而不是 AI 时代的终点。 三辩：投资 TALK 君 @TJ_Research｜XHunt 排名：9918 SK 海力士财报公布后，股价一度低开约 8%，随后快速反弹。 投资 TALK 君认为，这与此前美光财报后的“sell the news”走势正好相反，可能是一个短期见底信号。 如果坏消息已经被市场充分定价，那么即使财报不及预期，新增卖盘也可能开始衰竭。更重要的是，目前尚未看到 AI 需求指引出现系统性转弱。 ⭐核心判断：短期情绪已经得到集中宣泄，但 AI 需求尚未被证伪。市场需要的是数据确认，而不是继续恐慌。 四辩：Nico 投资有道 @tychozzz｜XHunt 排名：13869 Nico 认为，本轮暴跌最大的教训是：即使基本面再好、市盈率再低，处于高位时，一旦市场决定压缩估值，股价依然会大幅下跌。内存与存储板块就是最典型的例子。 但“股价杀估值”并不等于“AI 产业逻辑被证伪”。 目前纳指前瞻市盈率已经接近今年 3 月底的水平。相比在恐慌中割肉，更重要的是控制杠杆、提前设置止盈，并持有真正能够兑现业绩的指数和优质公司。 ⭐核心判断：情绪可以快速压低估值，但最终决定股价的仍是业绩。AI 主线没有改变，优质资产回到前高可能只是时间问题。 五辩：美股仙人 @hanking66｜XHunt 排名：44611 美股仙人的观点更加直接：不要在最恐慌的时候卖出股票。 在他看来，这一轮下跌已经呈现出“最后一跌”的情绪特征——绝望、窒息、破防，投资者对任何消息都作出最悲观的解读。 大量股票在财报公布前就遭遇猛烈抛售，也意味着悲观预期可能已经被提前计入价格。 ⭐核心判断：Buy the dip。熬过情绪最极端的阶段，机会可能属于仍有能力接盘的人。 📉看空方：AI 信用裂缝已经出现，泡沫正在出清 一辩：ZeroHedge @zerohedge｜知名宏观分析媒体｜XHunt 排名：200 ZeroHedge 认为，市场正在重新进入“循环融资其实很糟糕”的定价阶段。 目前已经出现多个危险信号： 纳斯达克 100 接近进入 10% 技术性调整； 半导体与动量因子交易遭到重创； AI 相关企业的信用裂缝开始显现； 英伟达与 OpenAI 等交易再次引发循环融资担忧； 中国低成本模型和开源工具持续压低利润预期。 如果 AI 巨头彼此投资、彼此采购、彼此贡献收入，市场就很难判断其中有多少来自真实终端需求，又有多少只是资本在产业链内部循环。 ⭐核心判断：AI 产业的信用与融资扩张正在撞墙，泡沫进入出清阶段的时间可能比多数投资者预期得更早。 二辩：Phyrex @PhyrexNi｜XHunt 排名：784 Phyrex 更关注美股背后的杠杆风险。 目前，美国投资者借款买股规模约为 1.53 万亿美元，券商净信用余额降至约负 1.061 万亿美元；保证金债务单月增加约 860 亿美元，并已连续三个月上升。 这意味着，美股不仅估值偏高，对融资资金的依赖也在增加。一旦增量资金放缓，过去推动上涨的机械买盘就可能转化为机械卖盘。 这一风险也会传导至 Crypto。跨市场去杠杆时，BTC 更可能先被当作高贝塔风险资产出售，而不是立即以“数字黄金”的身份独立上涨。 不过，美股空头仓位同样处于高位，Russell 3000 空头比例接近 6%，标普 500 约为 3.5%，因此市场也存在轧空反弹的可能。 ⭐核心判断：真正的风险未必是 AI 技术被证伪，而是高估值、高杠杆和资金流入放缓同时出现。去杠杆一旦启动，美股与 BTC 都可能遭遇机械性抛售。 三辩：Peter Schiff @PeterSchiff｜经济学家、SchiffGold 创始人｜XHunt 排名：1486 Peter Schiff 认为，AI 本身是真实技术，但 AI 相关股票已经形成严重泡沫。 中国低成本模型、开源技术和行业竞争加剧，将持续压低美国 AI 公司的利润率和护城河预期。 如果巨额资本开支无法转化为匹配的现金流，更多估值“空气”仍然需要被挤出。 ⭐核心判断：AI 技术是真实的，但 AI 股票泡沫同样真实。泡沫可能已经破裂，接下来面对的将是持续出清。 四辩：CryptoPainter @CryptoPainter｜XHunt 排名：2207 CryptoPainter 将韩国股市暴跌视为 AI 基建叙事的一次压力测试。 他并不否认 AI 算力与数据中心需求，而是警惕围绕这一叙事形成的循环投资、过度融资和高杠杆。 因此，这轮调整未必会复制 2000 年式的产业全面崩塌，却可能重演韩国市场式的剧烈去杠杆：技术方向仍然成立，相关资产价格却因估值和融资结构过于脆弱而大幅回撤。 对于 Crypto 来说，如果 BTC 再次向下破位，最可能的外部触发因素之一仍然是美股继续下跌。 ⭐核心判断：AI 技术真实，不代表相关资产价格合理。相比产业归零，更现实的风险是融资与杠杆出清，并通过美股传导至 BTC。 五辩：海伦子 Hellen @peng_hellen｜XHunt 排名：40426 Hellen 将今天的 AI 热潮与英国铁路泡沫、互联网泡沫进行比较。 铁路和互联网都真实地改变了世界，但资本狂热依然造成了基础设施过度建设。部分项目投入越大、运营越多，亏损反而越严重。 这与部分大模型企业面临的困境相似：用户越多，算力和推理成本越高，但收入未必能够覆盖投入。 互联网并没有因为泡沫破裂而消失，但纳指仍曾连续下跌 31 个月，从高点回撤约 78%。 ⭐核心判断：伟大技术和巨大泡沫可以同时存在。AI 可能改变世界，但相关资产的价格仍然可能严重脱离真实价值与需求。 🔥双方观点总结 📈看多方认为 目前的暴跌主要是拥挤交易瓦解和情绪杀估值，尚无数据证明 AI 需求已经系统性崩塌。 新竞争者与低成本模型不一定会消灭美国科技巨头，反而可能降低 AI 使用门槛，扩大应用市场。 AI 主线并未结束，市场仍可能在“担忧之墙”中继续前进。 📉看空方认为 AI 企业的护城河没有市场想象中那么深。 高估值、高资本开支、杠杆和循环融资共同支撑了过去的上涨。一旦收入与现金流无法匹配投入，整个估值体系都会被重新定价。 技术革命不会消失，但投资泡沫完全可能提前破裂。 👀最后 美股科技股正在经历的，并不是对 AI 长期逻辑的全盘否定，而是市场开始重新计算一笔账： 如果资本开支回报不足、循环融资退潮、中国低成本模型持续压低价格，美国科技龙头的护城河究竟还剩多少？ 纳指调整、存储股腰斩、韩国芯片股暴跌，本质上都是这一担忧的集中释放。 但现在就断言“百年大顶已至”，或许为时过早。 真正的分水岭不在当下的情绪杀估值，而在未来几个季度乃至更久：AI 收入和自由现金流能否匹配巨额资本开支，产业链需求能否从巨头之间的循环采购，扩散至真正付费的终端用户。

关于AI应用落地的问题，产业界和投资圈从23见吵到了24年。过去一年多AI的爆发主要还是在算力、大模型等基础设施上，模型也从GPT3.5、到4.0以及马上要推出的4.0，还有前两周刚推出就引爆市场的sora。但是真正能大规模的应用还并没有广泛产生出来。由此产生了过度的资本投入到来基础设施的极度冗余，后面可能一地鸡毛的情况。对此我之前也是心存怀疑，直到我看到了这张技术成熟度和实用价值的关系图，认知有了极大的改观。 从我们最熟悉的互联网技术来说，互联网技术替代改造的通信产业、支付产业、传媒产业甚至零售业等，要么环节众多极其低效要么成本高昂，互联网的低成本高效率就很容易落地，所以互联网越过0分就有了实用价值。 但是AI不一样，AI替代的对象是人，或者现有软件，而这些的成本和效率之间的平衡，已经被当今世界优化到了极致。因此AI的价值拐点，本质上是AI越过社会智力成本的拐点，一旦越过，AI价值的确是非线性上升。所以AI不到60分就是0。 所以从这个角度来看，AI触及商业价值起点的60分还有相当长的一段时间，之前预期是五到十年，sora出来后普遍预期一到两年AGI的实现就有可能是AI越过社会智力成本的拐点之时。这之前，就是大量的算力填充，不断快速迭代进化的模型占据主导。 算力和模型的竞争本质是什么？就是sam前不久在达沃斯上参加论坛讲到的，认知成本的降低。sam的原话是这样“当认知成本降低一千倍或一百万倍，且能力得到极大增强时，这将对世界产生何种影响？如果世界上人人都拥有一家，由1万个能力极强的虚拟AI员工、且是各个领域专家，组成的公司，他们不知疲倦，还越来越聪明，这个世界会怎样？这件事发生的时间无法预测，但会一直在一条指数增长的线上，我们能有多少时间做准备？” 互联网技术只是把物理世界数字化，把信息传播成本降到了0、就产生了数万亿数十万亿的商业价值。可以想像，当AI认知成本不断降低，AI将社会智力成本也降到0那么会产生多大的价值，人力资本价值大规模向AI资本价值转移，优质劳动力供给不再稀缺，天才也能随处可见。AI变得更强大，甚至可能发现新的科学知识，甚至自动做AI研究，世界的发展节奏会超出我们的想象。 从这个角度来看，当下AI领域算力、底层模型不断进化但是应用乏善可陈则是可以理解的、因为AI的拐点还没到。相信这个拐点也不遥远了。去年底比尔盖茨在他名为《2024年，前方道路迎来转折点》的年度公开信里说，大部分工作还处于开发的最初阶段——我们很可能在 2024 年甚至 2025 年都不会看到它们中的任何一个被广泛使用。但24年将完成的工作将为本十年后期的大规模技术繁荣奠定基础。他猜测我们距离普通大众使用 AI 达到显著水平还有 18 到 24 个月的时间。那么差不多就是25年年中到年度的时间。 降低短期预期，对长期保持耐心。

business insider的这篇专题，试图解答一个很重要的问题：都在 AI上花费巨资， 为什么有的公司在扩张，有的却陷入停滞？ 过去这一年多，几乎所有企业都在疯狂为员工采购大模型账号、代码助手和各类 AI 智能体。但效果却天差地别，企业级的“马太效应”开始显现：买 AI 很容易，但要把 AI 真正转化为切实的生产力和商业利润，却很困难。 这可能是由企业的两种截然不同的 AI 引入思维决定的 观察当下企业的 AI 实践，往往会走向两个极端的岔路口： 防守导向（把 AI 当成“成本绞肉机”）：这类企业的核心诉求是“省钱”。他们的逻辑是：“既然有了 AI ，我是不是可以少雇几个人？ 然而，如果没有新的业务增量，省出来的成本尽头就是单纯的裁员或冻结招聘。员工即便用 AI 节省了时间，也多半用来在低效的存量工作里“摸鱼”打转。 增长导向（把 AI 当成“业务放大器”）：这些企业逻辑完全相反：“因为 AI 帮团队释放了 30% 的生产力，我们终于有精力去开拓以前想做但没资源做的新业务了！”这类企业将节省下来的时间迅速“战略再投资”到新产品研发或市场扩张中。业务边界扩大了，对组织规模的需求自然水涨船高。AI 提升效率 ➡️ 业务边界扩张 ➡️ 组织规模扩大，形成了一个良性闭环。 决定胜负的指标：战略清晰度 > 工具获取率 为什么很多企业花大价钱订阅了企业版 AI，却听不到响声？波士顿咨询（BCG）的一项针对万名白领的调查揭示了痛点所在：管理层的缺位。 虽然有高达 74% 的一线员工每周都在使用 AI，但其中 66% 的人表示，公司根本没有指导他们该如何利用 AI 省下来的时间。导致超半数的员工并没有将精力转移到更具战略意义的高附加值工作上。 调查的结论：只要企业有明确的“战略清晰度”（清楚地知道用 AI 去解决什么具体的业务目标），即便员工手中的 AI 工具权限有限，依然有 80% 的人能产出可衡量的商业影响。相反，如果只发高级账号却不给战略指导，这个比例会大幅缩水。 这种思维差异最终反映在了冷冰冰的招聘数据上。根据 Ramp 和 Revelio Labs 对超两万家美国企业的追踪，那些在 AI 上持续且高强度投入（人均月花费约 $34，远超常规的不足 $3）的企业，不仅没有大规模裁员，反而迎来了显著的扩张： 整体员工人数增长超过 10% 初级岗位增长高达 12% 这打破了“AI 一定会直接导致失业”的刻板印象，证明了 AI 的高频应用与业务扩张之间存在着强烈的正相关。 必须承认，这里面存在着一定的“幸存者偏差”。那些能把 AI 用得出神入化、并借此大举扩张的企业，在引入 AI 之前，往往本身就是市面上规模更大、技术底子更好、增速更快的“优等生”。 但逻辑仍然成立：AI 很难让一个原本陷入泥潭、只想靠砍成本苟活的公司“逆天改命”；但对于那些充满战略野心的企业来说，AI 却是最趁手的火箭燃料。 下一阶段的企业竞争，绝不是谁买的 AI token更多，而是“业务重构（Business Re-engineering）”的能力——谁能率先重塑数据流，制定最清晰的 AI 使用规范，谁就能真正吃下这个时代的红利。

电信将推出天翼 Token 币和 Token权益，这是什么，为何三大运营商开始全面推广Token套餐？ 中国电信推出系列试商用Token套餐，分为三类：面向开发者及中小微企业客户，推出基础版、专业版、旗舰版三档Token Plan，每个月资费价格分别为39.9元、159.9元、299.9元，分别对应每月1500万Tokens、7000万Tokens、1.5亿Tokens；面向个人及家庭客户，推出轻享版、畅享版、尊享版三档Token Plan，每个月资费价格分别为9.9元、29.9元、49.9元；面向Token生态合作伙伴，中国电信即将推出天翼Token币和Token权益。 上海移动推出Token通用服务，实现 “一号通用、跨平台使用、话费支付”，并联合腾讯推出AI原生工作台，以低成本、便捷化方式让市民与小微企业轻松用AI能力，1元40万Tokens，实现 “一个额度、一个价格、任选模型”，还可支持话费账单支付。 上海联通发布政企全栈AI产品体系，推出多元化算力服务、多档Token产品及融合套餐，启动算力普惠行动，并升级模型服务、数据平台与智能体超市，覆盖数据治理、模型调用、应用开发全流程，助力企业轻量化、低成本实现数智化转型。 上海联通发布政企全栈AI产品体系，推出多元化算力服务、多档Token产品及融合套餐，启动算力普惠行动，并升级模型服务、数据平台与智能体超市，覆盖数据治理、模型调用、应用开发全流程，助力企业轻量化、低成本实现数智化转型。 AI浪潮下，大象能否再次起舞 2026年5月17日，世界电信日。这一天，中国电信、中国移动、中国联通不约而同地扔出了同一枚棋子——Token套餐。 中国电信推出系列试商用“词元（Token）套餐”，面向个人用户每月9.9元起，含1000万Tokens；中国移动上海公司推出“魔力算”Token通用服务，1元可购40万Tokens；中国联通上海分公司发布多档Token产品及融合套餐。 这意味着什么？AI算力，正式进入“话费化”消费时代。蛰伏多年的通信大象，终于在AI浪潮中迈出了起舞的第一步。 一、黄金时代：曾经，大象是草原之王 把时间拨回二十年前。那时候，中国移动的短信拜年能让系统瘫痪，中国电信的固话装机要排队三个月。运营商的黄金时代，卖的是语音通话时长，卖的是短信条数，卖的是数据流量套餐。那是大象的巅峰时刻。 2012年，全球移动数据流量增长超过70%，中国移动的数据流量增长率超过150%。运营商手握网络、计费、用户三张王牌，是整个数字经济的“税吏”——所有互联网公司的业务，都跑在它们的管道上。但危机，也在这个巅峰埋下了种子。 二、管道化陷阱：大象沦为“搬砖工” 移动互联网时代来了。微信替代了短信，微信电话替代了语音通话，抖音和快手吞噬了流量，但运营商只收到“过路费”。互联网公司吃肉，运营商喝汤。 数据不会说谎。2025年，三大运营商营收增速全部跌至1%以内——中国移动增长0.91%，中国电信增长0.07%，中国联通增长0.68%。这是近年来最低的一年，行业彻底告别规模扩张时代。 更扎心的是利润。2026年一季度，中国移动归母净利润同比下降4.21%，中国电信下降17.08%，中国联通下降17.99%。传统业务ARPU值持续走低，流量红利已吃到尽头。 屋漏偏逢连夜雨。2026年1月1日起，流量、宽带等服务的增值税税率从6%上调至9%，年均税负增加数十亿元。运营商沦为了“哑管道”——用户用你的网，但不知道你的存在；互联网公司用你的网，但不给你分利润。大象被困在了自己的领地上。 三、Token时代：大象看到的新草原 转机出现在AI大模型的爆发。2026年3月，中国日均Token调用量突破140万亿，两年增长超千倍。每一次AI对话、每一段AI生成内容、每一个智能体执行任务，背后都是Token的消耗。 Token是什么？是大模型处理信息的最小基础单元。它有三个核心属性：可计量、可定价、可交易。这三个属性，恰好是运营商最擅长的领域。于是，从“卖流量”到“卖Token”的转型逻辑浮出水面。 中国移动董事长陈忠岳提出，要将Token打造成连接算力、模型、应用与用户的“通用货币”。中国电信董事长柯瑞文则强调，“Token经营的本质就是为用户提供AI服务”。这不是简单的计量单位替换，而是大象从“管道工”向“智能服务组织者”的角色跃迁。 四、三个有利：大象起舞的底气 第一有利：账户与计费体系——天生的“收银台” 运营商拥有全国最成熟的账户、鉴权、计费和清结算体系。10亿级用户、话费支付通道、按月结算习惯——这些能力是任何互联网公司都不具备的。当Token可以像话费一样按月购买、话费支付、跨平台使用时，运营商的天然优势就凸显出来了。 第二有利：政企客户与属地服务——深耕行业的“地头蛇” 运营商拥有覆盖全国的地市、区县服务网络，以及庞大的政企客户基础。AI落地的最大场景不是C端娱乐，而是B端产业赋能——智慧工厂、智慧医疗、智慧城市，每一个都是运营商深耕多年的领地。 第三有利：云网边端协同——算力时代的“基础设施之王” 运营商拥有从网络到算力、从边缘到中心的完整基础设施。中国移动的“云、管、端、边”一体化运营能力，中国电信的“智能云即Token经营体系”，都指向一个事实：在算力成为新水电的时代，大象本就是水电网络的所有者。 五、三个不利：起舞之路的荆棘 第一不利：定价混乱与标准缺失 目前，各家运营商的Token套餐定价差异悬殊。同样是1000万Tokens，中国电信定价9.9元，中国移动北京分公司定价24.9元。更核心的问题是，Token跨平台流通体系尚未建立。中国电信的Token主要适配自家星辰大模型，切换到其他模型后，可用额度会变动。Token要成为“通用货币”，先得解决“汇率”问题。 第二不利：平台公信力的悖论 运营商想做AI能力的中立组织者，但自己也在做大模型。中国移动MoMA平台既接入了DeepSeek、通义千问等外部模型，也接入了自研“九天”模型。这是一个经典的平台悖论：你既想当裁判，又想当运动员。外部模型厂商凭什么放心把客户关系交给运营商？这是大象必须回答的问题。 第三不利：从“卖资源”到“卖能力”的基因转变 过去二十年，运营商擅长的是卖带宽、卖流量、卖专线——卖的是标准化的资源。而Token经济的核心，是卖模型调用、智能体执行、行业场景能力——卖的是非标准化的服务。从套餐思维到编排思维，从单边经营到多边生态，这需要大象完成一次基因层面的蜕变。 六、悲观还是乐观？ 我的答案是：谨慎乐观。 悲观的理由是真实的：运营商的转型已有前车之鉴——云计算时代，它们也喊过“云网融合”，最终市场份额远不及阿里云、腾讯云。如果Token经营只是把“GB”换成“Token”，那不过是换汤不换药。 乐观的理由同样坚实：Token经济的核心是“服务组织”，而不是“资源售卖”。运营商在这条赛道上拥有互联网公司无法复制的优势——账户体系、政企关系、属地服务、合规能力。 最关键的是，这一次，大象不再单打独斗。中国移动联合阿里云、火山引擎等8家伙伴成立“Token应用生态联盟”，计划3-5年投入百亿级生态资源；中国电信也成立了覆盖产业链全环节的Token生态联盟。 “士别三日，即更刮目相待。”从语音到流量，从流量到Token，这头大象正在学习新的舞步。舞姿或许还不够优雅，步伐或许还有些踉跄，但这一次，它至少踏上了正确的舞池。星辰大海，征途在前。大象起舞，好戏才刚刚开始。 #AI# #AIAgent#