金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

AI圈卷到現(xiàn)在，開始建工廠了。

這不，就在剛剛，北京就開了一家，包含兩個核心組成部分：

一個是訓練工廠：

目標算力規(guī)模10萬P，負責把通用大模型、行業(yè)數(shù)據(jù)和算力資源放進來，煉成金融、制造、政務、科研等行業(yè)能用的專業(yè)模型。

另一個是Token工廠：

目標日均產(chǎn)能10萬億Token，負責把這些專業(yè)模型封裝成企業(yè)可以調用、可以計量、可以結算、可以穩(wěn)定交付的專業(yè)Token。

這便是九章云極在2026全球智算科技峰會暨九章云極戰(zhàn)略發(fā)布會上，正式拋出一個新戰(zhàn)略——AI工廠。

它聽起來點像把AI產(chǎn)業(yè)搬進現(xiàn)代化工廠：前端煉模型，后端送智能。

然后中間再用DCU（1度算力）度量算力投入，用專業(yè)Token（面向業(yè)務任務的智能價值單元）度量智能產(chǎn)出，再讓業(yè)務數(shù)據(jù)回流，繼續(xù)推動模型迭代。

由此帶來的效益，用一組數(shù)據(jù)展示便是：

10萬P目標算力規(guī)模、10萬億目標Token日均產(chǎn)能、1000倍目標綜合降本、計劃孵化1000個高價值模型與智能應用。

更直觀的，一張圖解如下所示：

不過比起這些數(shù)字來說，從九章云極的這次戰(zhàn)略發(fā)布來看，智算云的商業(yè)邏輯正在發(fā)生變化——

它不再只回答算力夠不夠，還要回答算力能不能變成真正可交付的智能。

而這，便是九章云極此次動作的目的，把這上面?zhèn)€問題試圖工程化。

AI工廠，到底怎么運轉？

要理解這座AI工廠，我們首先需要了解當前企業(yè)在擁抱大模型時面臨的真實痛點。

過去，大家熱衷于討論的可能是模型參數(shù)有多大、是不是開源、打分高不高；但現(xiàn)在，業(yè)務一線的真實拷問是：

模型能不能真正跑進我們復雜的業(yè)務系統(tǒng)？在超高并發(fā)下，能不能穩(wěn)定輸出可預期的結果？每一次API調用的成本，業(yè)務部門能不能算清賬、算贏賬？

這已經(jīng)不是一個純粹的算法競賽，更準確的說，應該是一個典型的工程與工業(yè)化問題。

畢竟阻礙AI落地的現(xiàn)實瓶頸往往不在大模型本身，而在其背后的整套底層智算基建，包括算力調度是否高效、異構算力能否統(tǒng)一納管、推理成本是否足夠低、任務失敗時系統(tǒng)能否自動感知并自愈……

因此，九章云極推出的AI工廠，本質上是在用一套標準化、規(guī)?；?、高可靠性的工業(yè)化流水線，去重構智能的生產(chǎn)與交付體系。

從AI工廠的整個版圖來看，可以分為四個關鍵部分來看。

投入側：首創(chuàng)“一度算力”（DCU）

這是解決如何購買算力的問題。

長期以來，算力行業(yè)最大的痛點就是資源不標準、計價不透明、投入不可量化。

過去，企業(yè)通常需要去租用GPU、規(guī)劃網(wǎng)絡拓撲、考慮存儲帶寬以及機器的使用時長。

這種粗放的租賃模式，就如同在初期的電力時代，想要用電，必須自己去買煤炭、租發(fā)電機，甚至自己去拉電線，門檻極高、成本混亂、無法規(guī)模化。

九章云極在行業(yè)內(nèi)首創(chuàng)了“一度算力”計量單位，將其定義為312TFlops×小時（每秒鐘312萬億次浮點計算乘以一小時）。

△九章云極董事長，方磊

它將底層芯片（異構的GPU、NPU）、網(wǎng)絡、存儲、使用時長及實際利用率等極其復雜的物理資源統(tǒng)一折算計量。

對客戶而言，算力采購從此變得像買電一樣簡單，按“度”付費、所見即所得。

生產(chǎn)側：訓練工廠

訓練工廠解決的是智能“從0到1”的生產(chǎn)問題。

通俗來講，就是把通用模型、行業(yè)數(shù)據(jù)、算力資源放進來，通過數(shù)據(jù)處理、領域精調、強化學習、評測反饋等流程，訓練出金融、制造、政務、科研等場景可用的專業(yè)模型。

這里的重點不只是有多少卡。

訓練工廠強調的是千卡到萬卡級集群、高密度網(wǎng)絡存儲、故障自愈、跨地域調度，以及從數(shù)據(jù)、訓練、評測到部署的全流程工具鏈。訓練工廠能夠將通用基礎模型，升級為適配各行各業(yè)的專業(yè)任務模型。

通用模型存在天然的數(shù)據(jù)邊界與能力邊界，無法覆蓋企業(yè)私有數(shù)據(jù)、行業(yè)Know-How、復雜業(yè)務流程。而訓練工廠的價值，就是把行業(yè)專屬知識沉淀進模型，讓AI從會聊天、會答題，升級為能拆解任務、能自主決策、能風險判斷、能閉環(huán)落地的產(chǎn)業(yè)智能體，真正適配企業(yè)生產(chǎn)環(huán)境。

封裝側：Token工廠

Token工廠解決的是智能“從1到N”的交付問題。

訓練工廠生產(chǎn)出專業(yè)模型之后，模型本身還不是企業(yè)能直接消費的商品。企業(yè)真正需要的是穩(wěn)定API、SDK、權限體系、模型版本管理、監(jiān)控告警、計量計費和服務保障。

Token工廠就是把訓練工廠產(chǎn)出的專業(yè)模型，封裝成可調用、可計量、可運營的專業(yè)Token。

這里的Token，也不只是大模型里的技術計數(shù)單位。按照九章云極的定義，專業(yè)Token更接近一種面向業(yè)務任務的智能價值單元。不同任務、不同模型、不同服務等級，都可以通過Token被計量和結算。

產(chǎn)出側：越用越強，越強越便宜

至此，AI工廠的核心飛輪閉環(huán)就此形成：

DCU度量投入 → 訓練工廠冶煉專業(yè)模型 → Token工廠轉化為專業(yè)Token → 企業(yè)消費Token并回流業(yè)務數(shù)據(jù) → 模型持續(xù)迭代

我們可以把它理解為“越用越強，越強越便宜”的增強回路。在這里，數(shù)據(jù)不僅是原料，也是模型進化的養(yǎng)分。

值得注意的是，在這一閉環(huán)中，九章云極重新定義了Token。

他們認為，面向消費者的泛化Token單價已經(jīng)由于市場競爭趨于零，其價值正逐漸見頂。而面向產(chǎn)業(yè)的、具有明確 ROI（投資回報率）的專業(yè)Token，才是驅動產(chǎn)業(yè)智能化的核心組件。

九章云極將這些專業(yè)Token進行了清晰的價值分層，并將其戰(zhàn)略重心聚焦在后兩者：

• 消費級Token：主要服務于日常AI應用、內(nèi)容創(chuàng)作，追求極致體驗與規(guī)模普惠，如同穩(wěn)定經(jīng)濟的基礎電力；
• 專業(yè)級Token：封裝了行業(yè)深度Know-How與私有數(shù)據(jù)，充當金融風控、質量檢測、政務服務的數(shù)字專家，保障流程安全、合規(guī)，讓客戶買到確定的效率與風控價值；
• 前沿級Token：面向復雜任務自動化與科研突破。例如，封裝了多步驟、多工具的端到端仿真或科研工作流，直接服務于藥物發(fā)現(xiàn)、新材料研發(fā)、城市級系統(tǒng)優(yōu)化等曾經(jīng)不可解或成本極高的科學邊界。

從租卡到用Token，企業(yè)AI開始變輕了

過去企業(yè)做AI，往往是一條漫長的重資產(chǎn)建設路徑。

包括多方協(xié)調、艱難地在市面上找芯片、拼湊卡；組建專業(yè)的集群運維團隊，解決算力中斷、故障恢復；搭建復雜的開發(fā)與模型訓練環(huán)境，再進行私有化部署。

這一套流程下來，周期通常長達6到12個月，還沒看到業(yè)務效果，前期資本開支已經(jīng)堆成了天文數(shù)字。

而在九章云極AI工廠的模式下，針對不同類型的市場玩家，整個接入路徑被徹底變輕、變薄。

針對大模型公司和垂類AI企業(yè)：從訓練開始

大模型創(chuàng)業(yè)公司或者垂直行業(yè)的AI領頭羊，自身擁有極強的算法和數(shù)據(jù)能力，但往往被算力運維和成本壓得喘不過氣。

對于這類客戶，他們可以從訓練工廠無縫切入。AI工廠提供千卡到萬卡級的極致彈性算力集群，不僅保證大規(guī)模模型并行訓練的高效運行，還提供跨地域調度和故障自愈的底座。

當模型在訓練工廠中訓練、精調、評測完畢后，客戶無需再折騰復雜的轉轉運環(huán)境，可以直接在云端一鍵Token化分發(fā)至Token工廠。

AI工廠可以說是幫這類企業(yè)打通了從研發(fā)到商業(yè)化上線的這條路，讓算法科學家能夠將100%的精力聚焦于模型本身。

針對行業(yè)客戶和SaaS公司：從推理開始

對于絕大多數(shù)金融、制造、政務領域的實體企業(yè)和SaaS開發(fā)商，他們未必有必要訓練自己底層的基座大模型。他們更現(xiàn)實、更迫切的需求，是在現(xiàn)有的客服、風控、質檢或辦公系統(tǒng)中，引入成熟好用的行業(yè)專業(yè)智能。

對他們而言，Token工廠提供了一條極輕的消費型路徑：不用買卡、不用建集群、不用招募昂貴的底層運維團隊。

平臺上已經(jīng)預置了50多款主流基座模型以及多款面向金融、制造、政務、科研等真實場景精調完畢的模型，這些模型和能力均已就緒。

企業(yè)可以直接調用已經(jīng)封裝好的Token服務，按需消費、按量付費，將沉重的基建投資轉變?yōu)殪`活的運營支出。

過去需要大半年的項目建設周期，現(xiàn)在如果從調用專業(yè)Token切入，最快只需兩周左右即可完成業(yè)務概念驗證。

針對開發(fā)者和AI Agent：還有專屬入口

針對開發(fā)者、科研人員與AI Agent場景，九章智算云打造輕量化算力入口，解決本地算力不足、云端環(huán)境繁瑣、遠程調試卡頓等行業(yè)痛點。

對于AI工程師而言，頭疼的日常莫過于代碼在本地，算力在云端。為了解決遠程SSH卡頓、環(huán)境同步繁瑣的痛點，九章智算云已經(jīng)上線了IDE插件。

現(xiàn)在，開發(fā)者可以在VS Code、Cursor等常用本地編輯器中，實現(xiàn)直連云端GPU。開發(fā)人員在本地寫下代碼，算力直接在云端跑實驗，并且能夠根據(jù)任務自動開啟和關閉，不用不計費。

同時，九章智算云還將陸續(xù)推出CLI、SDK以及Skills Hub。無需理解底層復雜的硬件拓撲，使用時通過簡單的交互即可提交并運行任務使用算力。

與此同時，九章云極在發(fā)布會上同步啟動智算開放計劃，面向全球開發(fā)者、科研團隊和高校用戶開放普惠算力，消除創(chuàng)意與智能落地的阻礙。

算力戰(zhàn)，現(xiàn)在拼的是賣生產(chǎn)力

從行業(yè)視角來看，九章云極這次發(fā)布AI工廠，踩中的是智算云市場正在發(fā)生的一次轉向。

早期，市場拼的是有沒有卡。大模型爆發(fā)后，算力短缺是硬約束，誰能提供更多GPU，誰就更有話語權。

隨后，競爭開始轉向能不能用好卡。算力規(guī)模上來后，GPU利用率、訓練穩(wěn)定性、跨地域調度、推理成本、異構硬件管理，都會直接影響有效算力。

現(xiàn)在，企業(yè)更關心的是第三件事，也就是能不能把算力真正交付成業(yè)務結果。

算力是投入，模型是中間產(chǎn)物，Token是產(chǎn)出，業(yè)務效果才是最終價值。這也是AI工廠概念最核心的變化：九章云極沒有把自己只放在算力供應商的位置上，而是試圖成為智能生產(chǎn)力的組織者和交付者。

它的思路可以理解為用DCU定義算力投入，用訓練工廠生產(chǎn)專業(yè)模型，用Token工廠建設智能交付網(wǎng)絡，最終把智能能力送到企業(yè)和開發(fā)者手里。

當然，智算云市場不缺宏大概念，最終還要看真實交付。客戶會追問的，仍然是幾個具體問題：接入是否簡單？成本是否真的下降？服務是否穩(wěn)定？賬單是否透明？業(yè)務效果是否可驗證？

尤其是1000倍綜合降本這樣的目標，足夠吸睛，也需要在更多場景里被持續(xù)驗證。它背后依賴的，不只是硬件堆疊，而是全棧自研OS、算電協(xié)同、全局調度，以及圍繞訓練和推理的系統(tǒng)級優(yōu)化。

這也是AI基礎設施真正拉開差距的地方。

長期來看，模型會繼續(xù)迭代，硬件會繼續(xù)更新，價格也會波動。真正稀缺的，是把算力、模型、Token和業(yè)務價值串起來的工程系統(tǒng)。

九章云極這次提出AI工廠，意義正在于此。把智算云的競爭，從誰有更多算力，推向誰能更穩(wěn)定、更低成本、更規(guī)?；亟桓吨悄?。

AI圈開工廠了。

接下來要看的，是這座工廠能不能真的開足馬力。