文章核心观点 - AI云市场正从以CPU为核心的通用计算转向以GPU为代表的智能计算，MaaS平台成为关键环节，Token调用量成为行业关注的“北极星指标” [1][2] - Token作为当前最直观、易量化的指标，其消耗量在短期内（一年半）激增300多倍，反映了AI应用规模的快速增长，但将其作为衡量AI云市场的唯一标准为时过早且不够科学 [1][4][5] - 当前Token收入在云厂商整体收入中占比较低，短期内不足以单独支撑云市场整体增长，且现有统计存在盲区，无法全面反映AI的真实使用规模 [4][7][10] - 企业采购AI云服务的核心决策依据是业务价值（如提高收入、降低成本），而非Token消耗量本身，Token更多是应用运行后的成本指标 [26][27][28] - AI云的长期竞争关键在于系统工程能力，即如何降低企业使用AI的门槛，让AI稳定进入业务流程并创造可持续的业务价值 [30][31] Token成为“北极星指标”的背景与原因 - 云计算范式正从CPU通用计算转向GPU智能计算，通过MaaS平台调用模型、消耗Token成为企业使用AI云的重要形式 [1] - Token调用量、增速、规模及排名成为行业热议焦点，国内外主要云厂商均在不同程度上披露了相关数据 [1] - 中国日均Token消耗量从2024年初的1000亿增长至2025年6月底的突破30万亿，一年半时间增长超过300倍，体现了AI应用规模的快速扩张 [1] - Token指标具有极高的叙事效率，简单、清晰、易于量化比较，符合商业世界对单一核心指标的偏好，便于市场传播和被资本、客户理解 [2][3] Token市场的现状与规模 - 根据Omdia数据，2024年中国AI云市场规模约29亿美元，其中AI MaaS收入仅0.3亿美元，占比1% [7] - 2024年中国主要云厂商Token收入总和不超过10亿元人民币，2025年各家均大幅增长，目前收入高的厂商超过10亿元，低的为数亿元 [10] - 在头部云厂商的收入结构中，Token收入占比仅为1%左右；在一些规模较小的云厂商中，该占比可能达到10%左右 [10] - Omdia预测，2025年中国AI云市场规模将增至72亿美元，2030年达268亿美元；2030年AI MaaS市场规模预计为25亿美元，在AI云市场中占比约9% [7] Token统计的局限性与盲区 - 现有Token统计大多基于公共云MaaS平台的API调用数据，难以全面覆盖GPU云租赁、私有化部署以及制造、汽车、机器人等设备端的AI算力使用，可能低估真实规模 [4][14] - 中国市场可被统计到的Token消耗主要集中在娱乐、对话等To C移动互联网场景，而更广阔的To B领域仍在早期，未来增长潜力更大 [18] - 不同统计口径导致矛盾结论：例如，IDC数据显示阿里云在中国大模型公有云服务（Token市场）占比27.0%，而OpenRouter数据显示阿里Qwen系列模型全球Token消耗占比约4%-7%，排名更高，差异源于开源模型使用和不同部署方式难以被单一统计覆盖 [19] - 严格意义上的广义Token消耗应包括MaaS平台、公共云GPU推理、私有化部署及设备端模型产生的全部Token，但目前技术难以实现全面统计 [22] 企业采购逻辑与Token的实际角色 - 在企业真实的IT采购决策中，Token是AI应用运行后的成本指标，而非采购阶段的核心依据，企业更关注AI能否提高收入、降低成本、缩短流程周期等业务价值 [4][26] - 企业AI落地分为两阶段：第一阶段关注Agent能否稳定融入业务流程（“能不能用”），第二阶段才开始考量包括Token成本在内的运营成本优化 [27] - 企业感知的AI价值更多体现在Agent等应用上，部分大型企业甚至以“Agent渗透率”、“AI业务渗透率”等更全面的指标作为“北极星指标” [28] - Token本质上是技术计量单位，其消耗量更偏云厂商（供给方）视角，而非进行数字化转型的企业（需求方）视角 [28] 云厂商的战略布局与市场展望 - 全球云厂商积极扩大MaaS业务规模：亚马逊AWS管理层预计其Bedrock平台长期收入贡献将与EC2业务（占营收超30%）不相上下；阿里云启动“百炼战役”，目标短期内将百炼平台Token调用规模提升三倍以上；火山引擎已将Token收入作为销售团队核心KPI之一 [6] - 行业高管判断，当模型能力增强、Agent成熟并覆盖大量长尾企业后，MaaS收入在云厂商整体收入中的占比有可能达到30%甚至更高，但目前行业仍处早期 [6] - 市场存在不同增长预测：有敏感性测试显示，若Token价格维持当前水平，某中国云厂商的Token调用收入未来1-2年可能增长至40亿-70亿元人民币 [11] - 云厂商的客户结构差异导致其对Token的叙事重点不同：阿里云因客户结构庞大多样而强调多形态并存（GPU租赁+MaaS+私有化部署）；火山引擎因核心客户为前沿开发者且内部业务消耗大而更强调Token [13] AI云的使用形态与客户实践 - AI算力使用形态多样，包括公共云GPU租赁、私有化部署、MaaS平台调用Token、端侧算力部署等，企业通常根据自身情况采用混合方案 [14][17] - 据调研，阿里云70%的企业客户在租用GPU云服务的同时，也通过MaaS平台调用Token，深度使用AI的企业多为多形态并存 [17] - 企业选择逻辑：在AI应用PMF验证阶段，倾向于使用MaaS平台调用Token，因其计费灵活、试错成本低；进入大规模部署阶段后，则倾向于租用GPU实例以控制长期成本 [17] - 头部互联网企业（如某社交媒体、某支付平台）每年云支出达数十亿乃至百亿元，但其2025年直接通过MaaS平台使用Token的费用在整体云支出中占比仅为极低的个位数 [18] 行业长期发展的关键 - AI云的竞争本质是系统工程能力，关键在于让更多企业客户能够以更低门槛、更高效地部署和使用AI应用 [30][31] - 云计算技术栈需要与时俱进，实现IaaS、PaaS、MaaS平台、Agent平台的全栈深度融合，以支撑企业高效部署AI应用 [30] - 真正决定AI云长期增长空间的，是AI能否稳定进入更多业务流程，持续优化运营，并替代或重构企业的人力成本、传统软件成本及低效IT环节 [29][30] - 在激烈的市场竞争中，技术能力和技术布局的前瞻性将是长期的胜负手 [31]

文章核心观点 - AI产业在迈向“下一个十年”之际，面临模型能力提升与产业落地速度不匹配的问题，高昂成本、高质量行业数据缺乏、工程化能力不足及对大模型能力边界认知偏差构成四大结构性难题，制约其规模化应用[1][3][4][5] - 产业格局正发生微妙变化，包括开源与商业化关系的平衡、AI入口从云端向终端迁移，以及创新生态中高校、企业和新型研发机构角色的重新分工[2][5][6][7] AI规模化应用的结构性难题 - 高昂成本成为主要障碍，大模型训练和使用成本持续攀高，客户预算有限与模型高成本之间存在矛盾，有团队提出大模型能力密度法则，声称可每100天（约3.3至3.5个月）实现模型密度翻倍[3] - 高质量行业数据及语料不足是另一关键短板，数据交易量在两年内从零增长至占交易所交易量的三分之一，但企业数据分散，从AI视角构建数据集的工作刚起步，预计需两年才能找到较好路径[4] - 工程化能力不足构成落地“最后一公里”障碍，产业交付需解决全系统全链路交付、软硬件结合及大规模可定制三大核心问题[4] - 产业对大模型能力边界存在认知偏差，业务领导对模型充满信心而技术人员对落地担忧，凸显期望与现实的差距[5] 产业格局与商业模式演变 - 创新生态角色被重新定义，高校是人才和想法密集地但资源有限，企业可大规模投入资源，新型研发机构则灵活且不追求短期ROI，能承担长期重要任务[5][6] - 开源与闭源商业模式从对立转向共生，开源被视为推动行业发展和生态繁荣的关键，能吸引各行业人才贡献，并最终转化为商业价值，有公司透露其商业收益正快速增长，预见AI作为基础设施蕴含万亿级别商业机会[6] - AI入口正从云端向终端迁移，智能终端定位“人、车、家”场景，成为下一个人机交互接口，智能体是实现变革关键，落地竞争焦点从模型能力转向入口位置[7] AI价值的核心衡量标准 - 人工智能落地成功的关键在于能否改变行业的北极星指标，如决策速度、生产效率、成本结构或质量稳定性等核心业务指标，而非仅提供附加功能[7]

需求优先级排序框架 核心观点 - 需求优先级排序是多维度评估框架 涵盖商业价值 用户价值 成本复杂度 时机依赖四大类依据 本质是机会成本的博弈[1][4][15] - 研发资源是最稀缺的投资资本 产品负责人需像基金经理配置高ROI项目[5] - 卓越团队通过持续拷问"当前选项是否创造最大价值"实现聚焦 需对99%好想法策略性说"不"[6] 排序依据分类 依据一：商业价值与战略契合度 - 作为顶层北极星指标 直接衡量需求对公司级战略目标的推动程度[3][7] - 评估维度包括：与北极星指标的距离 OKR对齐度 直接财务影响(新收入/成本节省) 品牌市场价值[7][8][9] 依据二：用户价值与痛点 - 通过用户覆盖面(定量数据+分群)和痛苦指数(止痛药vs维生素)评估需求必要性[9][10] - 运用Kano模型区分基本型需求(高优先级)与魅力型需求[10] 依据三：成本与复杂度 - 实现成本(人天/故事点)是直接考量 技术风险(核心模块改动/新技术)和长期维护成本需纳入[11][12] - 机会成本是最重要隐性成本 体现为放弃更高价值需求的潜在损失[6][12] 依据四：时机与依赖关系 - 时间关键性包括市场窗口期 法规期限 价值衰减速度[12] - 依赖关系分为技术依赖(执行优先级倒置)和战略依赖(地基型需求优先)[12][13] 实践方法论 - 拒绝单一维度决策 需通过RICE/WSJF等量化模型实现多依据数学化融合[16][17][25] - 待办列表梳理会需产品 研发团队共同输入商业价值 技术风险等维度信息[19][20][21] - 协作工具可显性化排序依据 如自定义战略对齐度 用户痛点指数等字段[21] 动态调整机制 - 排序依据权重随产品生命周期变化 探索期重学习价值 成长期重商业价值[22] - 产品负责人拥有最终决策权 但需基于跨部门透明协同[26]

AI时代增长的变与不变 - 核心观点：在算力爆炸时代，最稀缺的是对用户需求的洞察力而非技术复杂度，商业本质仍是人与人的连接[1][2] - 不变原则：所有增长出发点始终是用户需求和洞察，如AI PPT通过挖掘宝妈群体未被满足需求实现差异化增长[12][13] - 变化方向：AI将不确定性转化为确定性，如拼多多基于人群分类1小时生成300万素材并智能筛选最优方案[45] 北极星指标制定方法论 - 制定依据：需结合用户洞察与行业观察，如美团将外卖指标从GMV切换为订单量以适应用户消费力下降趋势[18] - 动态调整：指标应随生命周期变化，招行从存款量→AUM→MAU+AUM→AUM的演变体现阶段性策略聚焦[26][27][30] - 平衡原则：需设置制约指标（如ROI）并兼顾长短期价值，字节直播业务设定用户体验伤害阈值不超过1%-2%[21][22] AI赋能增长实战案例 - 百度网盘：转型生产力工具后会员数增长50%，但面临办公人群接受度低的推广瓶颈[16] - 招商银行：通过AUM指标满足高净值用户资金灵活性需求，零售业务实现差异化增长[26] - 滴滴海外：基于油价上涨数据分析将巴西业务重点从C端转向B端司机激励[33] 数据分析体系构建 - 三级拆解法：一级按业务线（美团外卖/酒旅）、二级分B/C端、三级细拆新老用户结构与增长方向[33][34] - 关键因素定位：通过AB测试验证留存相关性，如美团商家核心诉求是"低成本多赚钱"需优化激励体系[36] - 智能监控趋势：未来系统将实现预判诊断，如识别新用户与沉睡用户画像相似性自动推荐召回策略[39] AI技术应用红利 - 投放优化：谷歌黑盒白盒打分法将素材拆解为价值卖点/演绎形式等维度实现精准调优[46] - 流量获取：Temu通过页面劫持技术篡改搜索入口低成本获客，国内厂商植入AI关键词抢占搜索流量[46] - 研究提效：秘塔/Kimi可结构化分析行业数据，自动输出竞品MAU、商业模式等深度报告[40][41] 留存与召回关键洞察 - 留存本质：基于产品核心价值，快手短剧业务起源于用户对剧情类内容的自发需求[54] - 召回模型：美团外卖通过地理位置、消费频率等200+维度建立用户流失原因预测体系[51] - 行业瓶颈：AI工具类产品普遍面临留存率低问题，头部情感陪伴类应用七日留存仅41%[56]