行业与公司 * 行业：智算产业（AI基础设施）[1] * 涉及公司：英伟达 (NVIDIA) [2]、CoreWeave [1][9]、阿里云 [1][9]、DeepSeek [3][10]、OpenAI [11]、Anthropic [11]、硅基流动 [12]、OpenRouter [12] 核心观点与论据 1. “Token工厂”概念与产业趋势转变 * **核心概念**：由英伟达CEO黄仁勋在2024年提出，将“Token吞吐量”作为衡量AI基础设施效率的首要指标，标志着产业竞争焦点从硬件堆砌转向资源转化效率[2] * **北极星指标转变**：行业核心指标从硬件保有量转变为Token吞吐量，旨在最大化AI基础设施的资本回报率[1][2] * **产业趋势**：从“堆资源”转向“榨资源”，强调通过软件栈优化最大化现有资源利用[2] * **效率问题**：AI调度难度远超传统云，GPU任务高度碎片化导致模型浮点运算利用率（MFU）普遍仅为35%-45%[1][9] 2. “Token工厂”收入模型与关键驱动因素 * **收入公式**：Token工厂收入 = 吞吐量 × 平均单价[1][4] * **提升吞吐量（量）**：关键在于AI系统软件栈效率，包括调度平台、策略引擎、编译器、模型优化及训推一体协同，不同运营方产出效率存在量级差异[1][4] * **优化定价（价）**：由推理成本、模型能力溢价及同一能力层级内市场竞争策略三个核心要素共同决定[4] 3. Token市场分层与定价逻辑 * **市场分层**：Token市场已演化为基础设施层、专家或企业级、前沿Token三个层级[5][6] * **基础设施层Token**：模型能力趋同，厂商是价格接受者，定价长期向边际成本收敛[11] * **专家/企业级Token**：具备特定领域专业能力，定价主要由能力溢价决定，推理成本和竞争策略影响较小[5][11] * **前沿Token**：代表技术最顶尖模型，性能最强模型价格基本持平甚至上升，通缩趋势不明显[11] * **单位智能成本通缩**：同等能力模型推理成本以每年9倍至900倍的速度大幅下降，基础AI能力正快速商品化和普惠化[1][10] 4. 提升计算效率的关键路径 * **调度能力优化**： * AI云调度是n元n次复杂方程组，GPU任务碎片化导致资源浪费比CPU时代显著[8] * 英伟达推出DCGM系统解决GPU调度“黑盒”问题[8] * CoreWeave通过拓扑感知调度、自动节点管理等全栈优化，使MFU达到约50%，相比40%行业基准提升约25%效率[1][9] * 阿里云提出token级调度系统，支撑2至2.5倍请求到达率，有效吞吐量根据不同模型配比提升1.5至9倍[1][9] * **芯模协同**： * 模型与芯片深度绑定成为提升计算效率的重要方向，旨在让特定模型在特定芯片上展现更高推理效率[3][10] * DeepSeek模型已基本完成与国内大多数主流芯片的适配，适配速度接近7x24小时不间断[10] * 阿里凭借自研芯片与模型协同，理论上具备更高毛利空间[3][10] 5. 国内衍生的三种商业模式 * **AI聚合平台模式**：类似OpenRouter或硅基流动，核心是作为AI IDC，通过优化软件栈和资源调度最大化Token产出效率，核心竞争力在于客户数量、削峰填谷的资源调度能力及规模效应[7][12] * **垂直行业模型模式**：不持有大量硬件，核心竞争力在于行业Know-how与专有数据，通过对通用大模型后训练实现高毛利，推理毛利率高达40%-50%，远超通用大模型的20%-30%[1][7][12] * **Token分账模式**：算力租赁公司与模型公司合作，基于最终产生的Token进行收入分成，实现风险共担与资源绑定，主要瞄准最前沿的模型市场[3][7][13] 其他重要但可能被忽略的内容 * **旗舰模型定价坚挺**：性能最强的旗舰模型价格基本持平甚至上升，而其他模型降价幅度较大，旗舰模型定价预计将逐渐转向价值定价[11] * **企业级Token角色转变**：企业级Token已开始承接业务流程和任务执行职责，在金融、医药等严肃场景中扮演研究和决策角色，企业购买的是智能本身而非Token[11] * **垂直行业模式壁垒**：垂直行业模型模式的核心竞争力在于深耕特定行业积累的专有知识，若其产出的Token与通用Token无异，则难以获得超额利润[12]