越过“成本拐点”，怎么算好国产算力这本账？ | 对话商汤大装置

中国算力+中国AI，商汤大装置“借东风”。

文｜魏琳华

编｜刘俊宏

过去两年，AI行业最热闹的叙事属于大模型，最焦虑的叙事属于算力。

当行业从训练转向推理，中国算力厂商和模型厂商都在快速验证商业化路径。但一个核心问题始终悬在所有玩家头上：这门生意，到底什么时候能真正赚钱？

问题如此重要，是因为国产算力面临着一场叙事切换：上半场解决"有没有”，下半场就得回答“赚不赚”，甚至每一张卡都要算账。

芯片性能够不够用、生态兼不兼容、集群的经济账跑不跑得通……过去几年，这些问题行业里很多人在问，但真正敢正面回答的，不多。

WAIC 2026期间，光锥智能与商汤科技联合创始人、大装置事业群总裁杨帆，大装置事业群CTO宣善明，首席科学家张行程等一众高管进行了访谈。

商汤科技联合创始人、大装置事业群总裁杨帆

商汤大装置把过去一年做的事、中国算力正在发生的行业变化，以及未来三到五年的判断，几乎和盘托出。

在这场交流中，商汤大装置给出了两个关键的判断：

第一，国产芯片的商业化，会在未来两三年迎来真正的成熟期；

第二，国产化替代绝不仅仅是GPU的替代，而是背后整个AI上游生态体系的重构。这一过程中将涌现大量全新的专业细分技术问题，也会催生大量专业技术厂商参与解决。

两个判断指向同一结果：当国产芯片成为市场主力，AI基础设施厂商不仅要把国产算力用起来，还要让它从“可用”走向“好用”——从技术上能跑通，进阶到稳定高效的发挥。

在这届WAIC上，“如何提升Token效率”成为一个关键的话题。这意味着，企业都在思考如何将资源转化为真实的生产力。

这个过程中，AI基础设施厂商变得前所未有的重要。它一方面承担着算力的建设和分配，另一方面面临着来自模型和产业需求端的双重考验。

Token一年涨25倍 国产算力来到爆发前夜

国产算力正在迈入一个全新的阶段。

最直接的拉动力是今年来自需求端的高速增长。2026年初，以OpenClaw为代表的现象级Agent产品快速破圈，叠加AI Coding能力的规模化落地，直接推动Token调用量实现指数级跃迁。

从海外的OpenAI、Anthropic到国内智谱、月之暗面等公司，均在今年上半年迎来了MaaS业务的爆发增长。尽管不少企业多次上调API售价，但市场调用量仍保持高速增长，甚至供不应求。

价量齐升的态势，也验证了AI需求的真实和迫切：它并不是头部大厂左手倒右手的资本故事，而是一个确定存在的巨大刚需市场。

“今年我们切实感受到产业端在高速强力的推动智能化进程。”杨帆说，“整个‘十五五’周期内，国家经济的各个方面对AI应用更加接纳，我们感觉它不会弱于C端和消费者端的产业规模。”

需求的井喷，彻底激活了Token工厂的高速运转。但和四年前不同的是，Token工厂背后的“发动机”换了。

去年底到今年初，摩尔线程、昆仑芯、沐曦等国产芯片公司们陆续完成了适配和完善，商业化进程被推上快车道。“整个国产芯片商业化的真正市场成熟期，可能就在未来两年。”杨帆判断。

站在时代的风口，商汤大装置早在两年前就看到了这条路径的机会：中国算力+中国AI。

这条路看起来是一个谁都知道的趋势，但知易行难，如何落地需要对AI基础设施有顶层的架构，来解决当国产算力成为“挑大梁”的主角，随之而来的问题。

先从大模型训推说起，中国AI大模型的膨胀速度之快，单一国产算力已经无法满足厂商需求。以最近发布的一批大模型为例，月之暗面的Kimi K3参数规模已经高达2.8T，The Information报道，MiniMax正在研发新一代大模型，预计尺寸将达到2.7T。更大的模型，呼应着更大的算力规模。

聚焦到实际应用中，Agent产品带来的Token消耗暴增，让“性价比”成了今年AI行业的关键词。

由于Agent处理单个任务消耗的Token比大模型问答高出几十倍以上，Agent的爆火带动了Token消耗量翻倍增长。当模型足够好用之后，Token就成了Agent的“生产原料”，采购逻辑变成了“够用、便宜、量大”。买单逻辑一变，整个算力市场的定价体系就要重排。

除了上述场景，不同的AI路线分支也带来了多样化的算力需求，比如世界模型、具身智能、AI for Science（AI4S），这些新物种对算力的要求与传统的语言模型截然不同，单一算力的方案无法适配所有场景。

杨帆打了一个很形象的比喻：“你让一个纯游泳运动员去跑铁人三项，跑的就是不行，但不是说他的运动能力不行。铁人三项如果想跑得好，允许换人的情况下，三个运动员一起跑分就更高。”

所以从真实需求出发，当单一算力无法满足所有的需求时，一个“异构”的算力架构就显得非常重要。

杨帆认为，把技术需求、场景需求分解成不同的技术任务，用不同的硬件适配，组合拿到最优的系统化能力，这个命题将在相当长一段时间内存在。“我们的判断是，异构或组合以后会更多而不是更少。”

用异构算力怎么跑出盈利模型？

AI基础设施的逻辑，是连接。

卡与卡、柜与柜、机房与机房之间的连接，决定算力规模能做多大，也决定这门生意能不能真正跑通。

聚焦国内市场，异构算力是多数国内AI基础设施厂商不得不面临的难题。尤其是在寒武纪、沐曦、中科海光、华为昇腾等国产算力芯片百花齐放的今天，不同算力卡以及背后的生态连接难题，导致这门生意需要反复做适配，“痛苦”又很难赚钱。

“所有芯片厂商，他们既希望芯片卖出去，更希望卖出去后能产生商业化闭环价值，但能完成后者的角色并不多。”杨帆说。

那么，做“国产算力”到底有没有可能赚钱？商汤大装置的答案是：可以，而且已经规模化落地。

对于国产异构算力的优化，商汤大装置的核心打法是PD分离的异构混合推理。

PD分离的核心原理，是大模型推理分为Prefill（预填充）和Decode（解码生成）两个阶段，前者吃算力，后者吃内存和带宽。商汤大装置的做法是把两个阶段拆开、各配更适合的卡。具体效果，杨帆介绍说：“花大概3个月，可以把每一个单卡的有效输出效率平均提升85%～152%左右”。

这种方式操作下来，一台高端算力卡，再配合几十台国产卡协同工作，性价比可达到全部用英伟达H系列的1.25倍。

这意味着商汤大装置不仅用有限的高端资源，撬动了国产卡的最大规模放量，还把Token生产的性价比做到了极致。

光有性价比还不够，迁移门槛也必须打下来。商汤大装置开发了一套工具链，让原本在海外主流算力平台上训练和部署的模型，迁移到国产芯片时的工程化工作量大幅降低。在杨帆看来，降低迁移门槛，是接下来推动国产算力商业化在多个细分场景跑通、实现规模化的基础。

有了这两点，商汤大装置的混推集群，迈过了“可用”的基础线，走向了让企业“更愿意用”的阶段。

于是在短短半年之间，商汤大装置的Token消耗迎来了爆发式增长。今年，商汤大装置对外提供的第三方Token服务量，年初还在日均4000亿的水平，到7月底就预计将达到2.42万亿，年底还会再提升一个数量级，达到日均10万亿的体量。相当于一年内实现25倍增长。

这还远远不是终点，Token的“经济账”还在继续优化。怎么用更少的能源产出更多Token？这是行业当下绕不开的一道难题。

过去IDC时代，衡量数据中心“划算”的核心指标是PUE（能源使用效率）。但AI时代，这个指标开始不够了。杨帆举过一个反例：“当年优化PUE，极限优化PUE会导致机房里的机器风扇狂转，实际上GPU有效输出是降速降频的。因为这个都算机器内耗电，PUE数据虽然好看了，但实际的Token输出效率也受到了影响。”

在AI时代，比起用电效率，用户更关注的是“生产单个Token多少钱”。对此，商汤大装置提出了一个更适合当下行业现状的指标——TPW（每瓦Token数），用来衡量单位电力成本对应的Token产出。

支撑TPW成立的背后，是一套“算电协同”的体系。

在上海临港智算中心，商汤大装置与宁德时代合作，通过电力整合优化、模型预测算力特征、峰谷电价+储能调度等方式，把电价做到比市场均价低约10%。

同时，AIDC还能像蓄水池一样参与电网调节。放到真实场景看，7月10日，国网上海在夏季用电紧张时发出需求响应，商汤大装置的临港数据中心在两小时内释放了75%的容量还给市政电网，两小时内少用了4.6万度电。

底层的算力和能源账都算清楚之后，问题只剩下一个：商汤大装置如何把这套能力，变成一门更大的生意？

产业智能化让AI长在产业里

在底层算力与能源优化方面，商汤大装置交出了一份不错的答卷。但算力账算得再清，Token也不会自己变成生产力。

说到底，AI基础设施要解决的就是一件事：让AI真正在真实场景里落地。

“模型能力今年才真正开始产生足够强的价值，工具级产品、能真正帮企业端生产力解决问题的方案，其实今年才开始出现，这让更多B端的场景被打开。”杨帆说。

AI有价值，但空烧Token对企业来说，是一笔得不偿失的“糊涂账”。

以Uber为例，今年才刚4月，他们公司投入在Claude Code上的2026年预算已经全部用完，但事后评估，这些Token的消耗，并没有同等比例地转化成真正对公司和消费者有用的功能。

这不是Uber一家的问题，而是全行业共同面对的现实。商汤科技大装置事业群CGO杨松分享了一组数据，“麦肯锡的报告（指出），目前全球约88%的企业已在生产环节采用AI技术，但实际价值转化率仅为6%。”

那怎么才能解决这个重要的问题？

贴近产业一线，了解需求。

商汤大装置组建了行业驻场工程师（FDE）团队，深入产业一线陪跑客户。从硅谷火到国内，从Anthropic、OpenAI到国内一众企业，FDE是现阶段AI厂商能够深入企业解决问题的共同选择。

从商汤大装置自身的基因来看，它的选择其实不意外——拥有完善AI基础设施+懂行业know-how，让它比市面上其它公司更具有优势。

一般来说，行业具备端到端整合能力的，基本都是大厂；而大厂的第一优先级，永远是用最好的算力服务自家核心业务，而不是给市场提供更开放、更高性价比的服务。

这种情况，使得商汤大装置的定位就变得稀缺，它是市场上极少数既具备顶尖端到端基础设施能力，又毫无保留向第三方市场开放赋能的“外部服务者”。

在AI基础设施的完善底座上，商汤大装置更关键的能力，其实是它多年沉淀的AI行业经验——技术、产品、工具等多个维度的积累，都是商汤大装置决心切入FDE行业的底气。

这其中，商汤自身研发AI大模型的经验让模型训推能少走弯路；在具身智能、AI视频（短剧）等多个细分赛道的落地探索，让它攒下了更多可以“拿来即用”的技术、产品；而在企业生态合作上铺开的一系列合作方，也都能成为商汤大装置的支持。

在具体如何做好FDE上，商汤大装置也已经在合作中渐渐想清楚了落地的方法论。

杨松分享道，商汤大装置会给每一个需求都明确指标，帮企业评估AI能力对最终业务到底能起到什么价值；此外，通过构建数据飞轮体系的方法论，它能帮助客户更好地完成数据的整理与沉淀。

为此，商汤大装置还定下了1天澄清需求价值，2天产出验证Demo，30天稳定版本上线的交付节奏，实现了AI从Demo到生产稳态的无缝衔接。

目前，商汤大装置FDE已经有了“样板间”。在上海先进制造领域，商汤已服务5家大型国企，落地几十个高价值场景，实现AI应用的快速复制与规模化交付。

回到开头那个问题：商汤大装置为什么能交出这份盈利答卷？

供需错配是客观条件，但客观条件不会自动变成盈利。商汤大装置过去一年多证明了。在AI基础设施这个长期被认为“不赚钱”的领域，规模化盈利靠的不是砸更多卡，而是把每一张卡用得更聪明。这样才能把建算力到落地的每一个环节真正跑通。

把算力到应用的每一个环节真正跑明白，这才是AI基础设施下半场的胜负手，也是商汤大装置率先跑出来的路。