北京
一块GPU吃进多少电，就能吐出多少智能？英伟达CEO黄仁勋给出的答案，是一条看起来极其顺滑的链条：数据中心变成“AI工厂”，耗电产生算力，算力产出Token，Token再变成收入。
在GTC 2026上，黄仁勋说数据中心的电力是有限的，所以关键在于每瓦电能产出尽可能多的Token。到了2026年6月的GTC台北场，他把话说得更直白：“Every token is revenues.”（每个Token都是收入。）
这套说法听起来像一条工业时代的成功公式。问题在于，他把几个彼此之间并不存在固定换算关系的量，串成了一条流水线。
第一环：吉瓦只说明用了多少电
吉瓦是功率单位，一吉瓦等于十亿瓦，可以用来描述一个数据中心需要或最多能接入多少电。但电功率不等于算力。两座耗电完全相同的数据中心，算力可能天差地别，取决于处理器、架构、存储技术和负载率。从一个吉瓦，推不出机器到底能算多少。
第二环：算力本身也不是一个物理单位
算力是计算能力或计算工作量的统称，常用的技术指标是FLOPS，即每秒浮点运算次数，它直接对应计算能力。但瓦和FLOPS之间同样没有固定换算系数：不同处理器在相同功耗下，能执行的运算次数并不一样。
第三环：Token不是固定的计算量
语言模型预测的是Token，它可以是词、词的一部分或别的字符序列。但计算机并不直接处理词，Token先被转成数字编号，再用数学向量表示，处理器随之执行大量数值运算。
一个Token对应多少计算量，取决于所用模型、已有文本的长度和计算方法。同样是一百万Token，在不同系统上的计算开销可能完全不同。没有通用系数能把Token换算成运算次数，也就没有通用系数能从Token数反推耗电量。
吉瓦、算力、Token，三者描述的是完全不同的东西：有多少电可用、完成了多少数学运算、处理或生成了多少与模型相关的数据单位。它们在实践中相互关联，却不能随意互换。
把AI数据中心包装成工厂，会制造出一种近乎机械的生产链错觉：电进去，Token出来。于是就有了黄仁勋偏爱的指标——每瓦Token数。
相对数字需要比较基准。每瓦Token数想表达的是系统在特定功耗下能产出多少Token，真要比较效率，看的是每瓦Token吞吐量。但这个数字只有在条件固定时才有比较意义：哪个模型、什么任务、多长上下文、什么结果质量。缺了这些，数字算得出来，却不能当作通用的性能对比。一次除法，并不会自动带来可比性，哪怕它出自黄仁勋之手。
更关键的是，Token多不等于智能高。一个模型可以生成一万个Token却没解决任务，另一个只用一百个Token就给出正确答案，谁做得更多？Token数量回答不了。Token既不衡量智能，也不衡量结果质量。反过来，更好的模型可能用更少Token就把同一件事办成。
把这套逻辑接到收入上，还会得出一个耐人寻味的结果：如果AI供应商按Token计费，一个更差的tokenizer反而可能带来更高收入，因为同样的文本会被切出更多Token。对客户来说更不划算、更贵的东西，在这套账里成了更高的产量。
更多Token既不等于更多智能，也不等于更多效用；更多收入也不自动等于更多利润。企业赚钱，不是因为机器产出了尽可能多的文本，而是因为解决了客户愿意付钱的任务。
英伟达卖的是承载AI计算的硬件，黄仁勋想把它的能力讲得足够震撼，这可以理解。“AI工厂”的故事朗朗上口：电进去，Token出来，收入到账。但技术现实更复杂——从耗电到算力、到Token、到智能、再到收入，中间没有一条贯通的通用换算，每一次跨越都需要额外的假设和条件。
AI行业未来或许会产出海量Token。但仅凭这一点，既推不出它的技术能力，也推不出它的商业成功。因为更多Token，首先只意味着一件事：更多Token。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
