刚刚，北京建了一座AI工厂：目标10万P算力，日产10万亿Token！

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 刚刚，北京建了一座AI工厂：目标10万P算力，日产10万亿Token！ 十三 2026-06-17 21:07:48 来源： 量子位 计划1000倍综合降本 金磊 发自 凹非寺 量子位 | 公众号 QbitAI AI圈卷到现在，开始 建工厂 了。 这不，就在刚刚， 北京 就开了一家，包含两个核心组成部分： 一个是 训练工厂 ： 目标算力规模 10万P ，负责把通用大模型、行业数据和算力资源放进来，炼成金融、制造、政务、科研等行业能用的专业模型。 另一个是 Token工厂 ： 目标日均产能 10万亿Token ，负责把这些专业模型封装成企业可以调用、可以计量、可以结算、可以稳定交付的专业Token。 这便是 九章云极 在2026全球智算科技峰会暨九章云极战略发布会上，正式抛出一个新战略—— AI工厂 。 它听起来点像把AI产业搬进现代化工厂： 前端炼模型，后端送智能。 然后中间再用 DCU （1度算力）度量算力投入，用 专业Token （面向业务任务的智能价值单元）度量智能产出，再让业务数据回流，继续推动模型迭代。 由此带来的效益，用一组数据展示便是： 10万P目标算力规模、10万亿目标Token日均产能、1000倍目标综合降本、计划孵化1000个高价值模型与智能应用。 更直观的，一张图解如下所示： 不过比起这些数字来说，从九章云极的这次战略发布来看，智算云的商业逻辑正在发生变化—— 它不再只回答算力够不够，还要回答算力能不能变成真正可交付的智能。 而这，便是九章云极此次动作的目的，把这上面个问题试图工程化。 AI工厂，到底怎么运转？ 要理解这座AI工厂，我们首先需要了解当前企业在拥抱大模型时面临的真实痛点。 过去，大家热衷于讨论的可能是模型参数有多大、是不是开源、打分高不高；但现在，业务一线的真实拷问是： 模型能不能真正跑进我们复杂的业务系统？在超高并发下，能不能稳定输出可预期的结果？每一次API调用的成本，业务部门能不能算清账、算赢账？ 这已经不是一个纯粹的算法竞赛，更准确的说，应该是一个典型的工程与工业化问题。 毕竟阻碍AI落地的现实瓶颈往往不在大模型本身，而在其背后的整套底层智算基建，包括算力调度是否高效、异构算力能否统一纳管、推理成本是否足够低、任务失败时系统能否自动感知并自愈…… 因此，九章云极推出的AI工厂，本质上是在用一套标准化、规模化、高可靠性的工业化流水线，去重构智能的生产与交付体系。 从AI工厂的整个版图来看，可以分为 四个关键部分 来看。 投入侧：首创“一度算力”（DCU） 这是解决如何购买算力的问题。 长期以来，算力行业最大的痛点就是 资源不标准、计价不透明、投入不可量化 。 过去，企业通常需要去租用GPU、规划网络拓扑、考虑存储带宽以及机器的使用时长。 这种粗放的租赁模式，就如同在初期的电力时代，想要用电，必须自己去买煤炭、租发电机，甚至自己去拉电线，门槛极高、成本混乱、无法规模化。 九章云极在行业内首创了 “一度算力” 计量单位，将其定义为312TFlops×小时（每秒钟312万亿次浮点计算乘以一小时）。 △九章云极董事长，方磊 它将底层芯片（异构的GPU、NPU）、网络、存储、使用时长及实际利用率等极其复杂的物理资源统一折算计量。 对客户而言，算力采购从此变得像买电一样简单，按“度”付费、所见即所得。 生产侧：训练工厂 训练工厂解决的是 智能“从0到1”的生产问题 。 通俗来讲，就是把通用模型、行业数据、算力资源放进来，通过数据处理、领域精调、强化学习、评测反馈等流程，训练出金融、制造、政务、科研等场景可用的专业模型。 这里的重点不只是有多少卡。 训练工厂强调的是千卡到万卡级集群、高密度网络存储、故障自愈、跨地域调度，以及从数据、训练、评测到部署的全流程工具链。训练工厂能够将通用基础模型，升级为适配各行各业的 专业任务模型 。 通用模型存在天然的数据边界与能力边界，无法覆盖企业私有数据、行业Know-How、复杂业务流程。而训练工厂的价值，就是把行业专属知识沉淀进模型，让AI从会聊天、会答题，升级为 能拆解任务、能自主决策、能风险判断、能闭环落地 的产业智能体，真正适配企业生产环境。 封装侧：Token工厂 Token工厂解决的是 智能“从1到N”的交付问题 。 训练工厂生产出专业模型之后，模型本身还不是企业能直接消费的商品。企业真正需要的是稳定API、SDK、权限体系、模型版本管理、监控告警、计量计费和服务保障。 Token工厂就是把训练工厂产出的专业模型， 封装成可调用、可计量、可运营的专业Token 。 这里的Token，也不只是大模型里的技术计数单位。按照九章云极的定义，专业Token更接近一种 面向业务任务的智能价值单元 。不同任务、不同模型、不同服务等级，都可以通过Token被计量和结算。 产出侧：越用越强，越强越便宜 至此，AI工厂的核心飞轮闭环就此形成： DCU度量投入 → 训练工厂冶炼专业模型 → Token工厂转化为专业Token → 企业消费Token并回流业务数据 → 模型持续迭代 我们可以把它理解为 “越用越强，越强越便宜” 的增强回路。在这里，数据不仅是原料，也是模型进化的养分。 值得注意的是，在这一闭环中，九章云极 重新定义了Token 。 他们认为，面向消费者的泛化Token单价已经由于市场竞争趋于零，其价值正逐渐见顶。而面向产业的、具有明确 ROI（投资回报率）的专业Token，才是驱动产业智能化的核心组件。 九章云极将这些专业Token进行了清晰的价值分层，并将其战略重心聚焦在后两者： 消费级Token ：主要服务于日常AI应用、内容创作，追求极致体验与规模普惠，如同稳定经济的基础电力； 专业级Token ：封装了行业深度Know-How与私有数据，充当金融风控、质量检测、政务服务的数字专家，保障流程安全、合规，让客户买到确定的效率与风控价值； 前沿级Token ：面向复杂任务自动化与科研突破。例如，封装了多步骤、多工具的端到端仿真或科研工作流，直接服务于药物发现、新材料研发、城市级系统优化等曾经不可解或成本极高的科学边界。 从租卡到用Token，企业AI开始变轻了 过去企业做AI，往往是一条漫长的重资产建设路径。 包括多方协调、艰难地在市面上找芯片、拼凑卡；组建专业的集群运维团队，解决算力中断、故障恢复；搭建复杂的开发与模型训练环境，再进行私有化部署。 这一套流程下来，周期通常长达6到12个月，还没看到业务效果，前期资本开支已经堆成了天文数字。 而在九章云极AI工厂的模式下，针对不同类型的市场玩家，整个接入路径被彻底 变轻、变薄 。 针对大模型公司和垂类AI企业：从训练开始 大模型创业公司或者垂直行业的AI领头羊，自身拥有极强的算法和数据能力，但往往被算力运维和成本压得喘不过气。 对于这类客户，他们可以从 训练工厂 无缝切入。AI工厂提供千卡到万卡级的极致弹性算力集群，不仅保证大规模模型并行训练