绿电进Token出！联想重新定义词元工厂

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 绿电进Token出！联想重新定义词元工厂 杰西卡 2026-11-14 17:41:02 来源： 量子位 杰西卡 发自 凹非寺 量子位 | 公众号 QbitAI 买得起卡，但用不起AI。 听起来可能有点离谱，但随着AI大规模进入企业，许多公司确实陷入了这样的尴尬。 AI产业在过去两年的增长，几乎可以用 狂飙 来形容。 国家数据局数据显示，我国日均词元调用量从2024年初的1000亿增至2025年底的100万亿，2026年3月突破140万亿， 两年增长千倍 ；中国信通院披露，到2026年6月，相关指标已突破500万亿。 需求暴涨的情绪很快传导到了算力供给端。模型不断进化，Agent逐渐承担复杂任务，Token需求激增，算力基础设施也跟着加速扩张。 IDC预计，2026年全球服务器市场收入将达到约6851亿美元， AI基础设施投资 是主要增长动力。 然而，算力供给持续增加，企业对 “烧Token” 这件事却反而越来越谨慎了。 图片由AI生成 据《经济观察报》报道，一家中型银行上半年Token支出接近900万元，相当于其上年度IT预算的8%。今年年初，Token消耗增长还是AI应用深入业务的积极信号；到了6月底，其管理层却要求重新审视相关投入的成本收益。 麦肯锡的一项调查也显示，约五分之一的受访者表示，所在组织因AI运营成本而限制了AI使用。 企业开始衡量 AI的成本与实际产出 了。 原因自然不难理解。Agent执行复杂任务可能持续数小时，反复推理、模型调用和任务重试都会累积成本；自建算力就要为业务高峰预留设备，即使平时闲置，折旧、电费和运维开支也照付不误。 更麻烦的还是钱还未必花在了刀刃上，比如简单任务用上昂贵模型，敏感业务又必须留在私有环境……算力很难各归其位。 所以 企业真正用好、用得起AI ，还是个亟待解决的问题。 谁曾想，就在塞北的风口 河北张家口 ，一座规划15000P超节点集群、年产2000万亿Token的庞然大物—— 混合词元工厂 ，要拔地而起了。11月10日，联想集团在当地正式官宣了其 “联想万全混合词元工厂” 品牌。 不同于单纯交付服务器或销售计算资源，该工厂正计划把不同来源的算力与模型组织起来，持续生产更经济、更高效的Token服务。 生产逻辑甚至称得上直接粗暴： 绿电进，词元出。 自此，粗放堆芯片的时代，开始向工业化量产高性价比Token的时代转变。算力基础设施的底层规则，恐怕要一夜变天了。 绿电进，词元出 当天，联想集团和河北张家口市政府签署合作协议，将推进 首座混合词元母本工厂 在张家口落地。 按照最新披露的方案，项目首期规划建设 15000P异构算力集群、约100MW智算中心 ，建成后Token年产能力预计达到 2000万亿 ，峰值产出能力达到 每秒2亿Token 。 联想集团高级副总裁、中国方案服务业务群总经理戴炜现场介绍，首期建设时间表定在2027年；到2030年，相关规模计划进一步扩大10倍及以上。 2000万亿年产能是什么概念呢？ 平均下来相当于每天生产约 5.5万亿Token。 即便只是简单换算，也足见规模之大。 不过相比规模，更让人好奇的是工厂名称。 词元工厂本身并不是新概念，此前有不少产业实践，有的以芯片和服务器能效切入，有的经营模型平台，也有的擅长智算中心运营。各技术路线有所侧重，但企业真正使用AI时，需要面对的往往是不同计算需求的叠加。 联想的词元工厂，特别就特别在两个字—— 混合 。这里的“混合”，核心是 让算力供给跟着业务需求走 。 企业既需要稳定、可控的私有算力，也面临突发的公共调用需求；不同任务对模型能力、响应速度和成本的要求，同样千差万别。 单纯扩大算力规模，或者只优化Token生产的某一个环节，都难以独立解决全部问题。 联想提出的 混合供给 ，相当于承担起了枢纽的角色——把原本分散的资源重新组织起来， 私有Token与公共Token服务相结合并以私有为主，端侧、边缘和云端协同运行，不同模型也能根据任务需求灵活选择 。 如此一来， 算力供给就可以跟着业务需求走 ，不再完全由硬件配置决定。 图片由AI生成 理想中的Token供给，应该像供电一样。 企业按需接入，获得稳定、经济的服务；至于背后运行着哪些设备、调用何种模型、资源怎样调度，都交给统一的供给体系来完成。 当然，要让不同资源在同一套体系里协同运转，光有模型和服务器还不够。 计算设备、机房运营、能源供给乃至模型调度 ，都需要一并考虑。 如何保障呢？ 联想盯上了一个离北京最近的“风口”—— 河北张家口 。 称其为“风口”，一来是因为当地难得的 能源条件 。 张家口是全国风光绿电第一大城市、国家六张网（算力网+新型电网）标杆型双节点；截至2025年底，张家口可再生能源装机规模突破 4500万千瓦 ，占当地电力总装机比重接近九成。 二来，当地还拥有相当规模的算力基础。 张家口是 国家“东数西算”工程京津冀枢纽的重要承载地 ，当地政府也在积极提供政策支持与产业引导。到目前为止，当地已建成50多座数据中心，投运标准机架超过107万架。 塞北丰富的风光资源、冷凉的气候、更具优势的电价，加上毗邻北京的区位优势（距京一百多公里）、更短的时延，刚好能降低算力运营成本、接住京津冀AI推理的需求。 图片由AI生成 事实上，政策层面也在推动算力产业向高效供给转型。 今年发布的 《“十五五”规划纲要》 提出，推动算力规模化、集约化、绿色化、普惠化发展，促进绿电与算力协同，并降低中小企业用算成本。 由此，联想和张家口当地联手，探索出了一种更加“端到端”的产业模式： 绿电进，词元出。 听起来像工业流水线一般。但和传统工厂不同的是，Token生产线不仅需要稳定的能源和设备，还必须根据千差万别的任务需求，随时调整自己的生产方式。 那么不同位置的算力、不同能力的模型，究竟怎样才能真正有机配合地服务企业？ 把每一分算力用在刀刃上 不妨想象一下，一家大规模使用AI的制造企业，可能会遇到这样的场景： 生产系统需要稳定运行，所以敏感数据不能离开私有环境；但是办公助手、客服智能体又可能在业务高峰突然涌入大量请求。 如果 全部自建算力 ，就要为短暂峰值长期养设备，成本消耗巨大； 完全购买公共服务 ，又绕不开数据边界、持续支出和模型适配。 更何况，简单的文档整理和复杂的专业推理，也不应该使用同样昂贵的配置。显然， 不同任务需要不同的算力供给方式 。 顺着这个思路，联想提出了 混合供给 模式，其中包含三个维度： 供给来源混合 ，让私有自产Token与获得授权的公共服务互补； 端边云协同 ，让轻量任务留在端侧、时延敏感任务就近运行、弹性需求匹配云端； 模型生态混合 ，根据质量与成本要求，选择开源权重或专有闭源模型。 图片由AI生成 不过选择变多之后，实际调度起来也会更复杂。 比如任务是否涉及敏感数据、需要多强的模型、允许等待多久，以及公私资源如何配比等，都要综合权衡。特别是公私资源分配，两类负载的性质正好相反。