AI算力竞赛，卡在Token成本上？

“AI的尽头是算力，算力的尽头是电力。”这句话在2026年已经不是比喻。 美国弗吉尼亚州劳登县聚集了超600个数据中心，全球过半互联网流量在此交汇，巨量电力需求导致当地批发电价五年飙升267%，新建数据中心的电网接入排队时间甚至长达七年以上。 而在地球另一端的中国西北，另一种等待正在同时发生。风电场和光伏电站等着的，是一个愿意就地消纳它们的负荷——否则就是弃电。据全国新能源消纳监测预警中心数据，2025年，全国风电、光伏利用率分别降至94.3%、94.8%；蒙西、新疆、青海的光伏利用率只有90.5%、86.3%、83.4%。 一边是AI数据中心排队等电，一边是绿电消纳不充分、被弃在戈壁上。这大概是全球AI基建热潮中最刺眼的一幕错配。 而这道错配，恰恰解释了中国为什么要把算力搬到西部去。“东数西算”的底层逻辑，就是让算力追着绿电走。新疆等西部地区缺的从来不是电，是把绿电变成算力、再把算力变成Token的能力。 中国有绿电优势，但优势不会自动转化为胜势。当“国家枢纽节点新建数据中心绿电占比超80%”从引导目标变成硬约束，当绿电直连比例从0升向30%甚至更高，数据中心用的电不再是稳定可控的大电网，而是“看天吃饭”的风和光——AI数据中心功率可达百万千瓦量级、约为传统数据中心的十倍，训练时功率峰谷瞬时切换，对电压、频率波动极其敏感。 电，由此从一个可以默认恒定的背景值，变成了必须逐度去算的变量。于是问题变了：不是“有没有电”，而是“谁在什么时候、用什么价格、用掉了哪一度电”——算力要跟着绿电走，绿电也需要算力来消纳它的波动。 这正是中科类脑故事开始的地方。 过去九年，这家合肥起家的公司同时跑着两条线——2018年做异构算力调度，2019年做电力智能化，2024年两条线开始交汇，不断追寻“一度电如何产生更多Token”的更优解。 从人脑到Token的映射：用最小能耗产生最大智能 中科类脑董事长、创始人刘海峰常举一个例子：人脑进化的第一性原理，是用最小的能耗产生最大的智能。人脑功耗约25瓦，却支撑着860亿个神经元和约一千万亿个突触连接。换算成算力，人脑系统效能约344 TOPS/W；而英伟达H20只有0.74 TOPS/W，大约是人脑的1/500到1/1000。 把这套逻辑映射到AI时代，中科类脑率先提出“度电智能”概念： 一度电能产生多少有效Token。 这不是又一个参数指标，而是一种全局视角。衡量一家AI基础设施公司，不能只看它有多少卡、多少P算力，更要看电如何经过算力调度、模型推理，最终变成可交付的Token。 这里藏着对“投入与产出”关系的一次重新校准。1987年，经济学家罗伯特·索洛留下过一句被反复引用的观察：计算机无处不在，唯独在生产率统计中看不到显著提升。这句话后来被称为“索洛悖论”。 今天它正以相似的方式在AI时代重演：模型能力在以月为单位复利增长，可宏观生产率数据里，那笔账却迟迟算不清。索洛悖论的启示很简单——技术能力就绪，不等于经济价值落地；对AI基建而言，真正的瓶颈往往不在“更多的算力”，而是“算力变成Token、Token变成价值”的链路。而“度电智能”，正是把“投入”翻译成“产出”的那把尺子。 顺着这把尺子，中科类脑重新定义了自己所在的赛道：不是只做一套“算电协同”的解决方案，而是打造“Token工厂的操作系统”——一套管理能源、计算、模型、调度的全栈OS，把电力供给、异构算力调度、大模型Token产出放在同一个系统里协同管控。 刘海峰喜欢用一个比喻来解释这套系统：一座Token工厂，就像一台大电脑。电力子系统是里面的能源管理模块，算力子系统对应CPU、存储与网络这些芯片，Token子系统负责模型的优化与加速；而中科类脑做的，是跑在这之上的那套“操作系统”——这套系统，就是Token工厂的Windows；而它要联动的整个AI芯片体系（超节点、GPU、国产芯片），就像当年Wintel（Windows+Intel）的联动。 在这套系统里，电不是主角： Token环节的加速收益远大于省电收益 ，所以更准确的定位是“以算为主、以电为辅”的算电一体化Token工厂。2026年7月，在WAIC世界人工智能大会上，这家公司发布了全球首款面向AI基础设施的算电一体化平台；在近期结束的世界制造业大会上，在此基础上升级推出算电词元一体化平台，更加强调资产一体化运营的重要性。 这也是为什么他更愿意把公司定义为“AI基础设施的运营商”，而不是某一家具体纯算力厂商、纯能源厂商。 刘海峰把这种角色说得很直白：中科类脑不只是“卖铲子”，把操作系统卖给其他Token工厂；也自己“淘金”，依托自研的BitaHub平台直接运营Token工厂，对外提供算力及Token服务。 一笔很实在的账是：一度绿电在基础设施层约对应一元级价值，到算力服务层放大约20倍，到模型服务层（Token服务）可放大130倍以上。需要指出的是，130倍是模型服务层相对基础设施层的分层倍数，不是利润率；但它足以说明——未来的竞争，不只是算力规模的竞争，更是价值创造能力的竞争。 算力窄门下的抉择：单点突破还是全栈突围？ 把视野拉到中美两条赛道，差异立刻显现。美国电网相对脆弱，缺电已经成为AI基建的瓶颈；而中国拥有坚强电网与绿电优势，国家层面必须让算与电紧密协同。 一场大变革前夜的“生产关系重构”正在发生：公网统一供电占比从百分之百逐步降至七成甚至三成，绿电直供比例上升，不稳定电源的责任认定变得模糊。供给优先级、实时调度、算力任务的时空迁移，从“可有可无”变成“不得不解”的痛点。算电协同由此从“松耦合分层”变成刚性需求。 刘海峰对公司的定位很诚实：算力和电力原本是两条平行线，做着做着觉得“它们之间得有点互动”。2026年算电协同写进了政府工作报告， “不是我们预判了风口，是我们一直在做这件事，风口恰好来了。” 。 风口之下，行业里的打法大致分四类：纯调度平台型、开放平台型、工厂建设运营型、硬件超节点型。而中科类脑是为数不多把“电-算-Token”三层打通、且以软件操作系统形态存在的全栈玩家。因为它很早就看明白：单点再强，也看不见单点之外的优化空间。 把视野放到全球产业链，这条全栈路的底层逻辑其实很清楚。刘海峰常引用黄仁勋的“五层蛋糕”——能源、芯片、AI Infra、模型、应用。在他看来，中国AI想走出来，路径一定是先发挥能源优势，再把能源优势沉淀为基础设施能力。 刘海峰把这叫做“从输出绿电到输出Token”：特高压拉电线，不如拉网线——新疆到安徽的特高压投资以百亿计，而网络传输的成本几乎可以忽略。芯片的短板，用电力与调度补足：“调度能让我们一变成二，但变不成一百”——所以国产芯片要尽快被用起来，中国AI产业比拼的从来不是单点，而是全局。 但他也反复澄清：在Token工厂里，电并不是主要矛盾，真正的加速倍数更多发生在“算”这一侧。中科类脑是“以算为主、以电为辅”——做全栈，是为了获得别人没有的全局视野，而不是把电本身说成最大决定因素。 支撑这种定位的，是一组刺眼的反差。全国日均Token调用量今年3月已突破140万亿，但是，公开数据显示，全国只有7个省份的智算中心上架率超过75%。 “建算力”的人多，“用好算力”的人少。这几乎就是索洛悖论在