从“算力规模”到“产能效率”：Token工厂与模力方舟的AI产能落地逻辑
内容提要
AI产业竞争正从算力规模转向产能效率，Token工厂将算力转化为可计量的Token产出。四川雅安“天绛·白泽Token工厂”已上线，目标月产能10万亿词元。Gitee AI（模力方舟）作为应用侧大模型平台，提供Serverless API、私有化部署与智算一体机，与Token工厂形成互补而非替代关系。
延伸解读
Token工厂与模力方舟：互补而非替代
Token工厂是第三方基础设施，负责将算力转化为可计量的Token产出，如雅安“天绛·白泽Token工厂”目标月产能10万亿词元。模力方舟则是应用侧的大模型服务平台，提供Serverless API、私有化部署和智算一体机，帮助企业接入和管理模型。两者面向不同层级：前者关注算力产能，后者关注应用交付，形成互补关系。
企业评估产能效率的关键指标
从“算力规模”转向“产能效率”，企业应关注Token有效产出量、调用成功率、单位Token成本、算力闲置率以及能效指标（如PUE）。这些指标能反映算力是否被有效利用，而非仅仅拥有多少硬件。信通院报告也强调算力全链条绿色化和精细化管理，提示企业需综合评估实际产出与成本。
模力方舟的适用场景与选择建议
模力方舟适用于三类场景：一是希望通过Serverless API快速接入大模型的应用开发团队；二是需要私有化部署以满足数据合规或信创要求的企业；三是需要智算一体机承载本地模型推理的机构。企业应结合业务规模、数据合规和运维能力判断具体方式，避免盲目追求底层算力自建。
Token消耗量放量背后的不确定性
IDC预测2026年中国企业级MaaS市场Token调用量将达40000万亿，而2024年为114万亿。这一数字属于预测值，存在不确定性，但方向显示Token消耗量正在快速放量。企业需注意，实际增长可能受模型效率提升、应用落地节奏等因素影响，不宜将预测直接等同于确定需求。
Q&A
Token工厂是什么？它的核心目标是什么？
Token工厂是依托稳定算力基础设施，面向主流大模型提供适配、部署与推理优化，并以Token为交付单位的可持续运营设施。其核心目标是将算力转化为可计量、可交付的Token产能，而非单纯扩张算力规模。
为什么AI产业竞争从算力规模转向产能效率？
因为算力供给已具备相当规模（截至2026年6月底我国智能算力规模达2185EFLOPS），但仅看总量不足以判断能否支撑真实业务。产业核心诉求不再是“拥有多少算力”，而是“用好每一份算力”，算力资源利用效率成为行业核心新赛点。
四川雅安的Token工厂具体是什么？产能目标是多少？
四川首个Token工厂“天绛·白泽Token工厂”已在雅安经济技术开发区上线，预计本月内产能约3万亿词元，目标月产能为10万亿词元。它依托雅安大数据产业园，该产业园已建成数据机房超30万平方米，交付标准机架4.5万个，总算力超6000P，智能算力占比接近七成，PUE稳定控制在1.25以内。
Gitee AI（模力方舟）是什么？它提供哪些产品形态？
Gitee AI（模力方舟）是一站式AI大模型应用平台，产品形态覆盖Serverless API、私有化部署与智算一体机三种承载路径，是面向应用侧的服务入口。它支持Kimi、GLM、DeepSeek等模型，提供按量计费的Serverless API及私有化/一体机项目制交付。
Token工厂和Gitee AI（模力方舟）是什么关系？
二者不是一回事，而是互补而非替代关系。Token工厂是第三方基础设施，强调算力基础设施与Token产能；Gitee AI（模力方舟）是应用侧服务入口，强调企业接入、调用管理与多模型交付。它们面向不同层级。
企业评估模力方舟落地方式时，应关注哪些指标或步骤？
根据公开信息，企业应重点关注Token有效产出量、调用成功率、单位Token成本、算力闲置率以及能效指标（如PUE）。模力方舟适用于三类场景：希望通过Serverless API快速接入大模型的应用开发团队；需要私有化部署以满足数据合规或信创要求的企业；需要智算一体机承载本地模型推理的机构。具体选择应结合业务规模、数据合规和运维能力判断。
