报告概述
本报告聚焦AI算力产业从底层基础设施到上层Token经济的演进路径。研究对象包括全球及中国算力需求增长趋势、大模型训练与推理的算力双重刚需、Token作为新型生产单位的商业模式变革。报告覆盖AI基础设施、AIDC厂商、算力租赁、运营商与云计算等产业链环节,并分析了海外与头部厂商的Token定价策略与竞争格局。通过梳理技术趋势、政策导向与企业实践,为投资者提供AI算力领域的投资框架与标的参考。
报告的核心结论
算力需求从训练侧向推理侧转移,智能体驱动Token消耗指数级增长。
随着大模型从训练主导转向训练与推理并重,智能体应用爆发式增长,中国企业活跃智能体数量预计2031年突破3.5亿,带来Token消耗年均超30倍的跃升,推理算力成为新的需求核心。
Token工厂将重塑算力商业模式,从出租算力转向交付智能单位。
与传统算力租赁不同,Token工厂交付的是经深度优化后的Token,具备可计量、可定价、可交易特性,使智算中心从基础设施行业迈向制造业,竞争焦点转向软件、网络、能源、运营和生态的综合效率。
Token定价锚从GPU逐步向能源和人才迁移,长期由知识密度主导。
当前芯片可获取性决定Token价格底线,中期电力成本成为刚性约束,长期模型能力与知识密度将创造溢价空间,推动定价权在芯片、电力、数据与人才四大要素间转移。
中国具备Token出海的比较优势,可通过多维路径拓展全球市场。
中国大模型通过架构创新以更少资源达到同级性能,拥有全球最大工业数据资产、国产芯片替代降低成本以及电力成本优势,能够通过API出口、本地化部署、主权AI合作和产业链嵌入四种路径参与全球Token市场竞争。
报告回答的关键问题
什么是Token工厂?与传统算力租赁有何不同?
Token工厂是高效连接算力、模型与应用的枢纽,交付的不是算力时间,而是经深度优化后产出的智能单位Token。传统算力租赁按时间计费,Token工厂按Token计量,商业模式从卖算力转变为卖智能,更强调软件、网络和运营效率。
AI算力需求为何增长如此迅速?
主要受大模型训练与推理双重驱动。全球智算规模2024年底达5693EFlops,同比增长64.7%。智能体应用加速落地,中国企业活跃智能体数量预计2031年达3.5亿,Token消耗年均增长超30倍,推理算力需求爆发式增长。
Token的成本结构是怎样的?
Token成本分为CAPEX和OPEX两部分。训练阶段以CAPEX主导,硬件折旧与研发人力占比超95%,电力不足5%;推理阶段以OPEX主导,电力成本占60%-70%,是最大单项可变成本。单位Token成本随规模增加而递减。
国内哪些公司在Token工厂产业链中值得关注?
报告建议关注AI基础设施如海光信息、寒武纪、中科曙光等;AIDC厂商如润泽科技、光环新网;算力租赁厂商如宏景科技、润建股份;运营商与云计算如中国电信、中国移动等。这些公司覆盖芯片、数据中心、算力运营和云服务等关键环节。
报告中的代表性数据
全球智能算力规模
截至2024年底,据中国信通院数据,全球智算规模达5693EFlops,同比增加64.7%。
中国企业活跃智能体数量预测
2031年,据IDC预测,中国企业活跃智能体数量将在2031年突破3.5亿,年复合增长率135%以上。
中国MaaS市场Token消耗量预测
2026年,据IDC预测,2026年中国MaaS市场Token消耗量将达约4万万亿次,营收规模约186亿元。
以上数据根据报告摘要整理,具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 全球及中国算力需求增长的全景数据,包括通算与智算规模、同比增长率,以及AI服务器市场规模预测。
- 详细分析大模型训练与推理对算力的双重刚性需求,以及智能体应用如何推动Token消耗指数级增长。
- 政策层面路线图与时间表,包括国务院、工信部关于智能体应用普及和制造业大模型部署的具体目标。
- 海外科技巨头(微软、谷歌、亚马逊等)AI资本开支趋势,以及中国头部企业(腾讯、阿里、字节)的算力投资计划。
- Token经济成本拆解(CAPEX与OPEX),涵盖训练与推理阶段的成本构成与摊销方式。
- 头部AI厂商(OpenAI、Google、Anthropic)的Token定价策略与商业模式对比分析。
- 国内Token工厂代表案例:阿里Token Foundry、字节火山引擎、华为数字能源Token Factory、五象云谷、软通动力北京壹号Token工厂的详细架构与运营模式。
- Token出海路径分析:API出口、本地化部署、主权AI合作、产业链嵌入四种模式的目标市场与核心策略。
- 算力中心产业链全景图,从上游芯片、中游基础设施到下游应用服务的完整梳理。
- 相关上市公司投资标的梳理,涵盖AI基础设施、AIDC、算力租赁、运营商与云计算四大方向。
本页内容由川海智库整理,用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限,部分观点、数据、统计口径或表述可能存在偏差,具体内容请以完整报告原文为准。





