21世纪经济报道记者 吴佳楠 深圳报道
近日，英伟达在柏林GTC上宣布推出DSX POD参考设计，用于建设基于Vera Rubin平台的完整AI工厂。合作伙伴可在模块化集装箱内完成系统集成与验证。英伟达表示，在现场公用设施准备就绪后，该方案有望将部署周期从约六个月缩短至14天。
英伟达此前将AI产业拆为五层，包括能源、算力、基础设施、模型、应用。英伟达首席执行官黄仁勋表示，AI工厂的价值在于开始生产Token之时，而非施工结束之日。
海外巨头的基建狂飙引发了中孚恒升科技创始人丁艳博士的思考。“14天投产，意味着从第15天开始，Token洪流倾泻而出。算力有了，模型有了，Token有了，但当下，有多少人能接住这条洪流？”在近日的中孚恒升科技战略发布会上，丁艳接受包括21世纪经济报道在内的媒体采访时如是说。
过去两年，AI产业的叙事主线是算力。智算中心遍地开花，大模型几天一迭代，Token像自来水一样喷涌。但繁荣表象下的真实断层是，建设端上，高压电工、液冷专家、网络架构师、算法工程师极度紧缺；应用端上，企业员工、开发者、产业一线人员面对AI不知所措，原有技能匹配不上新任务。
也就是说，随着算力建设不断加速，每一座14天投产的AI工厂都在向市场投放海量Token，却没有足够多的人能够更好地使用这些Token。这意味着，底座在狂飙，上层在爆发，中间是一道能力断层。
如此的行业断层现状呼唤能直接上手、会算Token成本、能解决实际业务问题的实战选手。
丁艳认为，算力可以一夜建成，但能力不能一夜建成，未来AI能力基建会有三大支柱，包括算力部署、能力生成和效能优化。
其中，算力部署是物理底座，通过模组化算力集群，把真实算力部署到企业现场和工作一线；能力生成是产出，把产业层核心技术能力，转化为可操作、可验证、可认证的实战能力，培养的不是码农，而是懂业务、能重构工作流、具备责任伦理的AI应用型人才；效能优化是最核心的一层，未来的AI应用型人才必须是一个“会算账”的人，企业引入AI怎么降本增效，开发者调用模型怎么衡量投入产出，这需要“调Token”的量化方法来回答。
在算力部署上，该公司获得英伟达NPN合作伙伴授权。该平台的运行环境中，算力调度平台统一纳管主流大模型和多源异构算力，用户不需要注册各种账号、折腾API，系统自动匹配最合适的模型算力；端侧通过调度平台把算力输送到企业内网和实训现场，让用户在本地终端操控真实设备、跑私有数据微调。以此整体实现线上线下联动的实战闭环。
端侧算力的优势在于，用户在端侧不用耗费云端资源，同时能保障数据安全。
据介绍，商业模式上，面向C端个人、B端企业和机构提供“公有培训云”，按账号或订阅制收费；面向政府、人才集团和院校提供“基地运营服务”，校企共建区域基地，按项目或按分成合作。
“我们在建立用户对Token的认知。当每一个学习者都习惯了用最少的Token产出最大价值，每一次微实操都沉淀为个人能力标签，我们不仅是在建一个平台，更是在构建一个Token服务与交易的教育垂直生态。”丁艳表示。
这套闭环，也为AI产业提供了一个值得审视的样本。过去两年，行业的主流叙事是规模，比拼谁的算力多、谁的模型强、谁的流量大。如今，沉淀“调Token”能力成为企业布局的关键，只不过，这条路能否走通，尚需时间验证。
但它提出的问题值得全行业思考：当算力可以一夜建成，AI产业是否还在用一夜建成的思维做能力建设？当Token成为AI时代的货币，行业是否还在用卖工具的逻辑做基础设施建设？
对此，丁艳表示，对于普通人来说，利用AI关键要找到适配资源，现在不同模型调用Token不同，如何帮助别人找到合适的模型，也是商业价值的体现，公司针对教育科研场景做垂直生态的算力分解和调度，以期接住AI时代的Token洪流。
