
过去两年,AI行业谈论最多的,是模型参数、榜单排名和训练能力。但随着大模型逐步进入企业业务,行业真正关心的问题正在变化:模型能不能被持续调用,算力能不能稳定交付,以及每一次调用能否带来合理回报。
数据显示,截至2026年7月,中国日均词元(Token)调用量已超过500万亿,较去年底的100万亿增长了约4倍。今年“双十一”,电商平台上线词元专区,国产大模型算力套餐集中上架,短短一周售出约20万亿词元。高盛预计,Agentic AI的发展或将推动全球词元消耗量到2030年达到当前水平的约24倍。
范式智能企业级社区总经理刘玺炜认为,词元正在成为AI世界的“新石油”。随着推理支出首次超过训练,行业的重心也在从“造模型”转向“用模型”。
算力还是那些算力,生意已经变了
词元消耗为什么会快速增长?一个重要原因是,AI的使用方式变了。传统大模型问答通常只需要完成一轮推理,而Agent要理解上下文、拆解任务、调用工具、访问外部系统,再对结果进行校验并更新状态。一项任务往往要经过多轮调用,消耗的词元自然大幅增加。当Agent开始7×24小时运行在企业业务流程中,词元消耗也就从一次性的请求,变成了持续发生的需求。
供给端却很难同步扩张。芯片、电力、机柜和网络建设都需要时间,算力短期内并不能无限增加。摩根士丹利测算,2026年至2030年,中国AI资本开支累计有望达到约8.5万亿元,IT算力规模将从26GW提升至81GW。但算力规模扩大,并不意味着每张卡都能充分发挥作用。
因此,行业关注的重点正在从“有没有卡”,转向“一张卡究竟能产出多少可交付的词元”。
摩根士丹利在研报中指出,算力采购决策正从追求峰值性能,转向关注实际部署的经济性,重点考察总拥有成本(TCO)、每词元成本、每秒处理词元数(TPS)和利用率。摩根大通则将API毛利拆解为四个因素:单位推理算力的实际定价、单次调用消耗的GPU时间、租赁GPU的利用率与容量管理,以及收入的地域结构。其中,多项指标都与运营效率直接相关。
三类玩家,三种路径
面对行业变化,市场上的参与者大致分为三类。
云厂商拥有算力等重资产,也掌握客户入口,能够依靠规模采购降低单卡成本。不过,通用算力平台很难针对每一种芯片和模型都进行深度优化。与此同时,云厂商往往与自有芯片、模型生态绑定,在跨平台适配方面难以完全保持中立。
芯片厂商则希望通过完善软件栈,增强客户对自身架构的依赖。这种方式在单一生态内效率较高,但中国企业的实际情况要复杂得多。昇腾、寒武纪、海光等不同架构并存,一家大型企业同时使用三四类加速器、五六种基础模型并不罕见。不同芯片在编译器、算子和存储架构上各有差异,模型换一张卡,往往就需要重新适配。
这为第三类参与者留下了空间:不绑定特定芯片、模型和云平台的中间层。它们要做的,是把分散的算力纳入统一资源池,让模型能够适配不同硬件,再根据任务需求把请求调度到合适的算力资源上。对客户而言,真正有价值的不是多一个平台,而是减少适配和调度的复杂度。
不过,中间层的价值并非没有争议。芯片厂商的软件能力会持续提升,云厂商也可能把优化能力收回内部,开源工具则会推动部署流程标准化。摩根大通将此列为行业风险之一:如果工程能力不能沉淀为可复用的产品,而是长期依赖逐个项目定制,成本就很难降下来。
范式样本:中间层如何创造价值
范式智能成立于2014年,最初以企业AI软件与部署业务起家,经过12年发展,业务已覆盖金融、能源、通信、制造和交通等行业。在成立12周年活动上,创始人戴文渊提出了下一阶段的愿景——Everyone for AI。
这一愿景延续了“让AI普惠每一个行业及个人”的使命,但表达的重点有所变化:从“AI for Everyone”到“Everyone for AI”,不只是把AI提供给更多人,也希望汇聚技术、企业和开发者的力量,共同推动AI能力进步。
从技术布局看,范式已将能力延伸至算力、模型和调用环节。算力层以开源项目HAMi为技术基础,结合RISE vGPU进行GPU资源虚拟化切分和异构算力统一调度;模型层通过ModelHub XC推动模型与芯片适配;调用层则由Phanthy平台提供模型接入、请求调度和服务管理。
范式智能CTO陈雨强曾用一个比喻解释这套体系:算力和模型像发电厂,词元是电,应用则是用电设备。如今,AI应用正从简单的“电灯”,走向“磁悬浮”和“电磁炮”,对供电稳定性的要求自然也更高。“电压不稳,磁悬浮就没法准点。”
在效率方面,范式披露的数据显示,GPU利用率从40%提升至65%以上,部分银行场景的效率提升超过4倍;HAMi于2026年7月进入CNCF Incubating阶段,已有300多家企业将其用于生产环境。
经营数据也显示出业务结构的变化。2026年上半年,范式收入为37.65亿元,同比增长43.4%。其中,AI Platform收入30.88亿元,同比增长30%;API收入4.64亿元,同比增长860.8%;Agentic AI收入2.14亿元,同比增长4.9%。同期在手订单89.8亿元,归母净利润1.19亿元,实现扭亏为盈。
资本市场也在关注API业务的增长潜力。摩根大通预测,范式2026年至2028年收入复合增长率为36%,2028年调整后净利润有望达到9亿元,高于市场一致预期37%。其核心判断之一是,API能够把异构算力转化为可规模化的Token经济。
但增长并不意味着盈利能力会同步改善。摩根大通指出,范式同期毛利率从37.7%降至32.8%,主要原因是毛利率相对较低的API业务占比快速上升。报告预计,未来两年毛利率可能继续向30%左右靠拢。也就是说,接下来要看的不只是收入增长,还包括单位经济性改善的速度,能否抵消低毛利业务占比上升带来的压力。
此外,算力行业的资本密集度仍明显高于传统软件业。相比利润表上的增长,经营现金流、自由现金流,以及新增投资能否获得合理回报,同样值得关注。愿景与经营结果之间,最终还要靠这些指标来检验。
真正的门槛,是持续交付
AI基础设施的竞争,已经不只是单项技术指标的比拼。云厂商有规模优势,芯片厂商有生态优势,开源社区能够推动低成本扩散,独立中间层则试图以兼容和调度能力连接不同的算力、模型与云平台。
中间层能否站稳脚跟,关键不在于“能不能做”,而在于能否稳定交付,并被客户持续使用。所谓中立和兼容,并不是简单地支持更多产品,而是要真正覆盖不同芯片、模型和部署环境,在客户现有的Kubernetes环境中低侵入接入,同时满足服务等级协议(SLA)、资源隔离、监控和容灾等要求。只有这些能力经得起实际业务检验,平台才可能成为客户长期依赖的基础设施。
更重要的是,效率优势能否形成正向循环。同样的算力产出更多词元,同样的词元成本更低,节省下来的成本再投入适配和研发,进而支持更多芯片与模型。只有这个循环持续运转,成本优势才有机会沉淀下来,而不是依靠低价换取短期市场份额。这也是中间层与单纯转售算力的区别:前者提供效率,后者赚取差价。
行业的评价标准也在随之变化。算力规模和模型参数仍然重要,但越来越难以单独决定企业价值。GPU利用率、吞吐能力、每百万词元成本、API毛利率和资本回报率,正在成为更直接的衡量指标。摩根士丹利的ROIC测算提供了一个观察角度:自建算力并结合第三方API,ROIC约为29%,投资回收期为2.1年;采用全国产芯片全栈方案,ROIC约为9.1%,回收期为3.6年。国产算力降低了每GW的采购成本,但效率上的差距仍然存在,中间层的价值空间也由此显现。
“词元会越来越便宜,但用词元解决问题的能力,越来越值钱。”刘玺炜的这句话,点出了AI产业正在发生的变化。
Everyone for AI中的“everyone”,不只是AI的使用者,也包括企业、开发者,以及越来越多能够独立执行任务的智能体。对基础设施厂商来说,重要的是把底座做得足够稳定、易用,让更多业务愿意把任务交给它。
至于这套基础设施能否支撑范式智能走过下一个十二年,最终还要看接下来的经营表现:毛利率能否企稳,现金流能否改善,投入能否持续转化为回报。







