精读量子位：北京这座「AI工厂」，到底想把算力变成什么生意？

今天精读的是量子位 6 月 17 日上午发布的这篇： 《刚刚，北京建了一座 AI 工厂：目标 10 万 P 算力，日产 10 万亿 Token！》。作者为金磊，发自凹非寺，出处为量子位 / QbitAI；发布时间约为 2026-06-17 10:10。1

这篇文章的核心不是「北京又多了一座算力中心」，而是九章云极把智算云包装成一条工业化链路：用 DCU 计量算力投入，用训练工厂生产专业模型，再用 Token 工厂把模型封装成企业可以调用、计量和结算的专业 Token。1

我的理解：它真正想讲的是，AI 基础设施的竞争口径正在从「谁有更多卡」转到「谁能把算力稳定变成业务结果」。但原文里的 10 万 P、10 万亿 Token/日、1000 倍综合降本，都应先按战略目标理解，不要读成已经完全兑现的产能。

原文开篇给出九章云极在「2026 全球智算科技峰会暨九章云极战略发布会」上发布的「AI 工厂」战略。这个工厂包含两个核心部分：训练工厂和 Token 工厂。训练工厂的目标算力规模为 10 万 P，负责把通用大模型、行业数据和算力资源加工成金融、制造、政务、科研等行业可用的专业模型；Token 工厂的目标日均产能为 10 万亿 Token，负责把这些专业模型封装成企业可以调用、计量、结算和稳定交付的专业 Token。1

文章随后把这套战略拆成四段链路：投入侧是 DCU，也就是「一度算力」；生产侧是训练工厂；封装侧是 Token 工厂；产出侧则是企业消费 Token、业务数据回流、模型继续迭代。原文给出的完整闭环是：DCU 度量投入，训练工厂冶炼专业模型，Token 工厂转化为专业 Token，企业消费 Token 并回流业务数据，模型持续迭代。1

这里的 DCU 被定义为 312TFlops × 小时，用来把底层芯片、网络、存储、使用时长和实际利用率等复杂资源折算成统一计量单位。原文的类比很直接：让算力采购变得像买电一样，按「度」付费。1

Token 的含义也被重新包装。它不是单纯的大模型技术计数单位，而是「面向业务任务的智能价值单元」。原文进一步把 Token 分成消费级、专业级、前沿级三层：消费级服务日常 AI 应用和内容创作；专业级封装行业 Know-How 与私有数据，服务金融风控、质量检测、政务服务等场景；前沿级面向复杂任务自动化、科研工作流、药物发现、新材料研发和城市级系统优化等边界任务。1

第一，所有宏大数字都要看清「目标」二字。 原文写的是 10 万 P 目标算力规模、10 万亿目标 Token 日均产能、1000 倍目标综合降本，以及计划孵化 1000 个高价值模型与智能应用。它们构成战略愿景，但不是一组已经经过外部验证的当下交付数据。1

第二，训练工厂解决的是「从 0 到 1」。 文章说，训练工厂把通用模型、行业数据、算力资源放进来，通过数据处理、领域精调、强化学习、评测反馈等流程，训练出行业场景可用的专业模型。原文强调的不是单纯有多少卡，而是千卡到万卡级集群、高密度网络存储、故障自愈、跨地域调度，以及从数据、训练、评测到部署的全流程工具链。1

第三，Token 工厂解决的是「从 1 到 N」。 专业模型本身还不是企业能直接消费的商品，企业需要的是稳定 API、SDK、权限体系、模型版本管理、监控告警、计量计费和服务保障。Token 工厂要做的，是把训练工厂产出的专业模型封装成可调用、可计量、可运营的专业 Token。1

第四，文章把客户路径分成三类。 大模型公司和垂类 AI 企业可以从训练工厂切入；金融、制造、政务领域实体企业和 SaaS 公司可以从 Token 工厂调用现成能力切入；开发者、科研人员和 AI Agent 场景则有 IDE 插件、CLI、SDK、Skills Hub 等轻量入口。原文还提到，若从调用专业 Token 切入，业务概念验证最快只需两周左右完成。1

这篇量子位文章最有用的地方，是把「智算云」的卖点从资源租赁翻译成了生产系统。过去讨论智算，容易停在 GPU 数量、集群规模、调度效率这些基础设施指标上；这篇文章试图把链条往后拉：算力只是投入，模型只是半成品，企业真正愿意持续付费的是可衡量的业务效果。1

所以，DCU 和专业 Token 是两个关键包装。DCU 负责把算力投入标准化，降低采购和计价的不确定性；专业 Token 负责把模型能力商品化，让企业用 API、服务等级、账单和结果来理解 AI，而不是直接面对底层集群。1

但也正因为这是一套战略叙事，后续更值得追踪的是交付验证：成本是否真的下降，服务是否稳定，账单是否透明，业务效果是否可验证。原文自己也提醒，尤其是 1000 倍综合降本这样的目标，需要在更多场景里持续验证。1

如果只用一句话收束：九章云极这次讲的不是「我有多少算力」，而是「我能不能把算力做成可计量、可交付、可复用的智能产能」。这也是今天这篇值得精读的原因。