绿电进Token出！联想重新定义词元工厂

杰西卡 发自 凹非寺

量子位 | 公众号 QbitAI

买得起卡，但用不起AI。

听起来可能有点离谱，但随着AI大规模进入企业，许多公司确实陷入了这样的尴尬。

AI产业在过去两年的增长，几乎可以用狂飙来形容。

国家数据局数据显示，我国日均词元调用量从2024年初的1000亿增至2025年底的100万亿，2026年3月突破140万亿，两年增长千倍；中国信通院披露，到2026年6月，相关指标已突破500万亿。

需求暴涨的情绪很快传导到了算力供给端。模型不断进化，Agent逐渐承担复杂任务，Token需求激增，算力基础设施也跟着加速扩张。

IDC预计，2026年全球服务器市场收入将达到约6851亿美元，AI基础设施投资是主要增长动力。

然而，算力供给持续增加，企业对“烧Token”这件事却反而越来越谨慎了。

图片由AI生成

据《经济观察报》报道，一家中型银行上半年Token支出接近900万元，相当于其上年度IT预算的8%。今年年初，Token消耗增长还是AI应用深入业务的积极信号；到了6月底，其管理层却要求重新审视相关投入的成本收益。

麦肯锡的一项调查也显示，约五分之一的受访者表示，所在组织因AI运营成本而限制了AI使用。

企业开始衡量AI的成本与实际产出了。

原因自然不难理解。Agent执行复杂任务可能持续数小时，反复推理、模型调用和任务重试都会累积成本；自建算力就要为业务高峰预留设备，即使平时闲置，折旧、电费和运维开支也照付不误。

更麻烦的还是钱还未必花在了刀刃上，比如简单任务用上昂贵模型，敏感业务又必须留在私有环境……算力很难各归其位。

所以企业真正用好、用得起AI，还是个亟待解决的问题。

谁曾想，就在塞北的风口河北张家口，一座规划15000P超节点集群、年产2000万亿Token的庞然大物——混合词元工厂，要拔地而起了。11月10日，联想集团在当地正式官宣了其“联想万全混合词元工厂”品牌。

不同于单纯交付服务器或销售计算资源，该工厂正计划把不同来源的算力与模型组织起来，持续生产更经济、更高效的Token服务。

生产逻辑甚至称得上直接粗暴：绿电进，词元出。

自此，粗放堆芯片的时代，开始向工业化量产高性价比Token的时代转变。算力基础设施的底层规则，恐怕要一夜变天了。

当天，联想集团和河北张家口市政府签署合作协议，将推进首座混合词元母本工厂在张家口落地。

按照最新披露的方案，项目首期规划建设15000P异构算力集群、约100MW智算中心，建成后Token年产能力预计达到2000万亿，峰值产出能力达到每秒2亿Token。

联想集团高级副总裁、中国方案服务业务群总经理戴炜现场介绍，首期建设时间表定在2027年；到2030年，相关规模计划进一步扩大10倍及以上。

2000万亿年产能是什么概念呢？

平均下来相当于每天生产约5.5万亿Token。即便只是简单换算，也足见规模之大。

不过相比规模，更让人好奇的是工厂名称。

词元工厂本身并不是新概念，此前有不少产业实践，有的以芯片和服务器能效切入，有的经营模型平台，也有的擅长智算中心运营。各技术路线有所侧重，但企业真正使用AI时，需要面对的往往是不同计算需求的叠加。

联想的词元工厂，特别就特别在两个字——混合。这里的“混合”，核心是让算力供给跟着业务需求走。

企业既需要稳定、可控的私有算力，也面临突发的公共调用需求；不同任务对模型能力、响应速度和成本的要求，同样千差万别。

单纯扩大算力规模，或者只优化Token生产的某一个环节，都难以独立解决全部问题。

联想提出的混合供给，相当于承担起了枢纽的角色——把原本分散的资源重新组织起来，私有Token与公共Token服务相结合并以私有为主，端侧、边缘和云端协同运行，不同模型也能根据任务需求灵活选择。

如此一来，算力供给就可以跟着业务需求走，不再完全由硬件配置决定。

图片由AI生成

理想中的Token供给，应该像供电一样。企业按需接入，获得稳定、经济的服务；至于背后运行着哪些设备、调用何种模型、资源怎样调度，都交给统一的供给体系来完成。

当然，要让不同资源在同一套体系里协同运转，光有模型和服务器还不够。计算设备、机房运营、能源供给乃至模型调度，都需要一并考虑。

如何保障呢？

联想盯上了一个离北京最近的“风口”——河北张家口。

称其为“风口”，一来是因为当地难得的能源条件。

张家口是全国风光绿电第一大城市、国家六张网（算力网+新型电网）标杆型双节点；截至2025年底，张家口可再生能源装机规模突破4500万千瓦，占当地电力总装机比重接近九成。

二来，当地还拥有相当规模的算力基础。

张家口是国家“东数西算”工程京津冀枢纽的重要承载地，当地政府也在积极提供政策支持与产业引导。到目前为止，当地已建成50多座数据中心，投运标准机架超过107万架。

塞北丰富的风光资源、冷凉的气候、更具优势的电价，加上毗邻北京的区位优势（距京一百多公里）、更短的时延，刚好能降低算力运营成本、接住京津冀AI推理的需求。

图片由AI生成

事实上，政策层面也在推动算力产业向高效供给转型。

今年发布的《“十五五”规划纲要》提出，推动算力规模化、集约化、绿色化、普惠化发展，促进绿电与算力协同，并降低中小企业用算成本。

由此，联想和张家口当地联手，探索出了一种更加“端到端”的产业模式：绿电进，词元出。

听起来像工业流水线一般。但和传统工厂不同的是，Token生产线不仅需要稳定的能源和设备，还必须根据千差万别的任务需求，随时调整自己的生产方式。

那么不同位置的算力、不同能力的模型，究竟怎样才能真正有机配合地服务企业？

不妨想象一下，一家大规模使用AI的制造企业，可能会遇到这样的场景：

生产系统需要稳定运行，所以敏感数据不能离开私有环境；但是办公助手、客服智能体又可能在业务高峰突然涌入大量请求。

如果全部自建算力，就要为短暂峰值长期养设备，成本消耗巨大；完全购买公共服务，又绕不开数据边界、持续支出和模型适配。

更何况，简单的文档整理和复杂的专业推理，也不应该使用同样昂贵的配置。显然，不同任务需要不同的算力供给方式。

顺着这个思路，联想提出了混合供给模式，其中包含三个维度：

供给来源混合，让私有自产Token与获得授权的公共服务互补；

端边云协同，让轻量任务留在端侧、时延敏感任务就近运行、弹性需求匹配云端；

模型生态混合，根据质量与成本要求，选择开源权重或专有闭源模型。

图片由AI生成

不过选择变多之后，实际调度起来也会更复杂。

比如任务是否涉及敏感数据、需要多强的模型、允许等待多久，以及公私资源如何配比等，都要综合权衡。特别是公私资源分配，两类负载的性质正好相反。常驻企业内部的要稳，数据不越界；随外部调用起落的要省，能随峰值伸缩。

为此，联想设计了Token Engine（词元引擎），通过模算动态混部、任务级资源池调配和智能模型路由，为资源匹配提效。

而要让调度真正覆盖私有与公共资源，还需要统一的管理体系。

联想之前布局的xCloud联想智能云刚好能承担这一角色。它能对私有云和公有云资源进行统一纳管、调度与智能运维，让分散在不同环境中的计算资源协同工作。

在此基础上，xCloud里还配有Token Hub（词元中枢）。后者进一步面向AI推理场景，通过模型路由和推理资源池的动态调配，综合任务需求、模型质量、数据边界、响应时延与成本，为不同请求匹配合适的模型与算力。

由此，原本分散的资源可以根据业务需求灵活组合。调度的精细程度，甚至可以深入芯片和计算节点。

联想集团副总裁、全球基础架构和智能云总经理姚振宇举例，轻量模型可以运行在较小的计算节点或边侧资源上，无须占用大型集群。

换言之，调度不只是找到空闲的机器，还可以让任务用上合适的模型和芯片；计算资源得到充分利用，把每一分算力都真正用在了刀刃上。

此外，考虑到数据安全合规，联想还设置了三个维度的屏障：

其一是模型安全，所有模型需经过安全测试认证进入白名单，才能在词元中枢上供企业使用。

其二是内容安全，联想设置了Token Trust词元安全能力，在传输路径上主动拦截敏感信息，把数据安全和使用权限设定为资源调度需要遵守的边界。

其三是隐私计算与TEE（可信执行环境），联想支持企业将隐私、敏感数据放在隔离的可信环境中处理，平台侧无法读取内容，只有获得授权的用户可以使用，也就是业内所说的“可用不可见”。

图片由AI生成

不过，再精细的调度，也无法抹平设备和机房自身的成本。所以联想进一步提出了三级优化：

第一级是提升算力设备效率。

在问天异构智算方案中，联想把超节点、多芯多模训推引擎，以及集群通信和算子优化组合在一起，以提高异构计算资源的协同能力。

据联想披露，相关方案可实现30%以上的算力效率提升。对于大型集群，减少一部分等待和闲置，就可能释放出可观的计算能力。

第二级，是控制智算中心的全生命周期成本。

服务器之外，供电、制冷、建设和运维同样昂贵。联想通过模块化预制、一体化全液冷、绿电直流智控等技术，将机房建设与日常运营放在一起优化。

此外，联想还计划在张家口配套建设算力设备回收与再利用产线，延长存量设备的使用价值；配套智算中心则提出了PUE低于1.1的目标。

第三级，是面向业务场景的Token效能优化。通过模型路由与资源池动态调配，简单任务不必占用高成本模型，突发需求也能匹配适当的计算资源。

如此，硬件、机房和词元中枢各自优化一个环节，每个环节省下来的资源和成本，最终都将汇集成企业使用AI时的效率提升。就如联想明确给出的核心主张一样，“释放算力的每一分效能”。

而且为了对企业客户负责，联想先拿自身业务做了验证。姚振宇透露，通过内部AI实践，公司已实现约70%的综合成本优化。

如今，联想也为混合词元工厂提出了整体目标，包括百万Token综合成本优化70%、每秒Token产出量提升5倍、Token良品率超过99.9%。

当然了，衡量词元工厂的效率，也不能只看成本和吞吐量。

产能再大、成本再低，也要保证响应速度和模型质量。尤其是企业内部的敏感数据，安全不能成为降本过程中被舍弃的一环。至于大型智算中心的能耗，更是决定长期运营成本的重要因素。

因此，除了综合成本和Token吞吐，联想还将任务完成精准、绿色可持续和全链路安全纳入考量，构成词元工厂的五大核心竞争力。

图片由AI生成

用联想的概括来说，就是“多、快、好、省、绿色”。

这里的“好”尤其值得细品。同样让Agent完成任务，一套系统一次就能交付合格结果，另一套却需要反复修改、重新推理，那么后者即使消耗了更多Token，也不代表创造了更多价值。

联想对此提出了一个很形象的概念——有效Token。

对企业来说，Token产量和百万Token单价固然重要，但脱离实际任务的完成质量，再漂亮的性能指标，也很难说明AI究竟创造了多少实际价值。

“各自都没错，整体却出了问题”，姚振宇透露，这类情形他见过不少：

企业IT系统出故障时，硬件、数据库和平台供应商都能证明自己那一部分没有问题，可故障根源始终查不出来。

而AI系统涉及的环节越多，类似的困境只会越突出。

因此，词元工厂需要跨越的门槛，恰恰是把分散的能力重新组织起来。

这也是联想从打造词元工厂之初就瞄准的机会。

作为多个技术环节都有业务积累的硬件老大哥，联想将自己的企业AI业务概括为“三层混合动力”：

底层是问天AI基础设施，涵盖服务器、存储、网络及异构智算平台；

中间是此次发布的万全混合词元工厂，负责将计算资源转化为可持续供给的Token服务；

上层有擎天、百应等智能体解决方案和服务，直接连接企业的实际应用。

三层能力贯穿算力生产、Token供给与业务使用，最终指向的是一种枢纽角色，以帮助更多企业从“+AI”向“AI+”转型。

“+AI”意味着在既有业务流程中引入AI工具，解决局部环节的问题；“AI+”则代表让AI参与研发、生产、供应链等核心业务，推动生产流程与组织方式的重构。

AI承担的任务越复杂、参与业务的程度越深，企业对底层算力的稳定性、经济性和灵活性就越依赖。

而联想的优势，恰恰在于其业务能力横跨基础设施与应用两端，既能参与设备、能源和算力效率的优化，也能通过模型服务与智能体应用，获得来自真实业务的反馈。

把算力生产与真实业务两端接起来，让联想在AI基础设施价值链上，站到了更靠近最终产出的位置。

不过，能力齐全是一回事，让协同自然发生又是另一回事。要将跨环节优化变成可以复制的方法，还需要成熟的试验田。

所以张家口除了作为联想万全混合词元工厂的首个落点，还承担起了验证任务。联想将其称为“首座混合词元母本工厂”。

联想计划利用自身真实的AI业务负载，检验不同算力与模型的协同效率，持续优化资源调度、成本控制与安全运营机制，再把成熟的技术和运营经验推广到不同产业。

联想集团执行副总裁兼中国区总裁刘军提到，公司内部已有上百个智能体应用，恰好可以提供持续变化的使用场景。

这里的母本并不是要打造能1:1复制的机房，而是要总结归纳出一套让不同资源协同工作的办法。

用湖南广电的AI短剧项目举个例子。

戴炜透露，湖南广电最初的需求其实是内容生成Agent。随着AI创作进入常规生产，Token成本逐渐成为新的压力。于是，双方将合作延伸到基础设施层面，计划在长沙建设专门面向影视和短剧产业的混合词元工厂。

这要从短剧的生产流程说起。

AI影视制作涉及剧本、分镜、图像、视频、渲染等多个环节，不同模型的开销差异很大，项目档期又带来明显的算力波峰波谷。自有IP与版权素材还涉及数据安全，不能随意交给外部服务。

芒果传媒战略投资部投资总监肖文强也在现场给出了判断：算力的供给方式，得服从内容的生产方式。

因此，湖南项目计划通过全模态词元混合路由、多芯多模推理加速等技术，为不同制作环节匹配计算资源。

按照规划，该项目希望实现制作成本降低50%、生产周期缩短60%，月产成片超过1200小时，并聚合超过1万名OPC内容创作者。

1200小时相当于平均每天约40小时成片，背后需要大量并行任务支撑。如此规模的并行创作，对Token的持续供给提出了远高于零散调用的要求。

类似的矛盾，也出现在影视行业之外。

例如教育场景。联想披露的上海健生普教项目，覆盖600余所中小学，日常教学、集中备课、考试批改会带来截然不同的算力需求，到了寒暑假，负载又明显回落。

但与影视制作不同，教育系统还涉及大量未成年人信息，对数据安全和服务连续性有着更严格的要求。算力既不能长期按照峰值配置，也不能为了降低成本，随意将敏感业务迁往公共环境。

因此，混合供给的难点不仅是调节资源多少，还要在业务规律与数据边界之间找到合适的平衡。

而需求匹配得是否合理，最终还得在长期运营中见分晓。联想公布的甘肃庆阳燧弘华创智算中心，就提供了一个运营侧的参考。

作为联想列出的首个混合词元运营案例，该项目综合使用成本节省约30%，单一模型日均处理超过200万次调用、20亿Token，实实在在地把衡量标准落到了日常调用与实际成本上。

几则案例的业务负载各有节奏，资源约束也不尽相同。如果想让词元工厂真正走向千行百业，就不能指望一套固定的硬件配置解决所有问题。

标准化的应当是底层技术、调度与运营方法，差异化的则是面向具体产业的供给方式。

图片由AI生成

这就是联想打造母本工厂的初衷。张家口负责验证方法，其他地区根据能源条件与产业需求进行组合。

一旦方法得到验证，联想就有机会将自身的业务能力，转化为可规模化复制的词元供给体系，成为跨区域、跨产业的词元供给组织者。

而组织者的位置，意味着责任不止于交付。

卖服务器时，性能与价格都有明确的标尺；但词元服务进入生产流程，却还要经受业务波动、模型适配、数据安全与成本控制的长期考验。

AI基础设施的价值，正由计算能力的交付，延伸到实际生产力的交付。

对于企业而言，生产任务的稳定交付与长期成本的可控，才是衡量AI基础设施价值的最终尺度。

类似的变化，在工业革命时期就有迹可循。

两百多年前，蒸汽机带来了持续而强劲的机械动力，工厂逐渐摆脱水流与地理条件的束缚，更多机器和工人得以集中生产。

工业生产由此获得的启示，除了更强大的动力，还在于能源、机器与生产流程被组织成一套高效运转的体系。

AI如今也在跨过相似的门槛。

图片由AI生成

芯片性能不断攀升，模型能力一日千里，但机房里的算力距离生产现场的效率提升，中间仍隔着模型部署、资源调度和业务适配等诸多环节。

下一轮AI基础设施竞争的关键，就在于将庞大的计算能力转化为持续的生产力。

技术越复杂，使用技术的人反而越不该被复杂性所困。

繁重的模型部署、资源调度与长期运营，应当由成熟的基础设施承接，让企业把更多精力留给产品、生产和服务。

到那时，AI的价值才算真正回到解决问题本身。

属于千行百业的AI生产力，也才有机会在日常运行中得到充分释放。