当一个产业的核心命题发生转移，旧有基础设施便会在静默中失灵——AI正站在这个转折点上。

2026年3月，国家数据局披露一项数据：中国日均Token调用量已攀升至140万亿；同年4月，斯坦福人工智能指数报告指出，过去两年推理成本骤降280倍；Gartner预测，2026年将有40%的企业将AI Agent嵌入核心业务流程。

将这几组数据并置，一个时代的信号已隐约可感。

九章云极创始人兼董事长方磊打了一个比方：第一次工业革命始于瓦特的蒸汽机，但真正定义那个时代的，是福特的流水线——它把天才的一次性灵感，转化为人人可用的规模化产品。

AI正处在完全相同的拐点：过去几年的大模型突破是“蒸汽机时刻”，而当下真正的考验，是能否构建起那条“流水线”。

但这条“流水线”，究竟推进到了什么程度？

将视线从宏观数据收回，去询问那些真正在大规模部署AI的工程师，你会发现数字背后隐藏着一系列依然悬而未决的问题——海量Token消耗并未转化为实际的业务成效，代码在本地、算力在云端的开发环境依旧割裂，企业在评估AI项目真实回报率时缺乏可量化的工具。

这些现象指向同一个根源：整个行业缺少一套能够计量“智能生产”的基础设施。

6月17日，九章云极正式发布“AI工厂”核心战略，同步推出基于AI工厂锻造的新一代智算云Alaya NeW Cloud 3.0——一套从算力投入到专业智能交付的完整工程体系。

这是一家拥有超过十年AI技术积淀的公司，对当前这组困境给出的系统性解法。

要理解其设计逻辑，必须先看清问题所在。

AI工业化卡在了度量上

AI产业的竞争焦点，正在悄然迁移。

九章云极副总裁胡宗星将这一转变拆解为三个阶段：模型发明期，核心问题是“能否做出更强的模型”，基础设施形态为算法、参数与单点突破；产业验证期，核心问题是“能否跑通行业场景”，基础设施形态为项目制、PoC与私有部署。

而当前，正进入第三个阶段——智能工业化期，核心问题变为“能否规模化生产与交付智能”，所需的基础设施是AI工厂、标准化生产与专业Token。

胡宗星认为，前两个阶段行业已走完，第三个阶段才是真正的硬仗。

这意味着基础设施的竞争逻辑已彻底改写，而大多数企业赖以运转的基础设施仍停留在上一阶段。这种错配，正让三件事同时失灵。

▎第一重失灵：算力投入无法被标准化度量

如今，一家企业若同时采购不同架构的GPU和NPU，很难用一把统一的标尺回答：这笔投入到底换来了多少“有效算力”？

不同芯片的FLOPS数值互不可比，不同厂商的“X卡时”定义各异，算力利用率因架构差异天壤之别。

这不仅是报表难看的问题，更深的麻烦在于：一旦算力投入无法量化，优化便无从下手——换芯片、调整调度、改造模型，哪个更值得尝试？缺乏判断依据。

对于需要长期规划算力预算的智算中心运营者而言，这直接决定了采购能否理性化、资源能否跨平台调度、规模扩张的边际成本能否真正受控。

没有统一的“尺度”，就没有现代电力工业；同理，没有统一的算力度量，算力就无法成为可采购、可运营、可持续优化的社会级基础设施。

▎第二重失灵：Token单价已不再是成本标尺

Token价格战持续两年，中端模型的Token单价已趋近于零。但对企于业而言，比起“每百万Token多少钱”，更关心完成一项业务的总成本，即真实成本。

两者之间的差距远超想象。

假设一个AI Agent执行一项包含20步的自动化任务，单步成功率85%，则整个任务完成概率仅约4%。若将单步成功率从85%提升至98%，任务完成率将跃升至67%——模型专业程度在多步任务中带来的收益是指数级而非线性。

胡宗星将这个逻辑拆解为一个公式：AI应用成本=Token消耗×推理时延×重试次数×人工兜底成本。

这意味着，任一变量失控，即使单Token价格再低，任务总成本也可能失控。这也解释了为什么在Token价格大幅下降的当下，许多企业的AI部署成本反而持续走高。

▎第三重失灵：专业模型生产仍停留在“手工作坊”阶段

每家行业客户都需要一个真正理解自身业务的专业模型。但当前训练垂类模型的路径往往是：收集数据、清洗数据、精调、评测、部署、运维——每一步都是定制化、不可复用、需要大量人工介入的。

手工生产最大的问题不仅是慢，更在于经验难以沉淀复用。一次金融领域的专业模型训练积累的业务知识，很难直接迁移到制造业的模型生产中；每个客户的模型交付，在数据和业务层面几乎都是从零开始的新项目。

这意味着，无论做多少个项目，边际成本都难以实质性下降。

大量企业因此困在PoC（概念验证）阶段难以突破，从模型研发到上线动辄半年以上。模型交付，正是在“作坊化”中被大规模浪费。

三种失灵，指向同一个本质：AI竞争的形态已经改变，但工业化所需的基础设施——一套能标准化度量投入、降低任务完成成本、实现模型规模化生产的体系——至今仍然缺位。

而这，正是九章云极试图填补的空白。

AI工厂如何让「算力到智能」第一次可被计量

从本质上看，AI工厂试图让“智能生产”首次具备工业体系的三要素：统一计量、标准生产与规模交付。

胡宗星在发布会上为AI工厂下了定义：“AI工厂，是智能工业化的工程底座。”

“工程底座”这个定语，揭示了产品的底层逻辑：一套可度量、可管理、能持续优化的生产体系。工厂的本质，是一条能持续运转、不断降低边际成本的生产线。

沿着这个逻辑，AI工厂的完整链条可概括为：DCU（标准化算力单位）→训练工厂（专业模型生成）→Token工厂（专业智能流通）→企业任务（价值实现）→数据回流（模型迭代）。

链条的起点是DCU。九章云极将DCU定义为1度算力=312TFLOPS×1小时，首次将异构、多厂商、多架构的算力资源折算为可跨平台比较的标准单位。

客户按DCU采购，无需理解底层芯片型号与集群拓扑，GPU、NPU、不同代际芯片均可换算为统一的DCU单位进行采购与结算。

只有投入侧有了度量，生产才有核算的基础。

有了标准化的算力投入，下一步是将其转化为专业智能，这是训练工厂的任务。

训练工厂负责将“通用智能”冶炼为“专业智能”。胡宗星特意用了“冶炼”一词，其背后的工艺由四个节点构成：数据处理、领域精调、强化学习、评测反馈。

其中强化学习是最关键的一环，也是训练工厂区别于平台精调服务最核心之处。

通用大模型经过领域精调后，能更好地“回答问题”；但只有经过强化学习，模型才能真正学会“完成任务”——拆解复杂目标、调用外部工具、在失败后调整路径。

胡宗星将这一区别概括为：让专业模型从“会回答”走向“会执行”。

这一区别在Agent大规模落地的今天尤为重要。对企业而言，模型会不会回答早已不是门槛，真正的门槛是：模型能不能在有容错率约束、有工具调用链路、有业务边界限制的真实生产环境里稳定执行任务。

专业模型从训练工厂产出后，需经过压缩、量化、评测和分发，才能进入下一段——Token工厂。胡宗星将这一“中间环节”称为“模型转运”，是专业智能从“被生产”到“被消费”之间不可省略的工程步骤。

Token工厂则负责专业智能的流通与交付。不同于行业常说的推理工厂——推理工厂的出发点是资源调度，核心命题是如何把已有模型部署稳、服务好、延时低，优化的是单任务性能——Token工厂的出发点是价值交付，核心命题是如何把智能封装为可精确计量的价值单元，优化的是规模化产出的效率。

这意味着Token工厂交付的不是泛化的Token，而是分层分档的专业Token——消费级、专业级、前沿级，对应不同类型的模型、不同复杂度的任务与不同服务等级。每一类Token的定义，对应的是它所封装的智能密度与业务价值，而不只是它背后消耗的算力成本。

在这个框架下，“每任务完成成本”终于有了被计算的基础：投入侧用DCU度量，产出侧用专业Token度量，两者之间的转换效率就是工厂效率。

胡宗星将其总结为：“同样的DCU，能不能生产更多、更稳定、更高价值的专业Token，这就是工厂效率，也是客户价值。”

每一次企业任务的完成，都会产生反馈数据——成功了什么、失败了什么、哪里卡壳、哪个步骤需要人工兜底。这些数据会持续回流到训练工厂，驱动专业模型的下一代迭代。

至此，闭环完成。

AI工厂因此不只是算力到智能的一次性转化，更成为一个可自我优化的生产体系。每一轮任务，都在为下一个更专业的模型积累原料。

这套体系为企业用户带来的变化，可归结为三个更直接的结果：

第一，算力成本开始具备可预测性。通过DCU统一计量，算力投入不再依赖多厂商、多口径的碎片化统计，而是可以像电力一样被预算、被核算。

第二，智能交付效率显著提升。Token Factory将底层芯片、模型与调度能力封装为标准化的Token服务，专业Token的分层分档交付，使不同复杂度的业务任务可以被更稳定地规模化执行，减少重复试错与人工兜底。

第三，模型能力可以持续复用与迭代。业务任务产生的反馈数据持续回流至训练工厂，驱动专业模型的下一代迭代，形成“越用越强”的价值增强回路。

工厂用得越多，模型越专业；模型越专业，任务完成率越高；任务完成率越高，企业落地AI项目的综合价值可清晰衡量。这是双工厂区别于单纯算力租赁和推理服务的本质所在。

在算力与模型之间，AI开始出现“中立工厂层”

当前，智算赛道参与者日趋多元，综合云厂商、大模型企业、传统IDC服务商纷纷布局算力领域，行业竞争维度不断丰富。九章云极坚持独立智算云定位，走出差异化发展路径。

综合云厂商业务布局较为全面，同时覆盖算力、应用等多个领域。九章不竞争模型，不竞争应用，意味着它与每一家模型公司、每一家行业客户之间，理论上都不存在利益对立——平台的中立性，使其有可能成为整个生态的“公共基础设施”。

而不做模型、不做应用，就意味着九章的价值需要通过生态的繁荣来兑现。平台不以单一业务作为利润核心，价值依托整个产业生态共同成长实现。只有当足够多的专业模型在平台上被训练、被交付、被调用，当足够多的行业任务在AI工厂里跑通，平台的价值才得以实现。

这套体系要真正运转起来，前提是必须有足够多、足够好的专业模型进入Token工厂——没有专业模型，专业Token就是一个空概念。

于是，九章启动了“智算开放计划”，计划遴选并孵化1000个高价值专业模型与智能应用，通过算力支持、技术共创、商业分成、市场联动，与行业开拓者深度绑定。这是整个双工厂体系能否成立的公开验证。

目前持有的筹码来自三处。

首先是已被验证的规模：九章累计服务超过3万次客户算力任务，平台上已预置50多款主流基座模型以及100余款面向金融、制造、政务、科研等真实开源数据集。

其次是全栈自研的效率护城河：全栈自研的智算操作系统、算电协同优化、跨中心跨型号全局调度、模型量化与推理优化，五条路径相乘，构成独立于硬件之外的效率优势。即使竞争对手购入同等算力，也未必能在任务完成成本上达到同等水平。

第三是更远处的一个思考。当千倍降本实现、算力便宜如水电，什么会成为下一道关卡？九章的判断指向高质量产业数据，以及传统企业缺乏AI原生工作流与组织能力。打通算力这一关，正是为了让产业界尽早面对这些更深层次的“软性”瓶颈。

这个判断，或许是理解九章战略的另一个视角：AI工厂既回应了当下的竞争格局，也提前布了一局棋——关于“算力之后是什么”。

推理成本的下降，确实让AI进入了规模化应用的临界点，但下一阶段产业效率的真正决定因素，已经从“能否用AI”转向了“能否用工业化方式持续生产智能”。

在这一点上，AI行业仍处于基础设施重构的早期阶段：算力需要统一计量，智能需要标准化生产，模型需要工程化交付。

九章云极提出的AI工厂，本质上是在尝试回答一个更基础的问题：当AI从能力竞争进入工业化竞争阶段，谁来定义“智能生产”的基础设施标准？

这套体系的成熟度，最终取决于两个层面的验证：它能否支撑更多行业场景中稳定运行的专业模型，以及这些模型能否在真实业务中持续创造可衡量的价值。