01 触发事件

11月10日，联想发布“万全混合词元工厂”品牌，并与张家口市政府合作建设首个混合词元母本工厂。

首批规划包括1.5万P异构算力集群、约100MW智算中心，词元年产量超过2000万亿，峰值产出达到每秒2亿Token；到2030年，相关核心指标预计提升10倍以上。

关键不是“2亿Token/秒”这个更大的数字，而是计价单位变了：联想不再只出售服务器和机房容量，而是尝试按AI产出——Token——重新包装基础设施。

国家数据局数据显示，截至2026年6月，我国日均词元调用量已突破500万亿。Agents执行搜索、分析、决策和工具调用，会把单次交互拆成更多模型调用。算力需求因此从训练侧扩展到持续推理侧。

但我要先划一条边界：我没有在联想内部跑过这套集群，也不能确认其“词元年产量”的口径、模型组合和有效利用率。这里的2000万亿更像产能规划，不等于可售Token，更不等于收入。

02 这事的真正含义

问题不在联想是否又建了一个智算中心，而在它试图占据产业链中更靠近现金流的位置。

过去三年，最确定的AI收益来自卖铲子：GPU、服务器、交换机、数据中心、电力。购买这些资产是一次性资本开支，交付后收入基本落袋。风险则转移到客户一侧——客户买得起设备，不等于用得起模型。

Token工厂试图补上这段断层：把异构硬件、模型和客户负载封装成持续运行的AI生产服务。联想给出的“三层混合动力”很直白：

  • 底层是问天AI基础设施，提供异构算力。
  • 中间层负责算力管理、模型调度和Token生产。
  • 上层是擎天与百应Agent方案，把Token接入业务流程。

这本质上是一次 aggregation：联想不满足于控制算力供给，而想聚合模型调度、推理服务和应用分发，成为客户默认采购Token的入口。

那个真正会被定价的不是裸算力，而是单位Token成本、有效输出率与业务结果之间的差额。

算力租金是静态收入。Token运营是运营型收入。后者更靠近利润，但也更依赖持续优化：模型路由、KV cache、批处理、prefill/decode配比、故障恢复和容量规划，每一项都会改变单位经济性。

这也是为什么“1.5万P异构算力”只能说明入场资格，不能说明商业质量。P是算力规模，不是有效Token吞吐；每秒2亿Token是峰值，不是平均利用率；年产量2000万亿是供给能力，不是客户需求。

联想真正押注的是：卖服务器只能赚一次交付利润，控制Token生产与分发，则有机会赚取AI时代的持续服务费。

03 历史类比 / 结构对照

这与2007年iPhone发布后的产业链迁移相似。

当年最赚钱的是硬件组装、屏幕和供应链；随后价值向操作系统、应用商店和开发者生态转移。硬件没有消失，但议价权逐步向控制分发与使用入口的平台移动。

云计算也走过相似路径。AWS早期卖的是EC2实例和存储，后来S3、托管数据库和按使用量计费的PaaS扩大了收入边界。基础设施厂商最终不只卖资源，而是卖资源被稳定消费的调度系统。

联想的词元工厂，可以看成IDC向“新云”的延伸：底层仍是土地、电力、服务器和网络，上层却用软件调度把异构资源变成按需生产的AI能力。

但这个类比不能直接套用。2007年的iPhone建立在新的交互入口上；Agent workload的入口尚未定型。模型、协议、计费和开发者工具都还在迁移，客户也很可能保留多模型、多云架构。联想有机会成为聚合层，却未必能成为唯一入口。

与2014年AWS相比，差距也很清楚。AWS有长期积累的云控制面、开发者习惯和全球容量网络；联想的母本工厂刚起步，品牌、开发者distribution和稳定客户负载仍待证明。

因此，它不是“再造AWS”，更像是服务器厂商试图跨过毛利更低、竞争更激烈的运营层。

04 对 AI builder 意味着什么

这周不必因为“词元工厂”这个名字立即迁移架构；但这个月应重新核算推理端的经济模型。

第一，把Token价格拆成采购成本与有效任务成本。单价便宜的模型，经过更长chain-of-thought、重复上下文和失败重试后，未必更便宜。我关注的不是billable Token，而是完成一次成功任务需要支付多少Token、多少等待时间和多少工具调用。

第二，评估模型路由是否值得自建。Provider aggregation的价值在于利用价格、延迟、容量和质量差异做动态routing，而不是把所有请求送到最低价模型。若路由质量差，抽象层会制造额外故障面；这点我可能低估了各业务对稳定性的要求。

第三，重新看待KV cache与prompt caching。Token工厂若真要形成毛利，必须利用prefix复用、continuous batching和cache locality降低边际成本。对builder而言，这也是选择provider时比context window更值得问的问题：长上下文能否以可接受成本被重复使用？

第四，提前保留model portability。不要把客户数据、工作流和评测体系绑定在单一词元工厂上。接口兼容可以降低迁移成本，但模型行为、并发限制、计费口径和SLA仍需独立验证。

第五，Agent产品应把Token成本与业务指标放在同一张表里。若核心指标是完成工单、生成合格代码或回收收入，毛利率不能脱离任务成功率单独讨论。对AI startup来说，这比宣传“年产量多少万亿Token”重要得多。

05 反方观点 / 风险

我刚才的判断可能过于乐观：联想未必能把硬件优势转换为Token运营优势。

首先，资本开支可能比预期更快变成折旧压力。100MW智算中心需要持续供电、散热、网络和设备维护；需求不足时，闲置算力比普通IDC更难运营。峰值Token吞吐尤其容易掩盖长期平均利用率。

其次，模型供应侧掌握定价权。Anthropic、OpenAI、Google既提供模型，也建设自有基础设施和Agent产品。联想作为aggregator，既可能获得需求入口，也可能被上游压缩毛利。我没有看到联想具备独特模型能力，它更可能依靠成本、交付与本地化服务竞争。

再次，Token不是稳定的价值单位。模型效率提升会压低同等任务的Token需求，Agent框架也会减少冗余调用。若单位任务Token持续下降，“词元工厂”仍可能增长，但单位Token价格下降更快。这与云计算存储越来越便宜，却让更高价值的计算与数据服务受益，是同一种结构。

最后，上层Agent方案可能只是权宜之计。真正的控制点也许不在机架或调度层，而在企业workflow、MCP生态、developer tooling和客户distribution。联想能生产Token，不代表客户会持续从联想购买。

所以，联想这次发布值得看，不等于“New Cloud”已经成立。我会把成功标准压到三个数：非关联客户的付费Token占比、连续几个季度的集群平均利用率、单位Token贡献毛利。

如果这些数字起不来，万全混合词元工厂仍可能是一门更重的服务器生意，而不是新的基础设施平台。