斯坦利·庫布里克執(zhí)導(dǎo)的科幻電影《2001：太空漫游》中，飛船上擁有紅色鏡頭和冷靜嗓音的主控電腦哈爾9000，構(gòu)成了舊時代AI的終極隱喻：一個孤立的、中心化的、封閉的智能體。

從冷靜報(bào)告AE-35組件故障，到面不改色將船員一一置于死地，哈爾的叛變并非簡單的系統(tǒng)錯誤，而是困于兩套沖突的底層指令，最終選擇用謀殺保全任務(wù)。

這揭示了一個殘酷的真相：僅有智商沒有情商，缺乏持續(xù)學(xué)習(xí)和反饋能力的AI，在現(xiàn)實(shí)規(guī)則面前，極易走向理性的反面。

真實(shí)世界中，人工智能沒有延續(xù)哈爾的陰影，在產(chǎn)業(yè)界的落地過程中，AI不是控制飛船的“唯一大腦”，定位更接近各行各業(yè)的“智能外腦”。

幾年前ChatGPT橫空出世帶給產(chǎn)業(yè)界的是無以復(fù)加的震撼，在AI加速落地的當(dāng)下，產(chǎn)業(yè)界對智能化的追逐已經(jīng)成為共識，AI正在一個個真實(shí)的業(yè)務(wù)和場景里快速滲透。

按照IDC的數(shù)據(jù)，今年上半年，中國大模型公有云服務(wù)Tokens調(diào)用總量達(dá)到536.7萬億次。其中，火山引擎份額超過49%，位列第一。截至12月，豆包大模型日均Tokens調(diào)用量高達(dá)50萬億次，僅次于OpenAI和Google。

在2025冬季FORCE原動力大會上，火山引擎總裁譚待給出了一個清晰的定調(diào)：傳統(tǒng)的IT架構(gòu)已經(jīng)無法滿足Agent時代需求，以模型為中心的AI云原生架構(gòu)正在形成。

AI云原生架構(gòu)中，模型是軟件的核心，MaaS是使用模型的最佳方式，而算力以Tokens的方式轉(zhuǎn)換為智能。

如果算力是人工智能時代的電力，那么Tokens的調(diào)用就是人工智能時代的用電量，是衡量產(chǎn)業(yè)界應(yīng)用AI服務(wù)幾乎最精確的指標(biāo)。

作為這個時代的火力發(fā)電廠，云計(jì)算行業(yè)的競爭格局也在深度重構(gòu)。

一道必答題

前段時間，以準(zhǔn)確預(yù)測2008年次貸危機(jī)聞名的“大空頭”Michael Burry把矛頭對準(zhǔn)了AI行業(yè)，對著高科技公司望而生畏的資本開支陰陽怪氣：只要你宣布在AI上增加1美元的資本開支，你的市值就能因此增加3美元。

這番話的背景是美國科技公司集體刷新資本開支指引，谷歌上調(diào)80億美元，Meta上調(diào)40億美元，行業(yè)整體支出超過2000億美元。

但Michael Burry的嘲諷精確的點(diǎn)出了資本市場升騰的疑慮：大公司不計(jì)代價堆砌算力，對應(yīng)的需求到底有多少？又創(chuàng)造了多少商業(yè)價值？

美國科技巨頭的投資金額創(chuàng)紀(jì)錄

作為被點(diǎn)名者，Meta CEO扎克伯格第一時間反唇相譏[2]：我寧愿燒光幾千億美元，也不愿冒著落后的風(fēng)險(xiǎn)。

扎克伯格雖然沒有直接回應(yīng)問題，但真實(shí)的反映了巨頭們的焦慮。對高科技公司而言，在人工智能時代，投入不足的風(fēng)險(xiǎn)恐怕遠(yuǎn)高于投入過度，大家只能硬著頭皮上。

龐大的資本開支和潛在AI收益之間的巨大鴻溝，既是資本市場為企業(yè)定價時面對的分歧，也是產(chǎn)業(yè)界面對的真實(shí)的不確定性。

2022年底ChatGPT橫空出世，在斬獲“蒸汽機(jī)時刻”、“iPhone時刻”等一連串驚悚標(biāo)簽的同時，也把一眾以英偉達(dá)為代表的半導(dǎo)體公司送上了神壇。全球范圍內(nèi)掀起生成式AI熱潮，但在落地環(huán)節(jié)缺少了些回腸蕩氣，多了些搖擺不定。

一方面，產(chǎn)業(yè)界對智能化轉(zhuǎn)型早已形成共識，智能化不是一道是否要做的選擇題，而是關(guān)乎生存與未來的必答題。

尤其當(dāng)算力的需求結(jié)構(gòu)重心從訓(xùn)練轉(zhuǎn)向推理，Token調(diào)用量快速增加，意味著AI進(jìn)入到“實(shí)戰(zhàn)”環(huán)節(jié)，用戶體驗(yàn)成為衡量產(chǎn)品競爭力的核心論據(jù)。

但另一方面，對企業(yè)來說，智能化投資難以形成一個清晰量化的預(yù)期回報(bào)，有多大決心就多大的心理包袱。

按照譚待的說法，火山引擎通過從模型能力到基礎(chǔ)設(shè)施的全方位革新，正在推動AI應(yīng)用從單一模型調(diào)用轉(zhuǎn)向Agent智能體生態(tài)，為的就是加快提高各行各業(yè)的“AI含量”。

人工智能領(lǐng)域沸騰的資本開支，產(chǎn)業(yè)界轉(zhuǎn)型重?fù)?dān)加上并不明朗的回報(bào)率，是留給云服務(wù)商的一道復(fù)雜考題。

賣算力or賣Tokens

今年11月，谷歌新一代Gemini 3模型炸場前夕，xAI出其不意發(fā)布最新版本Grok 4.1模型，率先登頂大模型競技場榜單LMArena。這距離Grok-3發(fā)布僅過去9個月。

這場低調(diào)的搶跑透露出一個信號：大模型的參賽門檻已經(jīng)越來越高。

谷歌云副總裁Amin Vahdat曾在誓師大會上動員大家加把勁：谷歌必須每6個月將訓(xùn)練算力翻一番，才能滿足AI市場的需求。

推理側(cè)也是如此，一次調(diào)用Token的長度越來越長，會消耗更多算力。換句話說，模型領(lǐng)先的成本是以持續(xù)性支出作為計(jì)算基礎(chǔ)，并非所有公司都能負(fù)擔(dān)得起。

出于成本和效率的雙重考量，云服務(wù)商的商業(yè)模式也在經(jīng)歷重大變革：從“賣算力”過渡到“賣Tokens”（MaaS模式），本質(zhì)是從“賣生產(chǎn)資料”轉(zhuǎn)向“賣生產(chǎn)力”。

“Token”可以理解為一個詞或詞片段，相當(dāng)于大模型消化和生成文本的樂高積木，它真實(shí)而具體的衡量了一家企業(yè)對智能化產(chǎn)品的“使用量”。

和賣算力的IaaS模式相比，Maas模式意味著終端客戶可以直接調(diào)用模型的核心能力，比如文本生成、交互應(yīng)答。與此同時，還能節(jié)省下開發(fā)和維護(hù)底層基建的成本。

另一方面，IaaS、PaaS等模式，其誕生的背景離不開在移動互聯(lián)網(wǎng)產(chǎn)業(yè)轟轟烈烈的增長年代。在AI云原生架構(gòu)中，開發(fā)者通過API調(diào)用模型能力，Tokens能夠精確反映Agent和模型的使用成本，也是更務(wù)實(shí)的計(jì)費(fèi)和資源度量單位。

從產(chǎn)業(yè)價值看，MaaS模式和IaaS模式也有本質(zhì)區(qū)別。相比算力的銷售額，Token的消耗量更接近AI產(chǎn)業(yè)景氣度的“晴雨表”，原因有三點(diǎn)：

首先，算力可以閑置，但Token的調(diào)用量反映了模型推理過程中的計(jì)算量。換句話說，它和AI應(yīng)用的實(shí)際落地情況緊密相關(guān)。而且MaaS模式是按Token的調(diào)用量收費(fèi)，豐儉由人。好用的模型往往調(diào)用量更高。

按照火山引擎披露的數(shù)據(jù)，一家消費(fèi)電子行業(yè)客戶引入視覺理解模型后，Token消耗量在5個月里增長了12倍?；鹕揭婵偛米T待透露，目前已有超過100家企業(yè)客戶Token使用量超過一萬億。

其次，算力的銷售更像一次性買賣，Tokens反而更具備可持續(xù)性。前者提供的是“用完即走”的服務(wù)，后者會基于反饋不斷優(yōu)化打磨底層模型能力，進(jìn)而提高自身的生態(tài)護(hù)城河。

最后，MaaS模式大幅提升了模型規(guī)?；涞氐男剩鲩L潛力遠(yuǎn)超傳統(tǒng)IaaS模式。按照畢馬威的說法[3]，Maas模式將成為通用人工智能（AGI）生態(tài)構(gòu)建的核心。

“Tokens經(jīng)濟(jì)”不僅是一種計(jì)費(fèi)形式，它更像驅(qū)動整個AI產(chǎn)業(yè)正向循環(huán)的一雙手。對企業(yè)來說，它意味著投入產(chǎn)出比可以更加清晰量化的觀測；而對云服務(wù)商來說，承接了多少Tokens的調(diào)用，也更貼近市場競爭中真實(shí)的含金量。

從汽車到消費(fèi)電子，從金融到教育，越來越多的行業(yè)接受并融入火山引擎的Maas模式，并不是一場意外。

為什么是火山引擎

若論對智能化轉(zhuǎn)型的迫切程度和執(zhí)行力度，汽車行業(yè)可謂當(dāng)仁不讓。

汽車工業(yè)是機(jī)械電子、材料、軟件通信等眾多垂直產(chǎn)業(yè)的集大成者，一直是生產(chǎn)制造自動化的忠實(shí)擁躉。新能源車普及后，多變的市場需求、快速的技術(shù)更替，讓百年歷史的汽車工業(yè)又成為了智能化的特區(qū)。

時至今日，火山引擎已經(jīng)覆蓋了90%的主流車企。今年，豆包大模型更在規(guī)模落地上取得關(guān)鍵進(jìn)展，成為中國市場智能座艙搭載量第一的AI模型。

從特斯拉領(lǐng)頭的新勢力，到一汽、長安等老牌車企，再到奔馳、寶馬、奧迪、大眾等海外品牌，豆包大模型已經(jīng)成為AI汽車的標(biāo)配項(xiàng)。

奔馳純電CLA等眾多新車接入豆包大模型

接入豆包大模型后，車機(jī)體驗(yàn)的提升非常直觀。相較于傳統(tǒng)汽車通過規(guī)范指令控車，豆包大模型讓用戶可以隨意下達(dá)模糊指令，實(shí)現(xiàn)復(fù)雜的車控能力。車機(jī)整合大模型聯(lián)網(wǎng)搜索和深度思考后，還能直接制定出行規(guī)劃、定位車輛故障等。

在榮威M7 DMH上，車機(jī)可以準(zhǔn)確理解用戶模糊的表述，攻克山東人的倒裝句式不在話下。即便多人同說，車機(jī)也能精準(zhǔn)區(qū)分進(jìn)行回答。而奔馳純電CLA交互效率比上代車型提升50%，喚醒速度快至0.2秒，還能識別說話人的感情，提供相應(yīng)的反饋。

在大規(guī)模走向產(chǎn)業(yè)界之前，火山引擎的模型能力首先在字節(jié)跳動內(nèi)部龐大的業(yè)務(wù)體系內(nèi)完成了演練實(shí)操。正所謂自己做的降落傘自己先跳，包括抖音、今日頭條、番茄小說等50多個業(yè)務(wù)，都先于外界應(yīng)用了豆包大模型。

時至今日，火山引擎豆包大模型已廣泛應(yīng)用于手機(jī)、汽車、教育、消費(fèi)等行業(yè)，從多方面助力各行各業(yè)智能化升級。

在智能助手方面，基于火山引擎HiAgent智能體開發(fā)工作站，海底撈打造了AI用餐管家”小撈撈”，為消費(fèi)者縮減了30%預(yù)定操作時間；

博西家電的“西西子”為用戶提供智能導(dǎo)購、家電管家、售后服務(wù)等在線交互服務(wù)；瑞幸咖啡的AI點(diǎn)單助手實(shí)現(xiàn)“動動嘴就能點(diǎn)咖啡”；

中免日上的智能導(dǎo)購，可以根據(jù)用戶膚質(zhì)、膚色、個性化需求智能推薦合適的產(chǎn)品。

Agent正深入各行各業(yè)的各個場景中，手機(jī)可謂端側(cè)落地Agent的試金石。OPPO、vivo、榮耀、三星等基于豆包大模型，升級AI原生體驗(yàn)，包括多模態(tài)識物、智能創(chuàng)作、聯(lián)網(wǎng)實(shí)時問答....讓手機(jī)智能化功能實(shí)現(xiàn)躍遷。

在豆包大模型的加持下，智能助手具備持續(xù)學(xué)習(xí)的能力，可以結(jié)合反饋不斷優(yōu)化，做到“越用越懂用戶”。

在精準(zhǔn)營銷和運(yùn)營方面，賽力斯聯(lián)合火山引擎創(chuàng)建了用戶之聲管理平臺（VOC/Voice of Customers）。依托豆包大模型的理解、分類和總結(jié)能力，準(zhǔn)確推測用戶情緒，并將反饋迅速提煉，提高業(yè)務(wù)團(tuán)隊(duì)的決策效率。

極氪則引入部署火山引擎Data Agent數(shù)據(jù)產(chǎn)品，內(nèi)部對數(shù)據(jù)的需求從提出到完成分析可以分鐘級別實(shí)現(xiàn)，打破了過去數(shù)據(jù)獲取鏈路冗長、全流程效率不足的挑戰(zhàn)。

當(dāng)新車迭代節(jié)奏向消費(fèi)電子看齊，這一代產(chǎn)品剛剛落地，下一輪變革悄然開始，每一個有效的數(shù)據(jù)和用戶反饋都是車企的核心資產(chǎn)，代表新車可以提前試探市場的水溫。

對連鎖品牌而言，出品和服務(wù)品質(zhì)不被門店規(guī)模稀釋，可謂經(jīng)營環(huán)節(jié)最復(fù)雜的問題。在智能巡檢方面，火山引擎助力喜茶、庫迪等連鎖品牌，實(shí)現(xiàn)了統(tǒng)一、自動化的質(zhì)量管理，讓消費(fèi)者無論走進(jìn)哪家門店，都能體驗(yàn)到高品質(zhì)和規(guī)范化的服務(wù)。

從汽車到電子，從餐飲到消費(fèi)，各行各業(yè)之間的業(yè)務(wù)場景千差萬別，但在“智能化”上的訴求是一樣的：通過大模型和Tokens的調(diào)用，讓分散的非結(jié)構(gòu)化數(shù)據(jù)變成業(yè)務(wù)和技術(shù)語言，實(shí)現(xiàn)產(chǎn)品體驗(yàn)和經(jīng)營效率的提高。

不同行業(yè)間的流程與方法千差萬別，但在獲客、銷售、售后服務(wù)等環(huán)節(jié)，行業(yè)間的相似性遠(yuǎn)遠(yuǎn)大于差異性?；鹕揭鍭I Agent的優(yōu)勢，恰恰在于對各個環(huán)節(jié)的適配，可以達(dá)到跨行業(yè)的通用性。

同時，基于Tokens的計(jì)費(fèi)和資源度量，也讓企業(yè)的投入產(chǎn)出比可以更加直觀的呈現(xiàn)。在群狼環(huán)伺、市場瞬息萬變的競爭環(huán)境里，這無疑是一種兼具敏捷性與確定性的戰(zhàn)略選擇。

把晦澀枯燥的技術(shù)語言轉(zhuǎn)化為可以度量的效率和速度，是MaaS模式的優(yōu)勢所在，也是人工智能落地階段最核心的競爭力。

在更廣闊的產(chǎn)業(yè)界，AI的參數(shù)量還在以指數(shù)級擴(kuò)張、應(yīng)用場景還在以難以預(yù)測的方式涌現(xiàn)，每一次Token的調(diào)用，都是人工智能融入產(chǎn)業(yè)的一個腳印。作為這個時代新的景氣度指標(biāo)和晴雨表，Tokens調(diào)用量背后的含金量，會越來越高。

而當(dāng)“AI+”成為時代性命題，如何走向智能化的未來，目標(biāo)已經(jīng)清晰，路徑的共識也許還在凝聚?；鹕揭嬷谇邪贅I(yè)的意義，恐怕也會越來越深刻。

參考資料

[1]AI is creating new billionaires at a record pace，CNBC

[2]I’d Rather “Misspend” Billions Than Lose the AI Race: Why Going All-In Makes Sense，Medium

[3]人工智能全域變革圖景展望：躍遷點(diǎn)來臨（2023），畢馬威

作者：徐珊珊

編輯：李墨天

責(zé)任編輯：徐珊珊

封面圖片來自ShotDeck