8位AI Infra高管复盘WAIC：当堆砌「暴力美学」触顶，AI Infra如何求变？

7月的上海，WAIC 2026的热度，或许比蝉鸣来得更盛。

几乎每个展台都人头攒动，人群的目光在展板的铅字和展商的面庞间来回切换。无数人来到这里，心里总带着同一个问题：中国的人工智能产业，到底走到哪一步了？

雷峰网特别策划WAIC 2026观察报道，我们与8位参展AI Infra公司的决策者聊了聊，试图从展台边的对话里，捕捉今年大家真正在关心什么，以及这个行业正在形成哪些新方向和新共识。

今年产生了这样一种有意思的趋势，不管是来自CEO还是业务负责人，都不约而同地提到同一件事——WAIC 2026，行业关注的重心发生了改变。

过去大家更多在聊千卡集群、GPU性能等指标；而现在，话题更多转向了如何稳定、低成本批量产出Token ，以及在此基础上，要怎么样利用这些稳定的、低成本的token去支撑Agent和AI应用持续稳定运行 。

市场数据能清晰地印证这轮转变。2025年全市场Token调用量同比暴涨300倍，头部大模型企业的增长已完全由API和Token调用拉动。以智谱为例，其年化收入已从预期的7亿突破至10亿美金，增长核心全部来自推理侧规模化调用。据Gartner测算，推理目前已经占到企业AI计算支出的65%以上。

这不再是一场“谁有更多卡谁就是赢家”的规模竞赛——用产出衡量能力，是推理时代的必然。

九章云极市场部负责人陈庶观察到，去年大家还在讨论如何把模型训练出来，今年讨论已经变成了“如何让模型规模化地跑起来”。推理效率、调度能力、成本管控替代了算力规模，成为展台和论坛上最高频的词。

这一看法成为了默契的共识，首都在线COO董直烨提到，行业的关注点已经从“算力资源的有无和规模大小”，转向了“算力的落地效率与价值确定性”。

并行科技董事长，CCF中国计算机学会副理事长陈健指出，前两年行业算力需求基本上训练、推理五五分，但今年开始，随着AI Coding、小龙虾式自主智能应用批量落地，直接把算力推理需求推到了绝对主导地位。

陈健将其概括为行业的一个共识判断——2026是AI大规模商业化元年，推理才是算力消耗的长期主体。

如果说Token是AI时代的石油，那Agentic AI就是那个轰鸣的内燃机。

Agent正在推动AI从“生成内容”走向“完成内容”，在执行任务的过程中不断调动多个模型、多个工具，这会带来比传统单轮问答成百上千倍的Token消耗量。

当AI Coding、智能客服和企业Agent等场景成为业务板块的一部分，单次请求将面临着更复杂的任务，也会更频繁的调用工具——毫无疑问，Agent的消耗速度绝对不是人可以比拟的。

PPIO的创始人兼CEO姚欣给出这样的判断，现在人类和Agent的Token消耗量能打个平手，但未来Agent才会是Token的第一用户。“99%的Token都会由Agent消耗，而不是人。 ”

这意味着，Agentic AI会明显提高对Infra的要求。趋境科技创始人兼CEO艾智远有一个判断，未来AI基础设施的竞争不会只停留在单点性能，而是更看重复杂任务中的连续稳定服务能力。

博大数据董事长余武旺表示，未来竞争不会只是拼 GPU 数量，而是拼整个系统的协同能力，包括 AI 网络、高速互联、能源保障、资源调度，以及能否快速响应不同业务场景。

需求端的变化已经清晰，供给端要如何回应？（关于AI Infra的产业需求变革，欢迎添加作者微信 treelog10 交流）

Agent让Token消耗呈现指数级增长，行业的回应是“AI工厂”和“Token工厂”。

从2022年，英伟达CEO黄仁勋提出AI工厂，到2025年AI工厂被明确为像互联网和电力一样的基础设施。这场关于“造Token”的革命，在2026年已经进入了发展的关键阶段。

8位站在行业最前沿的人均认同，AI工厂和Token工厂并非对立关系，二者更像一体两面的共生关系：AI工厂将包含推理和训练两大板块，是整个Token生产体系的完整载体；而Token工厂则更加注重规模化交付，把算力输出为标准的Token产能。

董直烨认为，AI工厂的概念更宽泛，覆盖从数据处理、模型训练、微调、推理到应用分装的全流程；Token工厂则是聚焦智能最小单位——Token的全生命周期，本质是把算力转化为标准化的Token产能，更侧重推理侧的效率和确定性。

清程极智联合创始人师天麾提出，AI工厂和Token工厂之间的概念异同，更多是一种观察尺度和叙事重点的区别。“AI工厂”这一概念强调的是完整的生产体系；而Token工厂则是把视角聚焦到推理和服务交付环节。

“Token 工厂可以理解为 AI 工厂在推理时代、特别是在大规模 Agent 应用场景下的一种具体运营形态。 ”师天麾说。

陈健则对二者关系做出了分层。他认为完整AI工厂分为两大模块，训练工厂和推理工厂，而推理工厂就是行业所说的Token工厂。他还指出二者之间存在的差异，是产业变革的核心。

第一是需求体量与长期占比的改变。陈健表示，长期来看，训练算力整体占比会萎缩至10%左右，研发类算力占比5%，剩余85%以上的算力需求将全部归属Token推理工厂。行业算力资源投入重心不可逆的向推理倾斜。

第二是集群设计逻辑完全相反。大规模训练任务是典型的超大规模单一计算任务，允许外部互联网络临时波动，但无法接受集群内单点硬件故障；而Token推理是线上持续服务，可容忍单张GPU失效等集群内故障，但无法承受对外服务互联网络的不稳定。

“总而言之，AI工厂是完整产业载体，Token工厂是AI工厂当下和未来的价值核心 ——所有商业化收入、规模化应用增量，将由Token推理承载。”陈健说。（如果对AI工厂和Token工厂有独到的见解和看法，欢迎添加作者微信 treelog10 交流）

“后Scaling时代”是今年WAIC大会的热点词之一，意思是单纯堆算力、堆参数的方法，边际效益在递减。

这个解读是否符合产业真实情况？目前从一些方面看来，答案是肯定的。

早期，行业靠放大模型参数、建立千卡、万卡集群实现算力的跃升，但是来到2026年，已有厂商仅靠传统方案10%的训练算力，就做出了顶尖模型；企业也越来越“现实”，同样的资源要能产出更多有效的Token。

但后Scaling并不意味着Scaling的终结。师天麾判断，Scaling并没有失效。只不过，靠扩大参数和堆叠算力，已经不能再自动换来等同比例的业务价值。训练和推理规模仍会增长，只是行业必须同时回答成本、能耗、延迟、稳定性和商业回报的问题。

共绩科技创始人兼CEO付智，也有类似的判断：后Scaling并非“不再Scaling” ，而是进入一种更加精细的系统Scaling、效率Scaling和调度Scaling。陈庶也提出，Scaling并没有结束，但是它的优先级在下降；模型能力的上限仍然在向前推进，但竞争的焦点确实在转移。

既然单纯拼规模的时代已经过去，那现在行业要如何满足Agent的需求？市场给出了一个更加现实的答案——“效率为王”。

“我们的判断是，AI Infra正从资源竞争转向系统效率竞争。” 师天麾说。

付智把这种效率竞争划分为三个层面。一是计算效率 ，通过芯片、网络、推理框架、模型优化和系统架构，让同样的硬件产生更多有效计算。第二是资源效率 。通过弹性调度、异构资源整合和跨区域协同，让更多原本闲置或利用率不足的算力进入生产体系。第三是能源效率 。算力任务如何与能源条件进行匹配，会越来越影响最终的Token成本。

艾智远的观察是，企业会非常现实地计算：同样一批资源，能产出多少有效Token；服务能稳定运行多久；成本能不能支撑长期使用。未来竞争的关键，是提升单位资源产出、提高有效利用率、跨过成本线，并把这套能力复制到更多客户和场景中。

姚欣则给出一个锋利的判断：随着赛道进入白热化竞争，绝大多数Token工厂目前都应处于亏损状态。

比赛已经进入下半场，不同赛道的玩家在这场变革中各怀优势，也各有短板。

陈健对雷峰网(公众号：雷峰网)表示，他判断当下Token工厂赛道的玩家正在加速分层。其中，具备万卡GPU集群和全栈调度优化能力的算力服务商，优化后集群TPS和单位算力Token吞吐能拉开中小玩家10倍差距 。但重资产模式注定了更长的扩张周期。

自研大模型厂商自建推理集群，可以深度贴合自有模型架构，但硬件出处不对外开放，无法承接第三方海量Token需求。硬件采购上也有对外服务性价比不足的弱势。

至于中小型算力服务商和初创团队，体量小、决策灵活，可承接定制化零散小单，却缺少长期稳定大客户订单、大批量GPU锁货渠道和底层调度与性能的优化能力。

“稳定大客户订单、强GPU供给、顶尖性能算力优化能力三者缺一不可。 同时，具备的头部玩家会持续收割份额，中小玩家的生存空间正在持续收窄。”陈健说。

AI产业的发展进入深水区，百川归海，构建起新的行业共识。故事更迭背后，是技术浪潮的自然延续，Token产出取代GPU卡数成为新的标尺，效率接替规模成为新的命题。

AI Infra企业纷纷在地图上圈出了新的目的地——让AI真正成为可度量、可交付、可依赖的生产力。

百舸扬帆，向深海驶去。

关于竞争和优势，8位决策者还给出了不同的判断和解读。

• 并行科技董事长，CCF中国计算机学会副理事长 陈健

站在2026 WAIC现场，我感受到最直观的行业变化只有一句话概括：推理落地了。

整个会场厂商、客户交流的核心不再是“能搭多大训练集群”，而是“如何稳定、低成本批量产出Token”，Token工厂、推理服务、低时延调度成为全场高频词。

本次WAIC并行科技集中释放全栈算力服务落地成果，核心想向行业传递一个信号：算力竞争早已告别“拼卡量、拼集群规模”的粗放阶段，高效、稳定、低成本的Token化推理服务，才是产业长期生存的核心壁垒。

硬件储备层面，我们和合作伙伴2025年已经落地国内首套2000卡B200集群、万卡5090集群，今年落地两个超大规模算力集群。业务新增两大核心业务线：规模化推理算力服务及Token工厂标准化MaaS服务，覆盖AI Coding、文生视频和自主智能三大场景。

随着Agent带来底层的需求变革，Token消耗规模被拉高了一个量级。推理服务规模化之后，Token工厂应运而生，稳定大客户订单、强GPU供给、顶尖性能优化能力，这三个必要条件这抬高了赛道的准入门槛。当前Token工厂赛道的玩家主要分三类，各有优劣势的体现。

第一类是具备大规模硬件储备和全栈调度优化能力的算力服务商。 优势在于手握万卡级多元GPU集群，深耕算力调度多年，优化后集群TPS和算力单位Token吞吐能拉开中小玩家10倍差距；长期服务头部客户，有稳定大订单摊薄硬件折旧成本。劣势是重资产模式，硬件采购和机房建设资金投入大，扩张周期更长。

第二类是自研大模型厂商自建推理集群。 优势是深度贴合自有模型架构，软硬件适配度高。劣势则是硬件储备只为自有业务配套，不对外规模化开放，无法承接第三方海量Token需求，缺少业务灵活性和服务完备性。

第三类是中小型算力服务商和初创团队。 优势是体量小、决策灵活，可承接定制化短期零散小单。但致命短板是三重壁垒无法突破：没有长期稳定大客户订单、缺少大批量GPU锁货渠道、底层调度与性能优化能力薄弱。同样硬件规格下，Token产出效率和头部厂商存在10倍级差距，成本完全没有竞争力。

整体回望2026整个算力产业，旧规则正在全面作废：从拼卡量、拼训练规模，转向拼推理、拼Token效率、拼场景交付。推理落地带来的Token浪潮只是起点，未来十年，谁能把算力稳定、低成本转化为标准化Token供给，谁就能握住AI基础设施赛道的长期话语权。

今年WAIC，我认为最大的变化在于算力供需关系的彻底逆转。

一年前市场的核心困境是“卖不掉”，手里积压着大量英伟达卡，客户仍停留在验证与试点阶段，市场整体需求疲软。而今天，形式完全倒转，算力不仅短缺，价格更持续飙升。

这一反转背后，驱动力来自两大关键变化：其一，AI的智能生产力已切实落地 ，编程、办公、AI短剧等场景进入了规模化应用阶段；其二，智能体的崛起带来了指数级的算力消耗 ，成为新的需求引擎。

PPIO今年带来了两款核心产品。一是智能Token工厂，在国内首发了智能模型网关产品。智能模型网关是AI Agent的智能调度中心，关键决策由混合模型把关提升质量，简单任务自动分流到轻量模型，确保Agent用最低的Token成本、最高的智能性能完成任务。二是Agent Harness层，以Agent沙箱为核心，集成任务编排、Tool Use、记忆管理等功能，延长Agent可持续运行的Loop时长以解决复杂长程任务。

关于Token工厂之间的竞争，我认为关键区别在于能力覆盖的层次。目前最典型的一类，是底层算力和云服务完全依赖第三方，仅聚焦于推理加速这一中间层。推理加速虽是Token生产链上的关键软件环节，早期优化空间巨大。但随着赛道进入白热化竞争，绝大多数Token工厂目前都应处于亏损状态。

根本原因在于，Token的性价比和毛利空间，必须通过每一层的端到端优化来兑现。

从底层往上拆解：第一层是能源成本，中国东西部电价相差近3倍，算力中心的选址直接决定成本基线；第二层是调度效率，将全球调用的白天黑夜利用率从40%～50%提升至70%～80%，又能释放20%～30%的空间。

第三层是模型服务层的推理加速，优化潜力同样高达百分之七八十；第四层是Token的实际用途——用于长上下文Agent应用还是简单问答，两者价值能差出10倍。

我认为现在行业不能只盯着Token生产数量，更要关注Token的智能含量和毛利率 。而要实现可观毛利率，必须完成从底层能源到上层应用的全栈式优化，覆盖至少五个层级。

我认为，目前行业的关注点，已经转向了算力的落地效率与价值确定性。

去年行业的讨论更多围绕算力供给扩张、大模型训练基建搭建、GPU资源保供等“规模侧”问题；而今年的讨论已经深入到产业落地的具体环节 ，包括Token全链路的价值共识，Agent带来的基建新需求，国产算力怎么从概念走向实操三大方向。

今年首都在线在WAIC展示的核心成果与能力，均围绕“Token从生产到应用的确定性旅程”展开，包括有智算基建的规模化落地成果，自研CloudOS算力调度平台和自研Maas智能调度与运营平台的能力升级。

首都在线对自身的定位很清晰：坚守中立云定位，坚持不碰模型、不碰客户数据、不碰芯片。我们希望行业看到，AI基础设施的竞争已经进入下半场——不再是单纯拼GPU数量或是算力规模，而是拼全链路的确定性、效费比与服务能力。

关于不同背景玩家在Agent基础设施竞争中的优劣势，我的判断是这样的：

头部云大厂的优势是生态体系完整、品牌影响力强、标准化产品成熟，C端与中小客户覆盖广泛。但劣势也很明显——服务高度标准化，灵活度不足，难以满足客户深度定制化的部署与运维需求。同时，多数云厂商自身也布局大模型和应用业务，与客户存在潜在的业务竞争关系，在数据安全与商业隐私上的中立性存在天然短板。

至于接下来的竞争核心，我认为有三个方面：一是算力转化效率，通过集群调度与推理引擎优化释放每张GPU的产出；二是网络传输效率，Agent时代的低延迟与稳定性直接决定用户体验；三是运营调度效率，动态匹配算力与模型，实现Token消耗全链路可监测、可管控。

如果说，行业上半场拼的是“谁有更多算力”，下半场拼的是“谁能把算力的价值发挥到最大，给客户更确定的结果”。规模是基础，但最终的核心竞争力，是全链路的效率与确定性。

我今年最直观的感受是，AI Infra 开始真正回答算力最终能稳定产出多少Token、成本是多少、能否真正被 Agent 和企业应用用起来。

现场有几类产品让我印象很深：一类是面向大规模集群的超节点、光互连和异构算力方案，继续解决算力规模化和资源利用率问题；一类是围绕推理引擎、Token 计量、持续评测和智能调度的产品，把算力产出转化为可以衡量、比较和交付的服务；还有一类是面向 Agent 的本地网关、身份管理、调用追踪和故障恢复工具，说明 AI Infra 正在进入应用的真实运行链路。

讨论重点的迁移，反映出行业正在从基础设施的建设期走向持续运营期。

今年WAIC清程极智最大的变化，是把一站式Token全链路服务做成了一个可以现场体验的“前店后厂”。赤兔推理引擎负责“后厂”生产，AI Ping负责“前店”评测和路由，ATM负责Agent调用管理。我们最想传递的是，AI 基础设施的价值，体现在能否持续生产并稳定交付高质量、低成本的 Token。只有生产、评测、路由、管理和应用形成闭环，国产算力才能真正进入规模化使用。

关于不同背景公司在Agent基础设施竞争中的位置，我的判断是：芯片和算力厂商的优势在硬件资源和基础设施投入，但硬件性能并不会自动转化为推理效率，跨芯片、跨模型的适配与优化仍需要专业的系统软件。

模型公司最了解自身模型能力，也能针对Agent场景做深度优化，但如果体系只围绕单一模型展开，用户的跨模型选择空间会受到限制。云和MaaS平台拥有丰富的资源与运维能力，但还需要解决跨服务质量透明度和中立调度问题。

我认为，这个市场最终不会由单一层级包办。 芯片、算力中心、推理引擎、模型服务商、评测调度平台和 Agent 开发框架，需要开放协同。

放眼未来，竞争的关键不是谁拥有最多算力，而是谁能让单位算力、单位能耗和单位成本产生更多真正有用的 Token，并把它们稳定交付给用户。对于 Agent 场景，还要进一步看长期完整任务成功率、单位任务成本和服务稳定性。

我们的产品布局也围绕这件事展开。算力资源仍然重要，但模型、推理引擎、评测、路由与应用负载之间能否协同优化，将决定一套基础设施最终的真实产出。

今年我感受到，AI Infra 的讨论重心正在发生变化：从“基础资源是否充足”，转向“这些资源能不能形成稳定、可持续的生产能力”。今年的焦点不只是建设基础设施，而是如何运营好基础设施。

趋境科技这次想传递的核心信息是，我们正在围绕高品质AI Token工厂，推进从技术能力到生产能力的落地。过去一段时间，我们持续升级自研ATaaS平台，并在关键模型、真实负载和企业场景中提升Token生产效率、稳定性和成本表现。

追求把模型列表做得更长并非趋境科技的目标，我们想要真正有生产需求的模型做深度优化。因为企业客户最终关心的不是接入了多少模型，而是这些模型能否在实际业务中稳定、低成本、高效率地运行。

行业方面，在我看来“AI 工厂”和“Token 工厂”不是对立概念。AI 工厂更偏整体组织，强调模型、资源、数据、应用和工程系统如何协同；Token 工厂更偏结果导向，关注底层资源能否持续产出高品质 AI Token。

而具备企业级价值的高品质AI Token，需要同时满足低首Token时延、高输出速度、高并发等多个要求。难点不在单项指标，而在这些指标能否在真实生产负载下长期同时成立。

关于Agent的行业竞争，我认为未来会看重复杂任务中连续稳定的服务能力。这意味这模型公司更理解模型能力边界，云和资源型公司有基础资源优势，系统工程型公司则更擅长把模型、资源和业务负载整合成稳定服务。

最终竞争会看谁能在 Agent 场景下稳定产出高品质 AI Token，并把成本控制在可持续区间。

今年让我印象最深刻的 ，并不是某一款产品 ，而是 AI 基础设施正在进入“系统级竞争”的新阶段 。

大家关注的不再只是单张芯片性能 ，而是如何通过高速互联 、系统集成和软硬协同 ，让更多GPU 高效协同工作 。我认为，这反映出 AI 产业发展的一个重要趋势：竞争正在从“单点性能”走向“系统能力” 。

这次 WAIC，博大数据重点展示的是博大数据面向 AI 时代的整体基础设施能力，包括智算中心、AI 算力、AI 网络，以及覆盖全国和海外的资源布局。我们希望展示一套完整的 AI 基础设施解决方案，从规划设计、建设交付，到网络互联、运营维护。我们最想传递的信息是：AI 的发展，不只是模型的竞争，更是基础设施能力的竞争 。

关于未来，我认为竞争不会只是拼 GPU 数量，而是拼整个系统的协同能力 ，包括 AI 网络、高速互联、能源保障、资源调度，以及能否快速响应不同业务场景。

不同类型企业也各有优势 。芯片企业推动算力性能不断提升；模型企业持续优化算法；应用企业探索商业场景；而像博大数据这样的基础设施企业，则更关注如何把这些能力连接起来，构建稳定、高效、可持续运行的底座。

未来 AI 产业一定不是单个企业完成的 ，而是生态协同 。

至于未来竞争的关键，我认为主要是系统效率、能源效率和运营效率三大方面。简而言之，未来行业不会从“拼规模”走向“不拼规模” ，而是会进入一个规模和效率并重，但效率决定竞争力的新阶段 。

今年一个很明显的变化，是大家讨论 AI Infra 的方式正在发生变化，AI Infra正在从“资源规模竞争”走向“系统效率竞争”。

这次WAIC共绩科技带来“上天入地，算力一体”的画面展示：把IDC、企业园区闲置算力、网吧GPU、车载算力放在同一张图景里。我们以电网式算力调度平台为底座，一端连接不同算力供给，另一端连接模型训练、推理、Agent等需求，进行跨区域、跨集群调度。

随着Agent的爆发式增长，我认为这意味着未来AI负载会越来越呈现出几个特征：调用频率更高、链路更长、并发波动更大、模型更加多样，而且越来越多任务会长期运行。

这就对AI Infra提出了一些新的要求：高峰流量来了能否快速扩容？不同任务能否调度到最合适的模型和算力？大规模并发下延迟和SLA能不能稳定？大量Token消耗之后，企业的综合成本能不能控制？

因此，我认为Agent基础设施的竞争最终会分成几个不同的层次。芯片和服务器厂商的优势在于底层硬件和系统协同能力，能够不断提升单机和集群性能；大型云厂商拥有规模化资源和成熟云生态，能够提供完整的平台能力；模型和推理服务企业更接近模型层，在推理优化、模型路由和Token服务上有优势。

未来真正有竞争力的AI Infra，需要同时具备三个能力：资源异构化 ，不能只能依赖一种芯片或一个资源池；供给弹性化 ，业务需求增加时能够快速补充，下降时能够释放资源；调度智能化 ，不同任务能够根据时延、成本、模型、网络和算力条件选择更优的执行路径。

当然，这里面仍然有很多需要解决的问题，包括异构资源标准化、跨区域网络、数据安全、稳定性以及调度效率。这也是未来基础设施公司真正需要长期投入的地方。

今年大会上，能明显感受到一个转向——不少头部AI Infra厂商已经从“展示芯片和集群规模”转向“展示Token生产效率和工程化能力”，这个变化本身就很说明问题。

让我印象比较深的是，大家普遍在谈如何让算力真正产出价值 ——从“我有多少P的算力”转向“我能以什么成本产出多少Token”。

这次WAIC九章云极在展位搭建了一座微型AI工厂的实景，完整覆盖从算力调度到Token交付的全链路。Alaya NeW Cloud的三项核心能力：智能队列调度、资源配额管理、开发工具套件，对应算力使用中最关键的三个问题：排得公平、分得清、用得顺手。

Agentic AI确实是Token消耗的“放大器”，但反过来看，这也意味着企业对Token交付的稳定性、成本、合规和可审计性的要求，比传统API调用高出一个数量级。

云厂商的优势在于规模化供给和完整服务体系，短板是异构算力精细化调度与多模型路由优化——而这恰恰是Agent任务的核心需求。芯片厂商强在底层硬件掌控力，可通过软硬协同优化提升单卡Token产出，但缺少从芯片到上层应用的工程化封装能力。

算力运营商的优势则在于对算力、模型、调度、计价的系统性整合，Agent需要的是“算力+模型+调度+计量+成本管控”的一体化能力。

未来行业竞争的关键，我们认为有三层。第一层是算力治理能力 ——能不能让算力资源被充分调度、不被闲置。行业平均利用率不足30%，意味着大量算力投入未被有效转化，谁先把这部分效率释放出来，谁就有成本优势。

第二层是Token生产效率 ：同样一度电、同样一张卡，能不能产出更多有效Token。第三层是规模化运营能力 ：能不能让这套体系在不同的行业、不同的业务场景中被复用，而不是每个项目都从零开始搭一遍。

算力是投入，Token是产出。用投入衡量能力，是训练时代的惯性；用产出衡量能力，是推理时代的必然。

欢迎添加作者微信 treelog10 交流，互通有无。

7月的上海，WAIC 2026的热度，或许比蝉鸣来得更盛。

几乎每个展台都人头攒动，人群的目光在展板的铅字和展商的面庞间来回切换。无数人来到这里，心里总带着同一个问题：中国的人工智能产业，到底走到哪一步了？

雷峰网特别策划WAIC 2026观察报道，我们与8位参展AI Infra公司的决策者聊了聊，试图从展台边的对话里，捕捉今年大家真正在关心什么，以及这个行业正在形成哪些新方向和新共识。

今年产生了这样一种有意思的趋势，不管是来自CEO还是业务负责人，都不约而同地提到同一件事——WAIC 2026，行业关注的重心发生了改变。

过去大家更多在聊千卡集群、GPU性能等指标；而现在，话题更多转向了如何稳定、低成本批量产出Token ，以及在此基础上，要怎么样利用这些稳定的、低成本的token去支撑Agent和AI应用持续稳定运行 。

市场数据能清晰地印证这轮转变。2025年全市场Token调用量同比暴涨300倍，头部大模型企业的增长已完全由API和Token调用拉动。以智谱为例，其年化收入已从预期的7亿突破至10亿美金，增长核心全部来自推理侧规模化调用。据Gartner测算，推理目前已经占到企业AI计算支出的65%以上。

这不再是一场“谁有更多卡谁就是赢家”的规模竞赛——用产出衡量能力，是推理时代的必然。

九章云极市场部负责人陈庶观察到，去年大家还在讨论如何把模型训练出来，今年讨论已经变成了“如何让模型规模化地跑起来”。推理效率、调度能力、成本管控替代了算力规模，成为展台和论坛上最高频的词。

这一看法成为了默契的共识，首都在线COO董直烨提到，行业的关注点已经从“算力资源的有无和规模大小”，转向了“算力的落地效率与价值确定性”。

并行科技董事长，CCF中国计算机学会副理事长陈健指出，前两年行业算力需求基本上训练、推理五五分，但今年开始，随着AI Coding、小龙虾式自主智能应用批量落地，直接把算力推理需求推到了绝对主导地位。

陈健将其概括为行业的一个共识判断——2026是AI大规模商业化元年，推理才是算力消耗的长期主体。

如果说Token是AI时代的石油，那Agentic AI就是那个轰鸣的内燃机。

Agent正在推动AI从“生成内容”走向“完成内容”，在执行任务的过程中不断调动多个模型、多个工具，这会带来比传统单轮问答成百上千倍的Token消耗量。

当AI Coding、智能客服和企业Agent等场景成为业务板块的一部分，单次请求将面临着更复杂的任务，也会更频繁的调用工具——毫无疑问，Agent的消耗速度绝对不是人可以比拟的。

PPIO的创始人兼CEO姚欣给出这样的判断，现在人类和Agent的Token消耗量能打个平手，但未来Agent才会是Token的第一用户。“99%的Token都会由Agent消耗，而不是人。 ”

这意味着，Agentic AI会明显提高对Infra的要求。趋境科技创始人兼CEO艾智远有一个判断，未来AI基础设施的竞争不会只停留在单点性能，而是更看重复杂任务中的连续稳定服务能力。

博大数据董事长余武旺表示，未来竞争不会只是拼 GPU 数量，而是拼整个系统的协同能力，包括 AI 网络、高速互联、能源保障、资源调度，以及能否快速响应不同业务场景。

需求端的变化已经清晰，供给端要如何回应？（关于AI Infra的产业需求变革，欢迎添加作者微信 treelog10 交流）

Agent让Token消耗呈现指数级增长，行业的回应是“AI工厂”和“Token工厂”。

从2022年，英伟达CEO黄仁勋提出AI工厂，到2025年AI工厂被明确为像互联网和电力一样的基础设施。这场关于“造Token”的革命，在2026年已经进入了发展的关键阶段。

8位站在行业最前沿的人均认同，AI工厂和Token工厂并非对立关系，二者更像一体两面的共生关系：AI工厂将包含推理和训练两大板块，是整个Token生产体系的完整载体；而Token工厂则更加注重规模化交付，把算力输出为标准的Token产能。

董直烨认为，AI工厂的概念更宽泛，覆盖从数据处理、模型训练、微调、推理到应用分装的全流程；Token工厂则是聚焦智能最小单位——Token的全生命周期，本质是把算力转化为标准化的Token产能，更侧重推理侧的效率和确定性。

清程极智联合创始人师天麾提出，AI工厂和Token工厂之间的概念异同，更多是一种观察尺度和叙事重点的区别。“AI工厂”这一概念强调的是完整的生产体系；而Token工厂则是把视角聚焦到推理和服务交付环节。

“Token 工厂可以理解为 AI 工厂在推理时代、特别是在大规模 Agent 应用场景下的一种具体运营形态。 ”师天麾说。

陈健则对二者关系做出了分层。他认为完整AI工厂分为两大模块，训练工厂和推理工厂，而推理工厂就是行业所说的Token工厂。他还指出二者之间存在的差异，是产业变革的核心。

第一是需求体量与长期占比的改变。陈健表示，长期来看，训练算力整体占比会萎缩至10%左右，研发类算力占比5%，剩余85%以上的算力需求将全部归属Token推理工厂。行业算力资源投入重心不可逆的向推理倾斜。

第二是集群设计逻辑完全相反。大规模训练任务是典型的超大规模单一计算任务，允许外部互联网络临时波动，但无法接受集群内单点硬件故障；而Token推理是线上持续服务，可容忍单张GPU失效等集群内故障，但无法承受对外服务互联网络的不稳定。

“总而言之，AI工厂是完整产业载体，Token工厂是AI工厂当下和未来的价值核心 ——所有商业化收入、规模化应用增量，将由Token推理承载。”陈健说。（如果对AI工厂和Token工厂有独到的见解和看法，欢迎添加作者微信 treelog10 交流）

“后Scaling时代”是今年WAIC大会的热点词之一，意思是单纯堆算力、堆参数的方法，边际效益在递减。

这个解读是否符合产业真实情况？目前从一些方面看来，答案是肯定的。

早期，行业靠放大模型参数、建立千卡、万卡集群实现算力的跃升，但是来到2026年，已有厂商仅靠传统方案10%的训练算力，就做出了顶尖模型；企业也越来越“现实”，同样的资源要能产出更多有效的Token。

但后Scaling并不意味着Scaling的终结。师天麾判断，Scaling并没有失效。只不过，靠扩大参数和堆叠算力，已经不能再自动换来等同比例的业务价值。训练和推理规模仍会增长，只是行业必须同时回答成本、能耗、延迟、稳定性和商业回报的问题。

共绩科技创始人兼CEO付智，也有类似的判断：后Scaling并非“不再Scaling” ，而是进入一种更加精细的系统Scaling、效率Scaling和调度Scaling。陈庶也提出，Scaling并没有结束，但是它的优先级在下降；模型能力的上限仍然在向前推进，但竞争的焦点确实在转移。

既然单纯拼规模的时代已经过去，那现在行业要如何满足Agent的需求？市场给出了一个更加现实的答案——“效率为王”。

“我们的判断是，AI Infra正从资源竞争转向系统效率竞争。” 师天麾说。

付智把这种效率竞争划分为三个层面。一是计算效率 ，通过芯片、网络、推理框架、模型优化和系统架构，让同样的硬件产生更多有效计算。第二是资源效率 。通过弹性调度、异构资源整合和跨区域协同，让更多原本闲置或利用率不足的算力进入生产体系。第三是能源效率 。算力任务如何与能源条件进行匹配，会越来越影响最终的Token成本。

艾智远的观察是，企业会非常现实地计算：同样一批资源，能产出多少有效Token；服务能稳定运行多久；成本能不能支撑长期使用。未来竞争的关键，是提升单位资源产出、提高有效利用率、跨过成本线，并把这套能力复制到更多客户和场景中。

姚欣则给出一个锋利的判断：随着赛道进入白热化竞争，绝大多数Token工厂目前都应处于亏损状态。

比赛已经进入下半场，不同赛道的玩家在这场变革中各怀优势，也各有短板。

陈健对雷峰网(公众号：雷峰网)表示，他判断当下Token工厂赛道的玩家正在加速分层。其中，具备万卡GPU集群和全栈调度优化能力的算力服务商，优化后集群TPS和单位算力Token吞吐能拉开中小玩家10倍差距 。但重资产模式注定了更长的扩张周期。

自研大模型厂商自建推理集群，可以深度贴合自有模型架构，但硬件出处不对外开放，无法承接第三方海量Token需求。硬件采购上也有对外服务性价比不足的弱势。

至于中小型算力服务商和初创团队，体量小、决策灵活，可承接定制化零散小单，却缺少长期稳定大客户订单、大批量GPU锁货渠道和底层调度与性能的优化能力。

“稳定大客户订单、强GPU供给、顶尖性能算力优化能力三者缺一不可。 同时，具备的头部玩家会持续收割份额，中小玩家的生存空间正在持续收窄。”陈健说。

AI产业的发展进入深水区，百川归海，构建起新的行业共识。故事更迭背后，是技术浪潮的自然延续，Token产出取代GPU卡数成为新的标尺，效率接替规模成为新的命题。

AI Infra企业纷纷在地图上圈出了新的目的地——让AI真正成为可度量、可交付、可依赖的生产力。

百舸扬帆，向深海驶去。

关于竞争和优势，8位决策者还给出了不同的判断和解读。

• 并行科技董事长，CCF中国计算机学会副理事长 陈健

站在2026 WAIC现场，我感受到最直观的行业变化只有一句话概括：推理落地了。

整个会场厂商、客户交流的核心不再是“能搭多大训练集群”，而是“如何稳定、低成本批量产出Token”，Token工厂、推理服务、低时延调度成为全场高频词。

本次WAIC并行科技集中释放全栈算力服务落地成果，核心想向行业传递一个信号：算力竞争早已告别“拼卡量、拼集群规模”的粗放阶段，高效、稳定、低成本的Token化推理服务，才是产业长期生存的核心壁垒。

硬件储备层面，我们和合作伙伴2025年已经落地国内首套2000卡B200集群、万卡5090集群，今年落地两个超大规模算力集群。业务新增两大核心业务线：规模化推理算力服务及Token工厂标准化MaaS服务，覆盖AI Coding、文生视频和自主智能三大场景。

随着Agent带来底层的需求变革，Token消耗规模被拉高了一个量级。推理服务规模化之后，Token工厂应运而生，稳定大客户订单、强GPU供给、顶尖性能优化能力，这三个必要条件这抬高了赛道的准入门槛。当前Token工厂赛道的玩家主要分三类，各有优劣势的体现。

第一类是具备大规模硬件储备和全栈调度优化能力的算力服务商。 优势在于手握万卡级多元GPU集群，深耕算力调度多年，优化后集群TPS和算力单位Token吞吐能拉开中小玩家10倍差距；长期服务头部客户，有稳定大订单摊薄硬件折旧成本。劣势是重资产模式，硬件采购和机房建设资金投入大，扩张周期更长。

第二类是自研大模型厂商自建推理集群。 优势是深度贴合自有模型架构，软硬件适配度高。劣势则是硬件储备只为自有业务配套，不对外规模化开放，无法承接第三方海量Token需求，缺少业务灵活性和服务完备性。

第三类是中小型算力服务商和初创团队。 优势是体量小、决策灵活，可承接定制化短期零散小单。但致命短板是三重壁垒无法突破：没有长期稳定大客户订单、缺少大批量GPU锁货渠道、底层调度与性能优化能力薄弱。同样硬件规格下，Token产出效率和头部厂商存在10倍级差距，成本完全没有竞争力。

整体回望2026整个算力产业，旧规则正在全面作废：从拼卡量、拼训练规模，转向拼推理、拼Token效率、拼场景交付。推理落地带来的Token浪潮只是起点，未来十年，谁能把算力稳定、低成本转化为标准化Token供给，谁就能握住AI基础设施赛道的长期话语权。

今年WAIC，我认为最大的变化在于算力供需关系的彻底逆转。

一年前市场的核心困境是“卖不掉”，手里积压着大量英伟达卡，客户仍停留在验证与试点阶段，市场整体需求疲软。而今天，形式完全倒转，算力不仅短缺，价格更持续飙升。

这一反转背后，驱动力来自两大关键变化：其一，AI的智能生产力已切实落地 ，编程、办公、AI短剧等场景进入了规模化应用阶段；其二，智能体的崛起带来了指数级的算力消耗 ，成为新的需求引擎。

PPIO今年带来了两款核心产品。一是智能Token工厂，在国内首发了智能模型网关产品。智能模型网关是AI Agent的智能调度中心，关键决策由混合模型把关提升质量，简单任务自动分流到轻量模型，确保Agent用最低的Token成本、最高的智能性能完成任务。二是Agent Harness层，以Agent沙箱为核心，集成任务编排、Tool Use、记忆管理等功能，延长Agent可持续运行的Loop时长以解决复杂长程任务。

关于Token工厂之间的竞争，我认为关键区别在于能力覆盖的层次。目前最典型的一类，是底层算力和云服务完全依赖第三方，仅聚焦于推理加速这一中间层。推理加速虽是Token生产链上的关键软件环节，早期优化空间巨大。但随着赛道进入白热化竞争，绝大多数Token工厂目前都应处于亏损状态。

根本原因在于，Token的性价比和毛利空间，必须通过每一层的端到端优化来兑现。

从底层往上拆解：第一层是能源成本，中国东西部电价相差近3倍，算力中心的选址直接决定成本基线；第二层是调度效率，将全球调用的白天黑夜利用率从40%～50%提升至70%～80%，又能释放20%～30%的空间。

第三层是模型服务层的推理加速，优化潜力同样高达百分之七八十；第四层是Token的实际用途——用于长上下文Agent应用还是简单问答，两者价值能差出10倍。

我认为现在行业不能只盯着Token生产数量，更要关注Token的智能含量和毛利率 。而要实现可观毛利率，必须完成从底层能源到上层应用的全栈式优化，覆盖至少五个层级。

我认为，目前行业的关注点，已经转向了算力的落地效率与价值确定性。

去年行业的讨论更多围绕算力供给扩张、大模型训练基建搭建、GPU资源保供等“规模侧”问题；而今年的讨论已经深入到产业落地的具体环节 ，包括Token全链路的价值共识，Agent带来的基建新需求，国产算力怎么从概念走向实操三大方向。

今年首都在线在WAIC展示的核心成果与能力，均围绕“Token从生产到应用的确定性旅程”展开，包括有智算基建的规模化落地成果，自研CloudOS算力调度平台和自研Maas智能调度与运营平台的能力升级。

首都在线对自身的定位很清晰：坚守中立云定位，坚持不碰模型、不碰客户数据、不碰芯片。我们希望行业看到，AI基础设施的竞争已经进入下半场——不再是单纯拼GPU数量或是算力规模，而是拼全链路的确定性、效费比与服务能力。

关于不同背景玩家在Agent基础设施竞争中的优劣势，我的判断是这样的：

头部云大厂的优势是生态体系完整、品牌影响力强、标准化产品成熟，C端与中小客户覆盖广泛。但劣势也很明显——服务高度标准化，灵活度不足，难以满足客户深度定制化的部署与运维需求。同时，多数云厂商自身也布局大模型和应用业务，与客户存在潜在的业务竞争关系，在数据安全与商业隐私上的中立性存在天然短板。

至于接下来的竞争核心，我认为有三个方面：一是算力转化效率，通过集群调度与推理引擎优化释放每张GPU的产出；二是网络传输效率，Agent时代的低延迟与稳定性直接决定用户体验；三是运营调度效率，动态匹配算力与模型，实现Token消耗全链路可监测、可管控。

如果说，行业上半场拼的是“谁有更多算力”，下半场拼的是“谁能把算力的价值发挥到最大，给客户更确定的结果”。规模是基础，但最终的核心竞争力，是全链路的效率与确定性。

我今年最直观的感受是，AI Infra 开始真正回答算力最终能稳定产出多少Token、成本是多少、能否真正被 Agent 和企业应用用起来。

现场有几类产品让我印象很深：一类是面向大规模集群的超节点、光互连和异构算力方案，继续解决算力规模化和资源利用率问题；一类是围绕推理引擎、Token 计量、持续评测和智能调度的产品，把算力产出转化为可以衡量、比较和交付的服务；还有一类是面向 Agent 的本地网关、身份管理、调用追踪和故障恢复工具，说明 AI Infra 正在进入应用的真实运行链路。

讨论重点的迁移，反映出行业正在从基础设施的建设期走向持续运营期。

今年WAIC清程极智最大的变化，是把一站式Token全链路服务做成了一个可以现场体验的“前店后厂”。赤兔推理引擎负责“后厂”生产，AI Ping负责“前店”评测和路由，ATM负责Agent调用管理。我们最想传递的是，AI 基础设施的价值，体现在能否持续生产并稳定交付高质量、低成本的 Token。只有生产、评测、路由、管理和应用形成闭环，国产算力才能真正进入规模化使用。

关于不同背景公司在Agent基础设施竞争中的位置，我的判断是：芯片和算力厂商的优势在硬件资源和基础设施投入，但硬件性能并不会自动转化为推理效率，跨芯片、跨模型的适配与优化仍需要专业的系统软件。

模型公司最了解自身模型能力，也能针对Agent场景做深度优化，但如果体系只围绕单一模型展开，用户的跨模型选择空间会受到限制。云和MaaS平台拥有丰富的资源与运维能力，但还需要解决跨服务质量透明度和中立调度问题。

我认为，这个市场最终不会由单一层级包办。 芯片、算力中心、推理引擎、模型服务商、评测调度平台和 Agent 开发框架，需要开放协同。

放眼未来，竞争的关键不是谁拥有最多算力，而是谁能让单位算力、单位能耗和单位成本产生更多真正有用的 Token，并把它们稳定交付给用户。对于 Agent 场景，还要进一步看长期完整任务成功率、单位任务成本和服务稳定性。

我们的产品布局也围绕这件事展开。算力资源仍然重要，但模型、推理引擎、评测、路由与应用负载之间能否协同优化，将决定一套基础设施最终的真实产出。

今年我感受到，AI Infra 的讨论重心正在发生变化：从“基础资源是否充足”，转向“这些资源能不能形成稳定、可持续的生产能力”。今年的焦点不只是建设基础设施，而是如何运营好基础设施。

趋境科技这次想传递的核心信息是，我们正在围绕高品质AI Token工厂，推进从技术能力到生产能力的落地。过去一段时间，我们持续升级自研ATaaS平台，并在关键模型、真实负载和企业场景中提升Token生产效率、稳定性和成本表现。

追求把模型列表做得更长并非趋境科技的目标，我们想要真正有生产需求的模型做深度优化。因为企业客户最终关心的不是接入了多少模型，而是这些模型能否在实际业务中稳定、低成本、高效率地运行。

行业方面，在我看来“AI 工厂”和“Token 工厂”不是对立概念。AI 工厂更偏整体组织，强调模型、资源、数据、应用和工程系统如何协同；Token 工厂更偏结果导向，关注底层资源能否持续产出高品质 AI Token。

而具备企业级价值的高品质AI Token，需要同时满足低首Token时延、高输出速度、高并发等多个要求。难点不在单项指标，而在这些指标能否在真实生产负载下长期同时成立。

关于Agent的行业竞争，我认为未来会看重复杂任务中连续稳定的服务能力。这意味这模型公司更理解模型能力边界，云和资源型公司有基础资源优势，系统工程型公司则更擅长把模型、资源和业务负载整合成稳定服务。

最终竞争会看谁能在 Agent 场景下稳定产出高品质 AI Token，并把成本控制在可持续区间。

今年让我印象最深刻的 ，并不是某一款产品 ，而是 AI 基础设施正在进入“系统级竞争”的新阶段 。

大家关注的不再只是单张芯片性能 ，而是如何通过高速互联 、系统集成和软硬协同 ，让更多GPU 高效协同工作 。我认为，这反映出 AI 产业发展的一个重要趋势：竞争正在从“单点性能”走向“系统能力” 。

这次 WAIC，博大数据重点展示的是博大数据面向 AI 时代的整体基础设施能力，包括智算中心、AI 算力、AI 网络，以及覆盖全国和海外的资源布局。我们希望展示一套完整的 AI 基础设施解决方案，从规划设计、建设交付，到网络互联、运营维护。我们最想传递的信息是：AI 的发展，不只是模型的竞争，更是基础设施能力的竞争 。

关于未来，我认为竞争不会只是拼 GPU 数量，而是拼整个系统的协同能力 ，包括 AI 网络、高速互联、能源保障、资源调度，以及能否快速响应不同业务场景。

不同类型企业也各有优势 。芯片企业推动算力性能不断提升；模型企业持续优化算法；应用企业探索商业场景；而像博大数据这样的基础设施企业，则更关注如何把这些能力连接起来，构建稳定、高效、可持续运行的底座。

未来 AI 产业一定不是单个企业完成的 ，而是生态协同 。

至于未来竞争的关键，我认为主要是系统效率、能源效率和运营效率三大方面。简而言之，未来行业不会从“拼规模”走向“不拼规模” ，而是会进入一个规模和效率并重，但效率决定竞争力的新阶段 。

今年一个很明显的变化，是大家讨论 AI Infra 的方式正在发生变化，AI Infra正在从“资源规模竞争”走向“系统效率竞争”。

这次WAIC共绩科技带来“上天入地，算力一体”的画面展示：把IDC、企业园区闲置算力、网吧GPU、车载算力放在同一张图景里。我们以电网式算力调度平台为底座，一端连接不同算力供给，另一端连接模型训练、推理、Agent等需求，进行跨区域、跨集群调度。

随着Agent的爆发式增长，我认为这意味着未来AI负载会越来越呈现出几个特征：调用频率更高、链路更长、并发波动更大、模型更加多样，而且越来越多任务会长期运行。

这就对AI Infra提出了一些新的要求：高峰流量来了能否快速扩容？不同任务能否调度到最合适的模型和算力？大规模并发下延迟和SLA能不能稳定？大量Token消耗之后，企业的综合成本能不能控制？

因此，我认为Agent基础设施的竞争最终会分成几个不同的层次。芯片和服务器厂商的优势在于底层硬件和系统协同能力，能够不断提升单机和集群性能；大型云厂商拥有规模化资源和成熟云生态，能够提供完整的平台能力；模型和推理服务企业更接近模型层，在推理优化、模型路由和Token服务上有优势。

未来真正有竞争力的AI Infra，需要同时具备三个能力：资源异构化 ，不能只能依赖一种芯片或一个资源池；供给弹性化 ，业务需求增加时能够快速补充，下降时能够释放资源；调度智能化 ，不同任务能够根据时延、成本、模型、网络和算力条件选择更优的执行路径。

当然，这里面仍然有很多需要解决的问题，包括异构资源标准化、跨区域网络、数据安全、稳定性以及调度效率。这也是未来基础设施公司真正需要长期投入的地方。

今年大会上，能明显感受到一个转向——不少头部AI Infra厂商已经从“展示芯片和集群规模”转向“展示Token生产效率和工程化能力”，这个变化本身就很说明问题。

让我印象比较深的是，大家普遍在谈如何让算力真正产出价值 ——从“我有多少P的算力”转向“我能以什么成本产出多少Token”。

这次WAIC九章云极在展位搭建了一座微型AI工厂的实景，完整覆盖从算力调度到Token交付的全链路。Alaya NeW Cloud的三项核心能力：智能队列调度、资源配额管理、开发工具套件，对应算力使用中最关键的三个问题：排得公平、分得清、用得顺手。

Agentic AI确实是Token消耗的“放大器”，但反过来看，这也意味着企业对Token交付的稳定性、成本、合规和可审计性的要求，比传统API调用高出一个数量级。

云厂商的优势在于规模化供给和完整服务体系，短板是异构算力精细化调度与多模型路由优化——而这恰恰是Agent任务的核心需求。芯片厂商强在底层硬件掌控力，可通过软硬协同优化提升单卡Token产出，但缺少从芯片到上层应用的工程化封装能力。

算力运营商的优势则在于对算力、模型、调度、计价的系统性整合，Agent需要的是“算力+模型+调度+计量+成本管控”的一体化能力。

未来行业竞争的关键，我们认为有三层。第一层是算力治理能力 ——能不能让算力资源被充分调度、不被闲置。行业平均利用率不足30%，意味着大量算力投入未被有效转化，谁先把这部分效率释放出来，谁就有成本优势。

第二层是Token生产效率 ：同样一度电、同样一张卡，能不能产出更多有效Token。第三层是规模化运营能力 ：能不能让这套体系在不同的行业、不同的业务场景中被复用，而不是每个项目都从零开始搭一遍。

算力是投入，Token是产出。用投入衡量能力，是训练时代的惯性；用产出衡量能力，是推理时代的必然。

欢迎添加作者微信 treelog10 交流，互通有无。