成立九年，中科类脑把积累装进Token工厂

乔不迟 发自 凹非寺
量子位 | 公众号 QbitAI

过去评价一座数据中心，行业习惯看三个指标：

卡数、算力规模和PUE（电能利用效率）。

大模型进入规模化推理阶段后，这套标准开始转向产出端。

同样一批芯片、同样一度电，最终能生成多少满足质量、时延和稳定性要求的Token（词元）。

芯片通电，只代表生产开始。

计算、存储、网络、模型部署和任务调度，只要有一个环节卡住，昂贵的芯片仍可能低效空转。

中科类脑瞄准的，正是这段从资源到智能产出的转化过程，让同样的芯片、同样的电，产出更多、成本更低、质量更稳定的Token。

它将自己的体系称为“算电协同型Token工厂”，把异构芯片、模型、用户任务和电力放进同一套系统调度，用更少的资源产出更多有效Token。

对外，这套能力落在BitaHub彼塔云平台；

对内，由一个决策大脑统筹，电力、算力、Token三个子系统共同驱动。

算力之上，交付Token

中科类脑合伙人、副总经理常峰，给我们算了一笔价值账，来解释“Token工厂”。

一度工业用电的采购价通常只有几毛钱，转化成算力后，价值可能达到几十元；

进一步形成Token后，部分模型每百万Token的价格可以超过百元。

这里的关键并非简单涨价。

算力是生产设备，电力只是原料，用户提交的提示词和任务进入Token生产线，模型负责完成智能转换。

调度系统决定任务在什么时间、什么地点、使用哪类芯片和哪个模型运行。

客户最终购买的是能够完成任务、符合指标的Token服务。

这也确定了中科类脑在产业链中的位置。

传统IDC交付机柜、电力、网络和空间，云厂商提供算力实例与模型接口；中科类脑向上再走一层，即Token生产运营层，试图对Token的生产效率、成本和任务结果负责。

△图片由AI生成

常峰将这套商业逻辑概括为两件事：效能和场景化。

效能决定每颗芯片、每度电能生产多少Token；场景化则决定这些Token能够产生多大价值。

在常峰的规划里，效能和场景同样重要，集中研发资源解决效能问题，组织业务资源解决高价值场景问题，再把产生的高质量token结合业务场景，实现应用价值的最大化，目前已经在AI4S及能源领域形成了可规模化的商业闭环。

BitaHub承担前台角色。

它统一纳管英伟达、昇腾等不同架构的算力，聚合模型API和Token服务，并连接企业私有算力池与公共资源池。

以平均30张、峰值100张芯片的需求为例，企业按日常负载自建，高峰缺口由平台补齐70张芯片，相当于获得了一条可以弹性扩缩的Token生产线。

据中科类脑介绍，截至目前平台已接入逾3000个算力节点，总规模超过5000P，累计服务超8万企业及科研用户。

后台则是公司与中国科大团队联合研发的决策大脑，负责电算Token一体化系统从监控、预测到调度、运营的闭环运转。

因此，中科类脑的核心产品并非某一座机房、某一款芯片或某一个模型。

它提供的是一套跨域生产组织能力：在满足安全、时延和稳定性的前提下，把分散的算力与模型资源组合成可以持续高质量交付的Token。

产业链上并不缺资源供给者，稀缺的是把多种资源转化为稳定高质量产出的运营者。

先把异构算力跑起来，再叠加电力优化

中科类脑最核心的技术落在AI系统软件层：把算力资源、芯片、模型、电价和任务纳入同一套决策系统，基于电力条件对算力、模型和任务进行柔性调度。

这套系统被概括为“1+3”架构：一个决策大脑连接算力、Token和电力三个子系统，先匹配算力、模型与任务，再把电力信号加入全局优化。

首先，它是一套预测与决策模型。

中科类脑CTO、研究院院长丁海松将这套系统的工作节奏拆成三步。

第一步是监控，实时监测Token需求、集群负载、新能源的发电功率、电价以及每份算力的Token产出效率；

第二步是预测，判断未来15分钟、1小时甚至更长时间内绿电出力、电价和任务需求的变化；

第三步才是决策，调整三个子系统的运行方式。

所有决策都以用户体验、结果质量和系统稳定性为边界。

同时，它也是能真正执行调度的工程系统。

调度的核心，是从算力任务中找出“柔性负荷”。

对首Token时延敏感的实时任务留在原地；可排队、可断续的批处理任务，则可以转移到电价低谷时段异地运行。

任务可以选择地点，芯片也要重新分工。

常峰将异构芯片调度比作管理一群说着不同语言的员工。

每类芯片的计算能力、显存大小、互联带宽和软件栈各不相同，直接放在一起很难协作。

因此，中科类脑为每种芯片配置了一个“包工头”式插件，调度层只负责分发任务，插件负责指挥同类芯片；

同时插件给每张芯片建立能力画像，记录它擅长什么任务、和谁组合效率更高。

△图片由AI生成

解决不同芯片“能否协同”之后，系统还要进一步拆解推理流水线，解决“怎样协同效率更高”。

在大模型推理中，系统还可以把Prefill和Decode拆开，并通过KV  Cache迁移把两个阶段连接起来。

Prefill阶段计算密集，交给计算能力更强的芯片；

Decode更依赖显存和带宽，交给大显存、高吞吐芯片。

两阶段之间的KV Cache必须高效迁移，否则长上下文需要重算，时延和吞吐都会受影响。

高端芯片不必包办整条推理链，新旧芯片、国产芯片和海外芯片都能在同一座Token工厂中各司其职。

对长上下文任务，KV Cache相当于模型已读内容的“工作记忆”。让它随任务跨节点迁移，可以减少重算。

另外，训练作业跨集群调度还要同步检查点、优化器状态和数据进度，并控制任务中断时间。

这套系统真正接受检验，是在一次跨上海、芜湖和乌鲁木齐的调度测试中。

整个跨三地调度的控制响应保持在200秒以内，跨域迁移成功率达到100%，能耗预测精度达到98%。

这次测试验证的不只是搬运：而是把异构适配、跨域迁移、长上下文KV跨节点协同、绿电预测和SLA约束放进同一条生产链联动，电力信号让任务按电网压力和绿电供给调整运行地点。

测试体现了系统跨经营主体的调度能力，还额外带来了电力成本的下降。

这也是全国首个跨三地算电协同智能调度测试。

现在，这套调度能力有了常态化运营的实体载体。

9月17日，皖疆人工智能科技产业园在乌鲁木齐正式开园。园区按照“三中心一平台”布局规划建设，首个突破千P的融合算力中心已经建成投运。

对中科类脑来说，比区域布局更根本的问题，是壁垒在哪里。

丁海松的回答很直接：核心壁垒是对算电Token一体化的运营能力和理解。

“算力、电力单看，我们可能都在第一梯队。但真正的壁垒不是单项能力，而是叠加之后的系统级能力。”

他进一步表示，异构调度和推理优化等算侧能力，也可以追赶，绿电出力预测等电侧能力，竞争对手可以补上；

真正困难的部分，是把两套技术语言、两批工程经验和两类运行数据装进同一个系统，并让它在真实业务中长期稳定运行。

针对这套核心壁垒，中科类脑进一步升级系统调度与运营能力，在刚刚结束的世界制造大会上，正式推出算电词元一体化平台。

平台是面向AI基础设施（Token工厂）推出的操作系统，延续“1+3”核心架构，以博弈智能决策大脑为中枢，打通算力、Token、电力三大子系统，构建“电-算-Token”全链路闭环。

对于Token工厂终局，常峰将其比喻为一座“黑灯工厂”：

未来数据中心建成后无需人工干预，算力智能体负责芯片适配、任务切分和KVCache协同搬运；电力智能体负责电价预测、绿电出力预测，控制储能充放电，再由一个控制中枢统筹整座工厂。

更远一步，则是算电芯模一体化。

系统按模型运行效率反推芯片设计，让芯片从设计阶段就服务于Token生产。

从算到Token、再回到芯片的全链路一旦打通，才是难以复制的壁垒。

Token越便宜，系统级能力越值钱

Token越卖越便宜，这家公司靠什么赚钱？

国家数据局披露，我国日均Token调用量从2024年初的1000亿增至2026年3月的140万亿，两年增长超过千倍。

据统计，部分主流模型API累计降价超过90%。量在暴涨，通用Token的利润却被迅速压薄。

以度电智能（有效Token/kWh）作为统一优化目标，中科类脑的解法分三层。

第一层是算力与Token优化，通过异构调度与推理加速技术，提升每度电产出的有效Token数量；

第二层是算电协同增益，在算力优化的基础上叠加电力协同，进一步压低单位Token成本；

第三层则是把通用Token组织成场景结果，按价值计价。

度电智能由此成为顶层结果指标，底层硬核仍由异构调度、KV迁移和任务编排引擎提供。

Token工厂是新鲜词，中科类脑的积累不是。

算力调度始于2019年BitaHub上线，持续做异构算力纳管与调度；

与此同时，公司成立9年，已经在电力智能化领域深耕七年多，变电站智能巡检覆盖十余省市、上百座站点，沉淀出新能源预测、储能和微网控制能力。

2024年，两条技术线汇入算电协同。

这一路径决定了它的技术定位：AI集群调度内核是可独立交付的底座，电力域是建立在底座之上的跨域增量。

在场景价值端，常峰判断，Token会因模型能力和任务价值不同拉开价格差距。

同样数量的Token，用于普通对话与专业任务，客户愿意支付的价格可能完全不同。

如在科研场景，科研智能体可以串起读论文、实验设计、验证和论文生成，把通用Token组织成完整的科研工作流；

在能源场景，公司深耕多年的央国企市场存在天然的业务门槛，行业数据和业务理解本身就把大部分竞争者挡在门外。

前者提升Token的价值高点，后者形成难以复制的供给壁垒，让场景化Token获得区别于通用的定价空间。

这些积累与优势在竞争中意味着什么？

行业竞争已经走过“有算力”“模型数量”“API价格”，正在第四级“系统效率”开战，第五级“场景结果”刚刚开始。

在AI Infra方面，中科类脑的技术坐标首先是异构调度与KV迁移，电力域再把优化边界向外延伸。

系统级的竞争，具体落在五个方向上：

• 价格战将转向每瓦Token产出；

• Kimi K3等超大MoE模型推动PD分离、KVCache分层和超节点普及；

• 多类芯片长期异构；

• 轻量任务转向端侧；

• 算电协同进入国家新基建。

中科类脑把异构芯片、模型和任务装进同一套跨域融合体系，核算吞吐、时延、迁移稳定性和任务质量；

度电智能则衡量叠加电力协同后的最终产出。

资本持续押注这个方向。中移基金2025年独家投资B轮，中车资本2026年领投数亿元B+轮，银杏谷、水木、启迪等跟投。

这些信号仍需规模化收入和长期运营验证，这恰恰说明竞争坐标正靠近中科类脑提前投入的位置。

Token需求越大、价格越低，能够同时调度芯片、模型、电和任务的生产控制层就越稀缺。

模型决定智能上限，Token生产效率决定智能可否规模化。

中科类脑要守住的，是能源通向智能产出的关键链路。

一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法！

— 完 —

🌟 点亮星标 🌟

科技前沿进展每日见