Token 工廠時代：Jensen Huang 如何重塑 AI 生產函數？深入解析兆美元級算力市場的運作邏輯

AI 敘事轉向：從模型訓練到推理經濟

圖源：Financial Times

過去兩年，AI 產業的核心競爭重心一直在「訓練」階段——誰能打造更強大的大型模型，誰就佔據優勢。從 GPT-4 到多模態模型的不斷演進，本質上是圍繞「模型能力上限」的較量。

然而，在 NVIDIA GTC 2026 大會上，Jensen Huang 明確指出：AI 的核心戰場正從訓練（Training）轉向推理（Inference）。

這一轉變背後，反映出商業邏輯的根本變化：訓練屬於一次性投入，而推理則是持續不斷的市場需求。

具體來說：

• 訓練決定模型「能做到什麼」
• 推理決定模型「能帶來多少收益」

這意味著，AI 正從「技術驅動產業」進化為「需求驅動產業」，企業模式也從一次性資本支出（CapEx），轉向持續性營運收入（Recurring Revenue）。

Token 工廠模型：數據中心生產屬性的重塑

「數據中心是 Token 工廠」不僅僅是行銷口號，更是一種全新的產業範式。在傳統網路時代：

• 數據中心負責運算與儲存
• 收入來自廣告、訂閱或交易
• 運算與收益之間沒有直接對應

但在 AI 時代，這一模式被徹底顛覆：

• 每一次模型調用都會消耗算力
• 每一次運算都會產生 Token
• 每一個 Token 都可被計費

這使得數據中心首次具備了「生產單位」的特性。

由此形成一個完整閉環：算力投入 → 推理運算 → Token 產生 → 收益實現

在這一體系下，NVIDIA 所提出的 AI Factory（AI 工廠）概念，實際上是用工業體系的邏輯重新定義 AI 基礎設施：

• 輸入層：電力 + 數據
• 中間層：GPU 算力與調度系統
• 輸出層：Token + AI 服務

換言之，數據中心不再只是伺服器集群，更像是「發電廠」或「製造工廠」的存在。

AI 生產函數變革：算力如何直接變現

AI 時代的生產函數可重新表述為：

Revenue = Token × Price，Cost = Compute Cost

因此利潤可簡化為 Profit = Token × (Price - Cost per Token)

這帶來三大關鍵變化：

1. 收入與算力直接掛鉤：算力越強 → Token 產出越高 → 收益越大
2. 成本結構高度集中：算力成本成為最大支出
3. 效率成為核心競爭力：企業競爭關鍵在於每單位算力可產生多少 Token

推理需求爆發的三大驅動力

推理需求被認為將迎來爆發，主要來自三個結構性變化：

1. 模型能力升級

從簡單生成到複雜推理：

• 多步推理
• 長上下文
• 多模態融合

每次調用的運算成本顯著提升。

2. 上下文長度拓展

AI 正從短文本處理發展到：

• 10 萬 token
• 甚至百萬級上下文

這直接放大了運算需求。

3. Agent 的出現

AI Agent 可以：

• 自動執行任務
• 持續調用模型
• 形成「無限推理循環」

這使 AI 的算力需求從「線性增長」轉為「指數增長」。

AI 服務分層與 Token 定價體系

在 NVIDIA GTC 2026 上，NVIDIA 還隱含提出了 AI 服務分層的邏輯，本質上是算力的「分級定價」。

這一體系類似於雲端運算的分層模式：

• 高端層：高性能 GPU + 即時推理（高價格）
• 中端層：標準推理服務（中等價格）
• 低端層：批次處理或可容忍延遲的任務（低價格）

不同場景對應不同 Token 單價：

• 即時對話 → 高價值 Token
• 數據分析 → 中等價值 Token
• 離線處理 → 低價值 Token

最終競爭的核心在於：誰能以更低成本生產 Token，並以更高價格售出。

兆美元市場：預測背後的產業結構變革

Jensen Huang 預計，到 2027 年，AI 晶片與基礎設施市場規模可能達到 1 兆美元。

這一預測的核心意義在於：AI 正在成為「基礎設施級產業」，類似於：

• 電力系統
• 雲端運算平台
• 網際網路網路

這一趨勢將帶來三大變化：

1. 投資邏輯轉變

資本將從應用層，重新回流至底層基礎設施：

• 數據中心
• AI 晶片
• 能源系統

2. 產業鏈重塑

新的核心玩家將包括：

• 晶片廠商（如 NVIDIA）
• 雲服務供應商
• AI 平台公司
• Agent 生態開發者

3. 地緣與能源因素強化

AI 不再只是軟體議題，而是：

• 電力資源競爭
• 數據中心選址
• 國家級算力戰略

Agent 經濟：無限推理需求的核心變數

如果說 Token 是商品，那麼 Agent 就是「需求生成器」。傳統網路時代的需求來自用戶，而在 AI 時代：

Agent 本身即可創造需求。例如：

• 自動交易 Agent 持續分析市場
• 企業 Agent 自動處理流程
• 開發 Agent 自動產生與優化程式碼

這意味著：AI 經濟中首次出現「非人類需求主體」。因此可進一步推導：Agent 規模 = 推理需求的上限

這也是當前 AI 競爭正快速轉向：

• Agent 框架
• 自動化系統
• AI Workflow 平台

風險與爭議：Token 經濟是否被高估

儘管「Token 工廠」敘事極具吸引力，市場仍存在明顯分歧。

1. 成本壓力

• GPU 成本高昂
• 電力成本上升
• 數據中心建設投入巨大

若 Token 價格下跌，利潤空間將遭到壓縮。

2. 需求不確定性

• 企業是否願意持續支付推理費用？
• Agent 是否真的能創造穩定需求？

目前許多 AI 應用仍處於試驗階段。

3. 技術替代風險

• 更高效模型可能降低算力需求
• 邊緣運算可能分流數據中心
• 開源模型可能壓低 Token 定價

這些因素都可能影響 Token 經濟的長期穩定性。

AI 是否正走向「工業化體系」

若將當前趨勢抽象化，可發現一組重要的對應關係：

• 電力 → AI 的能源基礎
• 數據 → 原材料
• 算力 → 生產設備
• Token → 產品
• Agent → 自動化系統

這一結構高度類似於工業革命時期的生產體系，意味著 AI 正從「軟體產業」轉型為「算力驅動的工業體系」。

結論

在 NVIDIA GTC 2026 上，Jensen Huang 提出的「Token 工廠」概念，並非單純比喻，而是對 AI 產業底層邏輯的重新定義：

• Token 成為生產單位
• 推理成為生產過程
• 算力成為核心生產資料

隨著 Agent 經濟崛起與推理需求激增，AI 基礎設施市場正邁向兆美元規模。

若這一趨勢持續，未來企業競爭重點將不再只是產品或用戶規模，而是：誰擁有更高效的 Token 生產能力。