Token 工厂时代：Jensen Huang 如何重构 AI 生产函数？解读万亿美元算力市场逻辑

AI 叙事转向：从模型训练到推理经济

图源：Financial Times

过去两年，AI 产业的核心竞争集中在“训练”层面——谁能构建更强的大模型，谁就占据优势。从 GPT-4 到多模态模型的持续迭代，本质上是围绕“模型能力上限”的竞争。

然而，在 NVIDIA GTC 2026 上，Jensen Huang 明确提出：AI 的核心战场正在从训练（Training）转向推理（Inference）。

这一转变背后反映的是商业逻辑的变化：训练是一次性投入，而推理是持续发生的需求。

具体而言：

• 训练决定模型“能做什么”

• 推理决定模型“能赚多少钱”

这意味着 AI 正从“技术驱动产业”演进为“需求驱动产业”，从一次性资本开支（CapEx）转向持续性运营收入（Recurring Revenue）。

Token 工厂模型：数据中心的生产属性重构

“数据中心是 Token 工厂”并不是一个营销口号，而是一种新的产业范式。在传统互联网时代：

• 数据中心承担计算与存储任务

• 收入来源于广告、订阅或交易

• 计算与收入之间没有直接映射关系

但在 AI 时代，这一逻辑被彻底重构：

• 每一次模型调用都会消耗算力

• 每一次计算都会生成 Token

• 每一个 Token 都可以被计费

这使得数据中心首次具备了“生产单位”的属性。

一个完整的闭环由此形成：算力投入 → 推理计算 → Token 生成 → 收入实现

在这一体系下，NVIDIA 提出的 AI Factory（AI 工厂）概念，实际上是在用工业体系重新定义 AI 基础设施：

• 输入层：电力 + 数据

• 中间层：GPU 算力与调度系统

• 输出层：Token + AI 服务

换句话说，数据中心不再只是服务器集群，而是类似“发电厂”或“制造工厂”的存在。

AI 生产函数变化：算力如何直接变现

AI 时代的生产函数可以被重新表达为：

Revenue = Token × Price，Cost = Compute Cost

因此利润可以简化为 Profit = Token × (Price - Cost per Token)

这带来三个关键变化：

1. 收入与算力直接绑定：算力越强 → Token 产出越高 → 收入越高

2. 成本结构高度集中：算力成本成为最大支出

3. 效率成为核心竞争力：企业竞争的关键变为每单位算力能产出多少 Token

推理需求爆发的三大驱动因素

推理需求之所以被认为将爆发，主要来自三个结构性变化。

1. 模型能力升级

从简单生成到复杂推理：

• 多步推理

• 长上下文

• 多模态融合

每一次调用的计算成本显著上升。

2. 上下文长度扩展

AI 正从短文本处理转向：

• 10 万 token

• 甚至百万级上下文

这直接放大了计算需求。

3. Agent 的出现

AI Agent 可以：

• 自动执行任务

• 持续调用模型

• 形成“无限推理循环”

这使得 AI 的计算需求从“线性增长”变为“指数增长”。

AI 服务分层与 Token 定价体系

在 NVIDIA GTC 2026 上，NVIDIA 还隐含提出了 AI 服务分层的逻辑，本质是算力的“分级定价”。

这一体系类似云计算的分层模型：

• 高端层：高性能 GPU + 实时推理（高价格）

• 中端层：标准推理服务（中等价格）

• 低端层：批处理或延迟容忍任务（低价格）

不同场景对应不同 Token 单价：

• 实时对话 → 高价值 Token

• 数据分析 → 中等价值 Token

• 离线处理 → 低价值 Token

最终竞争的关键在于：谁能以更低成本生产 Token，并以更高价格出售。

万亿美元市场：预测背后的产业结构变化

Jensen Huang 预测，到 2027 年，AI 芯片与基础设施市场规模可能达到 1 万亿美元。

这一预测的核心意义在于：AI 正在成为“基础设施级产业”，类似于：

• 电力系统

• 云计算平台

• 互联网网络

这一趋势将带来三方面变化：

1. 投资逻辑转变

资本将从应用层，重新流向底层基础设施：

• 数据中心

• AI 芯片

• 能源系统

2. 产业链重构

新的核心玩家将包括：

• 芯片厂商（如 NVIDIA）

• 云服务商

• AI 平台公司

• Agent 生态开发者

3. 地缘与能源因素强化

AI 不再只是软件问题，而是：

• 电力资源竞争

• 数据中心选址

• 国家级算力战略

Agent 经济：无限推理需求的核心变量

如果说 Token 是商品，那么 Agent 就是“需求生成器”。传统互联网的需求来自用户，而在 AI 时代：

Agent 本身就可以创造需求。例如：

• 自动交易 Agent 持续分析市场

• 企业 Agent 自动处理流程

• 开发 Agent 自动生成与优化代码

这意味着：AI 经济中首次出现“非人类需求主体”。因此可以进一步推导：Agent 的规模 = 推理需求的上限

这也是为什么当前 AI 竞争正在向：

• Agent 框架

• 自动化系统

• AI Workflow 平台

快速转移。

风险与争议：Token 经济是否被高估

尽管“Token 工厂”叙事极具吸引力，但市场仍存在明显分歧。

1. 成本压力

• GPU 成本高企

• 电力成本上升

• 数据中心建设投入巨大

如果 Token 价格下降，利润空间将被压缩。

2. 需求不确定性

• 企业是否愿意持续支付推理费用？

• Agent 是否真的能创造稳定需求？

当前很多 AI 应用仍处于试验阶段。

3. 技术替代风险

• 更高效模型可能减少算力需求

• 边缘计算可能分流数据中心

• 开源模型可能压低 Token 定价

这些因素都可能影响 Token 经济的长期稳定性。

AI 是否正在走向“工业化体系”

如果将当前趋势抽象，可以发现一个重要对应关系：

• 电力 → AI 的能源基础

• 数据 → 原材料

• 算力 → 生产设备

• Token → 产品

• Agent → 自动化系统

这一结构高度类似工业革命时期的生产体系。这意味 AI 正在从“软件行业”转变为“算力驱动的工业体系”。

结论

在 NVIDIA GTC 2026 上，Jensen Huang 提出的“Token 工厂”概念，并非简单比喻，而是对 AI 产业底层逻辑的重新定义：

• Token 成为生产单位

• 推理成为生产过程

• 算力成为核心生产资料

随着 Agent 经济的兴起和推理需求的爆发，AI 基础设施市场正迈向万亿美元规模。

如果这一趋势持续，未来的企业竞争，将不再只是比拼产品或用户规模，而是：谁拥有更高效的 Token 生产能力。