更强推理更少Token消耗背后：AI产业链如何算好商业化的账？

衡量全市场每百万LLM Token（大语言模型词元）支付价格的更强更少Silicon Data LLM Token支出指数，在经历去年12月创立以来近乎翻倍的推理飙升后，近期较5月份高点回落近20%。耗背后A何算好商

“成本高昂迫使AI用户克制无节制的业链业化使用，”行业资深投资者Louis Navellier指出，更强更少越来越多的推理报告证实，以Token计价的耗背后A何算好商AI解决方案正面临使用量的收缩压力。

当前，业链业化AI产业重心正从模型训练向推理应用转移。更强更少如何用更少的推理Token消耗实现更强的推理能力，已成为大模型企业及Agent（智能体）应用公司的耗背后A何算好商核心关注点。

“我们月Token成本同比去年下降90%，业链业化1元Token带来了460元的更强更少产出。”税友股份亿企赢CPO周源向《每日经济新闻》透露，推理尽管Token消耗量是耗背后A何算好商去年同期的两倍，但成本显著降低。

在软硬件协同的大背景下，Token效率的提升已超越模型与应用层面，延伸至硬件底层。

随着AI推理应用爆发，算力需求不再局限于GPU，TPU、AI ASIC、NPU等面向特定场景设计的XPU正快速崛起，成为云服务商优化成本、提升效率的关键工具。

中昊芯英创始人兼CEO杨龚轶凡表示，算力成本是AI商业化的关键。目前多数AI软件服务商毛利率不足40%，算力硬件开支是核心成本项。

从数字员工到数字组织：AI商业化“落地战”全面打响

周源透露，公司月Token消耗量达400亿—500亿，处于国内中大型AI应用或垂直领域头部企业的典型用量级，而去年同期仅为200亿—300亿。

Token消耗翻倍而成本下降，得益于通用成本降低及基础模型上的工程优化。周源表示，基于自身数据库资源，团队进行了大量Harness（算力调度驾驭层）优化，显著提高了Token效率。

近期发布的Agentic 2.0引入A2A（Agent to Agent）协同架构。以往独立的AI会计、顾问、开票员工具，在新体系中实现信息共享、协同决策与自动分工。

从单体Agent到A2A协同，从数字员工到数字组织，AI应用正从效率工具转向产业新供给。这种从工具化向结果化交付的转变，正在驱动上市公司业绩增长。

2026年一季度，税友股份营收4.88亿元，同比增长8.67%，扣非净利润增幅达33.28%。业绩增长主要受益于数智财税业务的扩张与客户渗透深化。

基于此增长趋势，税友股份提出AI驱动预期：2026年AI驱动收入有望占亿企赢整体收入的50%；2027年该比例目标提升至80%。

AI大模型商业化“落地战”已成为企业应用的试金石。

《中国AI大模型商业化报告（2026年上）》指出，当前AI商业模式日趋多元，已存在10种模式，其中MaaS、本地化部署、行业解决方案及C端订阅最为主流。中国AI大模型商业化处于成长期，在技术、成本、模式等方面仍面临挑战。

报告强调，短期快速盈利与长期生态构建是核心问题。面向个人及小微团队的订阅制模式，需突破低付费率与产品同质化瓶颈，目前仍处于“探路”阶段。

软硬协同趋势下：算力成本为何至关重要？

在应用层之下，模型层头部通用大模型企业正强化高性能与低成本优势。

今年4月发布的DeepSeek-V4 Pro因受限于高端算力，服务吞吐有限。其技术报告预计，下半年昇腾950超节点批量上市后，Pro价格将大幅下调。

算力对模型价格的影响直观可见。近日传闻DeepSeek与智谱AI推进自研AI推理芯片，虽未获证实，但结合谷歌Gemini与TPU、阿里千问与平头哥的适配案例，芯模协同已成为国产大模型的技术趋势。

国际研究机构Omdia认为，AI普及为中国本土半导体自给率提升创造巨大空间，国产算力芯片与AI模型的“芯模协同”将推动本土产能利用率提升。

中昊芯英CEO杨龚轶凡透露，公司正推进各类大模型适配，通过芯片底层定制专属算力，实现芯片与模型深度耦合，联合调优可大幅降低客户综合算力成本。

杨龚轶凡表示，若能将单位算力成本减半，客户性价比直接翻倍，毛利率可从40%提升至70%。反之，若算力成本居高不下，AI业务将陷入亏损，商业模式无法闭环。因此，深度芯模协同、持续降低训练与推理成本是中昊芯英的中长期核心方向。

6月30日，中昊芯英发布新一代高性能TPU AI专用算力芯片“须臾”，架构全面升级，单卡算力性能提升3倍。搭载“须臾”的泰则® 2.0 AI高性能智算平台，单机算力达7.168P，单个超节点最高实现2048芯片高速片间互联。

摩根士丹利最新半导体报告指出，AI产业重心由训练转向推理，算力需求更加多元。GPU仍将在训练和高性能计算领域保持核心地位，但AI ASIC、NPU等XPU正快速崛起，成为云服务商优化成本、提升效率的重要工具。

XPU涵盖AI ASIC等各类专用处理器。随着训练、推理及智能体任务对算力需求细分，不同架构芯片将在各自擅长场景中发挥作用。

杨龚轶凡认为，Coding与AI智能体是当前商业化核心赛道，对长上下文、长程任务执行及A2A多智能体交互要求持续走高。TPU芯片公司的核心工作是极致硬件优化，持续压低整体算力使用成本。

针对当前TPU芯片，杨龚轶凡提出四大优化方向：
1. Prefill-Decode（预填充-解码解耦）分离专用硬件架构
2. 超大模型分布式集群互联优化
3. 低精度推理硬件原生加速
4. 超大片上存储架构设计

(责任编辑：热点)