21世纪经济研究院雷晨

　　5月29日，21世纪卓越董事会（北京）围绕“智能重构——Token经济商业闭环与治理锚点”举办闭门研讨会。

　　来自AI应用企业、具身智能公司、头部投行、券商研究所及专业投资机构代表汇聚一堂，就资本市场格局、算力自主可控、大模型商业化拐点、具身智能落地路径和产业治理逻辑等议题进行了深度交流。

　　Token正在从一个技术词汇变成一种经济语言。

　　2026年，中国三大电信运营商相继推出AI Token套餐，面向个人、家庭和小企业销售；国家数据局将Token定义为“智能时代的价值锚点”；国内大模型企业在全球聚合平台的日均调用量突破140万亿次，首次超越美国。

　　21世纪经济报道借此启动Token经济相关媒体智库课题研究工作，意在勾勒出一个转折时刻：Token正在从实验室走向账单，从技术基础设施走向产业经济的核心计量单位。

　　大模型商业化出现一系列分化迹象

　　当前，大模型商业化的轮廓正在变得清晰，但距离全面闭环仍有距离。

　　能力层面，截至2026年5月中旬，全球大模型综合能力排名前三仍由美国公司占据——OpenAI的GPT 5.5、Anthropic的旗舰模型和谷歌的主力模型居于领先位置，中国方面Kimi、DeepSeek、MinMax和智谱综合实力较强。

　　如果将竞争格局概括为两句话：能力迭代仍在持续，尚未看到天花板；竞争极为激烈，各领风骚的周期已从年缩短至月。

　　商业化层面，编程场景率先走通是多方参与者的共识判断。

　　全球企业和政府IT服务支出约1.6万亿美元，其本质是以人力为核心的IT外包，大模型对这一领域的渗透空间巨大。Anthropic是当前编程赛道最具说服力的受益者：今年4月底其年化经营性收入已达440亿美元，预计二季度单季度收入突破百亿美元，并实现首次盈利，估值已超越OpenAI。其收入主要来自To B和To G端的编程场景，正是这一清晰的商业化路径，撑起了当前的高估值。

　　Token消耗量的增长是大模型商业化规模扩张的量化映射。以豆包为例，从2024年5月到2026年3月，Token调用量实现了千倍增长。这一数字背后是巨量的算力资本开支：2026年一季度，亚马逊、谷歌、Meta和微软四家北美云计算巨头合计资本开支达1316亿美元，同比增长超70%；据各公司全年指引测算，2026年全年预计资本开支合计超7100亿美元，同比增速约71%，且谷歌已给出2027年资本开支“继续大幅增长”的前瞻指引。当前大厂普遍举债投资，自有现金流趋于转负，这意味着对利率波动和黑天鹅事件的敏感度正在上升。

　　华为“韬（τ）定律”是21世纪卓越董事会（北京）本场闭门研讨中被重点讨论的产业变量。

　　华为通过3D堆叠与先进封装技术的组合，打开了在无先进光刻机前提下向更高制程迭代的可能路径，并公开给出2031年实现类比台积电1.4纳米性能的预期目标。

　　与会嘉宾提及，这一路线的可行性有具体支撑：华为计划今年9月在Mate旗舰机上搭载该工艺芯片，意味着良率和量产条件已基本具备。这条路线属于“另辟蹊径”，从消费级芯片走向数据中心级CPU和GPU还需更长周期，但对中国AI产业的战略意义不可低估。

　　AI账单正在改写企业决策

　　在AI浪潮中，企业客户的需求逻辑正在发生一场悄然转变。

　　研讨中来自一线企业侧的声音，提供了最具现实质感的观察。

　　从传统的软件企业视角来看值得关注，其在AI领域的一些部署也意味着传统厂商的“技术溢出”。以金蝶国际为例，金蝶面向央国企、上市公司和高成长企业提供ERP系统，是AI应用落地的一线感知方。今年5月，金蝶在深圳发布了首款AI原生操作系统“灵基1”，覆盖系统开发、编排、运行到数据治理的全栈链路，标志着其从“带AI按钮的ERP”向“AI原生企业操作系统”的跨越。

　　从客户端来看，过去客户引入AI的核心诉求是提升效率，但如今这一逻辑已经发生了范式转移：CFO们更直接关注利润表，AI能省多少钱、能赚多少钱，以及智能体执行结果的准确率有多高。

　　但其中的共识是，AI应用在实际落地中“远没有市面上宣传的那么先进”，需要长时间的训练与磨合，企业不能对短期成效抱有不切实际的预期。

　　从Token成本的变化来看，以金蝶国际某央企客户为例，仅开通了三个单据场景，早期日均Token消耗折合费用在2000元至3000元；随着DeepSeek等高效模型的陆续推出，Token单价大幅下降，企业侧的推广阻力随之减小。

　　这一趋势与宏观层面的判断相互印证——模型能力提升与成本压缩同步进行，正在打开企业端的付费空间。

　　“新势力”的视角不同，在未来智能看来，用户认知的变化是真实发生的：从原来对语音助手的吐槽，到如今对Agent能力的真实期待，这一转变已经完成。相对应的，AI消费级硬件的探索也已经开始，未来智能的产品线正从传统的语音助手硬件，系统性地向AI Agent转型，智能硬件被重新定义为AI大脑的“眼睛与耳朵”，通过耳机、眼镜等设备实时采集音频、视觉、心率、地理位置等多模态数据；大模型充当“大脑”负责推理；调用API、操作软件等落地能力则类比为“手和脚”；而端侧算力与功耗管理，如同“血液与氧气”，支撑系统长时间稳定运行。

　　但Agent要真正在企业和个人场景中落地，仍面临三重制约：感官层面，智能硬件对周围环境的多模态数据采集能力还不够完整；推理层面，大模型在垂直行业的表现受限于非公开的行业数据，通用能力向行业能力的转化需要场景数据的持续积累；生态层面，中国软件环境相对封闭，不同应用之间的数据互通存在明显壁垒，制约了Agent打通虚拟场景完成跨系统任务的能力。未来为人类服务的Agent形态分为两类：虚拟场景依赖软件层的Agent，实体场景依赖机器人本体，两条路线并行推进，边界逐渐融合。

　　天娱数科从算力使用方的角度，给出了国产算力链的一线评估。公司在大量数据采集和模型训练过程中算力消耗较大。公司方面指出，国产算力近两年在推理层面已有明显提升，目前正推进推理环节的全面国产化，但在训练层面，国产算力的集群能力仍相对弱于英伟达，因此训练部署采用混合部署方式。总体来看，国产算力“处在能用的状态”，具体存在两方面问题：一是生态兼容性不足，国产算力生态的算子覆盖率约为85%，部分关键算子仍存在缺口；二是成本出现倒挂，虽然单卡价格比海外便宜约10%，但由于集群效率和资源消耗等因素，实际使用成本反而比海外高出20%～30%。天娱数科目前的应对策略是推理端全面推进国产化，训练端维持混合部署，并通过自建智算平台降低整体成本。

　　具身智能迈入现实入口仍存在挑战

　　具身智能是本次研讨中讨论最为深入、分歧也最为明显的领域。

　　来自工业机器人企业、数据基础设施公司和大脑算法公司的代表，从三个不同层次呈现了这一产业的真实坐标。

　　以光象科技为例，光象科技成立于2025年4月，由清华大学车辆学院与人工智能学院联合孵化，专注轮式底盘加双臂形态的工业级机器人。其逻辑基于双足人形机器人进入传统工业产线的条件尚不成熟，轮式双臂则已具备实际落地能力。

　　这一判断来自真实验证——一家外资主机厂在用头部人形机器人测试半年后，因任务完成率低于80%而放弃，转向轮式双臂并找到了光象科技合作。目前光象已与两家外资头部车厂、一家新势力车厂及轨道交通央企同步推进验证，其中两个项目已签署量产采购合同。

　　与汽车产业链作类比，四大工艺（冲压、焊接、涂装、总装）经过百年发展高度标准化，环境半结构化程度高，单一场景验证成功后具备跨工厂复用性；一个新建整车厂仅总装工序就需要千名工人，双班生产意味着2000人以上的人力投入，以重庆工人年均10万元成本测算，两年内即可实现对机器人采购成本的回收；在海外工厂，绕开工会约束、降低单位产出人力成本的价值更为凸显，墨西哥工人效率约为中国工人的六分之一，当前阶段的机器人性能已可显著超越当地工人水平。

　　按照此逻辑预测具身智能的发展路径：先工厂后家庭，先专用后通用，先建立商业闭环，再跟进长期泛化方向。

　　从数据基础设施的角度来看，机器人为什么难以快速进入服务和家庭场景，根本原因不在硬件本身，而在数据。互联网时代积累的海量数据是“抽象数据”，是语言和视觉的表达；机器人训练所需的是“物理交互数据”，记录的是在真实物理环境中的动作、力反馈与任务结果，这类数据在物理AI时代之前几乎从未被系统性积累。

　　以无问智科为例，它构建了三层架构来解决这一问题：采集世界，通过真机数据、无本体人体视角数据和合成数据构建物理训练数据集；生成世界，打造垂类世界模型，支撑机器人的预测、判断与推理能力；模拟世界，构建具身操作系统，实现对通用物理世界的理解与泛化。公司已在长三角建立3000平方米的数据训练场，场内还原了咖啡厅、超市等真实场景，并设有工业和物流模拟区，数据采集与标注在同一空间内形成闭环。

　　通过将高质量数据集以Token方式向具身企业开放，按任务达成结果付费的商业模式具有可行性。

　　而关于大脑算法层的跨本体适配问题，市场上有超过100家人形机器人公司、300多种本体形态，想让一个大脑模型同时适配所有本体在技术和成本上都不现实。

　　具脑磐石的策略是在每一类形态中锚定重点合作伙伴，在有约束的范围内实现兼容性优化。在技术路线上，具脑磐石受脑科学研究启发，将Token输入转化为抽象“概念”（concept）表征进行训练，其逻辑类比于人类学习技能并非逐字记忆，而是通过对抽象概念的理解实现举一反三。这一路径的目标是以更小的数据量实现更强的泛化能力，降低多本体适配的整体成本。

　　科技、资本、估值算式决定下一步走向

　　当AI成为产业共识，投资逻辑如何演化、治理框架如何建立，成为无法回避的结构性问题。研讨的最后阶段，多位投资机构代表就此发表了各自的判断。

　　对于AI应用层的标的，部分投资机构的投资偏好是RaaS（Result as a Service，结果即交付）而非SaaS（Software as a Service），即更倾向于投资能以结果衡量价值并按结果付费的商业模式，而非纯软件订阅模式。

　　以Token调用量评估AI应用公司具有一定合理性，因为Token消耗量与客户实际获得的价值高度相关，指数级增长的Token调用背后往往对应真实的业务价值；同时，企业内部将Token作为生产要素进行精细化管理，本身也是技术能力积淀的体现。

　　但也存在一些问题，如Token指标只是观察窗口，真正具有竞争力的标的，仍需在底层模型能力、数据壁垒和可落地商业场景三者之间实现叠加。

　　在更宏观的价值维度，当前AI领域的一级市场估值逻辑正在发生深刻变化。

　　国家政策对项目成长路径和二级市场退出的影响权重持续上升，与国家战略同频成为一级市场不可忽视的变量。

　　微观层面Token能否直接作为项目估值基准？目前一个判断是，这一逻辑在当前国内资本市场环境中尚不具备成熟条件。

　　AI赛道正在呈现“赢家通吃”的趋势，这意味着头部项目即便估值偏高也具有长期价值，但AI赛道变化过快也使得对长期竞争力的判断更为困难，需要持续跟踪。

　　描绘Token经济当前所处的坐标：算力供给持续完善但结构性缺口依然存在；大模型商业化在编程场景初步走通，其他场景的闭环路径仍在探索；具身智能的核心瓶颈不是本体硬件，而是物理交互数据的系统性匮乏；资本市场对AI叙事已经建立，但估值泡沫的存在要求投资者区分“产业信心”与“投资判断”；治理框架的建设滞后于技术和商业的演进速度，责任主体界定、AI内容的信源权重管理、工业场景的合规标准，这些议题还处于制度框架的起步阶段。

　　商业闭环需要时间，治理锚点需要共建。

　　Token正在成为智能时代的新型计量单位，但围绕它的经济秩序，仍处于建立过程之中。

　　中国AI资产已经步入新估值时代

　　2026年初，中国大模型公司在资本市场完成了一次重要的信号性事件——MinMax与智谱相继在港交所完成IPO。

　　这是中国独立大模型企业规模化进入公开资本市场的起点。

　　MinMax适用港交所18C科创规则上市，在商业化前期阶段完成公开融资，最终融资规模约7至8亿美元。这一成绩背后，有几个值得关注的结构性细节。

　　其一，这单IPO引入了14家港股基石投资人，涵盖中东主权基金ADIA、国内头部主权基金及多家国际长线科技基金；其二，BlackRock和Fidelity两家美国最主流的长线基金提交了锚定订单——这被认为是2021年以来中国科技企业吸引美国主流资本的少数成功案例之一，彼时商汤、智谱等公司均在美国实体清单范围内，而MinMax因所处限制级别不同，理论上对美国投资人开放；其三，覆盖倍数达到30余倍，整体路演热度高涨。

　　MinMax获得国际资本认可的核心归结为两个故事：在产品层面，MinMax是全球范围内文本、音频、视频三个模态均进入第一梯队的少数独立公司；在技术层面，MinMax通过MOE（混合专家模型）和线性注意力机制，将推理成本和训练成本压缩至行业均值以下，即以更低的算力消耗训练出同等智力水平的模型。

　　这两个卖点直接回应了全球投资者对中国大模型公司的核心疑问：在中美竞争格局下，独立公司能否持续“留在牌桌上”。

　　智谱提供了一条对照路径。智谱上市初期市场反应不及MinMax，直至其新一代模型GLM5.0在编程能力上大幅跃升，被对标为“中国版Anthropic”的叙事在二级市场建立，才带动估值持续攀升。两个案例共同指向一个结论：资本市场对大模型公司的长期判断，最终落脚于模型能力能否持续保持在国际第一梯队。

　　在研讨会上，与会嘉宾就对AI应用和Agent赛道的机会判断颇为积极。当前市场最期待的一类标的，是拥有底层模型能力、具备数据壁垒、且有清晰商业化场景的Agent产品。这类产品的价值逻辑已经跳出了纯研发成本的框架，开始直接触达企业运营决策层——帮助企业节省的不只是研发成本，还包括营销成本和管理决策成本。

　　从更宏观的视角看，与会投行机构认为，港股已初步形成以AI科技企业为主要叙事的估值体系，MinMax与智谱的市值水平正在与互联网和新消费板块形成新的对比格局，一轮行业龙头的更迭正在发生。