8位AI Infra高管的WAIC共识：行业的船舵，已经从训练转向推理

每年的WAIC，都是一个观察行业的绝佳窗口。

展商把最得意的产品摆上台面，客户带着真实的问题来寻找答案，投资人在人流里嗅着下一个风口的味道。你在会场里走一天，听到的、看到的、聊到的东西攒在一起，基本就能拼出当年行业的真实温度。

2026年的上海，WAIC的热度比七月的气温还要高。但如果把今年和去年做一个对比，你会发现一个很有意思的变化——讨论的重心不一样了。

雷峰网找了8位AI Infra公司的决策者聊了聊。这8个人背景不同：有做算力运营的，有做云服务的，有做推理引擎的，有做调度平台的，有做数据中心的。立场不同、角色不同，但聊到最后，你会发现大家指向的方向惊人地一致。

行业的船舵，已经从训练转向了推理。

一、共识一：关注点从规模转向效率

这是最直观的一个变化，几乎每一个人都提到了。

陈庶用一句话总结了去年和今年的区别：去年大家还在讨论如何把模型训练出来，今年讨论已经变成了如何让模型规模化地跑起来。

话很朴素，但分量不轻。"训练出来"和"跑起来"，差的不是一个步骤，是一整套逻辑。训练的时候，你关心的是能不能把模型训出来、精度够不够、参数量够不够大。但要让模型规模化跑起来，你关心的就是另一回事了——稳不稳定、成本多高、能承接多少并发、响应速度多快。

董直烨的表达更正式一些：行业的关注点已经从算力资源的有无和规模大小，转向了算力的落地效率与价值确定性。

"价值确定性"这个词用得好。企业用户不是为算力付费，是为结果付费。你有多少P算力不重要，重要的是你能不能以确定的成本、确定的质量、确定的稳定性，给我提供确定的AI服务。

陈健讲得更具体。他说前两年行业算力需求基本上训练和推理五五分，但今年开始，随着AI Coding、自主智能应用批量落地，推理需求直接冲到了绝对主导地位。他甚至给了一个明确的长期判断：训练算力整体占比会萎缩至10%左右，研发类算力占比5%，剩余85%以上的算力需求将全部归属Token推理工厂。

85%——这个比例很有冲击力。如果这个判断成立，那意味着整个算力行业的产品结构、技术路线、商业模式、竞争格局，都要围绕推理来重新构建。

从工业设计的角度看，这和产品从研发到量产的转变很像。研发阶段关心的是"能不能做出来""性能够不够"，但一旦进入量产阶段，关注点立刻就变成了"成本多少""良率多高""能不能稳定供货"。不同阶段有不同的核心矛盾，打法自然也完全不一样。

创品在服务客户的时候也深有体会。项目早期和客户聊的是概念、创意、差异化；到了后期，聊的就是模具、成本、供应链、量产可行性。角色在变，话语体系在变，评判标准也在变。谁能越早意识到这种转变、越早调整自己的能力结构，谁就能在下一个阶段占得先机。

二、共识二：Token是新的通用货币

当推理成为主角，一个新的行业通用货币就诞生了——Token。

为什么Token这么重要？因为它是推理服务的天然计量单位。模型调用一次，消耗多少Token、花多少钱、耗时多久——这些都是可以精确度量的。有了统一的度量单位，行业才能进行横向比较，才能形成价格体系，才能走向成熟。

陈庶说得很直白：算力是投入，Token是产出。用投入衡量能力，是训练时代的惯性；用产出衡量能力，是推理时代的必然。

这句话点出了问题的本质。训练时代比投入——你有多少卡、多大集群、多大数据集。推理时代比产出——你能稳定产出多少Token、每Token成本多少、服务SLA几个九。

从"投入导向"到"产出导向"，这是行业成熟的标志。

师天麾观察到，今年WAIC上有一类产品让人印象深刻——围绕推理引擎、Token计量、持续评测和智能调度的产品，把算力产出转化为可以衡量、比较和交付的服务。

"可以衡量、可以比较、可以交付"——这三个词很关键。一个东西只有变得可衡量、可比较、可交付，它才能真正成为商品，才能形成规模化的市场。

Token就是这样一个角色。它正在把"模糊的算力"变成"清晰的服务"，把"不确定的性能"变成"确定的产出"，把"卖方市场的供给"变成"买方市场的选择"。

这个过程很像工业革命时期的标准化。在零件没有标准化之前，每个工匠做出来的东西都不一样，无法互换、无法比较。但有了标准之后，市场的效率就上了一个大台阶。

创品做设计也是一样的道理。我们为什么要建立"五维评估体系"——好看维、专利维、合规维、成本维、量产维？就是因为设计的价值如果不能被量化、不能被评估，客户就没法做判断、做选择。把模糊的"设计好坏"变成可以衡量的多维度评估，这本身就是专业能力的体现。

三、共识三：Agent是最大的增量变量

如果说推理是确定的方向，那Agent就是推理需求最大的催化剂。

这个判断也获得了8位高管的高度一致认同。

姚欣的说法最锋利：99%的Token都会由Agent消耗，而不是人。现在人类和Agent的Token消耗量还能打个平手，但未来Agent才会是Token的第一用户。

99%这个数字可能需要打个问号，但方向是明确的。为什么Agent消耗的Token会远超过人类？因为Agent是7乘24小时不停运行的，而且一个复杂任务可能要调用很多次模型、很多次工具。人一天可能问大模型十几个问题，一个Agent一天可能就有上万次甚至更多的Token消耗。

艾智远的判断是，未来AI基础设施的竞争不会只停留在单点性能，而是更看重复杂任务中的连续稳定服务能力。

"连续稳定"这个点很重要。人类和大模型对话，一次对话结束就结束了，中间断了也不要紧，大不了重新开始。但Agent不一样，它要持续运行、自主决策、完成任务。中间任何一次服务中断、任何一次性能抖动，都可能导致整个任务失败。所以Agent对基础设施的要求，不是简单的"算力够不够"，而是"服务稳不稳"。

余武旺也表达了类似的观点。他说，未来竞争不会只是拼GPU数量，而是拼整个系统的协同能力，包括AI网络、高速互联、能源保障、资源调度，以及能否快速响应不同业务场景。

Agent带来的不只是量的增长，更是质的变化。它把AI从一个"工具"变成了一个"劳动力"，而劳动力对工作环境的要求，显然比工具要高得多。

从设计的角度看，这很像产品从"单机功能"到"系统服务"的升级。一个单独的家电产品，坏了就坏了，影响有限；但如果是一整套智慧家庭系统，任何一个环节出问题，都可能影响整个用户体验。所以系统级的产品，对可靠性、稳定性、容错性的要求，比单品高了不止一个量级。

创品的"保障力"说的就是这个意思。不只是保障设计能落地，更要保障产品在长期使用中的稳定性和可靠性。做单品设计和做系统设计，难度不是一个级别的。

四、共识四：AI工厂和Token工厂是共生关系

随着推理和Agent成为行业焦点，两个新名词开始频繁出现：AI工厂和Token工厂。

这两个概念是什么关系？是一回事还是两回事？是竞争还是互补？8位决策者的看法也惊人地一致：二者不是对立关系，而是共生关系，是同一事物的两个侧面。

董直烨的解释很清楚：AI工厂的概念更宽泛，覆盖从数据处理、模型训练、微调、推理到应用分装的全流程；Token工厂则是聚焦智能最小单位——Token的全生命周期，本质是把算力转化为标准化的Token产能，更侧重推理侧的效率和确定性。

师天麾换了一个角度来表述。他说，二者的概念异同更多是一种观察尺度和叙事重点的区别。AI工厂强调的是完整的生产体系，Token工厂则是把视角聚焦到推理和服务交付环节。Token工厂可以理解为AI工厂在推理时代、特别是在大规模Agent应用场景下的一种具体运营形态。

陈健则用分层的方式给出了结构。完整AI工厂分为两大模块——训练工厂和推理工厂，而推理工厂就是行业所说的Token工厂。他还指出了二者之间的核心差异。

第一个差异是需求体量与长期占比。长期来看，训练算力占比会萎缩到10%左右，85%以上的算力需求将归属Token推理工厂。

第二个差异是集群设计逻辑完全相反。大规模训练任务是典型的超大规模单一计算任务，允许外部互联网络临时波动，但无法接受集群内单点硬件故障；而Token推理是线上持续服务，可容忍单张GPU失效等集群内故障，但无法承受对外服务互联网络的不稳定。

一个对内稳，一个对外稳——这个对比很有意思，也很精准。训练任务是内部的，只要内部算力不中断就行，外面网络有点波动没关系；推理服务是面向用户的，内部某张卡坏了可以调度到别的卡，但对外的网络不能断，断了用户就感知到了。

这就像工厂和商店的区别。工厂里面机器偶尔停一下没关系，只要最终产品能出来就行；但商店如果关了门，顾客就直接走了，影响是立竿见影的。

创品做设计也常常面临类似的权衡。比如做一台医疗设备，内部结构怎么布局、零件怎么选，这些只要不影响最终功能和可靠性，都有优化空间；但用户直接接触的操作界面、显示信息、安全防护——这些是对外的，一点都不能含糊，因为直接关系到使用者的安全和体验。

设计思维里的"内外有别"，放在算力基础设施上同样适用。

五、共识五：后Scaling时代效率为王

后Scaling时代——这是今年WAIC的另一个热词。

什么意思？就是单纯堆算力、堆参数的方法，边际效益在递减。过去你把参数翻一倍、算力翻一倍，模型能力基本也能翻一倍。现在再翻一倍，提升可能就只有20%、30%了。

Scaling是不是失效了？8位高管的回答也高度一致：没有失效，只是优先级变了。

师天麾的判断是：Scaling并没有失效，只不过靠扩大参数和堆叠算力，已经不能再自动换来等同比例的业务价值。训练和推理规模仍会增长，只是行业必须同时回答成本、能耗、延迟、稳定性和商业回报的问题。

付智的说法类似：后Scaling并非不再Scaling，而是进入一种更加精细的系统Scaling、效率Scaling和调度Scaling。

陈庶也提出了同样的观点：Scaling并没有结束，但是它的优先级在下降；模型能力的上限仍然在向前推进，但竞争的焦点确实在转移。

三个人的话虽然措辞不同，但核心意思是一样的——规模仍然重要，但规模不再是唯一的、甚至不再是最重要的竞争维度。在规模之上，效率的权重在快速上升。

所以"后Scaling时代"的真正含义，不是"不Scaling了"，而是"Scaling alone is not enough了"。光有规模不够了，还得有效率、有成本控制、有服务能力。

这很像制造业的发展轨迹。早期拼产能、拼规模，谁的工厂大谁厉害；后来拼技术、拼质量、拼成本控制；再后来拼品牌、拼服务、拼创新。每个阶段有每个阶段的核心竞争力，企业的能力结构必须跟着阶段走。

创品的发展也是同样的路径。早期做设计，拼的是创意和效果图质量；后来拼的是落地能力和成本控制；再后来拼的是整案服务和系统解决方案。每上一个台阶，对能力的要求就更全面一些。

"四力"框架——创新力、专业力、控制力、保障力——就是在这个过程中逐步建立起来的。因为我们越来越深刻地体会到：单一能力再强，也撑不起一个复杂的项目。客户需要的是端到端的解决方案，而不是某一个环节的亮点。

六、共识六：玩家正在加速分层

最后一个共识，可能也是最残酷的一个：赛道玩家正在加速分层。

当行业从增量扩张进入存量竞争，当竞争焦点从规模转向效率，马太效应就会显现。头部玩家越做越大，尾部玩家生存空间越来越小，中间的玩家要么往上走、要么往下掉。

陈健对这个趋势的描述最直接。他说，当下Token工厂赛道的玩家正在加速分层。具备万卡GPU集群和全栈调度优化能力的头部玩家，优化后集群TPS和单位算力Token吞吐能拉开中小玩家10倍差距。

10倍差距意味着什么？意味着同样的硬件成本，头部玩家的产出是中小玩家的10倍。换句话说，头部玩家的Token成本可以做到中小玩家的十分之一。在这样的成本差距面前，中小玩家怎么竞争？

陈健把玩家分成了三类：头部算力服务商、大模型厂商自建集群、中小型算力服务商。各有优劣，但门槛越来越高。他的结论很明确：稳定大客户订单、强GPU供给、顶尖性能优化能力三者缺一不可。同时具备的头部玩家会持续收割份额，中小玩家的生存空间正在持续收窄。

这个判断可能有点残酷，但大概率是对的。几乎所有走向成熟的行业，都会经历类似的集中过程。汽车行业如此、家电行业如此、互联网行业如此——算力行业凭什么例外？

董直烨从另一个角度印证了这个趋势。他说，头部云大厂的优势是生态体系完整、品牌影响力强、标准化产品成熟。但劣势也很明显——服务高度标准化、灵活度不足，而且在数据安全与商业隐私上的中立性存在天然短板。

这意味着什么？意味着即使是头部云厂商，也不是万能的。它们有自己的优势领域，但在深度定制、中立性要求高的场景里，专业的第三方算力服务商仍然有机会。

所以分层不是简单的"大鱼吃小鱼"，而是各有各的生态位。关键是你能不能找到自己的生态位，并且在那个位置上做到最好。

设计行业也是同样的格局。大型设计集团做整案、做战略，小而美的工作室做精品、做特定领域，个人设计师做创意、做风格。每种路径都有成功的可能，前提是你必须清楚自己的定位，并且把那个定位做到极致。

创品的定位很清晰：做有深度落地能力的工业设计公司。不追求最大，但追求最实——方案扎实、落地扎实、结果扎实。我们相信，在任何行业格局下，真正能为客户创造价值的能力，都是有生存空间的。

七、共识之外的想象空间

六个共识梳理下来，你会发现AI Infra行业的方向其实已经相当清晰了。从训练到推理，从规模到效率，从GPU到Token，从单品到系统——这些转变不是某一家公司的战略选择，而是整个产业发展到这个阶段的必然方向。

但共识之外，仍然有很多不确定的东西。

比如，Agent究竟能发展到什么程度？它会像移动互联网一样彻底改变人们的生活，还是会像某些曾经火热的概念一样慢慢降温？没有人能打包票。

再比如，Token工厂的商业模式最终会是什么样？是像电力一样的标准化公用事业，还是像云服务一样的分层服务体系？是少数几家寡头垄断，还是多层级的生态共存？答案还在风中。

还有，国产算力的崛起会带来什么变量？如果国产芯片的性能和生态逐步追上来，整个行业的成本结构和竞争格局会不会被重新塑造？

这些问题，可能明年的WAIC上就会有更清晰的答案，也可能需要更长的时间来揭晓。

但不管未来怎么变，有一件事是确定的：行业正在从粗放走向精细，从扩张走向深耕，从拼资源走向拼能力。而那些能在效率、服务、系统能力上建立优势的玩家，大概率会在下一个阶段走得更稳、更远。

百舸扬帆，向深海驶去。故事才刚刚开始。