一次抓取背後：讀懂智能的“計量”，Token經濟學如何聚合“算力、模型、語料”？

質檢線上，一臺人形機器人從料框裡取出平板，送進檢測櫃；完成檢測後，再將成品分流。抓取入櫃、多項目質檢、成品分揀，機器人與工人同線作業，一氣呵成。一次看似簡單的抓取，背後串聯起感知、判斷與執行。在智元2026年9月公開的具身模型中，一幀畫面可編碼為24個視覺詞元（Token）；相關實驗還展示了模型生成連續動作的低延遲能力。但若要算清抓取的成本，不能只數視覺詞元，還需綜合推理耗時、芯片功耗、執行成功率和設備投入。這恰好引出智能經濟的兩塊硬成本：一端是模型處理信息的詞元用量，另一端是硬件和系統完成任務的實際成本。

Token正成為連接模型服務、推理算力與數據供給的重要計量接口，卻還不是衡量所有智能作業價值的唯一尺度。電力按“度”計量，模型服務按“詞元”計費。Token經濟學正加速滲透至更廣泛的應用場景。9月11日，工業和信息化部信息技術發展司副司長王威偉在新聞發佈會上披露：截至2026年6月，我國日均詞元調用量已突破500萬億。當智能走向生產現場，這把尺子如何把算力、模型、語料組織起來，又如何進一步走向真實的生產力？圖1 精靈G2人形機器人在3C產線質檢工段作業一、智能有了“計量單位”詞元是模型對文本等信息進行編碼和處理時使用的離散單位。

在大模型API服務中，輸入和輸出通常按詞元統計、計費；圖像、聲音和動作也可採用各自的詞元化或其他表徵方式，但不同模型的詞元並不天然等價。清華大學教授、智譜AI創始人唐傑指出，詞元具備“可計量、可定價、可交易特性”，可類比石油時代的“桶”和電力時代的“度”。計量首先改變了購買方式。例如，上海移動推出“算力豆”，讓用戶以相對直觀的額度方式購買和使用模型服務，使用量也能計入通信服務賬單。對企業而言，按詞元計價意味著可拆分不同部門、不同任務的模型使用成本，助力精細化預算管理。價格體系也在細化。

DeepSeek自8月起探索峰谷時段定價，9月10日又調整Flash系列模型價格：閒時每百萬詞元的緩存命中輸入價為0.02元，高峰時段為其兩倍。這裡的0.02元是特定模型、特定時段、特定緩存條件下的輸入價格，並不代表所有詞元的統一價格。國際科技企業也開始用詞元觀察需求與效率。谷歌在2026年第二季度業績披露中表示，Gemini模型每分鐘處理約220億個API詞元。英偉達同期數據中心業務收入為890億美元，其負責人強調AI算力正形成可持續商業收入；公司還披露了新平臺降低單詞元生成成本的技術進展。調用量、收入和單詞元成本雖屬不同指標，卻共同反映推理服務正走向規模化經營。

不過，Token計量的尺子仍需校準。不同模型的分詞方式、緩存策略、模態類型、輸出質量和計費口徑各異，不能簡單用“每百萬Token多少錢”橫向判定性價比。Token計量規範的編制和探索，正是著眼於跨模型用量比對和平臺計費透明度等問題。由此，Token經濟學的第一層含義逐漸清晰：它讓智能服務更容易計量和定價；但最終決定採購與部署的，仍是同等質量下的總成本，以及為用戶創造的實際效果。二、算力：從“暴力堆卡”到“豐產詞元”對算力產業而言，問題正從“建成多少算力”轉向“能穩定交付多少有效推理”。

浦東正集聚芯片、算力平臺和應用企業，產業規模與算力供給相互支撐，但算力能否轉化為收入，還需經過模型適配、系統調度與應用交付的檢驗。9月11日，紮根上海的燧原科技登陸科創板，開盤市值超1700億元。上市當天的行業報道指出，市場評價算力的方式正逐步從硬件配置轉向Token生成效率和交付質量。這一變化並非意味著算力卡、服務器、雲不再重要，而是客戶更關心：在給定預算與服務質量約束下，芯片和集群究竟能承載多少真實請求。燧原科技董事長趙立東重點提及了正在持續推進的“芯模協同”。這種“芯模協同”的上下游深度合作模式，推動國產算力適配、芯片開發與模型開發同步進行，形成軟硬件“雙向奔赴”的生態共建格局。

據其回憶，合作早期客戶模型一升級，補齊算子和功能往往需要一至兩個月；如今部分適配已縮短到兩三天，個別場景只需數小時。圖2 2026世界人工智能大會期間，燧原科技展臺從一兩個月縮短至兩三天，變化不只是研發流程加快：模型迭代後的閒置等待越少，算力就越有機會及時轉化為可交付的推理服務。芯片架構也在探索新的效率空間。7月18日浦東人工智能產業融合創新推介會上，張江企業東方算芯的DF1000近存計算芯片作為區域人工智能標誌性成果展示。近存計算所追求的，是減少數據搬運產生的時間和能耗開銷，但實際收益還需結合負載與部署條件驗證。算力系統則在調度層繼續挖潛。

據無問芯穹披露，其發佈跨集群異構推理架構，在特定測試條件下首詞元等待時間降低51.5%，單詞元成本降低37.5%。這些數據反映其測試場景的優化效果，不宜直接推算為所有業務的普遍收益。因此，“豐產詞元”比“暴力堆卡”更接近推理時代的經營底層邏輯。吞吐量、首詞元延遲、連續輸出速度、可用率、能耗、模型質量以及每項任務的綜合成本，只有多指標一起看，算力效率才有商業意義。三、模型與端側：把一次抓取算在機器人身上模型是連接算力和應用的核心環節，芯模協同更形成“1+1>2”的放大效應。在給定算力下，能產出多少可用Token，取決於模型結構；這些Token能否轉化為動作，則取決於感知、規劃和控制系統。

回到開頭那次抓取，邏輯會更清晰：視覺編碼更緊湊，可能減少後續推理所需處理的信息量，從而為實時控制爭取空間。但Token少並不必然意味著動作更快，它還取決於模型架構、硬件運行和控制閉環。具身智能體之所以被視為潛在的大規模Token使用者，正因為它需持續感知環境、不斷預測並作出響應。端側計算進一步改變這本賬，雲邊端協同、算網協同等技術為毫秒級響應提供技術挖掘潛力。機器人不能在每次動作時都等待雲端響應。9月15日發佈的一款開源端側推理引擎，在公開測試中將一款具身模型的端到端推理延遲由278毫秒壓縮至26毫秒以內。對動態作業而言，推理延遲和網絡依賴往往比單純的詞元單價更直接影響可用性。

總部位於張江的芯原股份則把重點放在前端數據處理。芯原股份首席戰略官、執行副總裁戴偉提出，應讓前端感知與後端算力有效配合，通過在“小腦”側預處理信息，降低“大腦”側的計算負擔。其思路是把計算任務合理分層，而非一味增加後端算力。從視覺編碼、端側推理到大小腦分工，模型與端側的核心命題，就是把有限算力資源分配給真正影響任務成敗的環節。能耗、時延和成功率系統性改善，Token效率才可能變成現場生產效率。四、語料與規則：讓每一條數據都算得清算力負責運轉，模型負責計算，而語料決定模型從何種經驗中學習。在具身智能中，多模態語料遠不止文本，還包括視頻、傳感器記錄、動作軌跡、任務標籤、失敗反饋等各類數據。

數據供給正持續擴容。浦東擁有500多個公共數據集；據有關部門披露，截至2026年8月，全國已建成高質量數據集超過12.6萬個。但“大題海”不等於“精選題”，不等同“學力強”，也不直接帶來“好成績”。從數據集到高質量數據集，從有效訓練量到具體場景中的表現，每一步都需要系統性的優化迭代。數據是否可用、可授權、能否覆蓋真實場景，往往比單純的規模更重要。規則體系隨之跟進。2026年8月27日，國家標準化指導性技術文件《人工智能 具身智能數據質量規範 第1部分：真實數據》（GB/Z 218.1—2026）發佈。國家數據局也表示，將適時推動具身智能數據標準建設。

圖3張江人工智能島從要素供給走向產業服務，關鍵還在於組織能力。浦東正推動近1800家人工智能企業、150多傢俱身智能企業及中試、量產等資源，形成開發者能夠調用和對接的供應鏈與創新服務能力。對開發者而言，真正有價值的並非分散的資源清單，而是可獲得的算力服務、可適配的模型、合規的數據和可驗證的應用場景。10月23日至25日，2026全球開發者先鋒大會暨國際具身智能技能大賽將在張江科學會堂舉辦。參賽隊伍將面對抓取、裝配、巡檢、配送等實操任務，上海市人工智能行業協會秘書長鍾俊浩表示：“我們不是看機器人能做什麼表演，而是看它能不能在真實工位上把活幹好、幹出效益。

”這句話點明瞭計量的最終目的：量化投入，是為了更好地檢驗產出。一次成功的抓取，是算法調優、是算力充沛、是語料重組；而能有持續的“抓得穩、抓得快、抓得值”，才是產業化的能力。Token經濟學讓智能投入更可計量，而真實場景則負責回答最後一個問題：這些投入，究竟創造了多少價值？