上海交大工研院：园区级推理与 Token 平台怎么谈

CHAPTER 00 · EXECUTIVE SUMMARY摘要：十二条结论与一句话打法

十二条结论

怎么用这份材料

CHAPTER 01 · THE COUNTERPARTY谈判对象：人、时机，以及一亿元到底是谁在花

先把一件事定死：工研院是渠道，不是客户。真正用 token、真正付钱、真正决定这件事成不成的，是它下面那批企业。我们找工研院谈，是因为通过它可以一次触达几十家企业、拿到统一入口与统一结算，而不是因为它自己要用推理。这一章因此分两半：前半确认渠道侧的人与时机，后半把 38 个在孵项目逐个过一遍，找出真正的客户在哪。

1.1 对口主体与治理结构

对口主体是上海交大工业技术创新研究院（通称工研院，i3sjtu.cn），2024 年 10 月 9 日启动，由上海交通大学举办、与徐汇区政府联合共建，定位为人工智能孵化器与加速器，与交大人工智能学院一体化运行，办公地在徐汇区番禺路 868 号。它采用理事会治理（第一届理事会第三次会议于 2026-01-07 召开），对外签约由执行院长落章。

对我们而言，它的性质决定了合作形态：它是一个把企业聚在一起的平台，本身不是推理负载的产生方。所以这笔生意的结构是「与平台签框架、向企业交付」——平台负责把人聚齐、把入口统一、把补贴通道打通，企业负责真实用量与续费。这两侧的说服逻辑完全不同，第 5 章讲前者，第 8 章讲后者。

1.2 与人工智能学院、徐汇区的三方关系

• 工研院与交大人工智能学院一体化运行，与徐汇区共建，位于「环交大人工智能科创街区」。这层关系的意义只有一个：它决定了工研院能调动多少政策资源与企业资源，与我们的交付方案无关。
• 徐汇的另一个载体「模速空间」已建有自己的算力平台，这是我们最直接的同城对标，第 3 章和第 9 章专门处理。
• 校方另有科研用算力平台，但它面向师生科研，不提供商业 SLA（Service Level Agreement，服务等级协议）、按企业分账的计量计费与面向企业客户的工单支持。企业的生产流量需要另一套东西，而这套东西现在是空的——这是缺口所在，不是我们要去比价的对象。

1.3 关键人物与一个正在打开的时间窗口

1.4 一份已经许下的承诺，就是我们最好的切入点

工研院对外的三大方向是具身智能、人工智能出海、AI for Science / Engineering；三大服务是 AI 出海加速器、AI 社区、AI 赋能中台。其中「AI 赋能中台」在官网列出的要素清单里明确包含一项：

1.5 项目库穿透：38 个在孵项目里，谁在真的烧 Token

我们把工研院项目库中的 38 个在孵项目逐个读过一遍，按是否消耗大语言模型在线推理 token 做了三层分类。结论出乎意料，也直接决定了这一亿元该怎么谈：

A 层 · 真正的推理 Token 消耗方（12 个）

B 层 · 训练与科学计算为主（7 个）

无界动力、深度原理、索格智算、觉行·时空智能、源络科技、破壳智能、未来不远。这一层消耗的是卡时而不是 token——需求真实且金额可能很大，但属于训练与仿真负载，与 Token 平台是两条线。在会谈中要主动把这两条线分开，不要混为一谈：混着讲会让对方觉得我们在夸大可服务范围。

C 层 · 硬件、量子、材料、医疗器械（19 个）

主动科技、傲意科技、上海太洋、lightGen、蓝启智能、金珵科技、氮化硼项目、载育量子、太微量子、鸿鹄聚变、幻码跃迁、空山慈、灵泷视界、明视脑机、太一量生、智子光垣、纳开量子、铁马量子、酉术量子。这一层几乎不产生 LLM 推理需求。

一条外部数据可以印证这个分层的合理性：国信证券基于 OpenRouter 平台的统计显示，Agent 与 Coding 类应用仅占应用数量的 19%，却贡献了 81.2% 的 Token 消耗（2026-08-07）。A 层里排前面的几家恰好都是 Agent 形态——这不是巧合，而是这类负载的固有特征。同一份报告还指出，前十大应用的每请求 Token 中位数为 75,479，而第 11–99 名应用仅为 28,430，头部应用的单请求消耗是长尾的 2.7 倍。

1.6 项目库里有两家和我们能力重叠——必须由我们先提出来

这是全章最需要提前想清楚的一点。工研院自己孵化的项目里，有两家在做与我们相邻的事。如果我们不主动说，对方一定会问；而由我们先提出并给出关系定位，可信度完全不同。

1.7 一个必须重视的人

Wisdom AI（星际章鱼）项目的 CEO，公开资料称其从零搭建火山方舟并实现数十亿年收入。火山方舟是国内 MaaS（Model-as-a-Service，模型即服务） 市场的头部平台（按 IDC 口径，火山引擎在调用量份额上接近一半）。

1.8 一亿元换成卡，是多少张

要让对方意识到这笔钱的分量，不能拿市场份额做对比——工研院的一亿元里可能含私有化部署、海外模型调用与训练算力，而公开的市场规模统计口径各不相同，一比就有漏洞。换算成硬件反而干净：钱、卡、时间，三者之间的关系没有口径争议。

CHAPTER 02 · THE ARITHMETIC一亿元的算术：这笔钱现在买到了什么

这一章只做一件事：把「每年一亿元 token 费用」拆成可以逐项追问的算术。拆完之后，我们的优势不再是一句形容词，而是这张表里的两个格子。

2.1 先立一个恒等式

Token 的价格不是一个市场自然价，它是被三个工程量决定的。任何供应商的报价，往前推一步都是这个式子：

把这个式子记住，后面所有的讨论都只是在问一句话：这一亿元里，有多少花在分子上，有多少是被分母的低效吃掉的。

2.2 用模型厂商自己公布的数字来定标

要回答上面的问题，需要一个可信的成本参照。行业里最硬的一份公开数据来自 DeepSeek 自己：2025 年 3 月 1 日，他们公开披露了 V3/R1 线上推理系统连续 24 小时的完整运行统计与成本核算^[DS]。这是极少数由服务方主动公开、可被逐项复核的成本样本。

口径提醒：这 15.5% 只含卡时租金，不含研发、带宽、存储与运维人力；卡时单价是官方假设值；理论收入按 R1 满价计算而实际收入更低。所以它不是真实利润率，但它给「纯算力成本占挂牌价的比重」划了一条相当可靠的下界——这正是我们需要的定标。

2.3 把一亿元放进这个结构里

下表左列是园区实际支付的混合 token 单价（这个数需要在第一次会谈中问清，见 §2.5），右侧是按上面披露效率反推的真实算力成本。

「底层算力成本」按 DeepSeek 披露的 0.8 元/百万 token（成本摊到输入+输出全部 token）折算，汇率取 7.1。最后两行对应大量使用海外前沿模型的情形——AI 出海类企业的实际混合单价往往落在这个区间，此时算力成本占比不到 2%，付的几乎全是模型溢价与渠道费。

2.4 分母上的两个格子

回到 §2.1 的恒等式。卡时成本（分子）是采购能力，谈判空间有限且人人可比；真正拉开差距的是分母的两项，而这两项都是纯工程能力：

算例统一按 20 万元/卡/年的整机租金折算，仅用于展示两个杠杆的相对量级，不代表任何实际报价。吞吐取值区间参照 §2.2 反推的 4,951 token/s（DeepSeek 在 H800 上以大规模专家并行做到的水平）与国产加速器上未经深度优化时的常见落点。

2.5 园区形态自带的一个结构性红利

利用率这一格，园区平台有一个别人拿不到的天然优势：需求聚合带来的峰谷互补。

单一创业公司的推理负载极不平稳——白天调试、夜间空转、demo 前突然打满、融资路演期翻十倍。它若自己买卡，必须按峰值备容，平均利用率就注定很低；它若买公有云 API，则要为别人的调度不确定性付溢价。而几十家企业的负载叠加之后，总量曲线会显著变平，这是统计规律而非管理技巧：

卡数相差约 4.5 倍。这不是营销话术，是卖方研究机构在公开报告里算的账——而且它同时包含了本节讲的聚合效应与 §2.4 讲的工程效应。这组数字建议直接印出来带进会场。

这份测算的价值在于它把负载率写成了显式变量（50%–70%）——而这正是 §2.4 里我们说「分母决定一切」的那一项。对照国信证券那份 Nebius 模型（利用率 60%→69%，毛利率 30%→54%→81%），两家券商的路径完全一致，差异几乎全部来自利用率假设。另需注意：两份测算都没有明示折旧年限，这是全行业的共同缺口（§4.4）。

2.6 第一次会谈必须拿到的六个数字

上面所有推算都建立在假设的混合单价上。在拿到真实口径之前，任何报价都是猜测。因此第一次见面的核心目标不是报价，而是把这六个数字问清楚——能把这六个问题问出来，本身就已经和「来卖 token 的」区分开了：

建议把这六项做成一页表格现场填写。它同时是一份需求调研表和一份专业度证明：愿意先把口径搞清楚再谈价格的供应商，在这个赛道里是少数。

CHAPTER 03 · THE FIELD赛道现状：确实很卷，但卷的不是我们要做的那一层

这一章先承认现实：Token 工厂已经是一个拥挤的赛道，有大厂、有运营商、有国资平台、有拿到大额融资的创业公司，也有已经递表上市的。但把玩家按「靠什么赚钱」分层之后会发现，绝大多数人挤在两个我们不去的位置上。

3.1 玩家地图：按盈利来源分四层

这张图要在会谈中传达的判断只有一句：「卷」发生在 L2 和 L3。这两层的共同特征是不对客户的效率负责——L2 把卡租出去就完成交付，L3 把 token 转手就完成交付。而单位成本真正下降的地方在 L4。

3.2 大厂云 MaaS：价格战的主战场，也是补贴的来源

IDC（2026-05-07）的份额数据显示，按调用量计火山引擎接近 50%，按营收计火山引擎 40%+，其后为阿里云、百度智能云、智谱、移动云。市场规模一侧：中国公有云 MaaS 营收 2025 年 30.7 亿元，2026 年预测 186 亿元；调用量 2024 年 114 万亿 tokens → 2025 年 1,944 万亿 tokens（约 16 倍）。

3.3 运营商与地方国资：规模最大、口径最粗的一层

这一层的特点是投资额巨大、以政府与国资为主导、对外服务能力参差。已知的公开案例包括：

这三条来自本项目前期检索记录，本轮因检索额度耗尽未能重新逐项核实。建议在正式会谈引用前再核一遍原始公告——尤其是那个百亿元级的数字，口径（是 token 工厂本身，还是包含算力、网络与集成的总包）差别很大。作为背景趋势使用没有问题，作为具体论据要谨慎。

对我们的实际意义：这一层是潜在的算力来源，而不是竞争对手。它们普遍缺的正是 L4 的能力——建成了集群，但把集群变成低单位成本的 token 服务，是另一回事。

3.4 最需要正面处理的对标：模速空间与无问芯穹

这是同区、同类、最直接可比的先例，会谈中对方很可能主动提起。而且必须先纠正一个容易犯的错误判断：它不是「资源撮合层」，它就在我们要去的这一层。

但有一个一手发现，改变了这场对标的性质

直接抓取模速空间算力平台前端代码（ms-computility.cloud.infini-ai.com，2026-08-26 访问，HTTP 200）后发现，其 JS 中存在一张硬编码的域名到平台名映射表，同一套代码库正在服务至少九个租户：

还有一条对我们有利的事实：算力生态超市运行一年半，接入企业数、实际调用量、集群利用率、续约率、满意度——全部未找到任何公开数据检索结论。可公开引用的只有发布日与首批签约名单。说不清效果，是标准化平台的通病，也是我们最该攻的地方（见 §9.3 递回去的那个问题）。另有两条媒体转述（商汤专供徐汇 4000P、上海电信 500 万元算力优惠）待核，不建议主动引用。

3.5 已递表与已上市：赛道确实进入资本化阶段，但也有人已经出局

下表按港交所披露易综合索引与交易所项目库逐条核对（截至 2026-08-26），纠正了几个流传较广的误传。

CHAPTER 04 · WHY THEY LOSE MONEY为什么大多数玩家在亏钱——以及这为什么是我们的论据

这一章是全篇论证的另一半支柱。如果这个赛道的低价来自补贴，那么「便宜」就不是采购能力的证明，而是一个即将结束的窗口；反过来，只有来自工程的低成本才能被承诺三年。招股书里的分业务毛利率把这件事说得很清楚。

4.1 同一家公司，两种业务，毛利率差一百多个百分点

最有说服力的证据不是行业平均值，而是同一家公司内部不同业务线的对比——它排除了管理能力、融资能力、团队水平这些干扰项，只剩下商业模式本身的差异。

上表两家公司的数据已回港交所披露易招股书原文逐条核实并标注页码（申請版本，非聆讯后资料集）。需要说明的是：两家均处于「已递表、处理中」状态，尚未通过聆讯。

4.2 三个具名样本：一个退出了，一个在流血，一个刚转正

行业平均值容易被质疑口径，具名公司的公开财务与公开表态不会。这三家把整条逻辑链走完了。

样本一 · 已经退出的那家：证明这门生意可以是负和的

潞晨科技于 2025-03-01 官宣，在上线约一周后停止其 DeepSeek API 服务并对余额全额退款。创始人尤洋此前的公开测算是这个赛道被引用最多的一段话：

这段话对我们是双刃的，必须诚实处理：它同时也在质疑我们第 2 章引用的成本口径。正确的用法是主动把它讲出来，然后指出——「机器是理论值 5 倍」说的正是利用率问题，而利用率恰恰是 §2.1 恒等式分母里我们要动的那一项。他描述的困境，正是我们主张的机会。

样本二 · 正在流血的那家：规模增长解决不了结构问题

注意硅基流动那一行的内在矛盾：营收涨了 6.5 倍，毛利率却从正转负。这直接证伪了「规模上来自然就有毛利」的假设——在这个赛道里，规模扩张如果没有单位成本的同步下降，只会把亏损一起放大。

样本三 · 决定性的一组对比：同样卖 API，毛利率差七十个百分点

这是整份材料里最有力的证据。在看数字之前，先把两个词说清楚，后面就都能读懂了：

下面是两家已上市模型公司的招股书原文数字。它们同期、同赛道、都在卖 API，结果却在两个极端。

智谱对自己云端毛利率崩塌给出的解释是价格战（财务资料 p.271）：

「通過API接口的方式，使用我們模型的用戶數量日益增多……然而，由於市場競爭激烈，該等服務價格下跌。我們亦實施戰略性服務降價措施，以擴大市場份額並吸引更多客戶。此舉導致我們雲端部署服務的毛利及毛利率均出現顯著下滑。」

而 MiniMax 在同一时期把开放平台毛利率维持在近七成。它的招股书里有一个可能解释这个差距的数字：推理 MFU 大于 75%，招股书自述「顯著高於行業約 40% 至 50% 的平均水平」。同时它的销货成本里，「與推理活動相關的雲計算服務成本」占 92.7%–96.9%——推理效率几乎就是它的全部成本结构。

口径提醒（必须一并说明，否则会被专业人士挑出来）：两家的业务结构并不完全可比——MiniMax 约 73% 的收入来自境外，定价水平与客户结构和境内不同；智谱的云端口径也包含了更多低价走量的公有云调用。所以这组对比证明的是「效率与定价策略能造成巨大差异」，而不是「MiniMax 的技术一定强于智谱」。会谈中按前一种说法讲，稳妥且足够有力。

而智谱自己给出的翻身路径，正是我们做的事

另一个值得记住的数字：智谱 2024 年研发开支中的「算力服务费」为 15.53 亿元，占研发开支 70.7%，而当年全年收入只有 3.12 亿元——算力支出是收入的五倍（财务资料 p.257）。其风险因素 p.42–43 的标题直接写着：「我們依賴第三方為我們提供計算資源……我們可能被迫以高價購買算力。」

待核 另有二手来源称智谱 MaaS 毛利率在 2025 全年回升至 18.9%、ARR（Annual Recurring Revenue，年度经常性收入） 达 17 亿元。该说法与招股书披露的 1H2025 云端毛损 −0.4% 存在张力——若属实则意味着 2H2025 出现了大幅改善。智谱 FY2025 年报原文本轮未取得，在回原文确认之前，会谈中不要引用 18.9% 这个数字。

4.3 三条结论，每一条都直接为我们服务

4.4 一个看穿低价报价的工具：问对方的折旧年限

比较不同供应商的成本时有一个容易被忽略的变量：同样一张卡，折旧年限拉长一年，账面成本立刻下降一截。逐份核对定期报告后发现，这个假设在同业之间差异极大：

一个宏观量级参照：高盛做过折旧年限的敏感性测算——若 AI 芯片经济寿命由 5 年缩短至 3 年，2026–2031 年全球隐含年折旧将从约 3 万亿美元升至近 4 万亿美元二手转述。折旧假设不是会计细节，它是这个行业最大的单一成本变量。

4.5 价格战已经结束了：2026 年出现反向涨价

上一节说「补贴不可持续」还只是推论。2026 年它已经变成事实了：

供给侧的方向性压力也没有缓解，而且算力租金本身也在涨——这是「靠补贴维持低价」越来越难的根本原因：

开源证券的判断：「截至 2026 年，算力短缺态势将至少维持 1–2 年；受 HBM 高带宽内存、先进封装产能瓶颈制约，高端 AI 服务器整机交付周期延长。」需要诚实说明的是：我们对中信、中金、华泰、招商、天风、广发、光大、国泰海通、申万、兴业十家机构逐一检索，没有任何一份公开材料把「HBM 涨价 → 服务器成本 → 单位 token 成本」三段串联并给出完整数字。HBM 占 AI 服务器 BOM 的比例也没有可信的公开口径——检索到的版本从 8% 到 63% 都有，互相矛盾，多为自媒体对同一则报道的各自演绎。所以这一段只能作方向性论证，绝不要自己编一个传导系数。

两端的具体表现：

• 售价端：IDC 数据显示调用量一年增长约 16 倍而营收仅增至 30.7 亿元（§3.2），单价下行速度极快。各家 MaaS 的公开降价与免费额度政策持续加码。
• 成本端：加速卡供给紧张、内存（HBM 及常规内存）价格上行是 2026 年以来的行业共识，多家机构预期紧张状态延续到 2027 年前后。待核这一条的具体幅度与时间点建议引用前再核实一次最新研报。

4.6 工程降本不是概念：三组公开可查的量级

如果有人质疑「优化到底能带来多少」，用这三组公开数据回答，它们分别来自论文、开源社区复现和硬件厂商：

前两条与第四条是本报告中置信度最高的证据，建议作为会谈的主力论据；第三条置信度较低，非必要不引用。

第四组：利用率——行业实际在算的，不到三成

先说清口径：这里讲的是 GPU 实际计算利用率——卡在被占用的时间里，有多少算力真正在产出。供应商常报的「上架率／出租率」是另一回事，那只说明卡租出去了，不说明它在算。两者可以相差一倍以上，而客户付的是后者。

诚实说明：没有任何机构做过全国存量智算中心计算利用率的抽样普查，「不足 30%」是企业高管与行业研究院测算的收敛值，属权威估测而非统计调查。会谈中说清出处即可，不要当成普查数据。

4.7 引用前必须复核的清单

本轮已补齐一批原文级数据，但仍有条目需要回原始文件定位。下表按可用程度分三档，会谈中优先使用第一档。

另一项已知缺口：模速空间算力生态超市的全部效果数据（接入企业数、调用量、利用率、续约率）运行一年半仍无任何公开披露（§3.4）。这既是对手的软肋，也提醒我们——我们自己的平台从第一天起就要把这些数字做出来并敢于公开，否则三年后会站在同样的位置上。

CHAPTER 05 · THE CHANNEL为什么走平台：渠道逻辑与工研院的四项诉求

客户是下面的企业（第 8 章逐家讲），但逐家去谈成本太高、周期太长、也拿不到聚合红利。走工研院这条渠道，是为了一次触达几十家、拿到统一入口与统一结算。代价是：我们必须先回答平台方自己的诉求——它不用 token，它要的是别的东西。这一章讲那四样东西是什么。

5.1 对平台谈价格是无效的

如果我们进门第一句是「我们的 token 更便宜」，那么我们就把自己放进了一个纯比价的场子——那里已经挤满了对手，而且他们中有些人可以亏钱卖（见第 4 章的毛利率证据）。比价场里，我们的工程优势会被压缩成一个折扣百分比，而折扣百分比是谁都能喊的。

更根本的原因是：平台自己不付这笔钱的真实代价——用 token 的是企业，感受成本的也是企业。所以对平台谈单价，等于对一个不掏钱的人谈折扣。平台的决策逻辑是「这件事能不能变成我的招商筹码、我的生态成绩、我的风险可控项」。

正确的开场，是把这一亿元从「一笔要花掉的费用」重新定义成「一次能沉淀下能力的建设」。

5.2 工研院用这一亿元换的四样东西

这四项里，只有第四项是价格问题，其余三项都是价格之外的。这意味着我们完全可以不在最低价的位置上赢下这个单子——只要另外三项是别人给不了的。而它们恰好都需要一个愿意长期驻场、做深度定制、并把平台侧数据与控制权交还给园区的技术方，这正是转售型对手的结构性短板。

5.3 平台能解决、而企业自己解决不了的三件事

这一节看起来琐碎，但它决定了「为什么必须由平台牵头」这个问题的答案。下面三件事，每一家企业单独都办不成，聚在一起就能办成——这正是渠道存在的理由。

这个判断有行业研究支持。《中国词元工厂发展全景洞察与深度分析报告（2026）》在给企业的建议中直接写道：「中小厂商独立获客、运维、结算、合规的成本极高，很难形成规模化收益。」同一份报告同时警告「理性扩产，盲目扩产容易造成算力闲置与现金流压力」。前一句说明为什么企业需要平台，后一句说明为什么平台不该自己盲目建集群——两句合起来正好是我们建议的形态：平台聚合需求，我们负责把成本做下来，谁都不用重资产押注。

CHAPTER 06 · THE EDGE我们的优势：七项，每一项都能被检验

这一章把「我们为什么有优势」写成可核验的清单。判断标准很简单：每一条都必须能回答「凭什么是你，而不是别人」，并且能在第一段测试里被验证或被推翻。凡是做不到这两点的说法，都不写进来。

6.1 优势的来源：我们动的是分母

回到 §2.1 的恒等式。整个赛道的竞争几乎全部发生在分子上——比谁的采购价低、比谁拿到的补贴多、比谁愿意亏更多。分子上的优势有两个致命特征：人人可比，且不可持续。

6.2 优势一：成本下降来自工程，因此可持续、可承诺、可审计

这是所有优势的根。补贴型低价的问题不在于低，而在于它无法被写进一份需要执行三年的合同——它的提供方随时可以调整，且通常在客户迁移成本最高的时候调整。工程型低成本相反：它一旦做出来就固化在系统里，因此我们敢做三件转售方做不到的事。

在会谈中，这一条的表达方式很重要：不要说「我们更便宜」，要说「我们的便宜可以被审计」。后者是前者的三倍说服力，而且是对方从别处听不到的句子。

6.3 优势二：自租算力 + 自建推理栈，不做 token 二道贩子

要动分母，必须同时握住硬件与软件两端：只有算力没有优化能力，就只能卖裸卡时；只有优化能力没有算力，优化收益全部归硬件持有方。我们的模式是自己租算力、自己建推理栈，因此工程收益直接落在自己的成本表上，可以决定让出多少给客户。

这一条同时解释了一个常被问到的问题——为什么我们不用「拿到某家更低的进货价」来竞争。因为那条路上，我们的成本上限永远等于别人的定价下限。

6.4 优势三：推理工程的具体能力清单

这一节是能力的实指，会谈中只在对方追问时展开。每一项都对应吞吐或利用率上的具体收益来源。

6.5 优势四：四项决定吞吐上限的进阶能力

§6.4 是基本功，这一节是分水岭。面对同样在做推理优化的对手（第 3 章已说明这个赛道里确实有），能不能把下面四项讲清楚、做出来，是「会用引擎」和「能改引擎」的区别。它们共同决定了单卡有效吞吐的天花板，也就是 §2.1 恒等式里最难动的那一项。

① 大规模专家并行（大 EP）

MoE 模型解码时，每个 token 只激活一小部分专家，但如果所有专家都放在同一张卡上，每生成一个 token 仍要把全部专家权重读一遍——带宽被白白吃掉。大 EP 把专家分散到几十上百张卡，每张卡只驻留少量专家，单卡的权重读取量因此骤降，解码吞吐可以成倍提升。

行业公开参照：DeepSeek 在其线上推理系统中，预填充与解码分别采用 EP32 与 EP144 的专家并行度，全集群平均折算下来单卡输出吞吐约 1,072 token/s（§2.2 的反推）。这个量级不是靠买更好的卡得到的，是靠并行策略。

真正的难点有三个，每一个都需要工程投入：专家负载不均（热点专家把某几张卡打满、其余空转，需要冗余专家与动态重排）、all-to-all 通信开销（分发与聚合的通信量随并行度上升）、通信与计算的重叠（双批次交错执行，把通信时间藏进计算里）。

② MoE 特有的调度与放置

MoE 不只是「换个模型」，它带来一整套新的工程问题：路由不均衡导致的长尾延迟、热点专家的识别与复制、token 丢弃策略对质量的影响、专家放置与网络拓扑的亲和性。这些在稠密模型上完全不存在，也是很多团队把 MoE 跑起来之后吞吐远低于预期的原因。

③ Megakernel（超大融合核）

常规实现里，生成一个 token 要依次启动几十个独立的计算核，每次启动都有固定开销，中间结果还要反复往返显存。Megakernel 的做法是把整个解码步骤融合成一个持久化的核，消除启动开销与中间往返。

收益集中在小批量、低延迟场景——也就是交互式应用最在意的那一段。在国产加速器上这一项尤其值钱，因为这类平台的主机侧调度开销与核启动成本通常比成熟平台更高（§6.6 编译与执行层那一行），消除掉的绝对时间更多。

④ 预填充与解码分离（PD 分离）

预填充阶段是算力受限（一次处理整段输入），解码阶段是带宽受限（每次只出一个 token 却要读全部权重）。两者混在同一批卡上会互相干扰：一个长输入的预填充会阻塞正在解码的请求，造成单 token 延迟剧烈抖动。

分离部署之后，两类节点可以各自独立扩缩、各自选择最优的并行策略，甚至各自匹配不同的硬件。公开测得的收益量级：DistServe 报告有效请求承载能力提升约 7.4 倍，Mooncake 报告有效吞吐提升约一倍以上。

代价是 KV 缓存要跨节点传输，对互联带宽提出很高要求。这一点恰好指向国产超节点（SuperPod）形态的长处——高带宽域内的大规模互联正是它的设计目标，所以 PD 分离在国产平台上不是妥协，反而是顺势而为。

6.6 优势五：国产加速器推理的深度——把瓶颈说清楚，再说怎么补

这是我们与绝大多数对手最实质的分野，也是园区在政策上真正需要有人替它承担判断的地方。国产加速器在推理上的差距，主要不在峰值算力；差距集中在软件栈的成熟度，而软件栈是可以靠工程补的。

① 算子层：一个回退点，可能废掉一整段优化

现象：模型能跑通，但吞吐远低于同规格的成熟平台，而且 profiling 里看不出明显热点——时间散在很多小段上。

机理：推理引擎会把模型编译成一张计算图，再把相邻算子融合成更大的核以减少显存往返。一旦图中某个算子在目标平台上没有原生实现，框架就会回退——退到通用低效实现，或者干脆把这一步搬到主机侧 CPU 执行。

为什么损失被放大：回退的代价远不止那一个算子本身。它把计算图从中间劈开：前后两段原本可以融合的算子被迫各自落盘，中间结果要在设备与主机之间来回搬运，同步点也随之增加。所以一个回退点吃掉的不是一个算子的时间，而是它前后整段融合收益。这也是为什么国产平台上「峰值算力不低、实测吞吐差一截」如此常见。

可补的方向：补齐关键缺失算子；按硬件的存储层级与数据搬运特性重写实现（分块、双缓冲，把访存与计算重叠）；把高频组合手工融合成专用大核。这一层的工作最琐碎，但也最直接——每消掉一个回退点，收益立刻可见。

② 显存层：批量上不去，带宽就用不满

现象：显存显示占满了，但实际并发请求数很少；提高并发就 OOM。

机理：解码阶段每生成一个 token 都要把模型权重完整读一遍。这笔读取开销是按「批」摊销的——同一批里请求越多，每个 token 分摊到的权重读取成本越低。所以批量直接决定带宽利用率。而批量的上限由 KV 缓存能装下多少请求决定。

粗糙的显存管理怎么吃掉批量：如果按每个请求的最大可能长度预先分配连续 KV 空间，就会同时产生两种浪费——内部浪费（请求实际只用了预留空间的一小部分）与外部碎片（剩余空间零散，装不下新请求）。vLLM 论文对既有系统的实测是：KV 显存有效利用率只有 20.4%–38.2%，即六到八成被浪费；改为分页管理后浪费降到 4% 以下，吞吐提升 2–4 倍。

可补的方向：分页式 KV 缓存消除碎片；前缀复用让相同前缀只算一次；KV 量化压缩单请求占用。在内存价格正在以三位数百分比上涨的当下（§4.5），这一层从「优化项」变成了「成本对冲」。

③ 调度层：卡在空等，而不是在算

现象：平均利用率低，但看单个时刻又都在忙；首字延迟忽高忽低，长请求一来短请求全被拖慢。

机理：两个典型缺陷。一是静态批处理——一批请求必须等最慢的那个生成完才能整批换下一批，先完成的请求占着的位置在空转；而生成长度天然差异极大，等待时间被最长的那个请求决定。二是预填充阻塞解码——一个长输入的预填充会独占计算资源，正在解码的请求全部卡住，表现为单 token 延迟剧烈抖动。

可补的方向：连续批处理让请求随到随入批、算完即出批，消除整批等待；分块预填充把长输入切成小块与解码交错执行，避免独占；再往上就是把两阶段彻底拆开的 PD 分离（§6.5）。

④ 长上下文与多模态：走的是没人优化过的路径

现象：短请求跑得不错，一上长文档或图片视频就断崖式变慢，甚至直接失败。

机理：长上下文有两重压力——注意力计算量随序列长度快速增长，KV 显存占用随长度线性累积。成熟平台上有大量针对性实现（融合注意力核、分页与卸载机制）把这两条曲线压下来；在缺少这些实现的平台上，长请求只能走通用路径，要么极慢，要么显存直接爆掉。

多模态更麻烦：视觉或音频编码器、投影层、语言模型这三段的资源特性完全不同——编码器算力密集、语言模型带宽密集，中间还要做形状转换。把它们当成一条普通流水线来跑，必然有一段在等另一段。而这恰好是项目库里 Sreal AI、科学引擎、深光地球这几家的主力负载形态（§8.1）。

可补的方向：引入或重写融合注意力实现；长序列的分页与分层卸载；多模态各段独立并行度与独立扩缩；针对视觉编码器的批处理策略。这一层的工作量最大，但也最能拉开差距——因为大多数团队根本还没走到这里。

⑤ 底层约束：通信带宽决定了前四层的天花板

前四层都是软件问题，但它们的上限被一个硬件事实框住：国产加速器与成熟平台最大的规格差不是算力，是卡间互联带宽。海光深算一号招股书数据显示，其卡间互联 xGMI 约 184GB/s，对 A100 NVLink 的 600GB/s 只有 30.7%；而显存带宽的差距是 50.2%，还不到互联差距的一半。

这解释了两件事：其一，大规模专家并行与 PD 分离这类重度依赖卡间通信的技术，在国产平台上做起来更难——但正因为通信是瓶颈，做对了收益也更大；其二，超节点形态（把大量卡塞进一个高带宽域）不是营销概念，它是这个约束的直接解法。这也是为什么公开实测里，国产卡在单卡层面落后、在超节点集群层面反而能反超。

团队在国产加速器的芯片架构与算子层有一线工程经验，这是上表中「可补的方向」一列能够落地的前提。在会谈中，这一条的价值不在于展示技术，而在于让对方确认：园区的国产化率要求可以由一个真正懂这一层的人来兜底，而不是变成一次赌注。

6.7 优势六：园区聚合调度——唯一不可复制的那一项

§2.5 已给出统计依据：几十家企业的负载叠加后峰均比显著收敛，按峰值备容时的平均利用率上限从不到四成抬到接近八成。这里补充两点会谈中要强调的：

• 这个红利只有园区能创造，但需要有人兑现。需求集中在园区手里，可是把叠加后的曲线真正转化成低成本，需要统一的调度层、配额与优先级机制、以及跨模型的容量复用能力。园区拥有这个红利的所有权，我们提供把它变现的能力。
• 公有云不会替园区做这件事。公有云的商业模式是按需计费，园区企业的闲置容量在它的账上是收入而不是浪费。指出这一点不是攻击对手，而是指出激励结构的差异——这类论证在平台机构面前比任何形容词都有效。

6.8 优势七：交付的是平台能力，不只是 token

最后一项优势不在技术侧，而在交付形态。第 5 章列出的四项价值——招商权益、可汇报的建成物、活跃度数据、预算效率——都要求供应商愿意做三件标准化产品不愿做的事：驻场做深度定制、把平台侧数据与控制权交还园区、不用锁定条款做护城河。

我们愿意做，原因不是姿态好，而是这三件事与我们的商业模式并不冲突：护城河在成本曲线上。只要单位成本持续比别人低，就不需要靠合同锁住任何人；反过来，需要靠锁定生存的供应商，恰好证明了它的成本没有优势。

CHAPTER 07 · POLICY LEVERAGE政策杠杆：上海已经把这条路铺好了

这一章是本次调研里最有价值的发现。「园区级 Token 平台 + 统一补贴申领」不是我们的创新，而是上海市政策文件里已经写明的机制——包括一个专门为 token 消费设立的补贴品类，以及一条允许服务商代客户统一申报的通道。会谈中把这一章讲清楚，可信度会有质的变化。

7.1 一个关键事实：「模型券」已在 2026 年正式改名为「模型券（Token 券）」

母政策是《上海市进一步扩大人工智能应用的若干措施》（沪经信智〔2025〕489 号，2025-07-28）。到 2026 年度实施口径时，文件名称发生了一个值得注意的变化——《关于组织 2026 年度上海市「模塑申城」工程相关补贴申报工作的通知》（沪经信智〔2026〕248 号，2026-04-30）中，「模型券」被正式表述为「模型券（Token 券）」。

这意味着在政策语言层面，Token 消费已经成为一个独立的、被命名的、有专项资金的补贴品类。这与国家层面的方向一致：工信部《关于开展普惠算力赋能中小企业发展专项行动的通知》（工信厅通信〔2026〕14 号，2026-04-02）明确提出「推行按『卡时』『核时』及 Token 计费等灵活付费模式」，并探索「算力银行」「算力超市」等业务形态。

7.2 三张券与两级配套：可叠加的额度清单

申报节奏：2026 年度全年 4 批次，每季度首月受理，通过 zxzj.sheitc.sh.gov.cn 在线申报，区主管部门初审后一周内报市经信委。关键限制：「申报项目须未获得其他市级财政资金补贴支持」——同一市级资金不可重复申领，所以叠加设计必须区分市级与区级、区分品类，不能简单相加。

7.3 真正的支点：政策明确允许「服务商代客统筹申报」

这是本章最重要的一条。沪经信智〔2026〕248 号在算力券与模型券两处都写了同一个机制：

对入驻企业而言，这还解决了一个现实痛点：几十家早期公司各自去研究政策、准备材料、跑四个批次的申报，绝大多数根本不会去做。统一申报把这件事变成园区的一项服务，企业侧零成本受益。

7.4 一个必须满足的前置条件：接入市级统筹调度平台

《上海市关于促进智算云产业创新发展的实施意见（2025—2027 年）》（上海市经信委，2025-03-26）里有一条容易被忽略但直接决定补贴资格的条款：

也就是说，接入「市级智能算力资源统筹调度服务平台」是拿到算力补贴的前置条件。这对我们的方案设计是一条硬要求，也是一个正面卖点：我们主动承诺完成这项对接，园区就同时获得了补贴资格与合规的统筹申报通道。同一份文件的其他目标也与我们的定位一致：

另需说明：网传「党政信创 2025 年国产化率 80%」一类说法来自市场分析文章而非政府文件，不建议在会谈中引用。可引用的硬口径就是上面这份 2027 年 70% 的市级规划。

7.5 结算通道：平台签框架，企业按量领用

Token 按量结算最容易卡住的地方是财务流程，不是技术。而这里要处理的是企业侧的财务现实，不是机关单位的采购流程——我们的付费方是几十家创业公司，它们决策快、没有招标负担，但有另一组约束：

7.6 别的地方已经这么干了：两个必须讲透的先例

工研院最可能的顾虑之一是「园区统一做 Token 平台，有没有人做过、做成什么样」。有，而且已经写进地方政策文件、由国资平台落地。把这两个先例讲透，这件事就从「一次冒险」变成「跟上进度」。

先例一 · 武汉硚口区：与我们场景最接近的完整模板

硚口区出台了武汉全市首个 Token 经济政策——《硚口区促进 Token 经济和人工智能 OPC 发展三年行动方案及若干措施》，核心提法是「Token 普惠共营」。「OPC」指一人公司或微型创业主体，是国家数据局在《支持人工智能 OPC 创新发展行动方案（试行）》里正式使用的政策类别，对应的正是工研院项目库里那批早期团队。

先例二 · 北京数据集团「京算 Token 工厂」：国资平台已经认可这套形态

如果说硚口区证明了「区县级能做」，京算证明的是「国资背景的平台方已经接受了不卖硬件、只卖 Token 的商业形态」。其商业模式的公开表述是：

这段话里有三个对我们极其有利的点，建议在会谈中逐条指出：

• 「摒弃卖硬件卖机柜」——它替我们说了第 4 章那件事：卡时租赁那一层的毛利率被租金与折旧锁死，往上走到按产出计费才有空间。由一家国资平台说出来，比我们说有力得多。
• 「按实际消耗计费」——这正是园区最需要的形态：企业不用预付、不用买断，用多少算多少。对照 §9.5 讲的初创企业现金摩擦。
• 「风险和复杂性全部转移至平台方」——这句话定义了我们与工研院的分工：园区不承担硬件采购与集群运维的风险，那些留在技术方这一侧。这也是第 10 章三段式方案「园区敞口始终可控」的另一种表述。

其余可引用的政策先例（简略）

一条定名依据可在开场时顺带提及：2026-03-23 国家数据局局长刘烈宏在中国发展高层论坛正式将 Token 的中文名定为「词元」，并定位为「智能时代的价值锚点，是连接技术供给与商业需求的结算单位」；2026 年 4 月国家数据局的征求意见稿进一步提出「探索词元交易等新型交易模式」。把 token 说成「结算单位」而不是「技术指标」，正是我们希望对方接受的框架——而这个框架是官方定的。

7.7 两个必须现场确认的政策要点

主管部门口径（供核实用）：徐汇区新工办人工智能智能科（64872222-1041）；徐汇 AI 小镇的「生态运营公司」具体主体未在文件中披露。这两点建议由我们主动提出并建议共同向主管部门确认——主动指出对方方案里的政策不确定性，是建立专业信任最快的方式之一。

CHAPTER 08 · THE ACTUAL CUSTOMERS客户画像：A 层企业逐家怎么切

工研院是渠道，真正付钱、真正用 token、真正决定这件事成不成的是下面的企业。这一章把 A 层的重点企业逐家过一遍：各自的推理负载长什么样、最在意什么、第一句话该说什么，最后给一个切入顺序。这份清单是整份材料里唯一可以直接拿去打电话的部分。

8.1 先分清三种关系

A 层的十二家不是同一种客户，混着谈会乱。按我们能为它做什么分成三类：

8.2 逐家画像与开场话术

沅域智能 · 建议第一个谈

心流直觉 · ROI 最好算的一家

Wisdom AI（星际章鱼）· 最难说服，也最有背书价值

科学引擎 · 私有化方案的最佳样板

观壹科技 · 与科学引擎同一套打法

罕见病循证诊断智能体 DeepRare，向 Virtual Cell 与 AI Scientist 演进，长链推理与多尺度建模。项目自述为高资本消耗、长验证周期的平台型 AI for Science——高资本消耗四个字就是我们的开场理由。合规诉求与科学引擎一致，可打包成「医疗与生命科学专属推理环境」一并推进。

深光地球 · 海外部署是变量

矿业垂直大模型，自研融合视觉 Transformer 与 LLM 的跨模态大模型，配套无人机与深地传感，主打海外市场商业化落地。跨模态推理成本高；但海外部署会引出数据跨境与节点位置问题，需要先问清服务区域再谈方案，不要默认按境内方案报。

基元律动 / EvoKernel · 以供需关系开场，不以竞争关系开场

第二批：数元纪科技 / 光之宇 / 千诀科技 / 观行智能

推理量中等，需求真实但不紧迫。建议在前六家做出实测数据之后再接触——那时手上有同城同类企业的真实账单对比，说服成本会低很多。观行智能与千诀偏训练与仿真，注意区分训练与推理两条线（§1.5 B 层的提醒同样适用）。

8.3 建议的切入顺序

8.4 一个还没有人做过的采购品类

顺带指出一个结构性空白：检索公开招标与中标记录后，找不到按 token 计费的算力服务采购案例——现有的公开采购几乎全部按「卡 / 台 / 月」计价。这意味着企业侧在买 token 服务时，没有现成的合同模板、没有统一的计量口径、没有验收标准、没有 SLA 范式。

对我们是双向的：一方面每一单都要自己造轮子，成本高；另一方面，谁先把这套「Token 服务采购包」做出来并跑通一遍，谁就定义了这个品类的标准。建议把它作为交付物的一部分正式列出——计量口径、对账方式、SLA 条款、退出机制。这对工研院这样的平台方尤其有吸引力：它拿到的不只是便宜的 token，还有一套可以复制给后续所有入驻企业的采购范式。

CHAPTER 09 · OBJECTIONS他们会怎么反驳：九个必答题

这一章按真实会谈的顺序排列。每一条给出对方的原话式质疑、这个质疑背后的真实顾虑，以及我们的答法。答法的共同原则是：不否认对方的判断，而是把问题重新框到我们的强项上。

9.1 「大厂 API 已经很便宜了，而且天天降价，你们凭什么更便宜？」

背后的真实顾虑：怕被一个小团队用短期报价套住，一年后发现大厂更便宜。

答法：分三步，不要跳步。

• 第一步，承认并利用它：「他们便宜是真的，但便宜的原因值得看一眼。」然后给出第 4 章的毛利率证据——这个赛道公有云侧的普遍负毛利意味着当前价格里含着获客补贴。补贴是营销预算，不是成本结构，它随时可以收回，而且通常在你迁移成本最高的时候收回。
• 第二步，换掉比价对象：「我们不跟单个模型的挂牌价比，我们比园区的总账。」你现在这一亿元里，真正落在算力上的可能不到两成（§2.3），剩下的是模型溢价与渠道费。把三十家企业的负载归拢起来统一调度，光是峰谷互补这一项就值两倍成本差（§2.5）——这件事大厂不会替园区做，因为它的商业模式是按需计费，园区的闲置就是它的收入。
• 第三步，把承诺变成可验证的：我们不要求相信，我们要求测。同题同压的对比测试，同一批真实请求、同一套质量评估口径，把单位成本和质量指标一起摆出来。如果测不出优势，这单不该给我们。

9.2 「已经有很多公司做 token 工厂了，港股都有上市的，你们有什么不一样？」

背后的真实顾虑：这是个红海，选一个小玩家不理性。

答法：直接同意「很卷」，然后指出卷的是哪一层。这个赛道的绝大多数参与者在做两件事之一——把上游的 token 加价转售，或者拿地方补贴建集群然后按卡时出租。前者的成本是别人的定价，能给的折扣上限就是自己的渠道返点；后者卖的是裸资源，客户拿到卡之后的低吞吐、低利用率与它无关。

一句话收口：「同一个赛道里，我们和他们赚钱的方式是相反的。他们的利润来自差价，所以降价伤自己；我们的利润来自成本下降，所以降价是把已经拿到的工程收益让出来一部分。这就是为什么我们敢把单位成本写进合同，而转售方只敢给折扣。」

9.3 「模速空间已经有算力生态超市了，为什么还需要你们？」

背后的真实顾虑：同区已经有一个看起来很像的东西，由一家融资超 22 亿、纳管 25000P 的公司运营，而且它确实也在做推理优化。这是全场最尖锐的一问。

正确答法：承认同层，然后把差异落在交付形态与深度上。可以直接说「他们做得很好，而且和我们在同一层」——这句坦白本身就能挣回不少信任。然后给四条：

最后要诚实的一点：规模上我们比不了，不要装。对方融资、纳管算力、客户数量都远超我们。如果被直接问到，就直说：「规模上我们没法比，所以我们不打算做通用平台。我们只做一件事——把你们这几家的单位成本做到最低，并且让这个数字可以被你们自己核验。」承认劣势之后说出的优势，可信度反而更高。

9.4 「你们团队太小，一亿元的量我不敢一次交给你们。」

背后的真实顾虑：这是最合理的顾虑，也是最不该硬扛的。

答法：不接这个前提。我们从来不建议一次性切换，因为那对园区不利，对我们也不利。正确结构是混合架构 + 分段承接：

• 混合架构：我们承接的是可预测的基载，峰值溢出仍然走公有云。这在工程上就是最优解（按峰值自建永远不经济），在商务上则意味着园区永远保留一条完好的退路，切换成本接近于零。
• 分段承接：第一段只做对比测试，不承接生产流量；第二段承接一部分非关键负载，签明确 SLA 与退出条款；第三段才谈规模化。每一段都有独立的验收口径和终止条件。
• 敞口始终在园区手里：不要求排他，不要求预付大额，不锁定。

这一条答完，通常会显著改变对方对我们的印象——主动限制自己的敞口，是小团队证明自己懂事的最有效方式。而且它是真话：一次吃下全部流量对我们才是最大的风险。

9.5 「国产卡到底行不行？我听说性能不够、生态不全。」

背后的真实顾虑：既有政策要求要用国产，又怕用了出事，希望有人替它承担这个判断。

答法：不要辩护，要拆解。国产加速器在推理侧的差距，主要不在峰值算力这一项——差距集中在软件栈：算子覆盖不全导致大量算子回退、显存管理粗糙导致批量上不去、调度不成熟导致利用率低、长上下文与多模态路径缺少针对性优化。这些每一项都是工程可补的，也正是我们的工作内容所在。

然后给出园区真正想听的结论：「所以我们的方案不是赌国产卡，而是把国产卡放在它现在确实合适的负载上，把不合适的负载留给其他硬件，由平台统一调度、对上层企业完全透明。企业只看到一个 API，看不到底下是什么卡。国产化率因此变成一个可以逐季度往上调的平台指标，而不是一次性的赌注。」

9.6 「为什么要园区统一搞，让企业各自去买不行吗？」

答法：企业各自买，有三件事永远拿不到——而这三件恰好都是园区的职能所在：

• 峰谷互补的利用率红利（§2.5）。单家企业必须按自己的峰值备容，这个损失是结构性的，只有聚合才能消除。
• 统一的合规与数据边界（§5.3）。分散采购意味着几十份数据出域责任，且涉密与敏感场景根本无法开展。
• 统一的结算与票据（§5.3）。这是财务与审计层面的实际障碍，尤其涉及科研经费与财政资金时。

再加一句给平台听的：「而且企业各自买，园区就看不到自己企业的 token 曲线——那是最灵敏的活跃度指标。」

9.7 「钱怎么算？你们要多少？」

答法：给结构，不要急着给数字。三种可选，按园区的风险偏好排序：

先谈 A，把第一阶段做成园区几乎零风险的动作；A 跑出实测数之后，B 和 C 的谈判就有了共同的事实基础。顺序反了会很难谈——没有实测数据时谈 C，就退回到纯比价了。

9.8 「数据安全怎么保证？」

答法：列清边界，不讲承诺。私有化部署在园区可控的资源上；推理数据不出园区网络边界；模型权重与业务数据分离存储；完整调用审计日志归园区所有；运维访问留痕并可由园区审计。把「我们能看到什么」明确写下来——主动划出自己的权限边界，比反复保证安全更有说服力。

9.9 「万一你们做不下去了，园区怎么办？」

答法：这个问题必须给出结构性答案，而不是「我们不会」。

• 平台建在园区侧或园区可控的资源上，资产与数据不在我们手里。
• 交付物含完整部署方案、配置与运维文档，接口采用业界通用规范，可由第三方接手。
• 混合架构保留公有云通路，最坏情况下切回公有云是一个配置动作，不是一次迁移工程。
• 不要求排他，园区可以同时保留其他供应商。

这四条合起来传递的信息是：我们的护城河是持续把成本做得更低，不是把客户锁住。愿意主动交出锁定手段的供应商，在这个赛道里同样是少数。

CHAPTER 10 · THE PLAN怎么落地：三段式方案与每段的验收口径

方案设计的唯一原则：让园区在每一个节点上都能低成本地说「不」。敞口越小，第一步越容易迈出去；而只要第一步的实测数据是真的，后面的谈判就不再是说服，而是算账。

10.1 第一段：同题同压对比测试

目的只有一个——把「我们更便宜」从主张变成读数。做法：取园区内一到两家企业的真实请求样本（脱敏后），在我们的环境与现有供应商上跑同一批请求，同时记录成本侧与质量侧指标。

10.2 第二段：非关键负载试运行

承接一部分真实生产流量，但严格限定在可预测的基载与非关键路径上，峰值与关键业务仍走原有通路。这一段要产出三样东西：

• 一份真实账单对比。连续数月的实际支出对照，比任何测试报告都有力，也是后续申报补贴与对上汇报的材料基础。
• 一个园区侧的用量与成本看板。这是第 5 章第③项价值的第一次交付——让园区第一次看见自己企业的 token 曲线。看板一旦上线，这个项目在园区内部的性质就变了：它不再是一笔采购，而是园区的一项能力。
• 一套跑通的结算与票据流程。把 §5.3 的三件杂事在小规模上先跑通，规模化时就不会卡在财务与审计环节。

参与企业建议从自愿报名的三到五家起步，优先选 token 消耗量大、对成本敏感、技术团队配合度高的。第一批企业的口碑决定第三段能否推开——这一段的真实目标是拿到园区内部的推荐人，而不是拿到收入。

10.3 第三段：园区级平台

只有在前两段都有可核验数据之后，才谈整体承接。这一段的形态与商务结构在第 9.7 节已列出（转入托管费或按量结算）。这里只强调三个必须在这一段落地、且构成长期壁垒的动作：

CHAPTER 11 · THE MEETING第一次会谈：议程、开场、禁区

这一章是可以直接带进会议室的部分。核心判断：第一次会谈不要以拿单为目标，要以「拿到六个数字 + 约定一次对比测试」为目标。把目标定小，成功率会高很多，而且第二次见面时我们手上就有事实了。

11.1 一次 60 分钟会谈的建议节奏

11.2 三种开场，按对方身份选

11.3 禁区：这几句话不要说

11.4 需要提前准备好的三份东西

• 一页纸的六问表格（§2.6）。现场填写，会后回传，本身就是一次专业度展示。
• 一页纸的对比测试方案，含指标清单（§10.1 那张表）、失败条件、双方投入、时间表。一页纸就够，越简单越容易被批准。
• 成本结构的那张图（图 2-1）。这是全场唯一需要视觉呈现的东西，其他都可以口述。

刻意不准备的东西：公司介绍、团队背景页、技术架构大图、报价单。第一次会谈里，这四样每出现一样，会谈就往「供应商比价」的方向偏一点。

CHAPTER 12 · OUR OWN RISKS我们自己要想清楚的五件事

前面几章都在讲怎么说服对方。这一章相反：把我们自己这一侧最薄的地方摊开。写在这里的目的很实际——这些问题对方的技术顾问也会想到，我们提前想过一遍，会谈时就不会被问住。

CHAPTER 13 · WHO'S WHO公司图鉴：这些名字分别是谁

这一章是给自己看的参考页，不是谈判材料。目的很简单：别人在会上抛出一个公司名，你能立刻知道它在哪一层、大概什么量级、有没有在赚钱。数字尽量标了出处与置信度——原文指招股书或定期报告原文，媒体指媒体或研报转述，常识指行业通识、未在本轮核实。

每家都补了创始人与团队背景。这一项几乎全部标为「常识」——它们来自行业通行认知而非本轮一手核实，且高管变动频繁。用途是让你在别人提起某家公司时知道它的来路与基因，不要在正式场合当作确定事实引用；真要提某个人名，会前花一分钟搜一下确认在任。

13.1 先记住这张分层图

整条链上从下到上有五层，毛利率与技术含量大体是从下往上递增，但资本开支是从下往上递减：

国金证券《Token 计费重塑 AI 产业链》（2026-07-17）的四级模型对应 L3→L5：1.0 API 代理、2.0 聚合平台、3.0 推理基础设施、4.0 企业 AI 网关，并判断国内玩家「大多处于 2.0 向 3.0 过渡的关键阶段」原文。我们主张的位置是 3.0，即自己租算力、自己跑模型、自己承担效率。

13.2 独立 Token 工厂与推理服务商

这一层最值得研究，因为它就是我们要去的位置，而且几乎每一家都在亏钱。

13.3 模型厂自营的 MaaS

模型公司自己卖 API。这一层的招股书是研究单位经济最好的材料，因为推理成本几乎等于它们的全部成本。

13.4 大厂云 MaaS：价格战的发起者与规则制定者

要记住的机制：大厂 MaaS 的低价是获客投入，不是成本优势。硅基流动招股书里「推广算力资源成本」5,421.3 万元（即发免费券烧掉的算力）是其公有云收入的 1.85 倍——这就是补贴的确切金额。而 2026-03 起行业已出现反向涨价（§4.5）。

13.5 算力运营与租赁：A 股这一批

这一批是「卡时生意」，研究它们主要为了两件事：看清 L2 与 L3 的毛利率差异，以及学会用折旧年限识别报价。

13.6 运营商：规模最大、定价最狠的一层

要记住的判断：券商普遍认为订单、算力与流量会持续向运营商和头部云厂商集中，马太效应凸显——「运营商掌握稀缺的政企渠道、全域客户、网络传输、统一结算与合规运维能力」。这条对我们是不利判断，会谈中如被提出，正确回应是承认规模劣势、把主张收缩到「特定负载的单位成本」上（§9.3 末段）。

13.7 国产 AI 芯片：谁是谁

全年出货合计约 400 万张，IDC 口径经媒体转述媒体，未见 IDC 原始报告。结构上值得注意：昇腾一家占了国产份额的一半以上，而寒武纪虽然营收增速极高，出货绝对量仍只有昇腾的七分之一。

口径已由华泰证券 2026-07-22 中期策略引 IDC 数据统一：2025 年中国 AI 加速卡总交付 400 万张，其中国产 165 万张、占比 41%（2024 年约 30%），昇腾 81.2 万张、占国产的 49.2%。另有转引国泰海通的口径给出昇腾 130 万+、寒武纪 50–60 万，与上表差异很大且为三手信息，建议以 IDC 口径为准。会谈中安全的说法是「国产份额已过四成，昇腾占国产的一半」这个结构性判断。

13.8 海外对标：理解这门生意该长什么样

海外这条线最有参考价值的一点：Fireworks 能做到 50%+ 毛利，Nebius 能把同一张卡的毛利率从 30% 做到 81%，而国内同层玩家普遍负毛利。差距不在市场，在工程成熟度——这也是国金证券说国内「大多处于 2.0 向 3.0 过渡」的含义。

13.9 十个记住就够用的数字

APPENDIX附录：数据速查、来源与信息缺口

本附录把全篇引用的数字集中列出，并明确区分四类置信度。会谈中引用任何数字前，请先看它属于哪一类。

A · 置信度标注说明

另有一类是我方估算（如 §2.5 的峰均比模型、§2.4 的敏感度算例、§1.8 的卡数换算），已在正文中逐处标明。这类数字用于说明量级与结构，不应作为精确预测使用。

B · 关键数字速查表

C · 主要来源清单

1. 1上海交大工研院官网 i3sjtu.cn
2. 2交大新闻网《人工智能学院入驻暨工业创新研究院启动仪式》 news.sjtu.edu.cn
3. 3上海市政府《人工智能赋能新质生产力启动仪式举行》 shanghai.gov.cn
4. 4上海交大先进产业技术研究院（产研院） aitri.sjtu.edu.cn
5. 5沪经信智〔2025〕489 号《上海市进一步扩大人工智能应用的若干措施》 sheitc.sh.gov.cn
6. 6沪经信智〔2026〕248 号《2026 年度「模塑申城」工程相关补贴申报工作的通知》 sheitc.sh.gov.cn
7. 7《上海市关于促进智算云产业创新发展的实施意见（2025—2027 年）》 sheitc.sh.gov.cn
8. 8《徐汇区关于推动人工智能产业高质量发展的若干意见》 sh-tec.cn
9. 9《徐汇区支持西岸人工智能大模型科创街区的扶持意见》 sh-hitech.com
10. 10张江 AI 创新小镇券政策申报通知 sh-hitech.com
11. 11工信厅通信〔2026〕14 号《关于开展普惠算力赋能中小企业发展专项行动的通知》 gxt.hunan.gov.cn
12. 12澎湃《国内首个「算力生态超市」——模速空间算力生态平台发布》 thepaper.cn
13. 13上海市政府《「模速空间」打造大模型创新生态圈 入驻企业超百家》 shanghai.gov.cn
14. 14IDC《中国 MaaS 市场进入高速增长期，Token 经济从概念走向规模化实践》，2026-05-07
15. 15中国政府采购网 · 中科院自动化所算力云服务租赁公开招标 ccgp.gov.cn
16. 16教育部《关于进一步完善中央财政科研项目资金管理等政策的若干意见》问答 moe.gov.cn
17. 22DeepSeek《DeepSeek-V3/R1 推理系统概览》官方披露，2025-03-01（本报告 §2.2 的成本定标即出自此处）
18. 17Kwon 等《Efficient Memory Management for Large Language Model Serving with PagedAttention》（vLLM 论文）
19. 18入驻企业融资信息：投资界、新浪科技、雷峰网等公开报道（记忆张量、无界动力、穹彻智能、源络科技等）

本轮补充说明（2026-08-26，第二次更新）：港交所招股书原文已完成核对——硅基流动（申請版本 2026-06-30）与基流科技（申請版本 2026-04-29）的分业务毛利率、成本结构、客户集中度、折旧年限均已定位到具体页码，见 §4.1 与 §4.4。无问芯穹经港/沪/深三所项目库逐条检索确认无递表记录，此前流传的说法不成立（§3.5）。券商研报库已完成 40 份精读，国金证券《Token 计费重塑 AI 产业链》（2026-07-17）中「Token 工厂四级演进模型」与「FireworksAI 毛利率 50%+ / GPU 机架租赁 20%–30%」两处已回原文逐字核实（注意：原文为「四级」非「四阶段」，50%+ 特指 FireworksAI，20%–30% 限定为「GPU 机架租赁」）。仍未取得的是中信、中金、华泰等机构的相关深度报告——所用研报镜像源不覆盖这些机构。关于头部券商的补充说明（第三次更新）：已对中信、中金、华泰、招商、天风、广发、光大、国泰海通、申万宏源、兴业、长江、浙商、华创十三家逐一检索。本轮取得转述级内容的 2026 年报告：中信《Token 工厂及 Token 运营商推动产业链价值重估》（2026-05-20，经核实为晨会级短篇观点，不含分层框架与毛利率测算——此前被他人当作框架报告出处属误引）；中金《Token 启示录（一）》（2026-05-10）；华泰《场景 Token 重塑 AI 应用商业模式》（2026-04-21）、《一美元能买多少「Token 智能」》（2026-08-05）、中期策略（2026-07-22）、固收《智能经济》（2026-07-31）；国泰海通算力租赁深度电话会（2026-07-08）；浙商《算力租赁供需两旺下迎来估值重估》（2026-07-15）；招商《为何「Token 运营」未来会大势所趋》（2026-05-17）。华创证券在 2025-01 至 2026-08 期间就该主题至少发布十余篇（宏观张瑜、计算机吴鸣远、电子王文龙等多团队覆盖），标题包括《Token 推理大爆发，国产算力再迎海量需求》（2026-03-03）、《AI+应用：MaaS 钟摆下的历史性机会》（2026-03-09）、《宏观视角看算力：政策、格局、投资》（2026-03-23）、《智算重构数据中心形态，推理需求开启全球 AIDC 新周期》（2026-03-31），但全文与关键数字同样无法从公开渠道取得；可确认的一条转述是其数据中心盈利模型显示项目 IRR 可达 12% 以上（区间 6%–8% 至 12%）二手转述。长江证券《AI 沉思录（二）：Token 工厂：从「堆资源」到「榨资源」的产业趋势》电话会于 2026-08-25 召开，距今不足 48 小时，尚无任何二次传播，正文无法取得——这是当前最值得补的一份。四个聚合站（慧博、水滴研报、未来智库、发现报告）均因登录墙或 JS 渲染无法抓取全文。确认存在但未取得全文的两条高价值线索：① 中金公司《AI 进化论》第 22 期「无惧存储通胀，下游盈利健康，多元降本」（2026-08-11）——标题即结论，是唯一直接回应「存储涨价是否传导到下游」的持牌机构报告；② 华创证券《算力芯片行业深度研究报告：算力革命叠浪起，国产 GPU 奋楫笃行》（芯片专题五，发布日期未确定）——唯一标题吻合「国产算力芯片全景对比」的深度报告。若后续能通过 Wind／Choice／慧博 VIP 取得这两份原文，是性价比最高的补充动作。另有三项确认缺失：十家样本公司中无一家披露 GPU 实际计算利用率（个别披露的是「上架率／出租率」，属商业口径，无法反映算力是否真在产出）；无一家披露算力租赁单价的时间序列，故价格战曲线无法从财报构建；港股已上市三家（智谱／MiniMax／云知声）的招股书原文本轮未取得（港交所标题检索接口在本环境持续返回空结果）。另有两份高相关报告仅见于他人参考文献、未取得原文：中信证券《Token 工厂及 Token 运营商推动产业链价值重估》、长江证券《AI 沉思录（二）：Token 工厂》。

招股说明书与券商研报类来源（§4.1、§4.4 部分数字）来自本项目前期检索记录，本轮未能重新定位到原文页码，故未列入上表。见 §4.5 的复核清单。

D · 信息缺口清单

以下是本轮未能解决的问题，按对谈判的重要性排序。前四项建议在首次接触时直接问对方，后面几项需要额外检索。

E · 术语中英对照表

按主题分组，供快速查阅。正文中每个术语首次出现时已就地标注英文，此表用于集中复习与会前速记。

推理服务指标

推理工程技术

并行策略

硬件与系统

商业与财务