「Token嘅終局係電力，電平，Token就平。」優刻得董事長季昕華接受本報專訪時，直接撕開AI競賽嘅底牌。當市場仍在比較各模型API每百萬Token幾毫子，季昕華已經將算盤打到一百四十公里外嘅烏蘭察布——呢度嘅平電、綠電同低溫，正係模型降價戰嘅真正後盾。
過去一年，DeepSeek、通義千問、智譜、MiniMax等國產模型不斷劈價，將大模型調用成本拉低到新區間。表面睇係市場競爭，但如果溯源每一個Token背後，其實牽涉一條由電力、土地、機櫃、製冷、網絡、存儲到GPU調度嘅長鏈條。企業老闆開始發現，AI唔係唔用，而係要開始計數：點令員工用好AI？成本點樣壓低？效率點樣真正提升？
揀中內蒙古，唔係撞彩
優刻得揀烏蘭察布建數據中心，可追溯到2017年。副總裁劉杰憶述，當年未有AI浪潮，初衷係服務北京嘅CPU業務，採用「前店後廠」模式——北京係前台，烏蘭察布做後勤基地。直到後來AI爆發，先逐步轉向GPU。
揀址亦非拍腦袋決定。季昕華透露，當年蘋果在內地揀數據中心，曾經邀請優刻得一同參與選址。團隊跑勻貴州、四川、重慶、寧夏、甘肅，最後落腳內蒙古。原因非常實際：電費平；蘋果要求100%綠電，內蒙古有能力做到；全年氣溫低，PUE更易做到靚仔；更重要係距離北京近，網絡時延同人員往來都方便。
呢幾個因素，喺雲計算時代已屬關鍵，去到AI時代更加放大。因為AI最終會將所有成本打穿到電力之上。
千卡集群，一年食幾多電？
劉杰提供咗一筆粗糙嘅帳。以一台國外高端伺服器為例，功耗約6.5千瓦，搭載8張GPU卡。一個千卡集群大約需要125台呢類伺服器。「單係伺服器本身，一年耗電已經好襟計；再乘上PUE系數，先係數據中心真正要孭嘅總用電。」
傳統IDC行業睇「櫃數」，但AI時代，機櫃功率先係關鍵。優刻得青浦數據中心約42畝地，設計約5,000個機櫃；烏蘭察布園區約212畝地，設計約12,000個機櫃。季昕華指，普通機櫃同今日AI需要嘅高功率機櫃已經係兩個世界。大模型訓練同推理要求更高功率密度，單機櫃供電、散熱、布線、液冷能力，重新定義咗數據中心價值。現場交流透露，液冷單機櫃功率可以去到35千瓦，背後需要電路同散熱系統專門改造。
呢個亦解釋到，點解傳統低功率數據中心空置率高企，而高功率數據中心未起好就有訂單。季昕華話：「我哋新數據中心仲未開始建，已經有簽約訂單，根據前幾棟樓嘅表現同市場需求，預計滿載率會非常高。」
降本五條路，最根本係「每度電出幾多Token」
將成本壓低，季昕華提出幾個具體方向。
第一，用國產模型。DeepSeek等國內模型價錢優勢明顯，對好多企業應用嚟講，唔係所有任務都要調用最貴最強嘅模型。一個85分嘅模型，同一個80分但成本低一截嘅模型，後者往往係更現實嘅選擇。
第二，從技術上提升「每度電產生Token嘅數量」。呢句好關鍵，因為真正決定長期成本嘅，唔係每百萬Token標價，而係每一度電最終轉化到幾多有效Token。GPU利用率、推理框架、模型部署、網絡通訊、存儲讀寫，全部影響呢個數字。
第三，揀啱數據中心位置。內蒙古呢類電力同氣候條件較好嘅地方，可以喺底層成本建立優勢。烏蘭察布適合訓練，以及覆蓋北方大部分推理需求；上海青浦則適合對時延極敏感嘅業務，例如金融、汽車，同部分推理場景。呢個實際上對應「東數西算」分工邏輯。
第四，模型組合。季昕華強調，唔同模型能力邊界不同，企業唔可以諗住一個模型打天下。未來更合理嘅方式，係將任務拆開，由平台自動幫用戶選擇合適模型，例如前端代碼用某個模型，後端用另一個，複雜任務中真正需要頂級模型處理嘅部分可能只有兩成，其餘可交畀更平更快嘅模型。
第五，Prompt管理同工程化。好多企業一路鬧AI成本高，一路冇建立內部使用規則。員工點樣提問、調用邊個模型、有冇重用模板、會唔會將簡單問題丟俾高價模型，全部影響Token消耗。季昕華話，令員工跟規則用好Token，都係降本重要手段。
AI進入「算賬」時代，平Token背後係治理
呢一步，將問題由基礎設施推進到組織管理。企業真正要問嘅，唔係「有冇AI」，而係「AI使出去嘅錢有冇產生價值」。
優刻得內部每日睇AI使用報告：幾多員工用咗、用咗幾錢、用喺咩場景。Coding用量極大，查詢、PPT等場景亦在增長。但季昕華承認，最大難題係點樣衡量呢啲投入到底帶嚟幾多產出。AI工具鋪開後，有員工仍在摸索，有啲調用純屬個人用途，真正用於公司業務嘅部分，提效幾多仍須評估。佢哋正開發產品，幫企業分析員工使用AI係咪與公司業務相關，效率係咪高。
「AI時代嘅人才觀亦在改變。」季昕華認為，過去招聘看重經驗，但有AI之後，學習新技術門檻下降，主動性、好奇心、自省能力、業務理解，可能比單純經驗更重要。「AI每日都喺度變，真正稀缺嘅唔再係識唔識寫code，而係識唔識判斷問題、拆解任務、駕馭工具，將AI產出落到業務結果。」
Token需求亦唔係一次性熱鬧。季昕華判斷，年初某啲現象級智能體應用帶起浪潮，即使熱點退卻，Token用量仍在快速增長。Coding能力提升令AI真正進入「做嘢」階段；視頻、圖像模型釋放短劇、漫劇等內容生產需求；市場推廣、財務、HR等崗位開始用AI；錄音轉會議紀要、智能眼鏡、智能戒指等硬件，亦持續消耗Token。呢幾個來源有個共同點：唔係單次嘗鮮，而係工作流、內容流同硬件入口嘅持續消耗。
比特世界嘅需求可以指數級增長，但現實世界係原子世界——電網、水、機房、設備交付、施工周期，全部有物理約束。
呢句說話，概括晒AI基礎設施嘅底層邏輯。國內瓶頸主要有三：GPU供應受限、數據中心審批同管控挑戰、舊基建電力配套不足。季昕華亦提到，國產GPU已到「可用狀態」，性能提升快，但與海外高階產品仍有差距，未來要靠模型與硬件共同適配，形成生態閉環。
AI基礎設施永遠喺「捉瓶頸」。GPU唔夠，升GPU；GPU升完，記憶體成為樽頸；記憶體加大，卡與卡之間嘅網絡又唔夠快；網絡解決咗，CPU調度跟唔上；之後仲有跨機房推理帶嚟嘅頻寬挑戰。「成個系統嘅工作，就係不斷搵到瓶頸點、突破瓶頸點，然後迎接下一個。」
Token降價嘅盡頭，唔係簡單嘅模型劈價，而係電力、算力、工程能力，同企業重新學識點樣用AI。誰能夠將一度電更高比例轉化成有效算力，將一張GPU跑出更多有效Token，將不同模型組合成更低成本工作流，將員工嘅AI使用變成可衡量嘅業務產出，誰先有機會留低。
