当前全球 AI 产业已从模型性能竞赛迈入智能体规模化落地的 " 生死竞速 " 阶段，" 降本 "不再是可选优化项，而是决定 AI 企业能否盈利、行业能否突破的核心命脉。

在此大背景下，浪潮信息推出元脑 HC1000 超扩展 AI 服务器，将推理成本首次击穿至1 元 / 每百万 token。

这一突破不仅有望打通智能体产业化落地 " 最后一公里 " 的成本障碍，更将重塑 AI 产业竞争的底层逻辑。

浪潮信息首席 AI 战略官刘军强调：

当前 1 元 / 每百万 token 的成本突破仅是阶段性胜利，面对未来 token 消耗量指数级增长、复杂任务 token 需求激增数十倍的必然趋势，现有成本水平仍难支撑 AI 的普惠落地。

未来，AI 要真正成为如同 " 水电煤 " 般的基础资源，token 成本必须在现有基础上实现数量级跨越，成本能力将从 " 核心竞争力 " 进一步升级为 " 生存入场券 "，直接决定 AI 企业在智能体时代的生死存亡。

△浪潮信息首席 AI 战略官刘军智能体时代，token 成本就是竞争力

回顾互联网发展史，基础设施的" 提速降费 "是行业繁荣的重要基石。

从拨号上网以 Kb 计费，到光纤入户后百兆带宽成为标配，再到 4G/5G 时代数据流量成本趋近于零——每一次通信成本的显著降低，都推动了如视频流媒体、移动支付等全新应用生态的爆发。

当前的 AI 时代也处于相似的临界点，当技术进步促使 token 单价下滑之后，企业得以大规模地将 AI 应用于更复杂、更耗能的场景，如从早期的简短问答，到如今支持超长上下文、具备多步规划与反思能力的智能体……

这也导致单任务对 token 的需求已呈指数级增长。如果 token 成本下降的速度跟不上消耗量的指数增长，企业将面临更高的费用投入，这昭示着经济学中著名的 " 杰文斯悖论 " 正在 token 经济中完美重演。

（杰文斯悖论是 1865 年经济学家威廉 · 斯坦利 · 杰文斯提出的悖论：指当技术进步提高了效率，资源消耗不仅没有减少，反而激增。例如，瓦特改良的蒸汽机让煤炭燃烧更加高效，但结果却是煤炭需求飙升。）

来自多方的数据也有力佐证了 token 消耗量的指数级增长趋势。

火山引擎最新披露的数据显示，截至今年 12 月，字节跳动旗下豆包大模型日均 token 使用量突破50 万亿，较去年同期增长超过 10 倍，相比 2024 年 5 月刚推出时的日均调用量增长达 417 倍；

谷歌在 10 月披露，其各平台每月处理的 token 用量已达1300 万亿，相当于日均 43.3 万亿，而一年前月均仅为 9.7 万亿。

△谷歌公布其 token 处理量变化

当使用量达到 " 百万亿 token/ 月 " 的量级时，哪怕每百万 token 成本只下降 1 美元，也可能带来每月 1 亿美元的成本差异。

对此，刘军认为：

token 成本就是竞争力，它直接决定了智能体的盈利能力。要让 AI 真正进入规模化普惠阶段，token 成本必须在现有基础上继续实现数量级的下降。

深挖 token 成本 " 暗箱 "：架构不匹配是核心瓶颈

当下，全球大模型竞赛从 " 盲目堆算力 " 转向 " 追求单位算力产出价值 " 的新阶段。

单位算力产出价值受到能源价格、硬件采购成本、算法优化、运营成本等多种因素的影响，但不可否认的是，现阶段 token 成本 80% 以上依然来自算力支出。

而阻碍成本下降的核心矛盾，在于推理负载与训练负载截然不同，沿用旧架构会导致算力、显存与网络资源难以同时最优，造成严重的 " 高配低效 "。

一是算力利用率（MFU）的严重倒挂。

训练阶段 MFU 可达 50% 以上，但在推理阶段，特别是对于追求低延迟的实时交互任务，由于 token 的自回归解码特性，在每一轮计算中，硬件必须加载全部的模型参数，却只为了计算一个 token 的输出，导致昂贵的 GPU 大部分时间在等待数据搬运，实际 MFU 往往仅为 5%-10%。这种巨大的算力闲置是成本高企的结构性根源。

二是" 存储墙 " 瓶颈在推理场景下被放大。

在大模型推理中，随着上下文长度的增加，KV Cache 呈指数级增长。这不仅占用了大量的显存空间，还导致了由于访存密集带来的高功耗。

这种存算分离不仅带来数据迁移功耗和延迟，还必须配合使用价格高昂的 HBM，已经成为阻碍 token 成本下降的重要瓶颈。

三是网络通信与横向扩展代价愈发高昂。

当模型规模突破单机承载能力时，跨节点通信成为新瓶颈。传统 RoCE 或 InfiniBand 网络的延迟远高于芯片内部的总线延迟，通信开销可能占据总推理时间的 30% 以上，导致企业被迫通过堆砌更多资源来维持响应速度，推高了总拥有成本（TCO）。

对此，刘军指出，降低 token 成本的核心不是 " 把一台机器做得更全 "，而是围绕目标重构系统——

把推理流程拆得更细，支持 P/D 分离、A/F 分离、KV 并行、细粒度专家拆分等计算策略，让不同计算模块在不同卡上按需配置并发，把每张卡的负载打满，让 " 卡时成本 " 更低、让 " 卡时产出 " 更高。

基于全新超扩展架构，元脑 HC1000 实现推理成本首次击破 1 元 / 每百万 token

当前主流大模型的 token 成本依然高昂。以输出百万 token 为例，Claude、Grok 等模型的价格普遍在 10-15 美元，国内大模型虽然相对便宜，也多在 10 元以上。

在天文数字级别的调用量下，如此高的 token 成本让大规模商业化应用面临严峻的 ROI 挑战。

因此，要打破成本僵局，必须从计算架构层面进行根本性重构，从而大幅提升单位算力的产出效率。

△主流 LLM 的百万 token 价格

为此，浪潮信息推出元脑 HC1000 超扩展 AI 服务器。

该产品基于全新设计的全对称 DirectCom 极速架构，采用无损超扩展设计，可高效聚合海量本土 AI 芯片，支持极大推理吞吐量，推理成本首次击破 1 元 / 每百万 token，为智能体突破 token 成本瓶颈提供极致性能的创新算力系统。

△元脑 HC1000 超扩展 AI 服务器

对此，刘军表示：

我们看到原来的 AI 计算是瞄着大而全去建设的，五脏俱全，各种各样的东西都在里面。但是当我们聚焦降低 token 成本这一核心目标之后，我们重新思考系统架构设计，找到系统瓶颈，重构出一个极简设计的系统。

元脑 HC1000 创新设计了 DirectCom 极速架构，每计算模组配置 16 颗 AIPU，采用直达通信设计，解决传统架构的协议转换和带宽争抢问题，实现超低延迟；计算通信 1:1 均衡配比，实现全局无阻塞通信；全对称的系统拓扑设计，可以支持灵活的 PD 分离、AF 分离方案，按需配置计算实例，最大化资源利用率。

△全对称 DirectCom 极速架构

同时，元脑 HC1000 支持超大规模无损扩展，DirectCom 架构保障了计算和通信均衡，通过算网深度协同、全域无损技术实现推理性能 1.75 倍提升，并且通过对大模型的计算流程细分和模型结构解耦，实现计算负载的灵活按需配比，单卡 MFU 最高可提升 5.7 倍。

△超大规模无损扩展

此外，元脑 HC1000 通过自适应路由和智能拥塞控制算法，提供数据包级动态负载均衡，实现 KV Cache 传输和 All to All 通信流量的智能调度，将 KV Cache 传输对 Prefill、Decode 计算实例影响降低 5-10 倍。

刘军强调，当前 "1 元 / 每百万 token" 还远远不够，面对未来 token 消耗量的指数级增长，若要实现单 token 成本的持续、数量级下降，需要推动计算架构的根本性革新。

这也要求整个 AI 产业的产品技术创新，要从当前的规模导向转为效率导向，从根本上重新思考和设计 AI 计算系统，发展 AI 专用计算架构，探索开发大模型芯片，推动算法硬件化的专用计算架构创新，实现软硬件深度优化，这将是未来的发展方向。

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见