过去评价一座数据中心，行业习惯看三个指标：

卡数、算力规模和 PUE（电能利用效率）。

大模型进入规模化推理阶段后，这套标准开始转向产出端。

同样一批芯片、同样一度电，最终能生成多少满足质量、时延和稳定性要求的 Token（词元）。

芯片通电，只代表生产开始。

计算、存储、网络、模型部署和任务调度，只要有一个环节卡住，昂贵的芯片仍可能低效空转。

中科类脑瞄准的，正是这段从资源到智能产出的转化过程，让同样的芯片、同样的电，产出更多、成本更低、质量更稳定的 Token。

它将自己的体系称为" 算电协同型 Token 工厂 "，把异构芯片、模型、用户任务和电力放进同一套系统调度，用更少的资源产出更多有效 Token。

对外，这套能力落在BitaHub 彼塔云平台；

对内，由一个决策大脑统筹，电力、算力、Token 三个子系统共同驱动。

算力之上，交付 Token

中科类脑合伙人、副总经理常峰，给我们算了一笔价值账，来解释 "Token 工厂 "。

一度工业用电的采购价通常只有几毛钱，转化成算力后，价值可能达到几十元；

进一步形成 Token 后，部分模型每百万 Token 的价格可以超过百元。

这里的关键并非简单涨价。

算力是生产设备，电力只是原料，用户提交的提示词和任务进入 Token 生产线，模型负责完成智能转换。

调度系统决定任务在什么时间、什么地点、使用哪类芯片和哪个模型运行。

客户最终购买的是能够完成任务、符合指标的 Token 服务。

这也确定了中科类脑在产业链中的位置。

传统 IDC 交付机柜、电力、网络和空间，云厂商提供算力实例与模型接口；中科类脑向上再走一层，即Token 生产运营层，试图对 Token 的生产效率、成本和任务结果负责。

△图片由 AI 生成

常峰将这套商业逻辑概括为两件事：效能和场景化。

效能决定每颗芯片、每度电能生产多少 Token；场景化则决定这些 Token 能够产生多大价值。

在常峰的规划里，效能和场景同样重要，集中研发资源解决效能问题，组织业务资源解决高价值场景问题，再把产生的高质量 token 结合业务场景，实现应用价值的最大化，目前已经在 AI4S 及能源领域形成了可规模化的商业闭环。

BitaHub 承担前台角色。

它统一纳管英伟达、昇腾等不同架构的算力，聚合模型 API 和 Token 服务，并连接企业私有算力池与公共资源池。

以平均 30 张、峰值 100 张芯片的需求为例，企业按日常负载自建，高峰缺口由平台补齐 70 张芯片，相当于获得了一条可以弹性扩缩的 Token 生产线。

据中科类脑介绍，截至目前平台已接入逾 3000 个算力节点，总规模超过 5000P，累计服务超 8 万企业及科研用户。

后台则是公司与中国科大团队联合研发的决策大脑，负责电算 Token 一体化系统从监控、预测到调度、运营的闭环运转。

因此，中科类脑的核心产品并非某一座机房、某一款芯片或某一个模型。

它提供的是一套跨域生产组织能力：在满足安全、时延和稳定性的前提下，把分散的算力与模型资源组合成可以持续高质量交付的 Token。

产业链上并不缺资源供给者，稀缺的是把多种资源转化为稳定高质量产出的运营者。

先把异构算力跑起来，再叠加电力优化

中科类脑最核心的技术落在AI 系统软件层：把算力资源、芯片、模型、电价和任务纳入同一套决策系统，基于电力条件对算力、模型和任务进行柔性调度。

这套系统被概括为"1+3" 架构：一个决策大脑连接算力、Token 和电力三个子系统，先匹配算力、模型与任务，再把电力信号加入全局优化。

首先，它是一套预测与决策模型。

中科类脑 CTO、研究院院长丁海松将这套系统的工作节奏拆成三步。

第一步是监控，实时监测 Token 需求、集群负载、新能源的发电功率、电价以及每份算力的 Token 产出效率；

第二步是预测，判断未来 15 分钟、1 小时甚至更长时间内绿电出力、电价和任务需求的变化；

第三步才是决策，调整三个子系统的运行方式。

所有决策都以用户体验、结果质量和系统稳定性为边界。

同时，它也是能真正执行调度的工程系统。

调度的核心，是从算力任务中找出" 柔性负荷 "。

对首 Token 时延敏感的实时任务留在原地；可排队、可断续的批处理任务，则可以转移到电价低谷时段异地运行。

任务可以选择地点，芯片也要重新分工。

常峰将异构芯片调度比作管理一群说着不同语言的员工。

每类芯片的计算能力、显存大小、互联带宽和软件栈各不相同，直接放在一起很难协作。

因此，中科类脑为每种芯片配置了一个" 包工头 " 式插件，调度层只负责分发任务，插件负责指挥同类芯片；

同时插件给每张芯片建立能力画像，记录它擅长什么任务、和谁组合效率更高。

△图片由 AI 生成

解决不同芯片 " 能否协同 " 之后，系统还要进一步拆解推理流水线，解决 " 怎样协同效率更高 "。

在大模型推理中，系统还可以把 Prefill 和 Decode 拆开，并通过 KV   Cache 迁移把两个阶段连接起来。

Prefill 阶段计算密集，交给计算能力更强的芯片；

Decode 更依赖显存和带宽，交给大显存、高吞吐芯片。

两阶段之间的 KV Cache 必须高效迁移，否则长上下文需要重算，时延和吞吐都会受影响。

高端芯片不必包办整条推理链，新旧芯片、国产芯片和海外芯片都能在同一座 Token 工厂中各司其职。

对长上下文任务，KV Cache 相当于模型已读内容的 " 工作记忆 "。让它随任务跨节点迁移，可以减少重算。

另外，训练作业跨集群调度还要同步检查点、优化器状态和数据进度，并控制任务中断时间。

这套系统真正接受检验，是在一次跨上海、芜湖和乌鲁木齐的调度测试中。

整个跨三地调度的控制响应保持在200 秒以内，跨域迁移成功率达到 100%，能耗预测精度达到 98%。

这次测试验证的不只是搬运：而是把异构适配、跨域迁移、长上下文 KV 跨节点协同、绿电预测和 SLA 约束放进同一条生产链联动，电力信号让任务按电网压力和绿电供给调整运行地点。

测试体现了系统跨经营主体的调度能力，还额外带来了电力成本的下降。

这也是全国首个跨三地算电协同智能调度测试。

现在，这套调度能力有了常态化运营的实体载体。

9 月 17 日，皖疆人工智能科技产业园在乌鲁木齐正式开园。园区按照 " 三中心一平台 " 布局规划建设，首个突破千 P 的融合算力中心已经建成投运。

对中科类脑来说，比区域布局更根本的问题，是壁垒在哪里。

丁海松的回答很直接：核心壁垒是对算电 Token 一体化的运营能力和理解。

" 算力、电力单看，我们可能都在第一梯队。但真正的壁垒不是单项能力，而是叠加之后的系统级能力。"

他进一步表示，异构调度和推理优化等算侧能力，也可以追赶，绿电出力预测等电侧能力，竞争对手可以补上；

真正困难的部分，是把两套技术语言、两批工程经验和两类运行数据装进同一个系统，并让它在真实业务中长期稳定运行。

针对这套核心壁垒，中科类脑进一步升级系统调度与运营能力，在刚刚结束的世界制造大会上，正式推出算电词元一体化平台。

平台是面向 AI 基础设施（Token 工厂）推出的操作系统，延续 "1+3" 核心架构，以博弈智能决策大脑为中枢，打通算力、Token、电力三大子系统，构建 " 电 - 算 -Token" 全链路闭环。

对于 Token 工厂终局，常峰将其比喻为一座 " 黑灯工厂 "：

未来数据中心建成后无需人工干预，算力智能体负责芯片适配、任务切分和 KVCache 协同搬运；电力智能体负责电价预测、绿电出力预测，控制储能充放电，再由一个控制中枢统筹整座工厂。

更远一步，则是算电芯模一体化。

系统按模型运行效率反推芯片设计，让芯片从设计阶段就服务于 Token 生产。

从算到 Token、再回到芯片的全链路一旦打通，才是难以复制的壁垒。

Token 越便宜，系统级能力越值钱

Token 越卖越便宜，这家公司靠什么赚钱？

国家数据局披露，我国日均 Token 调用量从 2024 年初的 1000 亿增至 2026 年 3 月的 140 万亿，两年增长超过千倍。

据统计，部分主流模型 API 累计降价超过 90%。量在暴涨，通用 Token 的利润却被迅速压薄。

以度电智能（有效 Token/kWh）作为统一优化目标，中科类脑的解法分三层。

第一层是算力与 Token 优化，通过异构调度与推理加速技术，提升每度电产出的有效 Token 数量；

第二层是算电协同增益，在算力优化的基础上叠加电力协同，进一步压低单位 Token 成本；

第三层则是把通用 Token 组织成场景结果，按价值计价。

度电智能由此成为顶层结果指标，底层硬核仍由异构调度、KV 迁移和任务编排引擎提供。

Token 工厂是新鲜词，中科类脑的积累不是。

算力调度始于 2019 年 BitaHub 上线，持续做异构算力纳管与调度；

与此同时，公司成立 9 年，已经在电力智能化领域深耕七年多，变电站智能巡检覆盖十余省市、上百座站点，沉淀出新能源预测、储能和微网控制能力。

2024 年，两条技术线汇入算电协同。

这一路径决定了它的技术定位：AI 集群调度内核是可独立交付的底座，电力域是建立在底座之上的跨域增量。

在场景价值端，常峰判断，Token 会因模型能力和任务价值不同拉开价格差距。

同样数量的 Token，用于普通对话与专业任务，客户愿意支付的价格可能完全不同。

如在科研场景，科研智能体可以串起读论文、实验设计、验证和论文生成，把通用 Token 组织成完整的科研工作流；

在能源场景，公司深耕多年的央国企市场存在天然的业务门槛，行业数据和业务理解本身就把大部分竞争者挡在门外。

前者提升 Token 的价值高点，后者形成难以复制的供给壁垒，让场景化 Token 获得区别于通用的定价空间。

△平台链接：https://www.bitahub.com/

这些积累与优势在竞争中意味着什么？

行业竞争已经走过 " 有算力 "" 模型数量 ""API 价格 "，正在第四级 " 系统效率 " 开战，第五级 " 场景结果 " 刚刚开始。

在 AI   Infra 方面，中科类脑的技术坐标首先是异构调度与 KV 迁移，电力域再把优化边界向外延伸。

系统级的竞争，具体落在五个方向上：

价格战将转向每瓦 Token 产出；

Kimi K3 等超大 MoE 模型推动 PD 分离、KVCache 分层和超节点普及；

多类芯片长期异构；

轻量任务转向端侧；

算电协同进入国家新基建。

中科类脑把异构芯片、模型和任务装进同一套跨域融合体系，核算吞吐、时延、迁移稳定性和任务质量；

度电智能则衡量叠加电力协同后的最终产出。

资本持续押注这个方向。中移基金 2025 年独家投资 B 轮，中车资本 2026 年领投数亿元 B+ 轮，银杏谷、水木、启迪等跟投。

这些信号仍需规模化收入和长期运营验证，这恰恰说明竞争坐标正靠近中科类脑提前投入的位置。

Token 需求越大、价格越低，能够同时调度芯片、模型、电和任务的生产控制层就越稀缺。

模型决定智能上限，Token 生产效率决定智能可否规模化。

中科类脑要守住的，是能源通向智能产出的关键链路。

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