先说结论

9 月 22 日下午云栖大会 103A 场馆的「从 Model 到 Token：阿里云百炼模型服务的技术创新、规模服务与行业实践」，是这场大会里把「模型服务」当主角讲得最直白的一场。论坛的题眼藏在主持人开场的这句过渡里：进入 Agent 时代后，企业关心的问题已经从「有没有大模型、模型强不强」，变成了「能力能不能稳定供给、推理快不快、成本可不可控、安全能不能覆盖全链路、能不能真正进生产」——「从 Model 到 Token」不是技术颗粒度的变化，而是大模型从能力展示走向规模化生产的一次跃迁。整场论坛的张力由一个对撞构成：一边是中国信通院姜春宇给出的行业侧速度感——前沿模型平均 2.8 天发布一个、模型能力每年提升 30-50%（信通院评测口径，后文有核验说明）、智能体任务时长每 7 个月翻倍（经 METR 研究核验）；另一边是大型企业「一采购就落后」的现实——央国企采购流程走完，买到的已是过时技术。中间站着两个给出解法的角色：安克创新数据负责人商渭清用日均四千多亿 token 的真实用量演示「AI for Data」怎么落地，百炼技术负责人于文渊用平台 token 分布的变化判断「去年没有真的企业用 AI、今年 90% 以上的 token 来自 Agent」。本文基于 0—6444 秒、54 段完整转写复盘；需要说明的是，本场转写实际覆盖开场、姜春宇演讲、安克实践与收尾圆桌，官方议程中于文渊 14:00 的单人技术揭秘与 14:40 万郁香/何源/黄泽辉的「Token 基建」重磅发布两段未落入本次录音，相关内容仅能通过圆桌发言侧写，已按灰色信源处理。

一、2.8 天一个新模型：当行业速度碾压企业采购速度

姜春宇的开场把「AI 原生」放在了工业革命、电力革命同等的量级上——中国信通院体系性研究智能原生已有一年多，他的核心论据是三条速度曲线。第一，模型更新频率：前沿模型平均 2.8 天发布一个（信通院称；这与独立追踪口径大体吻合——一家第三方发布追踪器统计 2026 年前九个月 12 家头部实验室共 85 次前沿模型发布，约合 2.9 天一次，2023 年这个中位数还是五到六周）。第二，能力增长：模型能力每年提升约 30% 到 50%（信通院评测口径；外部可比数据为 Epoch AI 的能力指数显示推理模型出现后前沿水平每年前进约 14 点，两种口径不可直接换算，后者增速约为此前 2-3 倍）。第三，任务边界的扩展：智能体可自主完成的任务时长每 7 个月翻倍——这一条经 METR 2025 年 3 月《Measuring AI Ability to Complete Long Tasks》核验属实：通用前沿模型以 50% 成功率可完成的任务长度过去六年间指数增长，翻倍周期约 7 个月。他特别强调长任务的量级已经到了「几个小时、甚至 72 小时」。

三条曲线叠加出一个基本判断：基础设施投入和应用的速度，远远赶不上模型能力进化的速度。这个判断在后面圆桌里被反复回响——大型企业「一采购就落后」的采购悖论、私有部署模型与公有云模型效果落差拉大，根源都在这里。

速度之外是渗透的形状。姜春宇给出一张「微笑曲线」：AI 在企业两端渗透最快——研发设计一端、营销运营一端；中间的中试验证、生产制造渗透慢，尤其生产控制类场景，因为大模型是概率型模型，做控制有发散风险，工业现场大量还是「大模型当大脑、调专用小模型」的大小模型融合路线。C 端的 coding、内容创意、学术 research「已经是真实的生产力」，B 端办公、审计、软件研发在快速渗透但速率慢些，因为对准确度和质量的要求更严。他还给了两个新物种的时间表：具身智能很火但「至少还有五到十年的周期，还没迎来自己的 GPT-3 时刻」；智能终端的 AI 手机已经上市（他点名豆包手机）。计费单元的迁移被他单列为一层变化：从电力、算力到 token 到智力，商业模式从订阅、按量计费走向按结果付费——token 的计量、付费与可追溯性，接下来会是一个很重要的点。这句话正是本场「从 Model 到 Token」主题的产业侧注脚。

他对「AI 原生」的定义值得完整引用：判断一个系统和企业是否智能原生，不是看用了多少 AI，而是看它的底层逻辑和架构是不是从一开始就是为 AI 设计的。四个特征：以 AI 为核心（AI first）、自主驱动（从辅助角色向自主决策演进）、紧密的人机互动、持续进化。人的角色随之改变——不再单纯创造，而是验证、判断、决定；自动化和智能化必然带来「权利的让渡」。他用汽车史的寓言说明为什么多数企业做不好这件事：1880 年代美国和德国的专利图纸上，「汽车」被设计成三轮、构造像马车的「无马马车」——新物种刚出现时，人类总是用旧规则体系去管理它。AI 原生思维就是承认这是新物种，重新设计引擎和方向盘，而不是延续马车那套缰绳。

方法论部分是信通院作为「国家队」的肌肉展示：姜春宇明说，以前这套转型方法论在 IBM、埃森哲这些机构手里，信通院有义务牵头。落地框架是五步法（场景识别→AI 工程与技术构建→数据知识本体体系→AI 应用建设→组织与治理变革，缺一不可），配一套覆盖数据知识、技术工程、应用、安全的标准体系。两个细节最有现场感：其一，某央企自下而上搞出了两万个智能体，初期没问题，规模起来后「你想想有多少重复建设」——数量到一定规模，自上而下的识别规划与管控必须开始，信通院还给部委在建行业高价值场景库。其二，他判断「技术是外来的和尚，数据和知识才是企业未来的核心竞争力」——A 企业和 B 企业的差别不在用了什么模型，而在知识和数据的组织，而现在「做 AI 的人大部分不懂数据，这是最大的一个问题」。

第一条机制链：模型能力指数进化（2.8 天一更、任务时长 7 个月翻倍）× 企业采购与组织节拍（半年起步）→ 企业采用的技术永远滞后于前沿，私有部署模型与公有云最新模型的落差持续拉大，安全顾虑在成倍的效能差距面前松动 → 二阶影响：企业 AI 竞争的决胜变量从「买什么模型」转移到「数据知识本体 + 组织重构」的内功，采购决策从一次性工程变成需要持续刷新的订阅式决策 → 读者启发：别再把 AI 采购当 ERP 式的一次性立项，把「上次评估是什么时候」当成资产贬值速度的代理指标；技术选型上接受「外来和尚」逻辑——模型用最好的，护城河押在自己的数据组织上。（速度数字为信通院口径、部分经外部核验；组织判断为姜春宇观点）

二、日均四千亿 token 的公司怎么做数据：安克的「AI for Data」

安克创新数据负责人商渭清的开场是一个数据人的自嘲：十年前他在阿里做实时计算、搭大数据平台，「过了十年站在 AI Infra 的场子里还是在讲数据」，但身份已经变了——从「SQL Boy」搬数据的，变成了「AI 时代的基座」。这句自嘲是整场圆桌的伏笔：台上四个人（含主持人陈守元）全是数据出身转型 AI。

先看投入力度（以下均为安克自述口径）。这家公司常被认知为「做充电宝的」，但商渭清列了一排行业第一：数码充电多年行业第一、Anker SOLIX 阳台储能全球第一（经核验：安克 2024 年报显示储能业务营收突破 30 亿元、同比增长 184%，阳台储能销售额居全球第一）、1700 万户用户用 eufy 摄像头做本地存储、吉尼斯认证的全球第一降噪耳机（可录音翻译）、Kickstarter 有史以来众筹金额最高（4600 多万美金）的 UV 打印机。这些品类的底层是激进的 AI 投入：去年 Token 使用量三十几万亿、今年已超过去年全年，日均四千多亿 token，几千人的公司内部不限制 token 使用量——「尽量发挥大家的创造潜力，用 AI 解决真实的问题」。配套的是去年启动的全员 AI 认证：每个员工入职都要过 AI 考试，他自称是全球最早一批做 AI 能力认证的公司。这段历史里藏着全场最生动的组织阵痛：考试系统因合规只能用国产模型，而员工平时用惯了各家顶级付费模型，功能对不上，商渭清被骂了整整两个月，阿里云的同学陪着奋战一个月才把系统做稳（跑在百炼上）。这个梗在圆桌里迎来反转——几个月后国产模型迭代，员工八九成的使用自然回流到国产模型，「大家已经体会不到国产模型跟最顶尖付费模型之间的大的区别了」。

安克的实践主体是三个数据团队自己做的产品，构成一条「从只读到读写到行动」的递进线。第一层是 Launch 的 HTML 托管：创始人要求写文档禁止手写——听起来反直觉，商渭清的解释是强迫你用 AI 思考，因为大部分人写文档的结构化能力比 AI 差很多，「AI 几分钟给你搓出一个你很难企及的高度，但反过来讲，它里面也编了不少内容」。生成的 HTML 直接上传托管，分享、权限、演示、大纲模式全部 AI 生成，半年内把内网知识文档基础设施整个替换掉。他也坦承副作用：行业里流行一个词叫「AI 工伤」——AI 五分钟生成一个结构漂亮、不知所云的东西发给别人。第二层是看板：HTML 做报告的问题是静态、数据停留在页面上，而固定结构的报告本质上就是 BI 看板——于是用 SDK 和 skill 让 AI 驱动生成看板，好处是分析方法论极多、样式不受传统 BI 二十几个固定图表的限制。他特意解释了「都能生成为什么还要看板」：可复用的资产不值得每次重新生成，每次生成都要人工检查，成本和可靠性都不划算。第三层把 TP 数据库接进来，HTML 就变成可生产的应用：全公司六百个非技术同学自己建了近两千个网站，解决各自领域的小问题，不需要专业 IT 排期。规模起来后再由 IT 团队做能力收敛——重要场景整合、该下线的下线、变成官方认证应用。

DOM（数据消费平台）解决的是给智能体喂上下文的问题。传统大数据有个组织死结：TP 数据不归大数据团队管；但应用系统本来就是数据团队提供的组件，「有了 AI 之后，TP 到 AP 的整个链路大数据团队都可以接管」。三步走：统一资产（所有数据库上架）、统一读写（阿里云各类 Service 数据库兜住 Agent 的突发行为）、统一知识（最难的一步——把维度、事实表、BI 指标 API、规则知识放进同一个东西构建上下文）。语义一致性的解法很巧：不用一开始把语义定义完善，而是所有血缘都在 trace 日志里，智能体可以自己做推理——以前要写一堆文档、人工找一堆人问，现在记录全在。受控行动分级类比无人驾驶的 L1-L5：低风险自动执行（发工单）、有副作用的先人工确认（补库存）、高风险直接暂停。查询优先级是权威看板 > 认证过的数据 API > text2SQL 兜底——Web Service 类数据 API 是「固定语义正确的东西」，理应优先于每次重新生成的 SQL。

「数据专辑」是压轴概念，源自阿里 CIO 在 CIO 峰会上的判断：ChatBI 没有未来，因为它是无限解问题——问题五花八门，不可能有有限解，没法验证。解法是把无限解框成有限解：给某个数据域、某个场景划定作答范围，把相关数据、文档、知识、看板全放在一起构建上下文，工单和 API（人工确认、高低危标注）接进去。配套的组织设计是安克特色：数据治理委员会是管理组织而非技术团队，商渭清本人负责，可以把每个数据域专辑的责任压给业务方——他的论据是数据定义侧的责任本来就在业务方，把治理责任给技术团队「不可能做得好」。评测闭环同样自举：把过往权威看板交给 AI 生成评测用例、每天定时跑回归，保证新东西加进来不破坏已认证的数据；报错日志绑在专辑上，AI 分析后人工确认或沉淀为知识。收束成三个平台的对称结构：MOD（Mother of Data，数据建设）+ DOM（数据消费）+ Launch（应用），「现在有各种开源 harness，包一层 UI 和 skill 就是一个行业 workbench，一个资深工程师花几个星期就能做出来」——去年国庆假期，他和一个研发同学花几天就上线了第一版（类似对话生成全功能应用的形态），核心功能 10% 几天做完，剩下 80% 的时间都在每天发版迭代小功能。老板把这套总结为 AI 时代的 MVC：M 是模型（当数据用）、V 是视图（HTML/BI/APP 给人）、Control 是 harness 和智能体——左边两项与数据强绑定，是大厂在拼的右边之外企业真正的机会。

第二条机制链：AI 生成成本趋零（HTML/看板/应用皆可即时生成）× 企业验证成本不趋零（每次生成都要人工检查）→ 「可复用资产」相对价值上升——权威看板、认证 API、沉淀的查询路径成为优先于重新生成的默认选项，生成式能力反而让资产化变得更重要 → 二阶影响：数据团队的角色从「给人做报表」翻转成「给智能体构建可信上下文 + 打包基础设施为 skill」，ChatBI 式无限解场景被数据专辑式有限解框定替代；治理责任从技术团队上移到业务方（委员会制）→ 读者启发：盘点你组织里「每次都重新生成」的消耗点（报告、看板、小工具），把它们改造成「生成一次、认证、复用」的资产，把 text2SQL 放回兜底位置；上 AI 项目前先问验证成本——不可评测的场景，生成越快、垃圾越快。（安克实践与数字为演讲自述，阳台储能第一经核验）

三、Token 分布的千倍变化：平台视角下「去年没人真用 AI」

圆桌由百炼产品负责人陈守元主持（首次主持，自称花名八珍），他给圆桌定的问题是「不寻找共识，只找有亮点的观点」。第一个问题——这两年 AI 从行业到企业发生了什么变化——拿到三个截然不同视角的答案，其中于文渊的平台数据最冷峻。

姜春宇给两个观察：一是用法从「一问一答」变成「整任务委派」——他身边有同事已经完全自己不写文档，「哪怕改两个字也不自己改，必须通过智能体改」，理由是让智能体熟悉自己的思维和思路，人正在变成「智能原生的员工」；二是私有部署已经不够了——很多大型企业发现，员工在用的公有云模型效果很好，自己私有部署的模型差距很大，原来安全隐私的顾虑「面对效能的成倍碾压」在松动，接下来模型一定是混合部署。这同时是给百炼这类平台出的题：如何在保护用户数据和隐私的前提下，让大型企业用上公有模型。

商渭清的答案在演讲里已埋了伏笔：国产模型的崛起（从被骂两个月到八九成自然回流）和「真正能完成工作了」——他这场圆桌的 PPT 就是用 harness 生成的，一个字没改，AI 自己去公司官网查了五大品牌介绍，数据全对，而那正是几天前柏林 IFA 展上刚发布的品牌整合消息（经核验：安克在 IFA Berlin 2026 宣布 Anker、eufy、soundcore、SOLIX、eufyMake 五品牌将逐步统一至 Anker 名下）。

于文渊的视角最技术也最不留情面。从百炼平台的 token 分布看，去年以 Chat 为主，场景和企业数都极分散、用量极低，「说个暴论，大家在 YY 成分很高地用 AI，是为了用 AI 而用 AI」——他的判断是去年没有真的企业用 AI：AI 基本不承担任何主链路，最多做条 API 旁路、在客服上用一下。今年的结构完全变了：Agentic workload（coding agent、本地 Agent harness、千问办公这类）占绝对大头，是 token 消耗最大的户，而且通过客户和客户的客户以非常快的速度增长，与生产流程高速连接。量级是「千倍、真的是千倍的区别」——他确认陈守元的转述：百炼平台上几个月内 90%—95% 以上的 token 来自 Agent 场景。他还补了一个容易被误读的细节：不是 Chat 场景变少了（比例一直在），而是 Agent 场景涨得太快。

「demo 到生产」的鸿沟是把这三个人重新拉齐的问题。于文渊的回答把鸿沟还原成「一个人用和很多很多人用的区别」：生产系统跑得好，模型需要掌握产品的历史、代码库的历史、部署结构——「一定程度上这是一个企业的 harness」；流量怎么打、数据库怎么拆、下游有哪些隐形坑，这些没有明文化的知识，demo 里统统没有，等上线后出问题再反馈是难以接受的。他强调大模型最适合的就是自己能闭环的优化和迭代——言下之意，把企业 harness 建起来，模型才能自己跑起来。商渭清给的三层拆解与之严丝合缝：第一层基础设施（demo 在本地，怎么真正发布上线？大模型解决不了公司基建怎么接——所以做 Launch 把基础设施打包成 skill）；第二层稳定性（业务同学不知道 SRE 是什么，流量高峰、数据库扛不扛得住、没做过全链路压测，「大模型帮你做的只是能 work」）；第三层可治理性（每个人都用之后，大量 demo 性质的产品出现，公司层面非常混乱——需要集中的资产中心，由专业 IT 团队整合收敛、认证，该下线的下线）。这一层与姜春宇「两万个智能体之后必须自上而下治理」的判断互为印证。

第三条机制链：Agent 化的工作方式（任务委派替代一问一答）→ token 消耗结构发生千倍级变化（百炼数月内 90%+ token 来自 Agent），而 Agent 依赖企业 harness（部署结构、数据边界、生产知识）才能从 demo 进生产 → 二阶影响：企业 AI 的采购单位从「模型订阅」变成「上下文工程」——基础设施 skill 化、资产认证、评测基线成为新的 IT 职能；私有部署 vs 公有云的权衡被效能落差改写为混合部署 → 读者启发：评估自家 AI 成熟度别看调用量，看 token 结构——对话型与 Agent 型的比值是比任何调研问卷都诚实的渗透率指标；投入顺序上，先建「能验证的闭环」（于文渊：把 AI 用在能闭环的业务价值场景），再谈规模化。（token 结构为于文渊口述平台数据，未经第三方核验）

四、价格的 K 型分化与「不是每个任务都需要爱因斯坦」

陈守元抛出了当下最敏感的问题：模型价格的 K 型分化。一端是社区新出的超低价分类/路由专用模型（转写作「Jeff」，疑为 ASR 误识别，指近期社区热议的廉价 J/E/V 分类模型，待核），token 单价极低；另一端是千问 3.8 这类旗舰（经核验：Qwen3.8 于 2026 年 8 月 3 日发布，总参数 2.4 万亿、激活约 950 亿，国内 API 定价每百万 token 输入 12 元、输出 36 元，27B 版本已开源）与海外旗舰一样在快速涨价。模型到底该怎么定价，企业该怎么平衡价格与价值？

于文渊的回答绕开了道德叙事，回到市场机制：价格是供给有限的情况下，让高价值的业务把低价值的业务从好模型上拦下来的市场杠杆，永远平衡在供需点上。中国大模型有过严重的价格战，现在也有越来越多的溢价，海外同样在涨。他给出清晰的二分法。第一档是「突破今天模型能力极限」的 frontier 模型：能解锁企业新价值场景（他举例：芯片厂商若真能在大模型辅助下做 EDA 芯片设计，那类稀缺专业供给的回报极大），最直接的收入回报会买最贵的模型。第二档是 commodity 化的 token：当 token 变成大众商品，要有「足够好、足够便宜」的一档——他用了个精妙的类比：公司给几千个员工每人买一份 Word/WPS 订阅、每人配一台笔记本，这些成本很难量化出 ROI，它们就是成本中心的 cost；同理，让每个员工每月花几百元、封顶一千元的预算获得足够智能，把日常办公问题解决掉，「不要让企业觉得拥抱智能是需要付出太大代价的事情」。企业不知道员工拿到智能能收益什么的时候，只会投资这一档。他点的产品例子（千问 3.8 flash、可在桌面端和手机端低價推理的 27B）经外部核验确实存在且开源。

商渭清接的地面视角：安克就是这么干的——头部模型巨贵、做点限额，其余模型不限 token 免费用。他透露百炼最近上线了智能路由，安克内部同款：「你其实不用选什么模型，它自动帮你路由」，依据是一年积累的所有确实日志（转写原文如此，疑为「调用日志」之误）和智能体日志做场景打标，推荐最适合的模型——「所有的又回到数据问题，所以为什么我们一群做数据的在这聊 AI 还是有原因的」。他的两个论据：普通用户绝对选不中选不好模型，「AI 帮你选的可能比你选的更好」；成本挑战确实太大——今年已经烧了三十几万亿 token，「这个费用还是非常夸张的，特别是我们才几千个人」。他的判断是智能路由大概率是未来的主要方向，只有最前沿的场景才手动指定模型。陈守元补了内部背书：前 CTO 飞刀（花名）的判断是「不是企业里面每一个任务都需要用爱因斯坦级别的模型」——未来模型一定大幅分化、分门别类甚至定制，用户难以选择，模型路由会成为模型服务的关键一环。

数据人怎么看自己的赛道，是圆桌后半段的暗线。商渭清把安克的探索总结为从「data for AI」到「AI for Data」：MOD 用自然语言做数据加工（不再需要掌握十几个大数据组件）、数据消费层构建 AI 友好的上下文、数据团队顺手接管了 web coding 基建——他的战略判断是：harness、模型这些层别跟大厂拼（「中小型企业不会在这个上面做得比大厂更好，而且有大量开源选择，没有必要做过多投资」），数据本身是企业内部持有的，构建企业上下文才是自己的机会。姜春宇给了理论支点：「数和智本来就是一体的——模型还是数据训出来的，模型是数据在高维或者某种维度上的一种表达」。模型进企业的根本困难是「没有企业说明书」，所以传统结构化数据要靠语义层重新激活（他佐证：Databricks、Snowflake 都在加语义层），非结构化数据要凝练成知识，而知识治理比数据治理更难——数据好歹有「六性原则」，知识有经验性、主观性、来源判别问题。他的清醒判断收住了这个话题：做数据的工作不是不重要，「是现在模型和智能体跑得太快，大家的注意力焦点都在这儿；但一旦进了企业，你会发现企业核心要做的就是数据的事」——企业会发现数据质量差、结果不准，又回到数据治理这条老路，「我们领导说这个能干二十年，干到大家退休」。

第四条机制链：模型供给的 K 型分化（frontier 溢价 vs commodity 低价）× 企业任务难度的长尾分布 → 价格杠杆自动完成模型-任务匹配，用户直接选模型既不现实也不经济，基于历史调用日志的智能路由成为 MaaS 平台的关键中间层 → 二阶影响：模型选择权从用户上移到平台路由层，调用日志（谁在什么场景用什么模型跑出了什么结果）成为平台侧最重要的数据资产；企业侧对应的等价物是「企业上下文」——语义层、知识体系、数据专辑 → 读者启发：给团队定模型策略时写三条就够了——最贵模型只给可验证高价值场景、日常场景走路由封顶预算、把「哪个模型擅长哪类任务」的判断沉淀成内部路由表；别在 harness 和模型层跟平台拼，把预算挪到自己的数据组织上。（K 型分化与路由为嘉宾观点；千问 3.8 发布与定价经核验）

五、未来一两年最大的变量：算力是那个「500 块钱一度的电」

最后一个问题要每位嘉宾预测未来一到两年最大的关键变量，并给企业一句建议。三个答案的重合度出乎意料地高——算力供给成了共识卡点，但表述的质感完全不同。

于文渊的框架分两翼。模型上限这翼他很有信心：「千禧年的很多数学问题在最近几周内快速突破，一代新模型可能解锁几代人甚至百年没解决的世纪难题」；真正不确定的是这个上限能否落在真实复杂业务场景里——他半开玩笑地问了句「是不是有一个 OPC 可以当一个云厂商」（转写原文，疑指 AI 能否独立运营一个云厂商的所有环节，存疑）。另一翼是国内算力供给，他给了一个全场最佳比喻：如果今天的电是 500 块钱一度，大家还是会用电，但可能只会点一个很小瓦数的 LED 灯，冰箱空调电动车都不会有——500 块一度和五毛一度的电，决定了这个业界到底能走多大、走到多少 scale。今天的单位 FLOPS 成本和存储芯片产能「严重棒住」（原话用词，意为制约）了渗透率；几年后全社会有多少 FLOPS，研报已经能算出来，而这背后又与国际形势、中美关系、模型结构变化、单位 token 成本、大中小模型分工纠缠在一起。他的建议只有三句：做模型的把模型做强，搞算力的把算力搞多，用 AI 的把 AI 用在能闭环的业务价值提升场景。

姜春宇同意算力是「几驾马车里最紧迫的」，但补了两个不一样的观察维度。一是模型形态的演进链条：基模→多模态→云端→端侧→世界模型→具身智能，越往后变量越大，甚至要讨论「是不是需要更换 Transformer 架构」——具身智能的世界模型「现在还不是特别好」。二是端侧普惠的临界点判断，这可能是全场最值得收藏的预测：AI 手机已经有了，什么时候更多普惠算力能跑到便捷设备上、自己家里买一个工作站就能跑 40-70% 的任务，「可能就是一个临界点的来临」——到那时 token 免费廉价，费用焦虑自然消解。他对 AI 工程化的判断则给焦虑者松绑：历史上技术出现到工程落地总能解决，只要投入时间和优秀工程师，「只是时间维度的问题」；数据知识是长期工作，短期内不见得有成效。

商渭清的收尾是全场唯一非技术答案，也是对「预测疲劳」的坦白：「前两年各种预测已经被打脸很多次了，所以我现在都回答不了这个问题……我选个滑头，学一下马老师，谈一下爱——更大的变量是我们自己，要走出去见天地见众生见自己，对生活保持热爱，不要找什么变量了，多关心一下身边的人。」主持人陈守元收场时把话头拉回主题又轻轻放下：今天的主题是从「有模型」到「用好模型」，「最后变成见众生见人生了」。散场前还有个务实的尾巴：现场扫码 9.9 元可领官网 79 元的百炼个人版 Token Plan 资源包，覆盖多模态语言模型的 token——这个论坛连收尾促销都在强调自己的计价单位。

把三个答案叠起来看，这一场的「从 Model 到 Token」其实有三个未决问题留给行业：其一，当 90% 的 token 来自 Agent、而 Agent 的稳定性依赖企业 harness，MaaS 平台与企业 IT 的边界该怎么划——百炼们做智能路由，安克们做数据专辑，中间是否会出现标准化的「企业上下文协议」；其二，算力这个 500 块一度的电什么时候降到五毛——它决定的不只是成本，而是哪些 Agent 应用形态根本不会诞生；其三，端侧算力临界点来临时，今天按 token 计费的商业模式会不会被「自有盒子免费 token」局部击穿。观察指标也现成：百炼平台 token 结构中 Agent 占比的变化、智能路由上线后的模型分布、国产模型在企业内生的采用率（安克的八九成是个早期样本）、以及信通院那份每两个月一轮的评测里国产模型与国际前沿的差距收窄速度。反方风险同样该记着：台上三家企业两家是阿里系、一家是阿里云客户，信通院的评测口径与安克的自报数字都未经独立复核，「去年没有企业真用 AI」是平台视角的暴论而非审计结论——把它当方向感可以，当决策依据需要自己再看一遍数据。

结语

这场论坛最有价值的地方，是它把「模型服务」从一个模糊的词拆成了可以动手的三件事：把速度差变成设计约束（既然模型 2.8 天一更，就不要把竞争力押在任何一个具体模型上）、把 token 结构变成体检指标（对话与 Agent 的比值、路由命中的分布，比任何 AI 转型宣传都诚实）、把数据组织变成唯一私有的资产（模型和 harness 都是大厂的战场，企业上下文才是自己的）。姜春宇的「一采购就落后」、商渭清的「AI 工伤」与数据专辑、于文渊的「500 块钱一度的电」，说的其实是同一件事的两面：模型能力的进化已经快到企业组织跟不上的程度，而「用好模型」的本质不是更会调模型，而是把企业自己的数据、知识、验证和治理重做到能配得上这个速度。至于商渭清那句「见天地见众生见自己」——在一个全场都在谈 token 计价的下午，这个答案意外地像是对「判断力稀缺」时代的注解：当执行的成本趋近于零，决定做什么、验证什么、热爱什么，成了人剩下的、也是最贵的工作。

转写与核验说明：本文基于 54 段、0—6444 秒（约 107 分钟）本地转写的完整覆盖（两遍提取，无跳段），讲者与议程时间对位校正。覆盖范围限制：本次录音实际含开场、姜春宇演讲（约 13:30-14:00）、商渭清安克实践（约 15:25-16:05）与圆桌（16:05 起）；官方议程中于文渊 14:00「技术揭秘：百炼引擎」与 14:40 万郁香/何源/黄泽辉「重磅发布：阿里云百炼 Token 基建」两段未落入录音，文中相关内容（千问 3.8 产品细节除外）均来自圆桌侧写，已按灰色信源处理，待官方回放补齐。ASR 人名已按官方议程校正：江春雨→姜春宇、商卫清/商卫青/商卫星→商渭清、万玉香→万郁香、Math 业务线→MaaS 业务线；主持人「郁成景」为转写原文（不在官方议程嘉宾列，保留原文）。ASR 存疑未校正项：姜春宇所称评测体系（转写「方生机种大模型」，几百万道题、每两个月一轮）无法确认对应实体，标疑保留；圆桌中「龙虾」（疑指某 Agent 产品代称）、「Jeff/J E V」（疑指社区某低价分类模型）、「云影」（安克考试系统所用阿里产品，疑为通义听悟或类似产品误识）、「ASD6/金Spark」（疑指 Gemini/类似对话生成应用产品）、「确实日志」（疑为「调用日志」）、「潘伦切尔」→按上下文校正为 Palantir、「Pilot 那套东西」→按上下文校正为 Palantir 本体体系、「OPC」（于文渊口误或转写误，存疑）均保留原文并标注。经外部核验的关键主张：智能体任务时长每 7 个月翻倍——METR《Measuring AI Ability to Complete Long Tasks》（2025-03-19），50% 时间跨度近六年翻倍周期约 7 个月，已证实；前沿模型 2.8 天一更（信通院口径）——第三方发布追踪器统计 2026 年前九个月 12 家实验室 85 次发布（约 2.9 天/次）、另一口径 2026 年中位 11 天，量级吻合但口径有别，大体吻合；Qwen3.8 于 2026-08-03 发布（2.4T 总参/95B 激活、27B 开源、输入 12 元/输出 36 元每百万 token）及 9 月 2 日 Qwen3.8-Max-0902 更新——量子位（2026-08-03，阿里供稿）、IT之家（2026-09-02），已证实；安克 SOLIX 阳台储能全球第一（2024 年储能营收 30 亿元、同比+184%）——36 氪、安克创新官网（2025-04 年报稿），已证实；安克 IFA Berlin 2026 五品牌合一——Gulf News 报道，已证实。未核验与存疑项：模型能力年提升 30-50% 为信通院评测口径，未找到公开对应报告（Epoch AI ECI 口径为推理模型时代前沿约 14 点/年，不可直接换算），待核；具身智能「五到十年、未到 GPT-3 时刻」、豆包手机上市、某央企两万个智能体、72 小时长任务为姜春宇口述；安克 token 用量（日均四千多亿、年三十几万亿）、全员 AI 认证全球最早、1700 万户摄像头用户、吉尼斯第一降噪耳机、Kickstarter 4600 万美金众筹、六百人建近两千网站、考试系统被骂两个月、数据治理委员会安排、CTO 飞刀观点均为商渭清自述；于文渊「千倍 token 变化、90-95% token 来自 Agent、去年没有企业真用 AI」、百炼智能路由上线为平台口述；9.9 元领 79 元 Token Plan 为现场促销口径。圆桌讲者身份以官方议程为准。