编者按：在当今中国新经济的浪潮中，有这样一群创业者，他们所创立的公司有的已然成为行业独角兽，有的刚刚开启种子轮融资，有的已经声名远扬，有的则长期在幕后默默耕耘，还有的正从微末中崛起。他们宛如中国新经济的微观脉搏，是这轮产业和技术升级的微观主导者与实践者。众多不同行业的他们汇聚在一起，共同投射出变革的磅礴洪流。

由徽声在线和《科创板日报》联合发起的 “连线创始人/CEO”栏目，聚焦于创新创业型企业。该栏目以企业创始人/CEO的访谈作为一手信源，旨在让处于成长阶段的创业公司走进公众和市场视野，同时发掘最新的技术和产业趋势。

《科创板日报》9月16日讯（记者 陈俊清）当下，AI产业的算力消耗结构正迎来关键转折点。根据IDC的数据，到2026年第二季度，在全球AI算力需求中，推理所占的比例将反超训练，这意味着行业发展的核心逻辑正从专注“炼模型”全面转向“用模型”。与此同时，一系列行业痛点日益凸显，如算力闲置与算力短缺并存的结构性矛盾、异构芯片的调度难题以及智能交付成本不可控等问题，产业各方都在积极探索新一代智算基础设施的破局方向。

在2026中国算力大会举办期间，九章云极DataCanvas联合创始人兼COO尚明栋在论坛上发表了重要观点。他指出，AI产业正从“炼模型”阶段迈进“交付智能”的新阶段，供给规模与使用效率之间的差距，正成为制约行业发展的核心因素。他判断，算力正从一项昂贵的硬件资源，加速转变为一种可计量、可交易的生产力要素。

会议期间，九章云极DataCanvas联合创始人兼COO尚明栋接受了《科创板日报》的专访。在专访中，他详细拆解了公司以“普惠算力的全球倡导者与实践者”为定位的产业实践，深入阐释了“AI工厂”战略以及DCU（一度算力）统一计量标准的底层逻辑。

▍AI工厂战略与DCU统一度量衡

“普惠算力”如今已成为AI算力行业的常见提法，但在尚明栋看来，普惠算力的本质是让更多人真正能够用得起、用得上智能，其核心体现在两个维度，即成本足够低和门槛足够低。与行业内多数玩家通过销售端的降价、补贴来实现“普惠”不同，九章云极的普惠能力扎根于生产端，通过强大的工程化能力来压低智能的边际生产成本。

尚明栋将其总结为三大生产端抓手。其一，以DCU（一度算力，312 TFLOPS×1小时）实现按量计量、按量计费，做到“即开即用、即关即停、不使用不收费”。通过异构调度与算电协同，将单集群GPU有效利用率提升至行业较高水平。其二，通过算电协同让“任务跟着绿电走”，在电力波谷时段，算力成本可显著下降。其三，借助AI工厂的工程重构持续压低智能的边际生产成本。

“AI工厂”（训练工厂 + Token工厂）是九章云极的顶层战略。尚明栋认为，产业已经从“炼模型”阶段进入到“用模型”阶段。随着AI技术的不断发展，模型的应用场景越来越广泛，对智能交付的要求也越来越高。

IDC数据显示，到2026年第二季度，推理占比将反超训练达到58%。当算力消费的主战场从“造智能”转向“交付智能”，行业的竞争关键因素就从“谁的模型强”转变为“谁能把智能稳定、便宜、规模化地交付”。

尚明栋判断，在这一阶段，行业面临着几个核心痛点。一是算力利用率低，存在闲置浪费现象；二是智能交付碎片化，成本不可预期；三是缺乏统一的计量标准。九章云极的AI工厂应运而生，训练工厂负责生产，将数据和算法“冶炼”为专业模型；Token工厂负责流通，把模型“精馏”为可计量、可审计的专业Token。二者相互反哺，训练产出模型，使用过程中产生数据与反馈，再回流优化模型，形成“模型越好—推理越高效—成本越低—使用越多”的正向循环。

此外，为了统一计量标准，九章云极行业首创了全球统一度量标准“一度算力（DCU）”，该标准将异构芯片的算力折算为可对比、可结算的统一单位。这一单位入选了工信部2025年度新型信息基础设施典型案例，成为九章云极推动行业标准化的核心抓手。通过DCU标准，不同厂商的异构芯片算力可以进行量化比较，为算力的交易和流通提供了基础。

尚明栋透露，目前DCU计量体系已在公司自营及纳管的智算中心全面投入使用，并支撑起了按量计费的商业化运营。然而，标准的行业推广并非一帆风顺，面临着两大核心阻力。一是利益结构方面，统一折算意味着所有芯片厂商要用同一把尺子来衡量自身能力，而话语权最强的厂商往往最不愿意统一口径，因为标准之争本质上是产业话语权之争。二是技术公允性方面，异构折算需要兼顾芯片型号、任务负载、调度算法乃至机房环境等多重变量，工程实现难度极高。例如，不同型号的芯片在处理不同任务时，性能表现差异很大，要准确折算出统一的DCU值，需要建立复杂的模型和算法。

算力与水电不同，其实际性能高度依赖芯片型号、任务负载、调度算法甚至机房环境等因素。保证不同芯片、不同业务场景下，DCU计量的公允性、一致性和可复现性是一大难题。尚明栋认为，关键在于把DCU严格定义为“算力投入的度量”，而非“某款芯片性能的标尺”，并将计量与性能营销彻底分开。这样可以避免芯片厂商为了追求高DCU值而进行不恰当的性能宣传，确保计量的客观性和公正性。

具体有三层保障措施。

一是口径统一。DCU基于理论峰值算力与时间的乘积，只度量“投入了多少算力资源”，不承诺任何芯片的实际运行速度；产出侧独立以Token计量，投入与产出不混淆。这样可以避免因芯片实际性能差异导致的计量不准确问题。二是分场景校准。不同芯片在训练、推理负载下的表现差异客观存在，我们按负载类型建立基准测试与换算系数，避免一刀切折算。例如，对于训练任务和推理任务，分别制定不同的测试标准和换算系数，以更准确地反映芯片在不同场景下的算力投入。三是全链路可审计。每一次用量都有调度记录与结算日志，可追溯、可复现。这为计量的准确性和公正性提供了有力的保障，也增强了用户对DCU计量体系的信任。

“我们的策略是让标准先‘用起来’再‘立起来’，成为可信赖的第三方事实标准，再逐步推动为行业共识。”尚明栋表示。通过在实际应用中不断验证和完善DCU标准，使其逐渐得到行业的认可和接受。

▍算力竞争向“单位Token的交付成本与效率”转移

九章云极自研的九章智算操作系统Alaya NeW OS，是公司算力体系的核心底层架构，也是国内首个通过信通院算力调度、模型训练、模型推理、数据处理四大领域全能力域评测的AI系统。这一系统的研发，体现了九章云极在AI技术领域的深厚积累和创新能力。

在尚明栋看来，这款操作系统的核心壁垒不在于“管理机器”，而在于对AI工作负载的统一调度能力，这也是其与通用云操作系统的本质区别。据了解，该系统已实现将英伟达与国产芯片纳入同一资源池，采用统一的调度语义，从架构层面消除“芯片等数据”的瓶颈，实现异构资源的池化调度。这意味着无论是英伟达的高性能芯片还是国产芯片，都能在这个系统中高效协同工作，提高了算力的利用效率。

“训练端对英伟达的依赖预计还会持续一段时间，但推理端的替代正在加速。我们坚持把工程做成‘芯片无关层’，不赌单一芯片，客户选择什么芯片，我们都能让它高效运行。” 尚明栋表示。这种“芯片无关层”的设计理念，使得九章云极的系统具有更强的适应性和灵活性，能够满足不同客户的需求。

尚明栋判断，未来三年，训练算力仍会增长，但占比会趋势性下降；推理及Agent的多轮、长程交互将贡献绝大多数增量，成为算力消耗的绝对主体；当智能从输出内容走向执行动作，推理还将延伸至云—边—端毫秒级闭环，把需求推向新量级。随着AI应用场景的不断拓展和复杂化，对推理算力的需求将呈现出爆发式增长。算力竞争的重心，将落在“单位Token的交付成本与效率”上。谁能在这个方面取得优势，谁就能在未来的AI市场中占据主导地位。

谈及九章云极Token服务的核心竞争力，尚明栋将其总结为三层护城河。

一是工程化能力，这是我们的立身之本。 降本不靠货架让利，而靠工厂里的硬功夫：推理侧以PD分离、KV缓存、推测解码持续提升同等硬件下的Token产出效率，运营侧以算力池化、削峰填谷、算电协同压低单位成本。这套贯穿“芯片调度—推理引擎—能源运营”的全链路工程积累，难以复制整条生产链的效率曲线。例如，通过PD分离技术，可以优化推理过程中的数据传输和处理，提高Token的产出效率；通过算力池化技术，可以将分散的算力资源集中管理，提高算力的利用效率。二是中立生态位。 我们不做面向公众的大模型，这让Token工厂有可能成为产业的公共基础设施，而非某一生态的附属。这种中立的定位使得九章云极能够与更多的合作伙伴进行合作，共同推动AI产业的发展。三是专业Token的差异化分层。 我们聚焦专业Token——注入行业知识、能进入行业核心流程的Token，配合多模型组合路由，让不同任务自动匹配最优模型与成本；不参与消费级价格战。DCU与Token双计量全程可审计，为Token进入企业采购提供信任前提。例如，在医疗行业，专业Token可以包含医学知识和临床经验，能够为医疗决策提供更准确的支持。

据了解，目前，九章云极Token工厂产能正处于规模化放量阶段，且保持高速增长。客户覆盖大模型厂商、行业企业、AI应用开发者与科研机构等多元主体，并持续向具身智能等新兴领域拓展。随着AI技术在各个行业的广泛应用，对Token的需求也将不断增加，九章云极的Token工厂有望在未来取得更大的发展。

▍算力总量并非过剩 而是结构性错配

当前国内智算云市场参与者众多，运营商、公有云巨头、第三方算力厂商同台竞技，行业同质化竞争的讨论不绝于耳。但尚明栋认为，同质化的讨论大多仍停留在上一代云范式的框架内，事实上，“大云”与“新云”分属完全不同的赛道。这种差异体现在多个方面，包括技术架构、服务模式、应用场景等。

他解释道，传统大云为互联网时代而生，必须兼顾庞大传统生态的兼容性；而AI新云为AI计算而生，围绕“让每一度电、每一颗芯片的性能最大化”构建体系，因为AI应用约九成成本集中于计算环节。新云通常将绝大多数芯片资源投入计算、采用更高带宽组网、以排队运行替代发散负载所需的传统虚拟化，并从芯片到软件全链路协同优化，这些架构差异决定了性能差距的必然性。例如，AI新云采用更高带宽的组网技术，可以减少数据传输的延迟，提高算力的利用效率。

“传统云转型常常陷入两难，在原生态上叠加计算能力，如同百货公司增设专柜，体验繁琐且性能损耗大；另立计算专属云，又会丧失既有生态优势。而新云自始即为‘算力 + 技能’生态而生，不存在这些历史包袱。”尚明栋说。新云的设计理念更加符合AI时代的需求，能够更好地满足用户对算力和智能服务的要求。

基于这一判断，九章云极的差异化竞争策略清晰：不参与旧范式的存量竞争，而是卡位AI新云的定义权与基础设施入口。公司以异构算力统一调度、DCU/Token计量体系与算电协同为底座，构建中立、普惠、绿色的AI原生基础设施，推动Token成为可计量、可流通、可审计的智能计价单元，重新定义AI时代的算力服务标准。通过这种差异化竞争策略，九章云极有望在AI新云市场中占据领先地位。

针对行业内 “算力过剩、GPU闲置” 与 “大模型厂商缺算力” 并存的矛盾现象，尚明栋表示，其本质是结构性错配，而非总量过剩。大量算力闲置的根源是资源 “不好用”—— 调度能力不足、生态适配欠缺、计费模式粗放，导致使用门槛与成本过高，最终市场选择让资源闲置。第三方数据显示行业GPU平均利用率长期仅三四成，印证了问题不在总量，而在将算力组织为可用服务的能力。例如，一些企业的算力资源虽然丰富，但由于缺乏有效的调度和管理，导致部分算力长期处于闲置状态。

“过剩的是硬件资源，短缺的是将资源转化为智能服务的新云能力。” 尚明栋表示，错配广泛存在于 “能用与好用”“训练与推理”“资源与运营” 乃至 “算力与电力” 之间。这种错配现象制约了AI产业的发展，需要通过技术创新和模式创新来解决。

在他看来，破解之道在于底层基础设施的工程化能力：架构层面以算存传一体化消除执行间隙，可将GPU利用率提升50%以上；运营层面以算力池化、削峰填谷与动态定价使算力 “随任务与绿电流动”；计量与交易层面以DCU实现异构算力的可比较、可交易，以Token工厂将算力转化为就近交付的标准产能。“算力市场真正稀缺的，是将算力转化为可信赖服务的‘电网’能力。”尚明栋强调，只有解决了算力的转化和交付问题，才能真正发挥算力的价值。

从国际视野来看，面对AWS、Azure、GCP等深耕多年的国际云巨头，尚明栋认为双方的竞争并非存量市场的零和博弈。

他表示，国际云巨头的优势集中于全球化网络、成熟PaaS生态与品牌，其护城河建立在上一代公有云范式之上；而新云所代表的是代际切换，竞争标的是下一代AI基础设施的定义权。中国智算方案的核心竞争力体现在四点：面向AI重构的架构设计，而非旧架构上的增量修补；软硬协同与工程迭代速度；大规模交付能力与绿色算力实践；以及国产异构芯片适配与稳定能源供给的组合能力，在各国重视算力自主的背景下形成差异化优势。例如，中国在绿色算力实践方面取得了显著成果，通过采用可再生能源和节能技术，降低了算力的能耗和成本。

（科创板日报记者 陈俊清）