英伟达与阿里引领AI产业思维转型：Token/W成为新度量体系
图片由AI生成
作者｜姚金鑫、晓静
编辑｜徐青阳
3月17日，英伟达CEO黄仁勋身着标志性的皮夹克，在GTC 2026大会上进行了长达两个小时的主题演讲。会后，业界广泛热议的焦点是“英伟达是否将称霸Token市场”。但若细究演讲内容，真正被强调的，其实是“每瓦Token数”（Tokens per Watt）这一核心理念。
黄仁勋在展示推理性能数据时明确指出，数据中心与AI工厂的运行本质上受制于电力资源。以1GW为例，其容量无法通过物理手段扩展至2GW。在固定功耗前提下，系统能效越高，单位成本就越低，利润增长曲线也就越陡。
这句话揭示了GTC 2026的核心信息：AI产业的竞争逻辑正在从算力峰值向系统能效转移。
尽管媒体普遍聚焦于Vera Rubin与Blackwell的性能对比、Groq LPX的推理速度提升，以及英伟达提出的太空数据中心构想，但这些本质上都围绕着同一个核心——在能源受限的环境下，最大化单位电能的智能产出。
黄仁勋将“Token/W”定义为衡量AI系统产出的核心指标。这一转变背后，隐含着更深层的产业趋势：算力竞争的度量体系正从芯片级别跃迁至系统级别，从峰值参数转向端到端能效，从“谁的芯片更快”演进为“谁能把电能转化为智能的效率更高”。
在当前的技术与产品生态下，英伟达仍受限于Token/W的优化空间，距离真正意义上的“Token之王”仍有距离。
这一术语体系的演变，不仅是一次语言层面的迁移，更是一场产业视角的革新。它所揭示的系统性思维，远比任何单个芯片的发布更具深远意义。
巧合的是，在GTC 2026开幕前一天，阿里巴巴宣布成立“Alibaba Token Hub”，由集团CTO吴泳铭亲自领导。阿里的AI战略不再以“AI”命名，而是直接聚焦于“Token”，将Token提升至战略核心。
这一举措再次表明，系统性视角正在逐步成为AI行业的新共识。
01
GTC 2026最值得关注的变化，不在于芯片本身
本届GTC上，Vera Rubin、Rubin POD、LPX、DSX AI Factory等新产品的发布引发了广泛关注。然而，若从整体来看，这些发布共同构成了一种新的算力竞争叙事：从芯片层面上升到AI基础设施整体。
英伟达将Rubin定义为“POD-scale platform”，即多个机架组成的高规模、高相干性系统。DSX则被描述为针对AI工厂的参考架构，旨在最大化每瓦Token数。
这意味着，产业竞争的焦点已从“谁的芯片算力更高”，转向“谁的系统能效更强”，更进一步来说，是“谁能更高效地将有限的电力、散热和网络资源转化为稳定、可扩展的AI输出”。
衡量这一输出的核心单位，正是“每瓦Token数”（Tokens/W）。
本文旨在通过Token/W这一核心指标，解析GTC 2026所释放的产业信号，以及其对AI基础设施发展方向带来的深远影响。
02
当竞争对象是系统，度量体系也必须升级
在芯片时代，衡量算力的标准主要包括FLOPs、TOPS、bit/J等指标，它们能直观描述芯片的性能边界。
然而，在实际应用中，智算中心缺乏一套统一、客观、通用的度量体系。在国内，智算中心通常以PFlops（FP16）作为算力衡量标准，而在国外则更多采用MW作为电力指标。但同样的算力或电力配置，由于芯片、网络与散热系统不同，其实际效能可能差异巨大。
原因在于，传统度量方式仅关注某一维度。FLOPS衡量的是理论算力，bit/J关注的是局部搬运能效，带宽反映的是子系统的通信能力。这些指标虽然重要，但它们只能描述系统中的某个环节。
而一个完整的AI系统所要回答的问题是：在固定的功率、散热与空间条件下，系统能产生多少有效的智能输出。这一问题，芯片层级的指标无法单独解决。
英伟达在GTC 2026中提出的一系列关键指标包括：Token成本、每瓦吞吐量、每瓦Token性能等，标志着度量体系已从部件语言向系统语言演进。
换句话说，芯片层的度量关注部件能力，系统层的度量则关注整体产出。前者追求局部最优，后者则追求系统最优。
03
Token/W连接能源与智能输出链
在英伟达的官方文档中，Token被定义为现代AI的基本单位，这一表述准确揭示了其在AI系统中的核心地位。无论是语言模型、推理服务，还是Agent系统，用户所购买的核心价值，正是系统生成和处理Token的能力。
从业务角度看，Token具备三个显著优势：1）与模型推理流程高度绑定；2）与收入模型直接相关；3）能够覆盖推理时代的新型负载。
例如，Agent交互、长上下文、检索增强、工具调用和推理链等复杂场景，难以用单一的FLOPS指标衡量，却能在Token数、延迟（latency）与有效吞吐量（goodput）上留下清晰的痕迹。
更重要的是，AI基础设施的底层瓶颈正日益显现为能源瓶颈。据IEA《Energy and AI》报告预测，到2030年，全球数据中心的电力消耗将增长至约945TWh，AI成为主要驱动力之一。美国将在这轮增长中占据显著份额。
换句话说，AI产业未来的诸多挑战，表面看似芯片问题，实质上是电力、散热与基础设施组织问题。
Token/W的价值在于，它将电力输入、计算、网络、存储、调度和冷却等环节串联，最终转化为Token产出。它不是对FLOPS/W或bit/J的简单替代，而是在系统视角上补足了一层此前未能覆盖的关键维度。
AI系统究竟将多少能量转化为多少智能输出？这正是Token/W所回答的核心问题。
从这个角度看，GTC 2026最值得探讨的部分，恰是这种系统性思维的确立。它提醒我们，看AI芯片，不能仅盯着算力峰值、接口参数和内存带宽，更要关注其在网络中的协同能力、在机架中的部署方式、在园区中的电力获取方式，以及最终在商业层面如何转化为实际产出。
英伟达在GTC 2026中将重点转向AI工厂，标志着行业从“AI芯片中心主义”走向“计算系统中心主义”。这不仅是技术层面的转变，更是产业组织逻辑的演进。
事实上，任何产业在早期都容易陷入部件参数的迷恋，因为这些最容易衡量，也最容易传播。但当产业进入规模化部署阶段，决定胜负的关键往往在于系统组织能力。当前的AI基础设施，已经进入这一阶段。
04
从Token/W出发，光互连价值将显著提升
一旦度量体系进入系统层面，许多此前被视为辅助环节的技术节点，其重要性将随之上升。
光互连正是其中一个典型。
过去讨论光互连，常聚焦于光模块、通信性能与器件层面，如高带宽、低能耗、高密度等。但这些指标仍属于子系统维度。在Token/W框架下，光互连的价值更为直观：它能够有效降低数据搬运的能耗，提升大规模AI系统将电能转化为Token的能力。
在GTC 2026上，NVIDIA展示的基于光子的CPO（Co-packaged Optics）技术，相比传统光模块，能效提升最高可达5倍，同时显著降低延迟，支持更大规模AI工厂的扩展。
这一描述的重点已不再是链路的先进性，而是系统规模的扩展与能效的提升。
从业务逻辑上看，这种转变很容易理解。随着模型规模、上下文长度与集群规模的增加，系统中大量能耗并不发生在算术单元，而是发生在数据搬运环节——跨芯片、跨板卡、跨机架、跨POD。
到了这个阶段，提升Token/W，已不仅依赖于更强的GPU，更需要高效的互连系统。
因此，从Token/W的角度来看，光互连的发展意义并非因其前沿性，而是因其在大规模AI系统中已成为关键节能手段。
05
光计算虽属前沿，但其系统价值正逐步显现
与光互连相比，光计算仍处于更早期阶段，这一点必须承认。
通用性、精度、编译支持、制造一致性与系统集成等关键问题仍处于演进中。但若将观察视角转向系统层级，光计算的产业价值已变得更为清晰。
关键在于，Token/W衡量的是端到端能效。谁能在一个高频、高密度、可重复映射的计算路径上，显著降低能耗，谁就能在系统层面提高Token产出效率。
这一逻辑不要求光计算替代整个GPU架构，也不需要其立即成为通用计算底座。它只需要在特定工作负载中，实现整套系统的能量效率提升，从而在固定功率预算下，提高Token产出。
因此，光计算的产业叙事需要从单点器件效率转向系统级节能贡献。若行业仍聚焦于TOPS/W或MAC/J，光计算仍局限于实验室阶段；而一旦行业转向Token/W，它便有机会进入基础设施层面的讨论。
这一转变对光计算而言尤为关键。它终于拥有了一个可以与电力、园区、资本开支等基础设施要素对话的上层语言。
06
当算力度量从芯片走向系统，光互连与光计算进入产业主线
在算力竞争仍聚焦于芯片层面的阶段，光互连被视为I/O技术，而光计算则被归为前沿器件探索。
当算力竞争演进至AI大规模系统基础设施层面时，情况发生了根本变化。系统的整体效率越来越依赖于密集计算能耗、数据搬运、上下文管理、节点协同、供电与热管理等多个维度，而这些正是光学技术大显身手的领域。
从Token/W的角度看，光互连解决的是每个Token生成背后的数据搬运能耗问题；光计算则尝试优化每个Token中的部分计算能耗。两者共同推动的是整套系统的Token产出效率。
这正是它们进入产业主线的根本原因。
从实际角度来看，除了芯片的产能与供应链，未来AI数据中心和工厂所面临的主要约束还包括电力接入、散热能力、园区能耗、机柜功率密度以及部署速度。国际能源署此前对AI能耗的预测，以及NVIDIA对AI工厂的描绘，都在指向同一方向：AI基础设施正逐步成为以能源为衡量标准的系统性工程。
从这一新方向出发，光互连与光计算所解决的，正是传统电学路径难以继续优化的高能数据搬运与高能耗计算问题。
这背后体现的是一种更完整的系统思维。这或许正是GTC 2026为何再次强调光子与硅光技术的原因——当算力度量从芯片走向系统，光学技术将从前沿选项，逐步走向值得建设的基础设施。
从长远来看，CPO与光计算系统将大有可为。
写在最后：AGI的推进主线
作者一直主张建立一套客观、可衡量的算力评估标准，并在日常工作中运用Tokens/W作为核心度量方法。
回顾科技史，当内燃机的输出能量与重量比持续提升时，汽车、飞机乃至火箭才得以实现突破。
在AI时代，当AI系统的输出（即Token）与消耗能量之间的比率持续提高时，智能将越来越高效，AGI的实现路径也才可能真正打开。
GTC 2026上真正值得关注的，不是英伟达一家的胜负，也不在于黄仁勋是否能称王，而在于AI产业新的度量体系已逐步确立。
英伟达、阿里，乃至众多产业巨头，都已经开始从系统视角审视AI的发展。
这与人类文明演进的主线高度一致——用更少的能量，采集、传输与处理更多的信息。
AGI，亦不例外。
作者介绍
姚金鑫（J叔），芯片领域创业者，中国计算机学会高性能计算专委会执行委员。
来源：腾讯科技