All in Token，移动，电信，联通，百度，阿里，字节，华为，Token战争，Token无用：李彦宏用DAA终结了AI的度量衡之争

今年4月AI行业出现了一组让投资人坐立难安的数据Anthropic年化营收突破300亿美元正式超过OpenAI的约250亿美元。但反常的是据第三方机构估算Claude的月活用户仅约为ChatGPT的2.44%。以及Anthropic的模型训练投入只有OpenAI的四分之一。更低的投入、更少的月活却做到了更高的收入。按移动互联网的DAU日活用户数铁律用户规模越大、网络效应越强、商业化效率越高。然而这套曾催生微信、抖音、拼多多的逻辑已无法解释当下的现实。Anthropic 80%的收入来自企业端超千家企业年付费超百万美元OpenAI虽坐拥9亿周活用户多为写作业、写周报、闲聊的免费用户维护流量需要天价的推理成本。C端流量漏斗和B端订阅引擎的真实差距说明DAU不再适合作为AI时代用以度量价值的尺子了。今年4月底百度发布通用智能体GenFlow 4.0时披露了一个新的计量数据一年四轮迭代的GenFlow月任务交付量高达2亿次。不是普通的对话、点击量而是PPT生成、数据报表、文档处理这类实际落地任务的完成量。“任务交付”突然就成了房间里的大象它直接把那个本应该被所有人看见的问题推到台前当AI开始干活了你该用什么尺子来量DAADaily Active Agents日活智能体数是李彦宏在Create 2026大会上提出的一个新的度量单位。DAA的规则很朴素每天有多少个智能体在真实场景中完成了至少一次任务闭环。所谓任务闭环是指智能体不仅完成了与用户的交互还切实产出了一个可交付的结果比如自动完成了报销流程、生成了可用的数据分析报告、独立处理了一个客服工单。简言之这把新尺子量的是“干了多少活”而不是“来了多少人”或“烧了多少电”。它试图回答一个更本质的问题AI到底创造了多少真实价值这不是一次简单的指标更换。它背后反映的是一种不可逆转的变化。Token成本单位不是价值尺度有人会问那Token呢这不是大模型时代最热门的指标吗Sam Altman在2025年OpenAI开发者大会上提出“万亿Token俱乐部”一时风头无两“Token消耗量”被硅谷视为衡量AI需求的黄金标准。逻辑很简单模型按Token计费Token用得越多收入越高。可以明确的是Token是当下最接近“共识”的基本单位。大概没有人能否认一个日均消耗140万亿Token的行业和一个日均消耗1000亿Token的行业处在完全不同的发展阶段。“Token消耗量”可以看作是大模型高速发展阶段大力出奇迹故事的一个注脚。可到了AI Agent的阶段“Token消耗量”就不那么因地制宜了。打个比方大模型是水坝Token是开闸放出去的水衡量水量之后是不是应该度量一下这些水究竟灌溉了多少良田、起到了多少作用。正如全球权威咨询机构Gartner分析文章称Token消耗正在被越来越多的AI厂商视作反映AI规模、采用度和市场领导力的信号但这一指标并不能有效体现业务价值、效率或可持续性。无论企业还是个人必然要回归一个朴素的追问烧了这么多Token到底有多少转化成了真实的生产力和业务价值这就是DAA的切入点。DAA这套新度量衡的底层逻辑不是另起炉灶而是往Token这座地基上再搭一层楼。当Token消耗指数级增长当企业的账越算越细从业者们需要记录的就不再只是流水而是每一笔流水对应的交付。这件事在行业里已经有人开始做了。部分SaaS厂商开始在年报里同时披露Token消耗和任务完成数两者的增速并不总是对齐。有的时候Token翻了三倍任务完成数只涨了50%。这中间的差值就是AI落地到产业时最现实的效率损耗。而DAA要做的就是把这部分不可见的损耗变成可见的指标。如果说Token让AI有了成本意识DAA的意思很明确是时候补上价值意识了。DAA开始衡量AI的“交付”DAA的的核心视角转换可以浓缩为三个对照DAU看的是“来了多少人”登录、打开、浏览就算有效行为Token看的是“消耗了多少”模型推理了多少步生成了多少字符DAA看的是“干了多少活”从“使用”转向“交付”从“过程消耗”转向“结果产出”。这不是换个名词的文字游戏。三种衡量方式的底层逻辑分别对应着三种不同的商业世界观DAU是流量逻辑Token是成本逻辑DAA是价值逻辑。DAA之所以在这个时间点被提出背后是AI智能体正在从实验品走向生产力工具的质变。仅百度千帆平台目前就已累计服务超46万家企业客户支撑企业构建超130万个Agents覆盖智能硬件、制造、交通、能源等主流行业。当智能体数量以百万计、并行运作时交付量就是最直观的产能指标。当下的底层基础设施必须为智能体这个全新的主体重新搭建方便智能体来调用。为此百度今年提出了“芯云模体”新全栈布局。具体拆分来看“芯”的层面昆仑芯P800已完成规模化验证交付多个万卡集群基于昆仑芯的天池256卡超节点已经在上个⽉点亮“云”的层面百度千帆平台已支撑创建超130万个智能体日均调用数千万次“模”的层面最新发布的⽂⼼5.1登上Arena⽂本榜、搜索榜国内第一预训练成本仅为业界6%“体”的层面以伐谋、秒哒、一镜、DuMate等为代表的各类智能体已实现多任务并行执行、自主开发应用甚至自我进化的能力。这套全栈体系让DAA不是空中楼阁。“芯云模体”齐头并进为DAA的规模化推广提供了底层保障。《算力Token运营算力构建和Token生成、营销和Token智能体应用实操》大模型算法实战专家—周红伟 法国科学院算法博士/前阿里人工智能专家/马上消金风控负责人课程背景2026年企业将“Token服务”定为经营主线宣布从“流量经营”转向“Token经营”。同年同时将Token与智能体封装以“主从智能体协同”方式交付可独立完成任务的成品。但多数企业的实际情况远未跟上这一节奏。算力资源买了、模型接入了Token账单月月上涨却没人能回答三个基本问题消耗的Token去了哪些业务、消耗是否合理、能否对外卖出价钱。。与此同时Token的商业形态出现两条路径。一条是卖原料——按量计费的通用Token竞争激烈利润趋薄。另一条是卖成品——将Token与场景知识、任务流程封装为智能体按结果或效果收费溢价空间显著。两条路的算力需求、定价逻辑、客户关系和运营重点截然不同选择哪条路直接决定AI投入能否回本。本课程解决两个核心问题第一算力如何建成可计量、可降本的Token供给线第二Token如何封装成客户愿意买单的智能体产品。两天时间从算力底座到营销定价再到封装交付一条完整链路走完。课程收益掌握算力基础设施的成本拆解方法能区分中心云、边缘节点、端侧设备在成本结构中的占比与优化方向。能够设计Token的分层定价体系按通用、专业、定制三级制定差异化价格覆盖公众、中小企业和政企客户。掌握业务场景的任务拆解方法能画出一条端到端工作流并标注每个节点所需的模型规格。学会设计主从智能体协同架构能区分主智能体的调度职能和从智能体的专职任务避免功能混杂。带走一套可立即使用的工具模板含算力成本测算表、Token运营周报格式、智能体封装设计画布。培训时长2天课程大纲第一天算力底座的构建与Token的高效生产主题从物理算力到可计费Token的完整供给链搭建第一部分 算力基础设施的选型与成本模型1.1算力供给的三层结构1.1.1 中心云承载高并发的在线推理与模型更新1.1.2 边缘节点处理时延敏感型业务的就近部署策略1.1.3 端侧设备AI摄像头、AI智屏等终端的轻量算力利用1.2算力成本的可视化拆解1.2.1 硬件折旧GPU集群的租赁与自建在三年周期内的分摊模型1.2.2 能耗支出算力满载与闲置状态下的电力成本差异1.2.3 运维人力集群规模与所需驻场工程师的配比参考1.3算力利用率的评估与提升1.3.1 峰谷调度将离线训练与夜间闲时算力匹配的错峰方案1.3.2 碎片整理小任务合并为大批次请求的攒批策略1.3.3 淘汰机制长期低利用率的模型版本下线规则第二部分 算力到Token的转化推理引擎与供给平台2.1推理服务的部署架构2.1.1 模型加载内存常驻与按需加载两种模式的选择依据2.1.2 并发设计单卡支持多路请求时的显存分配与排队策略2.1.3 弹性伸缩基于请求队列长度自动扩容的阈值设定2.2 Token生成的计量与质量控制2.2.1 输入Token与输出Token的分开统计两者成本差异悬殊2.2.2 生成长度控制设置最大输出Token数防止失控消耗2.2.3 输出质量校验对生成结果的可读性与事实性做自动化抽检2.3多模型供给的统一平台搭建2.3.1 模型注册所有可用模型的规格、成本、适用场景进入统一目录2.3.2 智能路由规则请求进来后根据复杂度与预算自动分配模型2.3.3 权限与配额管理按部门、按应用设置Token消耗上限第三部分 Token生产的经济账降本增效的实战手段3.1缓存与复用策略3.1.1 语义缓存相似问题直接返回缓存结果命中率的提升方法3.1.2 上下文复用多轮对话中固定前缀的Token消耗豁免技巧3.1.3 模板化输出高频格式类生成的预置模板绕开重复推理3.2 Prompt工程对成本的影响3.2.1 指令精简在不损失效果的前提下压缩提示词的多次迭代测试3.2.2 示例数量的权衡少样本与多样本在成本与准确率之间的拐点3.2.3 思维链的按需启用简单任务关闭长推理链的门槛设置3.3模型选型的降本阶梯3.3.1 分类与抽取用小模型准确率达标时优先调用轻量版本3.3.2 生成与理解用大模型仅在需要语义能力时启用高成本模型3.3.3 微调后的专用模型一次投入换取长期单次调用成本下降的核算方法第四部分 Token营销的定价体系设计4.1分层定价的三级结构4.1.1 通用Token适合QA、摘要等大众化场景的低价走量策略4.1.2 专业Token绑定行业知识库或微调模型的中等溢价定价4.1.3 定制Token含私有化部署与驻场服务的年度合约报价模式4.2分客群的套餐设计4.2.1 公众用户小面额体验包与跟宽带、云盘捆绑的权益包4.2.2 中小微企业按月订阅的Coding Plan设定阶梯用量与超量单价4.2.3 政企大客户私有化部署后的Token批发折扣与年度增量返点4.3营销效果的追踪指标4.3.1 Token消耗的客户活跃率按周统计有消耗行为的客户占比4.3.2 客户平均消耗量的增长曲线判断客户是否真正嵌入业务流4.3.3 套餐档位迁移率客户从低档向高档升级的比例与触发原因第五部分 Token运营的日常管控体系5.1用量监控与异常检测5.1.1 部门维度的日消耗排名识别消耗突增的组织与原因5.1.2 单应用维度的单位成本曲线监测模型调用效率的变化趋势5.1.3 异常调用的自动拦截高频、超大、非时段的请求触发强制审核5.2内部结算机制的落地5.2.1 部门Token成本分摊表的编制将账单从IT部门下沉到使用方5.2.2 预算额度与审批流程超预算申请的人工审核与自动拒绝规则5.2.3 成本节约的激励机制对Token降本有贡献的部门给予分成奖励5.3 Token运营报表的标准化5.3.1 周报的三项必含数据消耗总量、异常事件数、单位成本变化幅度5.3.2 月报的经营分析各部门消耗占比、套餐覆盖率、降本措施效果汇总5.3.3 数据源的自动化采集对接算力平台与计费系统的接口规范第六部分 第一天实战搭建一套可运行的算力Token运营方案6.1场景设定与资源盘点6.1.1 选择模拟标的一家中型连锁零售企业的AI巡检与客服需求6.1.2 算力资源给定中心云100卡、边缘节点20个、端侧设备500台6.1.3 业务需求清单门店巡检日报生成、在线客服应答、商品描述批量撰写6.2分组制定供给与定价方案6.2.1 算力调度方案三个业务分别部署在中心云还是边缘节点的决策依据6.2.2 模型选型与Token预估每个业务匹配哪种规格模型预估月Token消耗量6.2.3 对外营销定价针对不同客户群设计Token套餐结构与价格6.3产出运营管控计划6.3.1 编写监控指标清单设定各业务的Token消耗红黄绿基线6.3.2 制定异常处理预案当某业务Token消耗突增50%时的应对步骤6.3.3 形成一份Token运营周报模板供各组带回实际使用第二天Token的智能体封装与商业化应用主题从卖Token原料到交付智能体成品的全流程实操第一部分 智能体封装的经济逻辑与场景选择1.1 Token原料与智能体成品的价值差1.1.1 客户为“能完成任务的数字员工”付费的意愿远超“算力消耗额度”1.1.2 封装一次投入、持续收入智能体开发成本固定边际服务成本递减1.1.3 封装提升客户黏性客户换智能体比换模型服务商的迁移成本高得多1.2适于封装的任务特征1.2.1 流程固定且重复频次高巡检、核保、报告生成等每周执行数十次以上1.2.2 需多步判断与多数据源协同单次任务即消耗大量Token的复合型工作1.2.3 结果可被客观评价审批通过与拒绝、报告通过与否、巡检异常是否属实1.3封装前的可行性评估1.3.1 当前AI调用量是否足以支撑封装投入的开发成本摊薄1.3.2 任务流程能否被分解为独立、可替换的子节点1.3.3 客户是否认可“按任务结果付费”而非“按Token消耗付费”第二部分 任务拆解将业务场景翻译成Token工作流2.1端到端任务的节点切割2.1.1 以“保险核保助理”为例拆为信息提取、规则匹配、风险评估、结论生成四节点2.1.2 每个节点的输入物和输出物必须定义清楚输出物是下一节点的输入2.1.3 设置节点间的异常返回某节点无法完成时退回上游还是转人工2.2节点任务类型的划分2.2.1 理解类节点意图识别、情感分析必须交给大模型2.2.2 查询类节点从数据库或API取数据用函数调用而非生成2.2.3 判定类节点按既定规则做是否判断用规则引擎或小模型2.3工作流的验证标准2.3.1 端到端成功率完整走完所有节点并输出有效结果的比例2.3.2 单节点耗时每个节点的响应时间是否满足业务时效要求2.3.3 Token消耗的可预测性同类型任务每次消耗的Token数偏差不超过15%第三部分 模型匹配与主从智能体的协同设计3.1每个节点选择最优模型3.1.1 理解节点配大模型保证语义准确但限制输出长度以防浪费3.1.2 查询节点配专用接口直接调数据库完全绕过生成式模型3.1.3 判定节点配轻量模型或规则库成本低、速度快、结果稳定3.2主智能体的设计与职责3.2.1 任务分发根据用户输入判断该启动哪个从智能体3.2.2 上下文维护多轮对话或跨节点时关键参数不丢失的机制3.2.3 异常接管从智能体返回不确定时重新派发或升级人工3.3从智能体的设计与复用3.3.1 单一职责一个从智能体只做一个任务避免功能混杂3.3.2 独立版本管理每个从智能体有自己的版本号升级不影响其他3.3.3 跨场景复用同一个“数据库查询智能体”可被多个业务场景调用第四部分 封装定价与服务交付的设计4.1三种定价模式的适用场景4.1.1 按任务量计费适用于每次结果标准化程度高的场景如单次审核4.1.2 按效果分成适用于可直接量化客户收益的场景如销售线索转化4.1.3 月订阅加超额累进基础月费含定量任务超出后按阶梯价结算4.2服务等级与交付物定义4.2.1 明确交付的是决策建议还是执行结果建议可免责执行结果需担责4.2.2 设定准确率承诺与免赔条款准确率低于承诺值时按比例退费或免单4.2.3 人工兜底的触发条件与响应时效模型无法处理时转人工的时间上限4.3定价的试算与调整4.3.1 先算出该任务的后台Token成本作为定价底线4.3.2 加上封装溢价知识、流程设计、运维支持的分摊4.3.3 与客户现有方案的成本做对比人工做同样任务的成本是多于还是少于智能体第五部分 星辰TokenHub封装能力实操5.1平台的多模型聚合与路由操作5.1.1 在平台上注册三个不同规格的模型分别标注适用场景与成本5.1.2 配置一条智能路由规则简单请求转轻量模型复杂请求转大模型5.1.3 跑一批混合请求流观察分流比例与总Token成本的变化5.2主从智能体的部署与联调5.2.1 创建一个主智能体设定其任务规划指令与从智能体选择逻辑5.2.2 创建两个从智能体一个做信息检索一个做文本生成5.2.3 发送复合指令测试协同观察从智能体的唤醒、交接和最终输出5.3监控与调优5.3.1 查看智能体调用的消耗报表区分各从智能体的Token消耗占比5.3.2 定位高消耗节点分析是否有某个从智能体被过度调用5.3.3 调整路由规则或提示词再次测试观察成本变化第六部分 结业路演交付你的智能体封装商业方案6.1分组选题与设计6.1.1 每组选定一个行业场景设备预测性维护、零售门店巡检、信贷审批、保险核保等6.1.2 完成端到端任务拆解图标注每个节点的模型选择与预估Token消耗6.1.3 设计主从智能体架构与协同流程给出封装后的定价方案6.2路演与答辩6.2.1 每组10分钟陈述重点讲业务痛点、任务拆解、模型匹配逻辑与定价依据6.2.2 评委提问方向智能体封装后能否真正替掉人工环节定价是否有竞争力6.2.3 每组提交《智能体封装商业设计书》作为结业成果