商汤科技：AI算力的下一场竞争，开始拼Token效率

“随着AI从过程计量走向结果计量，Token经济正在成为新的产业衡量方式，算力也面临新的资产重组机会。”

2026年10月21日，商汤大装置智算业务总经理杨惠谦在可持续全球领导者大会上谈到了AI基础设施行业正在发生的变化。

过去几年，产业投入大量资金建设GPU集群，训练大模型、扩大参数规模是主要任务。模型推理和智能体应用扩展后，算力需求变得更加复杂，客户开始关注单位成本能够支撑多少有效产出，企业也需要重新审视既有设备的利用效率。

算力服务商的供给能力由硬件规模决定。模型适配、任务调度和推理优化则影响最终的交付成本。商汤大装置已经积累了规模化算力运营和异构推理的实践，下一步要看这些技术能力是否转化为更稳定的外部收入、更高的资源利用率和更好的经营回报。

算力竞争进入下半场：GPU规模之外，资产利用率开始影响回报

杨惠谦在大会上谈到，AI应用发展之后，前期建设的训练型算力集群与不断变化的推理需求之间出现了结构性错配。训练任务通常需要大规模集群协同运行，推理业务则更加细碎，不同模型和应用对芯片性能、显存、通信与响应速度的要求各不相同。让既有算力资源适配新的工作负载，已经成为基础设施运营商必须回答的问题。

这背后是一道现实的经营题：投入的资本开支究竟能产生多少有效服务，又能以什么成本交付给客户。

GPU采购只是算力业务的起点。模型适配、推理框架、集群调度和能源管理都会影响服务成本。同样的硬件配置，任务分配和资源调度效率不同，实际产出也会有差异。规模决定供给上限，运营效率影响资产回报。

商汤大装置已经给出了阶段性数据。公司在2026年8月公布的中期业绩中披露，2026年7月日均Token服务量达到2.4万亿，同比增长约22倍，运营总算力规模达到4.8万P，Token工厂还为4家外部基础模型厂商提供服务。

这些数字说明，商汤正在把基础设施投入转化为实际模型服务，外部客户的引入也为大装置提供了商业化验证。Token服务量属于运营指标，不能直接等同于收入或利润。不同模型的计算复杂度、输出质量和客户付费意愿存在差异，后续要看的是外部服务收入、单位Token成本和算力利用率。

AI基础设施的竞争正在从供给扩张延伸至资产运营。商汤大装置已经形成一定规模，接下来需要注意的是规模增长能否改善成本结构，并为经营现金流提供持续支撑。

异构推理与国产芯片适配：商汤试图提高每一份算力的使用效率

资产运营的具体抓手，是异构推理。

杨惠谦在10月21日的发言中还披露，商汤通过PD分离架构，将高端旗舰芯片与国产主流芯片承担的任务进行拆分，提高推理业务的经济性。这套方案的经济效益优于同构算力集群，日均Token产出达到6万亿，预计第四季度达到10万亿。

对商汤的意义也不言而喻。

一层是国产芯片生态。国产芯片的硬件性能、软件适配和实际业务表现要放在一起看。商汤在2026年中期业绩中披露，主流国产芯片的模型浮点运算利用率（MFU）相较芯片原厂基准水平最高可提升2.5倍，SenseNova U1也已与十余家国产芯片厂商实现Day 0适配。

商汤把模型、推理框架与底层硬件的协同优化作为竞争力的一部分。部分。适配的芯片越多，可调度的资源池越大，客户的选择越多，对单一芯片路线的依赖越小。

另一层是存量设备。一些设备扛不动高强度训练，做推理还有用。通过任务拆分和精细化调度，算力服务商可以探索延长设备有效服务周期，改善既有资产的利用率。

杨惠谦还谈到，未来推理架构可能从PD分离进一步向AF分离、跨地域PD分离演进，让更细分的任务匹配不同芯片资源。这条路线为算力运营提供了新的优化空间，但技术适配范围广，各场景的经济性并不相同，实际效果仍取决于服务质量、迁移成本、任务延迟与客户需求。。

商汤需要进一步证明，异构调度能够形成可复制的交付能力，并持续改善单位服务成本。技术指标提供了观察窗口，经营结果才是最终检验。

从Token规模走向经营回报：模型、算力与应用需要形成闭环

异构推理提升的是单份算力的效率，效率改善最终要落到经营数据上。

大装置不是孤立的算力业务，是商汤整个 AI 体系的一环。 2026年8月公布的中期业绩显示，商汤上半年收入29.1亿元，同比增长23.4%；毛利12.1亿元，同比增长32.9%，毛利率为41.4%，同比提升2.9个百分点。生成式AI收入23.3亿元，占集团收入近80%；经常性收入11.4亿元，占比39.3%。

公司同时披露，按国际财务报告准则（IFRS）首次实现盈利6.2亿元，按非国际财务报告准则计算的调整后净亏损仍有3.9亿元，同比收窄67.3%。

商汤给出的解释是部分AI生态资产估值提升带来的公允价值增长，对IFRS口径盈利产生了积极影响。判断盈利质量还是需要关注主营业务表现、经营现金流和持续性收入。

生成式AI已经成为商汤主要收入来源，经常性收入也形成了一定规模。大装置为模型推理提供算力支撑，模型与智能体则有机会为基础设施带来持续需求。报告期内，商汤智能体服务超过1000家企业客户，覆盖逾20个重点行业。

这为商汤提供了从基础设施延伸至业务应用的空间。企业把 AI 用在知识检索、内容生成和复杂任务处理上，算力需求就从一次性项目变成持续的模型调用和任务执行。自有模型和智能体产生内部需求，外部模型厂商带来服务机会，两边一起把基础设施的使用效率顶上去。

内部需求与外部商业化必须分开评估。内部模型消耗Token可以验证技术能力，不能简单视为独立的外部收入；外部客户持续付费，才更能证明算力服务具备市场竞争力。

后续商汤需要继续关注的是大装置能否持续降低单位Token成本，异构推理能否改善设备利用率，模型与智能体能否提升客户留存，以及新增资本开支能否与业务增长保持匹配。