算力狂飙中，中孚恒升科技为何押注“能力基建”？

　　本报记者张蓓黄指南深圳报道

　　“缺的不是会敲代码的人，缺的是能直接上手、会算成本、能解决实际业务问题的实战派。”11月3日下午，深圳南山科技园，中孚恒升科技创始人丁艳博士对《华夏时报》记者说出这句话。几个小时前，她刚在同一间发布厅完成了一个多小时的演讲——中孚恒升科技战略发布会。

　　发布会的由头，是两周前英伟达在柏林GTC投下的一枚“震撼弹”——DSX POD把计算、网络、供电、液冷全部预装进集装箱，一座AI工厂的建设周期从6个月压缩到14天，算力就此变成“预制菜”。

　　丁艳在现场算了一笔账，1吉瓦AI工厂造价约500亿美元，晚通电3个月损失100亿美元营收。

　　但她的追问不在数据中心，而在车间。“第15天开始，Token洪流倾泻而出。算力有了，模型有了，Token有了。然后呢？”

　　这就是AI产业当前真实的矛盾之一，算力可以一夜建成，但能力不能。

　　能力断层

　　“不能‘高射炮打蚊子’。”丁艳在采访中用这句口语，概括了当前AI浪潮下的产业冲击及能力错配。

　　过去两年，AI产业的叙事主线是算力。智算中心遍地开花，大模型几天一迭代，Token像自来水一样喷涌。

　　“冰火两重天”丁艳这样描述今年的产业体感——日子好过的是卖铲子的硬件与基础设施环节，而要用AI改造产线、做工艺优化和设备预测性维护的制造业，依旧卡在半路上。

　　但中孚恒升在发布会上展示的一张“断桥”图，揭示了繁荣表象下的真实断层：左边是建设端——高压电工、液冷冷暖专家、网络架构师、算法工程师极度紧缺；右边是应用端——企业员工、开发者、产业一线人员面对AI不知所措，原有技能匹配不上新任务。

　　底座在狂飙，上层在爆发，中间是一道能力断层。算力建得越快，这道鸿沟撕得越深，每一座14天投产的AI工厂，都在向市场投放海量Token，却没有足够多的人能够更好地使用这些Token。

　　而这道断层的真实形状，不是“会不会用ChatGPT写报告”，而是更深一层：企业想上AI，老板不懂工具，懂工具的人不懂工艺；买了昂贵的算力，却只用来做轻量推理。

　　丁艳给出的参照是一个正在崛起的岗位——前端部署工程师（FDE），该岗位在美国年薪约28万美元，职责是“把AI的无限可能翻译成业务场景的真实价值”。

　　人才缺口的量化表述落在一组行业数据上，生成式AI应用人才需求增速约35%。“缺的不是会敲代码的人，缺的是能直接上手、会算Token成本、能解决实际业务问题的实战派。”丁艳如是说道。

　　窗口里也有泡沫。AI培训、考证班、大厂免费课层出不穷，丁艳对此的判断是：把AI简单等同于“学几个提示词”，“是低看了AI时代生产力与生产关系的冲击”。

　　制造业需要的不是一次性的提效工具，而是能重构工艺，能把私有知识库跑通的系统能力。

　　在丁艳的介绍里，“调TOKEN”的核心理念被概括为三句话：Token是货币，效率是能力，管理是工程。

　　Token不再是抽象的计费单位，而是AI时代的核心“货币”——理解生成机制与成本关系，建立新型成本意识；效率成为核心能力——关注“投入一个Token，能撬动多少倍价值回报”；管理成为系统工程——贯穿任务规划、模型选择、提示词设计、流程优化全环节，构建端到端的Token治理框架。

　　从产业角度看，“调TOKEN”的意义不在于创造一个新概念，而在于它试图回答一个行业长期回避的问题：AI能力的“成果”不是学时，不是证书，而是用最少的资源产出最大价值的能力。

　　丁艳坦言，如果这套标准被产业广泛接受，它有可能成为AI能力评价的通用标尺。

　　能力基建

　　“转型的人不是学人工智能的，而是做手机销售的，但他晚上都在找我们的技术人员问怎么做，他绝对不会被淘汰。”丁艳在采访中讲的这个案例，是理解中孚恒升工业落地逻辑的切口。

　　这家做三防手机制造与跨境电商的企业，是中孚恒升的客户。它不敢把关键数据放到公有云，于是用DGX Spark、6000D搭了内生算力调度。第一步做海外电商推广；第二步把每次砸一部手机测试抗摔、成本近千元的实验搬进数字孪生，在虚拟空间里模拟摔落重力表现，再回到真实产线。算力由此不再是成本中心，而成了研发工具。

　　这正是中孚恒升“能力基建”的制造业切片。它的解法不是再建一座AI工厂，而是三根支柱：算力部署、效能优化、人才培养。

　　算力部署分云端与端侧。云端对接模型广场，调度主流大模型；端侧把开源大模型布在企业内网，数据不出域——这对工艺参数、客户数据高度敏感的制造业是刚需。

　　“教育对隐私性要求非常高，企业同样如此。”丁艳说，不公开的信息调端侧，可以问的问题走云端，今年企业普遍是这种混合部署。效能优化的核心，是帮企业“配得准”模型。

　　“很多人买最贵的算力，但中小企业和学校要做的是推理，不是训练大模型。”丁艳续称，同样的任务，用Kimi还是DeepSeek，用哪个版本，Token成本天差地别——“这就是我们商业价值的体现”。

　　人才培养的落点，则在产业一线。

　　丁艳透露，中孚恒升过去六年走进二十多个省份，在武汉、东莞、荆州、苏州等地布局线下基地——东莞正是制造业重镇。明年还计划推出具身智能相关课程，“机械臂的数据和资产都是开源的，只是存在信息差，我们要做的是把信息差打通”，让一线工程师学会调参数、做Sim-to-Real仿真。

　　过去两年，行业的主流叙事是“规模”——谁的算力多、谁的模型强、谁的流量大。但中孚恒升选择了一条更慢、更重的路：用六年时间走进二十多个省份、上百所院校和企业，沉淀“调TOKEN”标准，布局算力、能力、场景、认证四个维度。

　　这条路是否成功，尚需时间验证。但它提出的问题值得全行业思考：当算力可以一夜建成，AI产业是否还在用“一夜建成”的思维做能力建设；当Token成为AI时代的“货币”，行业是否还在用“卖工具”的逻辑做“建基建”的事。