押注智能化的確定性，火山引擎做對了什么？

斯坦利·庫布里克執導的科幻電影《2001：太空漫游》中，飛船上擁有紅色鏡頭和冷靜嗓音的主控電腦哈爾9000，構成了舊時代AI的終極隱喻：一個孤立的、中心化的、封閉的智能體。

從冷靜報告AE-35組件故障，到面不改色將船員一一置于死地，哈爾的叛變并非簡單的系統錯誤，而是困于兩套沖突的底層指令，最終選擇用謀殺保全任務。

這揭示了一個殘酷的真相：僅有智商沒有情商，缺乏持續學習和反饋能力的AI，在現實規則面前，極易走向理性的反面。

真實世界中，人工智能沒有延續哈爾的陰影，在產業界的落地過程中，AI不是控制飛船的“唯一大腦”，定位更接近各行各業的“智能外腦”。

幾年前ChatGPT橫空出世帶給產業界的是無以復加的震撼，在AI加速落地的當下，產業界對智能化的追逐已經成為共識，AI正在一個個真實的業務和場景里快速滲透。

按照IDC的數據，今年上半年，中國大模型公有云服務Tokens調用總量達到536.7萬億次。其中，火山引擎份額超過49%，位列第一。截至12月，豆包大模型日均Tokens調用量高達50萬億次，僅次于OpenAI和Google。

在2025冬季FORCE原動力大會上，火山引擎總裁譚待給出了一個清晰的定調：傳統的IT架構已經無法滿足Agent時代需求，以模型為中心的AI云原生架構正在形成。

AI云原生架構中，模型是軟件的核心，MaaS是使用模型的最佳方式，而算力以Tokens的方式轉換為智能。

如果算力是人工智能時代的電力，那么Tokens的調用就是人工智能時代的用電量，是衡量產業界應用AI服務幾乎最精確的指標。

作為這個時代的火力發電廠，云計算行業的競爭格局也在深度重構。

一道必答題

前段時間，以準確預測2008年次貸危機聞名的“大空頭”Michael Burry把矛頭對準了AI行業，對著高科技公司望而生畏的資本開支陰陽怪氣：只要你宣布在AI上增加1美元的資本開支，你的市值就能因此增加3美元。

這番話的背景是美國科技公司集體刷新資本開支指引，谷歌上調80億美元，Meta上調40億美元，行業整體支出超過2000億美元。

但Michael Burry的嘲諷精確的點出了資本市場升騰的疑慮：大公司不計代價堆砌算力，對應的需求到底有多少？又創造了多少商業價值？

美國科技巨頭的投資金額創紀錄

作為被點名者，Meta CEO扎克伯格第一時間反唇相譏[2]：我寧愿燒光幾千億美元，也不愿冒著落后的風險。

扎克伯格雖然沒有直接回應問題，但真實的反映了巨頭們的焦慮。對高科技公司而言，在人工智能時代，投入不足的風險恐怕遠高于投入過度，大家只能硬著頭皮上。

龐大的資本開支和潛在AI收益之間的巨大鴻溝，既是資本市場為企業定價時面對的分歧，也是產業界面對的真實的不確定性。

2022年底ChatGPT橫空出世，在斬獲“蒸汽機時刻”、“iPhone時刻”等一連串驚悚標簽的同時，也把一眾以英偉達為代表的半導體公司送上了神壇。全球范圍內掀起生成式AI熱潮，但在落地環節缺少了些回腸蕩氣，多了些搖擺不定。

一方面，產業界對智能化轉型早已形成共識，智能化不是一道是否要做的選擇題，而是關乎生存與未來的必答題。

尤其當算力的需求結構重心從訓練轉向推理，Token調用量快速增加，意味著AI進入到“實戰”環節，用戶體驗成為衡量產品競爭力的核心論據。

但另一方面，對企業來說，智能化投資難以形成一個清晰量化的預期回報，有多大決心就多大的心理包袱。

按照譚待的說法，火山引擎通過從模型能力到基礎設施的全方位革新，正在推動AI應用從單一模型調用轉向Agent智能體生態，為的就是加快提高各行各業的“AI含量”。

人工智能領域沸騰的資本開支，產業界轉型重擔加上并不明朗的回報率，是留給云服務商的一道復雜考題。

賣算力or賣Tokens

今年11月，谷歌新一代Gemini 3模型炸場前夕，xAI出其不意發布最新版本Grok 4.1模型，率先登頂大模型競技場榜單LMArena。這距離Grok-3發布僅過去9個月。

這場低調的搶跑透露出一個信號：大模型的參賽門檻已經越來越高。

谷歌云副總裁Amin Vahdat曾在誓師大會上動員大家加把勁：谷歌必須每6個月將訓練算力翻一番，才能滿足AI市場的需求。

推理側也是如此，一次調用Token的長度越來越長，會消耗更多算力。換句話說，模型領先的成本是以持續性支出作為計算基礎，并非所有公司都能負擔得起。

出于成本和效率的雙重考量，云服務商的商業模式也在經歷重大變革：從“賣算力”過渡到“賣Tokens”（MaaS模式），本質是從“賣生產資料”轉向“賣生產力”。

“Token”可以理解為一個詞或詞片段，相當于大模型消化和生成文本的樂高積木，它真實而具體的衡量了一家企業對智能化產品的“使用量”。

和賣算力的IaaS模式相比，Maas模式意味著終端客戶可以直接調用模型的核心能力，比如文本生成、交互應答。與此同時，還能節省下開發和維護底層基建的成本。

另一方面，IaaS、PaaS等模式，其誕生的背景離不開在移動互聯網產業轟轟烈烈的增長年代。在AI云原生架構中，開發者通過API調用模型能力，Tokens能夠精確反映Agent和模型的使用成本，也是更務實的計費和資源度量單位。

從產業價值看，MaaS模式和IaaS模式也有本質區別。相比算力的銷售額，Token的消耗量更接近AI產業景氣度的“晴雨表”，原因有三點：

首先，算力可以閑置，但Token的調用量反映了模型推理過程中的計算量。換句話說，它和AI應用的實際落地情況緊密相關。而且MaaS模式是按Token的調用量收費，豐儉由人。好用的模型往往調用量更高。

按照火山引擎披露的數據，一家消費電子行業客戶引入視覺理解模型后，Token消耗量在5個月里增長了12倍?；鹕揭婵偛米T待透露，目前已有超過100家企業客戶Token使用量超過一萬億。

其次，算力的銷售更像一次性買賣，Tokens反而更具備可持續性。前者提供的是“用完即走”的服務，后者會基于反饋不斷優化打磨底層模型能力，進而提高自身的生態護城河。

最后，MaaS模式大幅提升了模型規?；涞氐男?，增長潛力遠超傳統IaaS模式。按照畢馬威的說法[3]，Maas模式將成為通用人工智能（AGI）生態構建的核心。

“Tokens經濟”不僅是一種計費形式，它更像驅動整個AI產業正向循環的一雙手。對企業來說，它意味著投入產出比可以更加清晰量化的觀測；而對云服務商來說，承接了多少Tokens的調用，也更貼近市場競爭中真實的含金量。

從汽車到消費電子，從金融到教育，越來越多的行業接受并融入火山引擎的Maas模式，并不是一場意外。

為什么是火山引擎

若論對智能化轉型的迫切程度和執行力度，汽車行業可謂當仁不讓。

汽車工業是機械電子、材料、軟件通信等眾多垂直產業的集大成者，一直是生產制造自動化的忠實擁躉。新能源車普及后，多變的市場需求、快速的技術更替，讓百年歷史的汽車工業又成為了智能化的特區。

時至今日，火山引擎已經覆蓋了90%的主流車企。今年，豆包大模型更在規模落地上取得關鍵進展，成為中國市場智能座艙搭載量第一的AI模型。

從特斯拉領頭的新勢力，到一汽、長安等老牌車企，再到奔馳、寶馬、奧迪、大眾等海外品牌，豆包大模型已經成為AI汽車的標配項。

奔馳純電CLA等眾多新車接入豆包大模型

接入豆包大模型后，車機體驗的提升非常直觀。相較于傳統汽車通過規范指令控車，豆包大模型讓用戶可以隨意下達模糊指令，實現復雜的車控能力。車機整合大模型聯網搜索和深度思考后，還能直接制定出行規劃、定位車輛故障等。

在榮威M7 DMH上，車機可以準確理解用戶模糊的表述，攻克山東人的倒裝句式不在話下。即便多人同說，車機也能精準區分進行回答。而奔馳純電CLA交互效率比上代車型提升50%，喚醒速度快至0.2秒，還能識別說話人的感情，提供相應的反饋。

在大規模走向產業界之前，火山引擎的模型能力首先在字節跳動內部龐大的業務體系內完成了演練實操。正所謂自己做的降落傘自己先跳，包括抖音、今日頭條、番茄小說等50多個業務，都先于外界應用了豆包大模型。

時至今日，火山引擎豆包大模型已廣泛應用于手機、汽車、教育、消費等行業，從多方面助力各行各業智能化升級。

在智能助手方面，基于火山引擎HiAgent智能體開發工作站，海底撈打造了AI用餐管家”小撈撈”，為消費者縮減了30%預定操作時間；

博西家電的“西西子”為用戶提供智能導購、家電管家、售后服務等在線交互服務；瑞幸咖啡的AI點單助手實現“動動嘴就能點咖啡”；

中免日上的智能導購，可以根據用戶膚質、膚色、個性化需求智能推薦合適的產品。

Agent正深入各行各業的各個場景中，手機可謂端側落地Agent的試金石。OPPO、vivo、榮耀、三星等基于豆包大模型，升級AI原生體驗，包括多模態識物、智能創作、聯網實時問答....讓手機智能化功能實現躍遷。

在豆包大模型的加持下，智能助手具備持續學習的能力，可以結合反饋不斷優化，做到“越用越懂用戶”。

在精準營銷和運營方面，賽力斯聯合火山引擎創建了用戶之聲管理平臺（VOC/Voice of Customers）。依托豆包大模型的理解、分類和總結能力，準確推測用戶情緒，并將反饋迅速提煉，提高業務團隊的決策效率。

極氪則引入部署火山引擎Data Agent數據產品，內部對數據的需求從提出到完成分析可以分鐘級別實現，打破了過去數據獲取鏈路冗長、全流程效率不足的挑戰。

當新車迭代節奏向消費電子看齊，這一代產品剛剛落地，下一輪變革悄然開始，每一個有效的數據和用戶反饋都是車企的核心資產，代表新車可以提前試探市場的水溫。

對連鎖品牌而言，出品和服務品質不被門店規模稀釋，可謂經營環節最復雜的問題。在智能巡檢方面，火山引擎助力喜茶、庫迪等連鎖品牌，實現了統一、自動化的質量管理，讓消費者無論走進哪家門店，都能體驗到高品質和規范化的服務。

從汽車到電子，從餐飲到消費，各行各業之間的業務場景千差萬別，但在“智能化”上的訴求是一樣的：通過大模型和Tokens的調用，讓分散的非結構化數據變成業務和技術語言，實現產品體驗和經營效率的提高。

不同行業間的流程與方法千差萬別，但在獲客、銷售、售后服務等環節，行業間的相似性遠遠大于差異性?；鹕揭鍭I Agent的優勢，恰恰在于對各個環節的適配，可以達到跨行業的通用性。

同時，基于Tokens的計費和資源度量，也讓企業的投入產出比可以更加直觀的呈現。在群狼環伺、市場瞬息萬變的競爭環境里，這無疑是一種兼具敏捷性與確定性的戰略選擇。

把晦澀枯燥的技術語言轉化為可以度量的效率和速度，是MaaS模式的優勢所在，也是人工智能落地階段最核心的競爭力。

在更廣闊的產業界，AI的參數量還在以指數級擴張、應用場景還在以難以預測的方式涌現，每一次Token的調用，都是人工智能融入產業的一個腳印。作為這個時代新的景氣度指標和晴雨表，Tokens調用量背后的含金量，會越來越高。

而當“AI+”成為時代性命題，如何走向智能化的未來，目標已經清晰，路徑的共識也許還在凝聚。火山引擎之于千行百業的意義，恐怕也會越來越深刻。

參考資料

[1]AI is creating new billionaires at a record pace，CNBC

[2]I’d Rather “Misspend” Billions Than Lose the AI Race: Why Going All-In Makes Sense，Medium

[3]人工智能全域變革圖景展望：躍遷點來臨（2023），畢馬威

作者：徐珊珊

編輯：李墨天

責任編輯：徐珊珊

封面圖片來自ShotDeck