《Token Factory: AI 推理的成本革命》演讲提纲（可排练版）
面向南京大学校友（本科及以上，非全技术背景）。演讲约 39.5 分钟 + Q&A 约 5.5 分钟（总 ≤45 分钟），对应 24 页幻灯片（封面 + 页码 01–23）。素材与数据来源见同目录
references/（01 微信原文，02 产业生态，03 商业模式与财务，04 成本技术，05 杰文斯悖论，06 财报证据，07 白皮书，08 HF 开源模型报告，09 模型性价比，10 产能评估框架，11 模型选型对产能的影响，12 Silicon Data Token 指数）。文中【素材 N §x】标注对应引用位置。
一、演讲信息卡
| 项 | 内容 |
|---|---|
| 标题 | Token Factory: AI 推理的成本革命 |
| 观众 | 南大校友，本科+，混合技术背景（部分听众无技术基础） |
| 时长 | 演讲 39.5 分钟 + Q&A 约 5.5 分钟（总 ≤45 分钟）；建议 24 页幻灯片（含封面与结尾，每页约 1.6 分钟） |
| 主旨 | Token 工厂是把「资本（GPU）→ 电力 → Token」的转化机器；AI 推理的成本革命，本质是这台机器的转化效率以摩尔定律数倍的速度提升，它开启的不是”便宜”的时代，是”更大”的时代 |
| 主线（封面三问） | ① Token Factory 是不是一个好生意？② 怎么才能赚钱？③ AI Infra 有哪些事情要做？——三问分别由 ② 财务模型（07–09）、③ 成本革命（10–18）、④ 革命之后（19–22）回答，结尾（23）收束 |
| 主线公式 | 利润 = 年产出 × 单价 − 成本；年产出 = 卡数 × 单卡吞吐 × 时间 × 利用率。四部分分别深化：为什么有这台机器 → 账怎么算（产能与承诺）→ 成本如何被革命 → 革命之后去哪 |
| 三个反直觉点 | ① 成本大头不是电费，是折旧（60% vs 8%）——命脉是吞吐利用率和单价两个数；② 推理降价的本质是三维稀疏化——能不算的不算、能不存的不存、能不传的不传，而能量不可稀疏化；③ 单价三年跌 140 倍、真实玩家还在亏，产业总盘子反而涨——机会不在更便宜的 token，在更值钱的 token |
叙事弧线：悬念（Token 是什么？）→ 拆解（账本、产能与市场）→ 技术（成本怎么被革命）→ 转折（价格跌了钱反而更多）→ 收束（让 token 更值钱的两条路）。
页面节奏（39.5 分钟 / 24 页 ≈ 1.6 分钟/页，故事节奏而非赶场节奏）：
| 部分 | 时长 | 页数 | 合并策略 |
|---|---|---|---|
| 封面 + 开场 | 4 分钟 | 3 页 | 封面三问 → 有用性前提（页 01）→ 剪刀差 + 电力类比（页 02） |
| ① 什么是 Token 工厂 | 7 分钟 | 4 页 | 03 黄仁勋叙事 → 04 Token 货币化 → 05 三把尺子表格 → 06 智算中心对照 |
| ② 财务模型 | 6 分钟 | 3 页 | 07 账本结构（公式 + 成本构成）→ 08 产能与承诺（SLO 表）→ 09 市场现实（价格战 + 真实玩家财报） |
| ③ 成本革命 | 13 分钟 | 9 页 | 10 推理骨架 → 11 技术地图 → 12 计算 → 13 存储架构 → 14 存储系统 → 15 通信时间 → 16 能量 → 17 价格瀑布 → 18 市场旁证 |
| ④ 革命之后 | 8 分钟 | 4 页 | 19 杰文斯提问 → 20 趋势改变 → 21 竞争迁移 → 22 机会（更值钱的 token） |
| 结尾 | 1.5 分钟 | 1 页 | 回扣封面三问（页 23） |
| 合计 | 39.5 分钟 | 24 页 | Q&A 余约 5.5 分钟 |
每部分一个记忆点（观众能带走的一句话——全篇只记 5 个数：140× / 60% vs 8% / 3% / +34% / −119% vs +82.5%）：
| 部分 | 一句话记忆点 |
|---|---|
| 开场 | “Token 就是 AI 的’度’——单价三年跌 140 倍，用量两年涨 1400 倍。” |
| ① 什么是 Token 工厂 | “Token 工厂不卖时间、卖产出：利用率 80% 对 30%，回本 2 年对 5 年。” |
| ② 财务模型 | “AI 不吃电、吃折旧——折旧占成本 60%、电费 8%；命脉只有两个数：吞吐利用率和 token 单价。”（记忆数：60% vs 8%） |
| ③ 成本革命 | “能不算的不算、能不存的不存、能不传的不传——每 token 只唤醒 3% 的’脑细胞’。”（记忆数：3%） |
| ④ 革命之后 | “单价跌 140 倍，产业盘子反而涨（降价 80% 收入 +34%）；机会不在更便宜的 token，在更值钱的 token。”（记忆数：+34%、+82.5%） |
| 结尾 | “问题从来不是 token 贵不贵，而是你的 token 值不值钱。” |
逐页重点地图（24 页，每页一个鲜明重点——页面主标题本身就是重点句，页内只放支撑它的 2–3 个数据）：
| 页 | 标题（页面原文） | 一句话重点（口播观点） |
|---|---|---|
| — 封面 | 《Token Factory: AI 推理的成本革命》 | 封面三问：是不是一个好生意？怎么才能赚钱？AI Infra 有哪些事情要做？ |
| 01 | 模型能力足够强、种类足够丰富 - “有没有用”已不是问题 | 规模（754B–2.78T）· 授权（MIT 开源 700B–1.65T）· 生态（296 万个模型）· 实证（开源 GLM-5.2 干闭源不敢干的活） |
| 02 | 价格往下、用量往上 - AI 正在经历”电力革命” | 输出单价三年约 140×↓（400 元 → 3 元）；中国日均用量两年约 1400×↑（每天 1.37 亿本《红楼梦》）——像极了 140 年前的电力 |
| 03 | 数据中心不再是一台计算机，它是工厂 - 产出 Token | 黄仁勋三步叙事：2022 数据进智能出 → 2025 注入能量产出 Token → 2026 推理经济；新 KPI = Tokens/Watt（每瓦 token 产出，决定工厂成本） |
| 04 | Token 是 AI 的”度”——可计量、可定价、可交易 | 先有计量单位，后有产业；Token = 信息单位 + 算力消耗单位 + 计费单位三重身份；官方定名「词元」（2026.03）——「智力服务的千瓦时时刻」 |
| 05 | 看 Token 工厂的三把尺子：规模、模式、产业链 | 规模尺（多大？）· 模式尺（靠什么赚钱：聚合平台 vs 垂类 Token）· 产业链尺（站在哪一段：算力运营 60–70%）——利润重心离”电与卡”越近分成越高 |
| 06 | 从卖时间到卖产出：利用率 80% 对 30%，回本 2 年对 5 年 | 算力房东 vs 产品制造商：客户买的是产出，不再是 GPU 小时——商业模式一变，账本全变 |
| 07 | Token 工厂的账：收入靠吞吐 × 单价，成本大头是折旧 | 年收入 = 年产出 × 单价；成本构成（128 节点 H20）：折旧 60% / 电费 8% / 网络 10% / 人力带宽 10% / 软件 10%——命脉只有两个数：吞吐利用率、token 单价 |
| 08 | （可售卖）产能不是机器极限能力，是符合 SLO 的产量 | Goodput 才是可售卖产能：承诺表（TTFT 分档 / ITL <100ms / 成功率 ≥99.95% / 达标率 ≥99%）——对外卖承诺（P99）、对内考核数字 |
| 09 | 价格战打到现在：真实玩家还在亏 | 市场价：输入 1 元 / 输出 3 元（Qwen3.8-Flash），GLM 输出 2.8 元更低；真实玩家：硅基流动 −24%、CoreWeave 66% 毛利仍净亏——凭什么还有人建、还有人投？ |
| 10 | 一次生成 = 读题存档 + 逐字读算；token 成本 = 算 + 存 + 传 | 读题（prefill）把理解存成 KV Cache，逐字（decode）重读存档与权重；三维都能”少做”，最终都以能量计价——Tokens/W 把三维压缩成一维 |
| 11 | 推理优化技术地图：每一类都在”少做” | 省算（MoE/DSA/Engram/MTP）· 省存（MLA/量化/PagedAttention/前缀缓存/Offloading）· 省传（专家本地化/PD 分离/拓扑感知）· 省时（批处理/投机解码）——没有一招鲜，合起来才是跌 140 倍的原因 |
| 12 | DeepSeek V4-Pro：每 token 只唤醒 3% 的”脑细胞” | 1.6 万亿参数只激活 490 亿 = 3.06%（1600 位医生只叫醒 49 位）；DSA 128K 上下文只选 2048 个细读——模型变大与变贵第一次脱钩 |
| 13 | 记忆压成摘要存档：KV 省 93%，1M 上下文 250GB → 5GB | MLA：KV 压进 512 维潜空间（250GB→5GB，≈2%）；4-bit 量化：激活权重读取量 ÷4（26GB→6.5GB）——记忆不必完整，也不必全部看 |
| 14 | 显存版虚拟内存 + 命中缓存边际成本趋零——降价 99% 仍收支平衡 | PagedAttention：显存利用率 20–40% → 90%+；前缀缓存命中 93%+（命中 = 免 prefill 重算）——小米”省记忆”直接变成”敢降价” |
| 15 | 模型拆到几个办公室，跨办公室沟通慢且贵：同样的卡，调度不同产出差几倍 | 通信税：模型越大税率越高（NVLink ≈ HBM 1/9 可隐藏 vs 跨节点 IB ≈1/160 拖死）；对策：专家本地化 / PD 分离（腾讯太极 +30–40%）/ 拓扑感知；时间维：批处理把利用率 30% → 70–80% |
| 16 | 1GW 的工厂永远不会变成 2GW：只有提升 Tokens/Watt 一条路 | 功率是物理上限；折旧可摊薄、电力摊不薄；同一 1GW 中心两年 token 生成速率 350×（厂商口径，SemiAnalysis 实测约 50×）vs 摩尔定律同期 1.5× |
| 17 | 单价跌 140 倍 - 输出 / 输入价差 1:8 | $60（GPT-4, 2023-03）→ $0.43（Qwen3.8-Flash, 2026-08）；输出串行自回归、输入可并行 → 价差 1:1 → 1:8；模型变聪明、真实花费降得更多 |
| 18 | 价格还在跌：全市场平均支付价跌破 1 美元 | Silicon Data LLM Token 支出指数：$0.97/百万——发布以来新低、较夏季峰值腰斩、近 7 天再跌 8.6%（所有人付给所有模型的平均成交价） |
| 19 | （无标题，大字提问）单价跌了 140 倍——这个行业的总盘子，是涨了还是跌了？ | 标题即提问，停顿 3–5 秒，制造全篇最大悬念，再翻页揭晓 |
| 20 | 降价 80% → 调用量 ×14、收入 +34%；消耗主力正从人变成 Agent | OpenAI 案例 + Google ×134 + 中国 ×1400；驱动力 = Agent（干一件事调用 10–20 次、token 耗用 5–30×）——可怕的信号不是价格归零，是”价格跌但用量停滞” |
| 21 | 从”谁的 GPU 多”到”谁的 token 值钱”：$0 / $3–6 / $45 / $150 | 三层竞争：效率（每瓦 token）→ 价值分层（$0/$3–6/$45/$150）→ 生态卡位（聚合平台、Token 运营商、行业方案）——价值正从 token 上移到 Agent 与方案 |
| 22 | 机会不在更便宜的 token，在更值钱的 token | 同一家公司两个数字：卖通用 token −119%（硅基流动公有云）vs 卖行业方案 +82.5%（本地部署）——让 token 更值钱的两条路：① 生产垂类 token ② 在应用层消耗 |
| 23 | 问题从来不是 token 贵不贵，而是你的 token 产出效率高不高，你的 token 值不值钱！ | 收束三问：价格终将趋近于零，总产值可能超过今天所有软件产业的总和——AI 从奢侈品变成基础设施 |
使用方式：每页主标题直接采用页面原文（一页一观点），口播围绕上表”一句话重点”展开，页内数字只挑 2–3 个讲——不逐条念页面。
二、开场（4 分钟，3 页）
目标：让全场在 60 秒内意识到”AI 的定价体系正在发生工业革命级的变化”，并亮出封面三问的”问题底色”。
封面三问的引入（30–40 秒，封面页）：
今年 3 月，黄仁勋在 GTC 大会上说了一句：”数据中心不再是一台计算机，它是一个工厂——给工厂注入能量，产出的产品叫 Token。”今天我想用大约 40 分钟，把这个”工厂”讲透。全程只回答三个问题：Token Factory 是不是一个好生意？怎么才能赚钱？AI Infra 有哪些事情要做？
叙事草稿：
先看两个数字。第一个：2023 年 3 月，GPT-4 的定价是每百万 token 输出 60 美元；2026 年 8 月，Qwen3.8-Flash 的同口径价格是 3 元人民币（约 43 美分）——单价三年跌了 140 倍。给个体积锚：100 万 token 大约是一部 75 万字小说的体量。上面报的都是输出价——让模型”写”出这么多字，三年前要 400 多块人民币，现在 3 块钱。这就是 140 倍的实感。而模型还越来越聪明：一次就做对、token 用得越来越少——真实场景的花费，降得比单价还要狠【素材 08 §1】。
第二个数字：2024 年初，中国每天消耗 1000 亿个 token；2026 年 3 月，140 万亿——两年，涨了约 1400 倍。这是国家数据局今年 3 月发布的官方数字【素材 05 §1.3】。给个直觉：这相当于每天写 1.37 亿本《红楼梦》（每本 73 万字），摊到 14 亿人头上，每人每天约 10 万 token、50 篇千字文【素材 07 注】。
价格往下、用量往上，这两个方向放在一起，像极了 140 多年前的电力革命：1882 年，爱迪生的珍珠街电站送出的第一度电，定价 24 美分——按通胀折算，相当于今天的 8 美元一度；而今天，美国一度电只要 20 美分左右。实际电价降了几十倍，电力产业的总产值却比蒸汽时代大了几个数量级。工业时代用”度”度量电，数字时代用 GB 度量流量，智能时代用 token 度量智能——Token 就是 AI 的”度”。
有用性前提（页面 01，1 分钟——先回答”有没有用”，再亮两个数字）：模型能力足够强、种类足够丰富——”有没有用”已经回答完了。页面四个事实【素材 08 §1/§2/§5】：
- 规模：每月最大开源发布 754B–2.78T 参数；小米、蚂蚁、美团相继跨过 1T 线（美国同期 5/7 个月低于 130B）
- 授权：700B–1.65T 大模型以最宽松的 MIT 协议开源；中国 178 个超 20B 开源发布中，59% 采用 Apache 2.0、22% 采用 MIT
- 生态：HF Hub 上托管 296 万个模型；Qwen 衍生模型共 151,448 个，是 Meta 的 2.6 倍、Llama 系的 4.7 倍，每天新增约 200 个；参数横跨 27B 至 2.4T
- 实证：前沿闭源模型拒绝分析的攻击代码，由量化开源 GLM-5.2 完成——开源连”闭源不敢干的活”都能干
落点：“有没有用”不再是问题，问题是”怎么用”——接下来的故事：token 越来越便宜，用量越来越大。（转场句不变，衔接”什么叫 Token 工厂”）
转场句：”在回答’成本为什么能革命’之前，先回答一个更基本的问题：什么叫 Token 工厂？它和我们熟悉的数据中心有什么不同？”
三、第一部分：什么是 Token 工厂（7 分钟，4 页：03–06）
目标：建立”从卖算力到卖智能”的产业认知；给观众三把分类尺子；用”卖时间 vs 卖产出”把财务模型的引入架好。
2.1 黄仁勋的三步叙事 + 一张图（页面 03，1.5 分钟）
- 2022 提出”AI 工厂”：数据进、智能出；2025 升级：”注入能量，产出 Token”；2026 GTC 宣布”推理经济”，新 KPI = Tokens/Watt（每瓦 token 产出），目标”Token 之王”【素材 02 §1】
- 页面的”注入”要素三件：资本 / GPU、电力、数据 / 算法——工厂的输入；标准化产出只有一样：Token
- 关键画面：老黄的”一张图”——横轴 token 速率（聪明程度），纵轴每瓦吞吐（产能）；模型越聪明，速率越低，但 token 越值钱【素材 02 §2】
- 页面落点条：新 KPI = Tokens/Watt——每瓦 token 产出，决定工厂成本（全篇的”主度量衡”，后面 05/10/16 页反复回扣）
- 观众 takeaway：Token 不是同质商品，是分层定价的
2.2 Token 为什么能成为”货币”（页面 04，1.5 分钟）
- 三个经济特征（页面左侧编号小卡 ①②③）：可计量（token 数精确可数）、可定价（按能力分层价格表）、可交易（按量计费、套餐化）
- 类比：token 之于 AI，如”度”之于电力、”字节”之于流量——先有计量单位，后有产业；业界称之「智力服务的千瓦时时刻」（中国经济时报）【素材 02 §5】
- 页面脚注一句话：Token 同时具备信息单位、算力消耗单位、商业计费单位三重身份——从技术单位变成了经济单位
- 国家级背书（页面下方注，口播 10 秒）：2026 年 3 月，全国科学技术名词审定委员会与国家数据局正式将 Token 的中文标准命名确立为「词元」【素材 05 §1.3】——一个国家开始统计它的”度”了
- 观众 takeaway：先有计量单位，后有产业
2.3 三把分类尺子（页面 05 表格，2 分钟——每行 = 尺子 / 量什么 / 刻度）
- 规模尺（这家厂多大？）：个人 / 工作室 → 企业 / 主权级 → Gigascale（1GW、数百亿美元）【素材 02 §3.1】
- 模式尺（它靠什么赚钱？）：聚合平台（”大模型界的 App Store”，整合各家 API 分销赚渠道费）vs 垂类 Token（把行业 Know-how 封装进 token 卖溢价）【素材 02 §3.2】——先种概念，页 22 的两条路从这里长出
- 产业链尺（它站在价值链哪一段？）：算力运营方分成约 60–70% / 模型方约 20–30% / 应用方约 10–20%——利润重心在算力运营【素材 02 §3.3】
- 页面落点条：利润重心在算力运营：离”电与卡”越近，分成越高——这句同时预告了页 22 为什么说”机会在更值钱的 token”（价值链会重组）
2.4 一个关键区分：Token 工厂 vs 智算中心（页面 06，1.5 分钟）
- 页面左右对照三行：
- 传统智算中心 = “算力房东”：利用率 30–50%、毛利率 20–30%、回本 3–5 年
- Token 工厂 = “产品制造商”：利用率 80%+、毛利率 40–50%（净利率可达 30%+）、回本约 2 年【素材 03 §1】
- 页面落点条：客户买的是产出，不再是 GPU 小时——一句话：从”卖时间”到”卖产出”，商业模式一变，账本全变
- 转场句：”‘回本 2 年、毛利率 40–50%’听起来很美——但这是别人算好的结果。我们自己把账本打开，看看钱到底花在哪、赚在哪。顺带回答封面第二问：怎么才能赚钱？”
四、第二部分：财务模型（6 分钟，3 页：07–09）
目标：三页讲完”账怎么算 → 产能边界 → 市场现状”，建立成本结构直觉，把悬念抛给第三部分。不再代入民间算例的具体金额——页面上只放公式结构、成本构成、市场真实财报三类可验证事实【素材 01/03 的 Excel 测算仅作方法参考，不入页面、不口播具体数字】。
3.1 账怎么算：收入公式 + 成本构成（页面 07，2 分钟）
- 收入侧（页面公式）：
年收入 = 年产出（Tokens） × 单价（元/每百万 tokens） 年产出 = 卡数 × 单卡吞吐 × 时间 × 利用率讲解口径：四个乘数 = 买多少卡（资本）× 每张卡多快（技术）× 跑多久（运营）× 卖多少钱（市场）——卡数和时间是钱能解决的，吞吐和单价是本事
- 成本侧（页面构成条，128 节点 H20 集群，TokenFactory 白皮书口径）：折旧 60% / 电费 8% / 网络 10% / 人力带宽 10% / 软件 10%【素材 07】——注意刻度：折旧是大头，电费是个零头（页面原句，反直觉①）
- 页面底部结论条（本页灵魂，停 2 秒再念）：这门生意的命脉只有两个数：① 提升单卡吞吐和利用率；② 提升 Token 单价（页面画了 ☹️——因为单价最不好提，价格战里人人想砍它）——① 是第三部分的技术革命，② 是第四部分的商业出路
- 口径备料（口播 20 秒，防现场追问）：为什么”电费是大头”的说法满天飞？——两种口径都对：折旧期内的新集群，折旧是大头；折旧摊完的老集群，电费才显形。类比：问”买房月供占收入多少”——刚买房的人说房贷是大头，住了 20 年的人说水电物业是大头，折旧期不同、口径就不同。问一句”这房子买了几年”，口径就通了【素材 03 §5】；”电费摊不薄、折旧可摊薄”的推论放在页面 16 能量维呼应
- “利用率”歧义辨析（30 秒口播，防现场追问）：行业里”利用率”有两种含义——① 设备利用率（并发度高不高、算力满不满，由 batch 驱动）② 时间占用率（一天多少小时有活干，由需求驱动）。页面 07 公式里”时间 × 利用率”是时间口径；”单卡吞吐”已隐含设备口径——两个参数正交：一个管”有没有活”，一个管”有活时多快”
- 观众 takeaway：降本的主战场是”把折旧摊薄”（吞吐 × 利用率），不是省电
3.2 产能与承诺：一天最多卖多少 token（页面 08，1.5 分钟）
- Goodput（合规吞吐）：只有「成功 且 体验达标」的请求产出的 token 才有人付钱——原始吞吐是假产能（页面原句：不顾体验硬灌负载，刷出的是流失中的用户）；可售卖产能 = 品质承诺刚被守住的极限工作点（λ_slo_max）【素材 10】
-
承诺表（页面表格，5 个指标全部对应”用户体感”）：
用户体感 指标 承诺量级（示例，按业务调整） 点下发送后多久开始出字 TTFT（首字延迟） 按请求长度分档承诺（排队已含在内） 打字机流顺不顺滑 ITL（字间隔） P99 < 100ms 出字速度 TPOT 跟踪项，不参与合规判定 服务能不能用 成功率 ≥ 99.95% 整体兑现度 达标率（Attainment） ≥ 99%，逐档分别承诺 - 生产实测口径（页面脚注，口播一句）：input 处理量中缓存命中的部分近乎免费——prefix 缓存命中后 prefill 不用重算（量级见素材 10：生产实测命中 ~96%，口播说”绝大部分”即可）
- 延伸备料（不进页面）：λ_slo_max 的工程读取与三阶段压测——① 粗扫：到达率几何递增（×2：0.5 → 1 → 2 → 4 → 8），每档判定 PASS/FAIL（四项：TTFT P99 / ITL P99 / 请求延迟 P99 / 成功率）② 二分：在最后一个 PASS 与第一个 FAIL 之间逼近 ③ 长稳：临界档跑 30–60 分钟无退化——对外承诺必须是长稳验证过的档位；工具 AIPerf（一条命令拿全套 P99 指标）——完整方法见对外文档《Token 工厂的产能怎么算？》cluster-capacity-measurement.md，供 Q&A 引用；每个产能数字必须绑定模型声明（模型 + 配置 + 拓扑，同模型才可比），通信税详见页面 15【素材 11】
- 观众 takeaway：对外卖的是承诺——”你的每个请求都快而稳”；对内考核一个数字——每张卡每天产出多少合格 token。两数必须一起报（只有前者是赔本买卖，只有后者是自欺欺人）
3.3 市场现实：价格战打到现在，真实玩家还在亏（页面 09，2 分钟——本部分悬念最高点）
- ① 市场价（官方目录价）：输入 1 元 / 输出 3 元（每百万 token，Qwen3.8-Flash）——注意输入/输出分开计价；同日双发的 GLM-5.3-Flash 输出 2.8 元，更低【素材 09】
- ② 真实玩家（财报）——左右两卡：
- 硅基流动（港股递表 IPO）：2025 年毛利率 −24%——卖 token 的，卖 1 元亏 0.24 元
- CoreWeave（纳斯达克）：毛利率 66% 仍净亏 6.26 亿$——折旧 + 利息吃光毛利【素材 06】
- 讲解口径：卖”按量计费的通用 token”的，亏在成本没革命；卖”算力租赁”的，亏在折旧与利息——两种主流卖法都在亏，页 22 会揭晓第三种卖法
- ③ 页面底部悬念条（停 2 秒，环视全场再念）：价格这么低、玩家还在亏——凭什么还有人建、还有人投？（答案预告：第三部分——不是市场疯了，是有人把成本革命到了市场价以下）
- 观众 takeaway：市场价 + 玩家财报都指向同一件事：按旧成本结构卖 token 是亏的——一定有更深层的成本革命发生
- 转场句：”我们把账本翻完了。结论是：命脉是两个数——成本压到多低、token 卖得多值钱。接下来 13 分钟讲第一个数：成本，是怎么被技术革命掉的。”
五、第三部分：成本革命——在计算/存储/通信三维上的稀疏化（13 分钟，9 页：10–18，全篇技术核心）
目标：给出统一物理框架——token 的成本 = 计算 + 存储 + 通信，全部以能量计价；技术革命 = 在三维上做稀疏化；而能量不可稀疏化 → 产业终局是”每瓦 token”的竞赛。非技术观众带走直觉，技术观众带走框架。
讲解策略：每一维 = 一个压力 + 一个对策 + 一组数字，不展开机制细节。三个压力（参数越来越多 / 上下文越来越长 / 模型大到必须拆卡）与三维一一对应，结构天然自洽。
4.1 推理的本质与物理框架：一次生成在干什么（页面 10，1.5 分钟）
- 两张画面（先给骨架，后讲优化——后面每个技术点观众都能对号入座”它在省什么”）：
- 读题（prefill）：把整个提问一次性读完、算完一遍，产出的”理解”存进显存——这份存档叫 KV Cache，随长度线性增长
- 逐字（decode）：每生成一个字，都要把全部存档和全部权重重新读一遍，基于它们为下一个字做一次新计算——每步都是一次”读 + 算”（这正是 KV Cache 的意义：避免每步全量重算，只算增量）
- 页面三维图（对应三个成本压力）：
- 参数越来越多 → 算：能不算的不算
- 上下文越来越长 → 存：能不存的不存
- 模型大到拆卡 → 传：能不传的不传
- 页面底部能量条：三维都能”少做”，最终都以能量计价——Tokens/W 是把三维压缩成一维的工厂 KPI（回扣页面 03 的新 KPI）
- 桥接句：成本不是一个数，是一个随卡型、代际、优化水平移动的区间——技术革命正在把整个区间往下压
- 观众 takeaway：先有推理的骨架，再看优化——每个技术点都是对号入座：省算、省存，还是省传
4.2 推理优化技术地图：每一类都在”少做”（页面 11，1 分钟）
- 全景页：把后续逐维技术先摆上桌——观众对号入座，知道每类技术在省什么
- 四组（页面四象限：对应三维 + 引擎层）：
- 省算（模型架构）：MoE 稀疏激活（每 token 只唤醒 3%”脑细胞”）· DSA 稀疏注意力（只读值得读的）· Engram 条件记忆（查表替代理解）· MTP（一次前向多想几步）
- 省存（记忆压缩）：MLA（KV 压进潜空间，省 93%）· 4-bit 量化（权重读取量减 3/4）· PagedAttention（显存按格出租）· 前缀缓存（命中即免 prefill 重算）· KV Offloading（HBM 放不下，分层放内存/盘）
- 省传（拓扑与分离）：专家本地化（把专家放回常客身边）· PD 分离（读题吃算力、生成吃带宽，拆开跑互不拖累，KV 跟着搬）· 拓扑感知调度（通信路由避开慢链路）
- 省时（引擎调度）：连续批处理（利用率 30% → 80%）· 投机解码（小模型打草稿、大模型验证）· 动态批处理（闲时凑单、忙时拆单）
- 观众 takeaway：没有一招鲜——每代技术各压一维，合起来才是”单价跌 140 倍”的原因（深度源码拆解见本仓库
09_inference_system/：vllm · sglang · model_optimization · prefill_decode；MTP 彩蛋若有技术观众追问，见model_optimization/mtp-multi-token-prediction.md——训练时学会”一次想好几步”，V4-Flash 实测输出提速近 3 倍）
4.3 计算维：参数越来越多怎么办 → MoE + DSA + Engram（页面 12，1.5 分钟）
- 压力：模型从 7B → 671B → 1.6 万亿参数；若每个 token 都过全部参数，成本线性爆炸
- MoE（参数稀疏）：页面大字 3.06%——V4-Pro 1.6 万亿参数只激活 490 亿【素材 04 §0.1】；术语类比（页面原句）：专家会诊：1600 位医生，每次只叫醒 49 位
- DSA（注意力稀疏）：只让值得的 token 参与注意力——128K 上下文只选 2048 个细读
- Engram（条件记忆）：”多少 token 不需要被理解？”——查表替代深层重建（业界有层深度路由 MoD 思路，DeepMind 2024；DeepSeek 官方路线是 DSA + Engram，不用 MoD【素材 04 §0.1】——这句作口播备料，页面不展开）
- 一句话：智能不需要全部参数、也不需要全部深度——把算力花在最值得的 token 上
- 页面落点：模型变大与变贵第一次脱钩（记忆数：3%）
- 观众 takeaway：模型”变大”和”变贵”脱钩了——省算的第一招不是砍模型，是让模型自己少干活
4.4 存储维 · 架构：上下文越来越长怎么办 → MLA + 量化（页面 13，1.5 分钟）
- 承接页面 10 的 KV 定义：KV 大小 ≈ 层数 × 头数 × 维度 × token 数（× K/V 两份 × 精度）——上下文 4K → 128K → 1M，KV 按长度线性增长【素材 04 §1】
- 格式压缩 MLA（页面主对照）：同一 1M 上下文，标准 BF16 GQA8 要 250GB 显存；DeepSeek V4-Flash（MLA 把 KV 压进 512 维潜空间）只要 约 5GB（≈2%）——省 93%（记忆压成摘要存档，用的时候再展开）
- 量化（精度压缩，页面副数字）：把每步要读的激活专家权重压成 4-bit——读取量 26GB → 6.5GB（÷4）（口径：V4-Flash 激活 13B，混合精度部署）——decode 是”读权重”的带宽游戏，读得越少跑得越快
- 页面落点：记忆不必完整（压缩后仍可恢复），也不必全部看（只读相关的）——推理降本的本质是”省记忆”，不是”省电”
- 观众 takeaway：同一个 1M 上下文，存档从 250GB 瘦身到 5GB——”记性好”第一次不靠”仓库大”
4.5 存储维 · 系统：显存不够用怎么办 → PagedAttention + 前缀缓存（页面 14，1 分钟）
- PagedAttention（显存版的操作系统虚拟内存）：KV 切块、按需放格、块表索引——显存利用率从 20–40% 提到 90%+（页面画面：快递柜——装几格算几格，不为最长包裹包下整面墙）
- 前缀缓存：命中 93%+ = 跳过 prefill 重算、边际成本趋零——多轮对话、Agent 多步、系统提示词全命中
- 小米实证（页面落点）：全链路优化后 API 最高降价 99%，仍维持收支平衡——”省记忆”直接变成”敢降价”【素材 04 §1.3】；白皮书旁证：AI 质检动态批处理降本 55%、生物制药 PagedAttention 利用率提升 4 倍【素材 07 §四】
- 观众 takeaway：2026 年”降价 99% 仍收支平衡”不是口号，是账本事实
4.6 通信与时间维：模型拆开的代价与利用率杠杆（页面 15，1.5 分钟）
- 压力（页面办公室画面）：模型大到必须拆卡——MoE 的 all-to-all（每个 token 跨卡找专家）、TP 的 all-reduce、PD 分离的 KV 搬运；类比：把团队拆到几个办公室（专家 / 层 / KV 各据一方），跨办公室的每次沟通都慢且贵；通信成为新瓶颈【素材 04 §0.3】
- 通信税（页面底部注，模型越大税率越高）：单节点 NVLink（≈HBM 带宽的 1/9）通信大部分可隐藏、接近理论；跨节点 IB（≈1/160）完全无法隐藏、产能拖死（AWS 实测 30×）【素材 11】——拓扑是产能数字的一部分
- 对策：专家本地化（把专家放在常来的 token 旁边）、PD 分离（读题吃算力、生成吃带宽，KV 从 prefill 池搬到 decode 池）、拓扑感知调度——腾讯太极 16×H20 实测 15,800 tok/s，端到端 +30–40%
- 时间维（运营，页面右注）：连续批处理把利用率 30% → 70–80%——同样的三维消耗下产出翻倍；补上因果链：延迟要求越苛刻 → batch 越小 → 利用率越低 → 单位成本越高——把”延迟约束”接到第二部分”利用率是命脉之一”上
- 页面落点：通信是三维中最难稀疏化的一维——这也是”技术派”玩家的生存空间
- 观众 takeaway：同样的卡，调度与拓扑不同，产出差几倍
4.7 能量的角色：三维共同的物理地板（页面 16，1.5 分钟）
- 计算/存储/通信都能”少做”，但供电是物理硬约束：页面标题即论点——1GW 的工厂永远不会变成 2GW：只有提升 Tokens/Watt 一条路；黄仁勋的原话是”值钱的不是算力，是‘每度电的智商’“【素材 02 §5】
- 页面左注两句：功率是物理上限；折旧可摊薄、电力摊不薄（回扣第二部分口径之争——资本成本与电力成本同源，都由”每瓦 token 产出”决定）
- 硬件代际 = 物理地板的抬升（页面数字）：同一 1GW 数据中心两年 token 生成速率 350×（厂商口径）vs 摩尔定律同期 1.5×；GB300/Blackwell 每瓦 token 比 Hopper 高 35–50 倍；Vera Rubin 官方口径：成本降至 Blackwell 的 1/10【素材 04 §0.4】
- 诚实声明（页面脚注原文，把诚实转化为论证资产）：350× 为英伟达口径，SemiAnalysis 独立实测约 50×——方向一致；即便打一折，也快过摩尔定律同期 20 倍
- 趋势印证（口播一句）：白皮书四大趋势之首是”算电深度绑定”——工厂选址优先风光/核电资源、自建微电网离网供电【素材 07 §六】
- 观众 takeaway：三维稀疏化 × 每瓦产出——技术革命是乘法不是加法（记忆数：350× 记得带”厂商口径”）
4.8 价格瀑布：技术革命在账本上的结果（页面 17，1.5 分钟）
- 时间线（页面四个锚点）：GPT-4（$60 输出，2023-03）→ GPT-4o mini（$0.6，2024-07）→ DeepSeek R1（$2.19，2025-01）→ Qwen3.8-Flash（$0.43，2026-08）——单价跌 140 倍；而模型变聪明、token 用得少，真实任务花费降得更多（页面右注）
- 输出/输入价差（页面标题级事实）：输入可并行、输出串行自回归——GPT-3.5 时代价差 1:1，GPT-5 已达 1:8——技术革命不只降价，还改写了价格结构（回扣开场：报的都是输出价）
- 页面脚注（同日双发，2026-08-26，厂商口径）：智谱与阿里同一天发布 Flash 模型——GLM-5.3-Flash 同级智力 1/40 价、Qwen3.8-Flash 输入 1 元/百万（= V4-Flash 忙时输入价的 1/3）【素材 09 §三】——价格瀑布延伸到了”昨天”；彩蛋（口播 10 秒，不进锚点）：GLM 限时两周 5 折，输出 1.4 元/百万 ≈ GPT-4 输出价的 1/300——前沿智力第一次按”分”卖
- 点题：第二部分问”价格这么低为什么还有人建”，第三部分给答案：不是市场疯了，是成本真的被革命了——革命后的单位成本已低于市场价（成本是一个区间，技术革命把整个区间往下压）
4.9 市场旁证：价格还在跌（页面 18，1 分钟）
- Silicon Data LLM Token 支出指数（Bloomberg: SDLLMTK，全市场按用量加权的平均支付价）：跌至 $0.97/百万——发布以来历史新低、较夏季峰值腰斩、近 7 天再跌 8.6%（页面配图：指数走势）
- 口径警示（口播一句）：这是”所有人付给所有模型的平均价”（含输入+输出、动态定价），与主线目录价锚点口径不同——只做”价格仍在下跌”的旁证，不进倍数
- 驱动（页面脚注）：中国低价开源模型、OpenAI 降价、动态定价、token 生成成本下降（呼应第三部分）
- 供应商影响（口播一句）：价格通缩压缩收入、算力承诺固定——OpenAI/Anthropic 已提交 IPO 保密文件，定价权承压（呼应页面 21/22 价值上移）
- 观众 takeaway：单价端：平均支付价跌破 1 美元还在跌；用量端：两年 1400 倍——杰文斯的两端都在加速【素材 12】
- 转场句：”价格跌了、用量反而暴涨——这两个反方向的力量是巧合吗？经济学 150 年前就预言了这件事：杰文斯悖论。下一页我不给答案，先问你们一个问题。”
六、第四部分：革命之后发生什么（8 分钟，4 页：19–22）
目标：给出全篇的”反直觉高潮”（价格跌、盘子涨），把竞争主线从”更便宜”翻转到”更值钱”，落到页 22 的两条路。
5.1 杰文斯悖论：为什么价格跌、用量反而暴涨（页面 19 提问 + 页面 20 揭晓，2.5 分钟）
- 经济学经典（150 年前的预言）：煤便宜了，用量多了，总开支反而涨【素材 05 §1】
- 互动设计（页面 19 无标题、只有大字，全篇最大悬念）：”单价跌了 140 倍——你们猜，这个行业的总盘子是涨了还是跌了？”停顿 3–5 秒，环视全场，再翻页给数据（问题与数据对齐：用量 ×14 / Google ×134 / 中国 ×1400）
- AI 实锤数据（页面 20 三卡）【素材 05 §1.3】：
- OpenAI Luna 降价 80% → 两周调用量 ×14、收入 +34%（TD Cowen / OpenRouter 数据）
- Google 月 token 处理量：9.7 万亿 → 1300 万亿（约 134 倍）
- 中国日均：1000 亿 → 140 万亿（两年约 1400 倍）
- （备用数据，口播可略：Terra 降价 20% → 用量 ×5、收入 +45%；IDC 五年 3 亿倍口径互斥见素材 05；微软 Q1 FY2026 处理超 100 万亿 token、同比 5 倍）
- 机制（页面 20 下半区）：消耗主体从”人”变”机器”——Agent：干一件事调用模型 10–20 次、token 耗用是普通对话的 5–30×（Gartner）；J 型爆发：2026–2028 大规模部署关键拐点（HF Hub agent 流量实测备料：2026 年 4 月 Claude Code 一家占 67.8%，7 月降至 44.4%、Codex 升至 20.8%——份额此消彼长不是 Agent 退潮，是十多个新客户端涌现、生态分化【素材 08 §4】）
- 飞轮回扣（20 秒）：”还记得第二部分 07 页的命脉两数吗？① 吞吐利用率靠技术革命撬动（第三部分），② 需求靠降价撬动（刚才这些数字）——技术降本 → 降价 → 需求涨 → 时间占用率升 → 再降本。它正在转。”
- 深刻点（页面底注原句）：真正可怕的信号不是”单 token 价格归零”，而是”价格跌但用量停滞”——目前没发生
- 观众 takeaway：成本革命的最大受益者不是消费者，是整个产业盘子
5.2 竞争维度的迁移：从”谁的 GPU 多”到”谁的 token 值钱”（页面 21，1.5 分钟）
- 第一层：效率竞争——比每瓦 token（成本端）：固定功率下，每瓦产出越高，成本越低；黄仁勋”1GW 工厂 15 年摊销 400 亿美元，必须放最强机器”【素材 02 §2】
- 第二层：价值分层——token 分层定价（页面价格阶梯：$0 免费客户 / $3–6 普通用户 / $45 深度推理用户 / $150 关键场景用户）【素材 02 §2】
- 第三层：生态卡位——聚合平台、Token 运营商（中国电信 9.9 元套餐、算力网入”六张网”、首个百亿级 Token 工厂集采 164 亿【素材 05 §4】）、行业方案——类比：电力产业最终不是卖电赚钱，是卖电器、电网、电网服务
- 页面落点条：价值正在从 token 本身，上移到 Agent、工作流与行业方案——竞争的主战场换了
- 观众 takeaway：竞争的胜负手从”算力”转移到”效率 × 生态”
5.3 机会：让 token 更值钱（页面 22，2 分钟——全篇落点页）
- 页面标题即论点：机会不在更便宜的 token，在更值钱的 token（回扣开场三问之②”怎么才能赚钱”）
- 对照卡（同一家公司、同一个 2026，两种卖法）：
- 卖”便宜的 token”（通用 token 走量）：硅基流动 · 公有云服务毛利率 −119%——代金券补贴换增长，卖 1 元亏 1.19 元——价格战里没有赢家
- 卖”值钱的 token”（行业 Know-how 封装）：硅基流动 · 本地部署行业方案毛利率 +82.5%——金融/能源/政务客户为方案付费——同样的卡，卖法不同
- 讲解口径：这不是两家公司，是同一家公司内部的两条产品线——证明”值钱”不是运气，是选择
- 两条路卡（页面底部，本页第二个观点）——让 token 更值钱的两条路：
- 生产垂类 token：把行业 Know-how 封装进 token 与方案——卖溢价，不卷价格（回扣 05 页模式尺的”垂类 Token”）
- 在应用层消耗：Agent、工作流、行业方案——价值在结果，不在 token 本身（回扣 20 页的 Agent 驱动）
- 冷静注脚（口播，防”那就都去做垂类”的误读）：两条路都吃”效率底座”——页 22 之前的三维稀疏化与每瓦产出，是你能在这两条路上活下来的前提；重资产玩家也别急着退场——轻资产路径（不买卡只租卡、聚合平台）与长周期玩家（政府/电信集采摊薄折旧）同样成立【素材 03 §4】
- 观众 takeaway：怎么赚钱？不是把 token 卖得更便宜，是把同样的卡，卖到更值钱的场景里
七、结尾：回扣三问（页面 23，1.5 分钟）
叙事草稿：
回到开场那张图。珍珠街电站送出的第一度电，点亮了几条街；140 多年后，电已经成为文明本身的基础设施，实际电价在通胀调整后降了几十倍——而电力产业的总产值，远超所有人的想象。
Token 正在走同样的路：单价三年跌了 140 倍，用量两年涨了 1400 倍。Token 工厂的成本革命，把 AI 从”奢侈品”变成”基础设施”。价格终将趋近于零，而总产值可能超过今天所有软件产业的总和。
回到开头那三个问题：Token Factory 是不是一个好生意？——产能与承诺、市场现实给了账本答案（页面 07–09）。怎么才能赚钱？——把成本革命到市场价以下，再把 token 卖到更值钱的场景（页面 10–18、22）。AI Infra 有哪些事情要做？——能不算的不算、能不存的不存、能不传的不传，还有把每瓦产出磨上去（页面 10–16）。
所以问题从来不是”token 贵不贵”，而是——你的转化效率高不高，你的 token 值不值钱。谢谢大家。
Q&A 预判（准备 3–5 个方向）：
| 可能的问题 | 回答要点 |
|---|---|
| 中国 vs 美国的 Token 工厂竞赛谁会赢？ | 美国赢在芯片供给与需求规模，中国赢在工程降本与需求增速（140 万亿/日）；国产芯片市占 41%（2025）、Token 价格仅海外 1/6–1/10【素材 07 §五】；格局未定，看”每瓦 token”而非卡数 |
| 那电力到底占成本多少？ | 页面 07 白皮书口径：折旧 60%、电费 8%（新集群、折旧期内）；老集群折旧摊完电费占比会高——口径不同，先问”这房子买了几年”【素材 03 §5】；两者都由”每瓦 token 产出”统一（页面 16） |
| 成本构成是白皮书口径，别人也这样吗？ | 比例因集群代际/利用率浮动，但结构稳定：折旧永远是最大项；电费在东部/西部绿电间有差异（0.36–0.6 元/kWh 量级）——页面只承诺结构，不承诺具体金额（民间 Excel 算例的精确数字已不入页） |
| 6000 亿美元资本开支是不是泡沫？ | 用杰文斯接：价格跌 → 用量涨 1400 倍 → 总盘子反而涨（OpenAI 降价收入 +34%）；风险信号不是价格跌，而是”价格跌但用量停滞”——目前没发生【素材 05】。备料数字：高盛估计 AI 基础设施年支出 2026 年 7650 亿美元 → 2031 年 1.6 万亿美元 |
| 全市场平均 token 价格多少了？ | Silicon Data LLM Token 支出指数（Bloomberg：SDLLMTK）跌至 0.97 美元/百万，历史新低、较峰值腰斩、近 7 天再跌 8.6%【素材 12】 |
| 价格战什么时候见底？ | 不会单调下降：模型能力代际跃升时价格会回升（V3 比 V2 涨价、Claude Opus 26 个月未变）；”每美元智能”始终在改善【素材 04 §4.2】 |
| 模型到底有没有用？ | 已经不用再问：能力足够强（开源最大发布 2.78T 参数）、种类足够丰富（HF Hub 296 万个模型、Qwen 衍生模型每天新增近 200 个）【素材 08 §1/§5】。剩下的问题是”怎么用”——这正是 token 经济（价格 × 用量）成立的前提 |
| Token 会免费吗？ | 单 token 趋零，但分层定价 + 总量爆炸：总收入反而涨（OpenAI +34% 案例）；免费层是获客手段不是终局【素材 05】 |
| 现在入场建 Token 工厂还来得及吗？ | 命脉两数先想清楚：吞吐利用率能否守住承诺（Goodput）、token 能否卖出价（页 22 两条路）；警示：折旧 + 利息吃毛利（CoreWeave 例子在页面 09）；或选轻资产路径：聚合平台/垂类/应用层【页面 22】 |
| 普通工程师/非技术人员的机会在哪？ | 页面 22 两条路：① 帮行业做垂类 token（Know-how 封装）② 在应用层消耗 token（Agent、工作流）；加一条工程师专属：把每瓦产出磨上去（三维稀疏化技术）【§4.2–4.7】 |
| 产能承诺表里的数字是你们自己的吗？ | 页面 08 标注”示例，按业务调整”——TTFT/ITL/成功率/达标率的量级来自公开方法论【素材 10】，每家按其业务重定；对外承诺必须长稳验证（λ_slo_max 压测），工具见对外文档 cluster-capacity-measurement.md |
| 硅基流动为什么 -119% 还活着？ | 页面 22 口径：那是”公有云服务”一个产品线的毛利率——公司用代金券补贴换增长（毛利用补贴买回来了）；同一份招股书里本地部署行业方案 +82.5%——这正是”值钱 token”的证据【素材 06】 |
| 你引用的数字是 2026 年 8 月的，现在变了吗？ | 坦诚：数据时效性——见”数据核查清单”，演讲前 3 天复核一遍 |
| Token 能像货币一样囤积吗？ | 不能——人民日报客户端：”世上有油，但没有’升’；有电，但没有’度’“。token 只是计量单位，可囤的是算力和数据，不是 token【素材 02 §5】 |
八、数据核查清单（演讲前 3 天执行）
| 数据 | 当前值（本稿） | 复核方式 |
|---|---|---|
| 单价 140× 锚点（$60 → $0.43/3 元） | 页面 02/17：GPT-4 $60（2023-03）→ Qwen3.8-Flash 输出 3 元 ≈ $0.43（2026-08） | 重跑 fetch_pricing.py；锚点按素材 09 重锚（Qwen3.8-Flash 输出 3 元） |
| 中国日均 token 调用量（140 万亿/×1400） | 素材 05 §1.3（国家数据局 2026.03） | 搜索”日均 Token 调用量”最新报道 |
| 成本构成 60/8/10/10/10 | 页面 07：TokenFactory 白皮书 128 节点 H20 集群【素材 07】——口径只承诺结构 | 对照白皮书原文复核占比之和 |
| 承诺表量级（TTFT 分档/ITL<100ms/成功率 ≥99.95%/达标率 ≥99%） | 页面 08（标注”示例，按业务调整”）【素材 10】 | 演讲前与内部 SLO 口径核对一遍 |
| 市场价（输入 1 元/输出 3 元；GLM 2.8 元） | 页面 09/17 脚注：Qwen3.8-Flash / GLM-5.3-Flash 官方目录价（2026-08-26 同日双发）【素材 09】 | 重查两家官网目录价 |
| 硅基流动 −24% / −119% / +82.5% | 页面 09/22：2025 年整体毛利率 −24%；公有云服务 −119%、本地部署行业方案 +82.5%（招股书 2026.06）【素材 06】 | 对照招股书分产品线毛利率口径 |
| CoreWeave 66% 毛利 / 净亏 6.26 亿$ | 页面 09：2026 Q2 季报 | 搜索最新季报（如 Q3 已出，更新数字） |
| V4-Pro 3.06%（1600B/49B）、DSA 2048 细读 | 页面 12：DeepSeek V4 技术报告【素材 04】 | 对照技术报告原文 |
| MLA 250GB→5GB（≈2%）/ 量化 26GB→6.5GB | 页面 13：DeepSeek-V2/V4 技术报告 + 公开部署实测（口径：1M 上下文、混合精度、V4-Flash 激活 13B）【素材 04】 | 复核”250GB 是 BF16 GQA8 口径”注记 |
| PagedAttention 90%+ / 前缀命中 93%+ / 小米降价 99% | 页面 14：vLLM 开源实现；新京报（小米 MiMo 全链路优化） | 复核小米降价公告与时间 |
| 腾讯太极 15,800 tok/s / +30–40% | 页面 15：16×H20 公开实测【素材 04 §2】 | 本仓库部署文章（已验证） |
| 350×（厂商口径）/ SemiAnalysis 50× | 页面 16：NVIDIA GTC 2026；SemiAnalysis 独立测试——口播必须带”厂商口径” | 如临近 GTC 2027，重抓 Keynote 要点 |
| GB300 每瓦 35–50× / Vera Rubin 1/10 | 页面 16 | 同上 |
| 输出/输入价差 1:1 → 1:8 | 页面 17：GPT-3.5 → GPT-5 定价结构【素材 04】 | 复核 GPT-5 目录价输入/输出比 |
| Silicon Data 指数 $0.97/百万 | 页面 18：Bloomberg SDLLMTK（2026-09-01：发布以来新低、较峰值腰斩、近 7 天 −8.6%）【素材 12】 | 演讲前 1 天再查一次该指数最新值 |
| OpenAI 降价效应 ×14 / +34% | 页面 20：TD Cowen / OpenRouter 追踪 | 核对 TD Cowen/OpenRouter 最新追踪数据 |
| Google 月 token 处理量 ×134 | 页面 20：9.7 → 1300 万亿（Google I/O 2026） | 最新口径已达 3200 万亿/月（Google I/O 2026），优先用新值 |
| Agent 驱动力（10–20 次 / 5–30× / J 型 2026–28） | 页面 20：Gartner | 引用时带”Gartner 预测”前缀 |
| 口径自检（每稿必查） | 币种统一（$ vs ¥）；单位（亿/万亿）；倍数一律以可验证的单价 140 倍为基准（GPT-4 $60 → Qwen3.8-Flash 输出 3 元；原 214 倍/$0.28 锚点已失效，见素材 09 口径注；弃用”任务成本 1000 倍”复合口径）；350× 等厂商口径标注”厂商口径”；页面不再口播民间 Excel 算例的具体金额（收入/折旧/电费绝对值），只讲公式结构与白皮书构成 | 参照本文件修复记录与 references/04 各口径注 |
九、材料索引（references 映射）
| 演讲章节 | 素材文件 |
|---|---|
| 开场（页 01/02：140 倍 × 1400 倍 + 有用性前提） | 04 §4（单价 140 倍）、09（重锚快照）、05 §1.3（用量 1400 倍）、08 §1/§2/§5（有用性四事实） |
| 第一部分（什么是 Token 工厂，页 03–06） | 02 全部 |
| 第二部分（财务模型，页 07–09） | 07（白皮书成本构成）、10（产能承诺）、06（财报）、09（市场价） |
| 第三部分（三维稀疏化，页 10–18） | 04 全部（§0 框架、§1–3 各维、§4 价格）、07 §四（白皮书实证）、09（同日双发脚注） |
| 第四部分（杰文斯/未来，页 19–22） | 05 全部、03 §4、08 §4（Agent 流量） |
| 结尾（页 23：电力类比） | 无（叙事素材） |
| 财报证据（页 09 真实玩家 / 页 22 机会对照） | 06 全部（硅基流动招股书 / CoreWeave 季报） |
| 页 11 技术地图源码延伸（省算/省存/省传/省时） | 本仓库 09_inference_system/（vllm · sglang · model_optimization · prefill_decode） |
| 页 12 模型选型 / 页 15 通信税 | 11（模型选型对产能的影响：V4 Pro/Flash、通信税） |
| 页 08 产能度量延伸（λ_slo_max / AIPerf，口播备料） | 对外文档 cluster-capacity-measurement.md |
| 页 18 市场旁证 / Q&A | 12（Silicon Data Token 支出指数） |
| 页 13/14 量化与缓存数字 | 04 §0.2/§1.3 + 本仓库 09_inference_system 量化/缓存文章 |