质检线上，一台人形机器人从料框里取出平板，送进检测柜；完成检测后，再将成品分流。抓取入柜、多项目质检、成品分拣，机器人与工人同线作业，一气呵成。一次看似简单的抓取，背后串联起感知、判断与执行。在智元2026年9月公开的具身模型中，一帧画面可编码为24个视觉词元（Token）；相关实验还展示了模型生成连续动作的低延迟能力。但若要算清抓取的成本，不能只数视觉词元，还需综合推理耗时、芯片功耗、执行成功率和设备投入。这恰好引出智能经济的两块硬成本：一端是模型处理信息的词元用量，另一端是硬件和系统完成任务的实际成本。Token正成为连接模型服务、推理算力与数据供给的重要计量接口，却还不是衡量所有智能作业价值的唯一尺度。电力按“度”计量，模型服务按“词元”计费。Token经济学正加速渗透至更广泛的应用场景。9月11日，工业和信息化部信息技术发展司副司长王威伟在新闻发布会上披露：截至2026年6月，我国日均词元调用量已突破500万亿。当智能走向生产现场，这把尺子如何把算力、模型、语料组织起来，又如何进一步走向真实的生产力？图1 精灵G2人形机器人在3C产线质检工段作业一、智能有了“计量单位”词元是模型对文本等信息进行编码和处理时使用的离散单位。在大模型API服务中，输入和输出通常按词元统计、计费；图像、声音和动作也可采用各自的词元化或其他表征方式，但不同模型的词元并不天然等价。清华大学教授、智谱AI创始人唐杰指出，词元具备“可计量、可定价、可交易特性”，可类比石油时代的“桶”和电力时代的“度”。计量首先改变了购买方式。例如，上海移动推出“算力豆”，让用户以相对直观的额度方式购买和使用模型服务，使用量也能计入通信服务账单。对企业而言，按词元计价意味着可拆分不同部门、不同任务的模型使用成本，助力精细化预算管理。价格体系也在细化。DeepSeek自8月起探索峰谷时段定价，9月10日又调整Flash系列模型价格：闲时每百万词元的缓存命中输入价为0.02元，高峰时段为其两倍。这里的0.02元是特定模型、特定时段、特定缓存条件下的输入价格，并不代表所有词元的统一价格。国际科技企业也开始用词元观察需求与效率。谷歌在2026年第二季度业绩披露中表示，Gemini模型每分钟处理约220亿个API词元。英伟达同期数据中心业务收入为890亿美元，其负责人强调AI算力正形成可持续商业收入；公司还披露了新平台降低单词元生成成本的技术进展。调用量、收入和单词元成本虽属不同指标，却共同反映推理服务正走向规模化经营。不过，Token计量的尺子仍需校准。不同模型的分词方式、缓存策略、模态类型、输出质量和计费口径各异，不能简单用“每百万Token多少钱”横向判定性价比。Token计量规范的编制和探索，正是着眼于跨模型用量比对和平台计费透明度等问题。由此，Token经济学的第一层含义逐渐清晰：它让智能服务更容易计量和定价；但最终决定采购与部署的，仍是同等质量下的总成本，以及为用户创造的实际效果。二、算力：从“暴力堆卡”到“丰产词元”对算力产业而言，问题正从“建成多少算力”转向“能稳定交付多少有效推理”。浦东正集聚芯片、算力平台和应用企业，产业规模与算力供给相互支撑，但算力能否转化为收入，还需经过模型适配、系统调度与应用交付的检验。9月11日，扎根上海的燧原科技登陆科创板，开盘市值超1700亿元。上市当天的行业报道指出，市场评价算力的方式正逐步从硬件配置转向Token生成效率和交付质量。这一变化并非意味着算力卡、服务器、云不再重要，而是客户更关心：在给定预算与服务质量约束下，芯片和集群究竟能承载多少真实请求。燧原科技董事长赵立东重点提及了正在持续推进的“芯模协同”。这种“芯模协同”的上下游深度合作模式，推动国产算力适配、芯片开发与模型开发同步进行，形成软硬件“双向奔赴”的生态共建格局。据其回忆，合作早期客户模型一升级，补齐算子和功能往往需要一至两个月；如今部分适配已缩短到两三天，个别场景只需数小时。图2 2026世界人工智能大会期间，燧原科技展台从一两个月缩短至两三天，变化不只是研发流程加快：模型迭代后的闲置等待越少，算力就越有机会及时转化为可交付的推理服务。芯片架构也在探索新的效率空间。7月18日浦东人工智能产业融合创新推介会上，张江企业东方算芯的DF1000近存计算芯片作为区域人工智能标志性成果展示。近存计算所追求的，是减少数据搬运产生的时间和能耗开销，但实际收益还需结合负载与部署条件验证。算力系统则在调度层继续挖潜。据无问芯穹披露，其发布跨集群异构推理架构，在特定测试条件下首词元等待时间降低51.5%，单词元成本降低37.5%。这些数据反映其测试场景的优化效果，不宜直接推算为所有业务的普遍收益。因此，“丰产词元”比“暴力堆卡”更接近推理时代的经营底层逻辑。吞吐量、首词元延迟、连续输出速度、可用率、能耗、模型质量以及每项任务的综合成本，只有多指标一起看，算力效率才有商业意义。三、模型与端侧：把一次抓取算在机器人身上模型是连接算力和应用的核心环节，芯模协同更形成“1+1>2”的放大效应。在给定算力下，能产出多少可用Token，取决于模型结构；这些Token能否转化为动作，则取决于感知、规划和控制系统。回到开头那次抓取，逻辑会更清晰：视觉编码更紧凑，可能减少后续推理所需处理的信息量，从而为实时控制争取空间。但Token少并不必然意味着动作更快，它还取决于模型架构、硬件运行和控制闭环。具身智能体之所以被视为潜在的大规模Token使用者，正因为它需持续感知环境、不断预测并作出响应。端侧计算进一步改变这本账，云边端协同、算网协同等技术为毫秒级响应提供技术挖掘潜力。机器人不能在每次动作时都等待云端响应。9月15日发布的一款开源端侧推理引擎，在公开测试中将一款具身模型的端到端推理延迟由278毫秒压缩至26毫秒以内。对动态作业而言，推理延迟和网络依赖往往比单纯的词元单价更直接影响可用性。总部位于张江的芯原股份则把重点放在前端数据处理。芯原股份首席战略官、执行副总裁戴伟提出，应让前端感知与后端算力有效配合，通过在“小脑”侧预处理信息，降低“大脑”侧的计算负担。其思路是把计算任务合理分层，而非一味增加后端算力。从视觉编码、端侧推理到大小脑分工，模型与端侧的核心命题，就是把有限算力资源分配给真正影响任务成败的环节。能耗、时延和成功率系统性改善，Token效率才可能变成现场生产效率。四、语料与规则：让每一条数据都算得清算力负责运转，模型负责计算，而语料决定模型从何种经验中学习。在具身智能中，多模态语料远不止文本，还包括视频、传感器记录、动作轨迹、任务标签、失败反馈等各类数据。数据供给正持续扩容。浦东拥有500多个公共数据集；据有关部门披露，截至2026年8月，全国已建成高质量数据集超过12.6万个。但“大题海”不等于“精选题”，不等同“学力强”，也不直接带来“好成绩”。 从数据集到高质量数据集，从有效训练量到具体场景中的表现，每一步都需要系统性的优化迭代。数据是否可用、可授权、能否覆盖真实场景，往往比单纯的规模更重要。规则体系随之跟进。2026年8月27日，国家标准化指导性技术文件《人工智能 具身智能数据质量规范 第1部分：真实数据》（GB/Z 218.1—2026）发布。国家数据局也表示，将适时推动具身智能数据标准建设。图3张江人工智能岛从要素供给走向产业服务，关键还在于组织能力。浦东正推动近1800家人工智能企业、150多家具身智能企业及中试、量产等资源，形成开发者能够调用和对接的供应链与创新服务能力。对开发者而言，真正有价值的并非分散的资源清单，而是可获得的算力服务、可适配的模型、合规的数据和可验证的应用场景。10月23日至25日，2026全球开发者先锋大会暨国际具身智能技能大赛将在张江科学会堂举办。参赛队伍将面对抓取、装配、巡检、配送等实操任务，上海市人工智能行业协会秘书长钟俊浩表示：“我们不是看机器人能做什么表演，而是看它能不能在真实工位上把活干好、干出效益。”这句话点明了计量的最终目的：量化投入，是为了更好地检验产出。一次成功的抓取，是算法调优、是算力充沛、是语料重组；而能有持续的“抓得稳、抓得快、抓得值”，才是产业化的能力。Token经济学让智能投入更可计量，而真实场景则负责回答最后一个问题：这些投入，究竟创造了多少价值？