从1.5万P到2000万亿词元：AI基础设施竞争转入“有效产出”深水区

据2026年11月12日可查的公开报道，联想集团此前已对外发布“联想万全混合词元工厂”品牌，并披露首个万全混合词元母本工厂将落地张家口。按照规划，一期项目包含1.5万P异构算力集群和约100兆瓦级智算中心，年度词元产出目标超过2000万亿；到2030年，核心指标还计划在现有基础上提升10倍以上。放在阿里、字节跳动、腾讯等企业接连加码智算和模型服务的背景下，这一动作的意义不只是一座新智算中心，而是把AI基础设施的竞争标尺从“有多少算力”推向“能稳定产出多少可用词元”。对通信行业而言，网络、调度、能源与模型服务正在被重新组织为一条可持续交付的AI供给链。

一、“词元工厂”背后，算力开始按产能衡量

1.5万P意味着每秒可完成1.5万万亿次浮点运算，约100兆瓦则接近中型高功率数据中心的外部供电规模，2000万亿词元/年更像一个面向服务交付的产能目标。三者放在一起，勾勒出的不是传统机房，而是一座以词元为产出计量单位的AI工厂。

词元是大模型处理文本、代码、多模态信息的基本计量单位，训练和推理都绕不开它。过去，智算中心项目常以卡数、机柜数、峰值算力作为宣传重点；但当模型进入规模化推理和行业应用阶段，客户真正购买的是稳定、可计量、可结算的模型服务。词元工厂的提法，实际上把AI基础设施从“工程交付”推向“产能交付”：既要看设备规模，也要看良率、利用率、连续供给能力和单位成本。

“母本工厂”的选址与规划因此具有样板意义。它要验证的不只是异构算力能否装进一座园区，更是这套供给模式能否复制到更多节点。对通信行业来说，这类项目不是孤立的机房，而是算力网络中的高功率、高带宽、高时延敏感节点，其价值取决于上联网络、调度接口、能源配套和运维体系能否同步到位。

二、为什么“堆算力”不再等于竞争力

算力峰值并不等于有效算力。大规模异构集群中，网络拥塞、通信开销、故障恢复、任务排队、供电波动都会侵蚀实际产出。单卡性能再高，如果调度不匹配、模型迁移成本高、集群利用率低，最终呈现给客户的词元供给仍可能有限。

更关键的是，AI基础设施已从训练主导转向训练与推理并重。训练关注大规模并行和长时间稳定运行，推理关注时延、吞吐、并发和成本。两类任务对算力、网络、存储和供电的要求不同，不能用同一种资源池粗放承载。所谓“有效词元产出”，应当理解为在时延、稳定性、成本、合规等约束下可交付的词元数量，而不是实验室环境下的峰值跑分。

这也解释了竞争焦点为何转向综合效能。算力供给增加后，稀缺的不再只是GPU或加速卡，而是把算力转化为服务的能力：异构资源能否池化，模型能否快速适配，网络能否低损耗互联，电力能否稳定支撑，运维能否把故障隔离在最小范围。AI基础设施的竞争，正从硬件采购规模转向系统兑现率。

三、异构调度决定1.5万P能兑现多少

1.5万P异构算力集群的关键词是“异构”。不同厂商、不同架构的加速卡，以及CPU、NPU、存储和网络设备，需要被统一纳管、按任务特征切分。训练、微调、推理、数据处理对资源的需求差异很大，调度系统要做的不是简单分配机器，而是让合适任务找到合适算力，并让算力在任务之间流动。

这要求调度层具备拓扑感知、故障隔离、弹性切分和优先级管理能力。大规模集群中，一个节点故障可能拖慢整个任务；一次网络拥塞可能让加速卡长时间空转。调度平台因此成为算力集群的“软总线”，其水平直接影响利用率和交付稳定性。

通信产业的机会也在这里。异构算力越集中，对高速互联、无损网络、全光交换、拥塞控制和算力网络调度的要求越高。智算中心内部的东西向流量，外部与云、边、端之间的南北向流量，都需要更低时延和更确定的服务质量。没有高质量网络，1.5万P只是设备清单；有了高效调度和连接，它才可能变成可持续的词元产能。

四、多模型适配是“词元工厂”的软壁垒

词元工厂服务的不可能只有单一模型。不同参数规模、不同模态、不同行业微调版本并存，模型迭代周期还在缩短。若每接入一个模型都要重做推理框架、批处理策略和资源编排，工厂的“换线成本”就会居高不下。

因此，多模型适配能力是比硬件更难复制的软壁垒。统一推理栈、动态批处理、KV Cache管理、量化压缩、模型路由和SLA分级，决定了同一套算力能否同时承载多种模型任务。对客户而言，重要的是模型切换是否平滑、服务是否稳定、成本是否可预期；对运营方而言，重要的是资源能否在模型之间高效复用。

“词元工厂”的工厂隐喻也在这里成立：它要像代工厂一样接单、排产、保证良率和交期，而不是为每个模型单独建一条低利用率产线。多模型兼容能力越强，算力池的利用率越高，单位词元成本越有下降空间。

五、100兆瓦背后，供电协同成为前置变量

约100兆瓦的智算中心，把能源问题推到前台。高功率机柜、液冷系统、UPS、柴发、变电站和储能，构成一个复杂的供电系统。算力规划若不同步考虑电网接入、绿电消纳和需求响应，设备到位也可能无法满负荷运行。

张家口所在的京津冀枢纽和可再生能源条件，是这类项目选址的重要背景。绿电资源有助于降低用能成本与碳排放压力，但风光波动也要求储能、需求侧响应和电力调度协同。智算中心不再是单纯的IT项目，而是能源—计算联合工程：电力供给稳定性影响算力利用率，算力任务的可中断性又可以反过来参与电力调节。

对通信行业而言，这意味着数据中心规划要与电网、能源企业、地方产业政策更紧密协同。高功率密度机房、液冷改造、绿电交易、储能配置和运维能力，都会成为智算项目交付的一部分。谁能把供电协同做进算力调度，谁就更能保障词元供给的连续性。

六、竞争标尺变化，产业格局随之调整

阿里、字节跳动、腾讯等企业加码智算与模型服务，说明头部平台已把AI基础设施视为长期能力而非单点项目。联想以“万全混合词元工厂”切入，则代表硬件与方案厂商试图向能力供给端延伸。云服务商、设备商、基础电信企业、IDC运营商和能源企业之间的角色边界，正在智算中心这一场景中重叠。

放在中国通信产业布局中看，东数西算、全国一体化算力网和京津冀数据中心集群，为这种词元工厂提供了网络化承接条件。单个工厂的产能固然重要，但更有价值的是它能否接入统一调度体系，形成跨区域、跨主体的算力供给网络。通信行业可参与的不只是连接，还包括算力调度平台、边缘推理节点、绿电协同、网络运维和SLA保障。

竞争标尺已经变化：从“建了多少P”转向“单位能耗能产出多少有效词元”，从“峰值性能”转向“稳定交付”，从“单模型适配”转向“多模型复用”，从“机房供电”转向“能源—算力协同”。联想张家口项目的规划指标，正是这一变化的切口。AI基础设施的下一阶段，不只是更大的算力池，而是更高兑现率的词元供给体系。