在当下的产品和(he)技术矩阵之下，英伟达和(he)黄仁勋都还受困于token/w，距离真正的token之王，还需要迈出(chu)很多步。

这是一(yi)次“智能度量语言”的迁移，而这次迁移所打开的产业视角，远比任何一(yi)颗新芯片(pian)都更值(zhi)得深入讨论。

很巧的是，就(jiu)在GTC正式开幕的前一(yi)天，阿(a)里巴巴宣布(bu)成立Alibaba Token Hub，由吴泳铭亲自挂帅，阿(a)里的AI核心，不(bu)是以AI命名，而是以Token命名，把Token升级到阿(a)里的AI战略高度。

这同样体现出(chu)，用系统的视角看AI已经逐步成为行业新的认知。这正是希望能通过这篇文(wen)章强调的理念(nian)，也是本(ben)篇文(wen)章的意义所在。

01 GTC2026最值(zhi)得重视的变化，不(bu)在芯片(pian)本(ben)身

GTC 2026，大家的关注焦点(dian)依然(ran)是Vera Rubin、Rubin POD、LPX、DSX AI Factory 这些新产品和(he)新名词。但如果把这些发布(bu)放在一(yi)起(qi)看，会发现它(ta)把算力竞(jing)争的叙事边界，从(cong)单颗芯片(pian)，推进到了算力基础设施级别，也就(jiu)是一(yi)整套由计算、网(wang)络、存储、电力、冷却、控制(zhi)系统和(he)软件共同构成的 AI factory。

Rubin 被描述为 POD-scale platform，多个机架共同组成一(yi)个大规模、相(xiang)干的系统；DSX则(ze)被定义为面向AI factory 的参(can)考设计，目(mu)标是最大化每瓦(wa)Token数。

这说明，行业真正竞(jing)争的，会从(cong)某颗芯片(pian)算力有多高，转化到整个计算系统有多强，更细节一(yi)点(dian)，也就(jiu)是整套系统能不(bu)能把有限的电力、冷却和(he)网(wang)络资源，高效地组织成稳定的 AI 产出(chu)。

具体到度量单位，就(jiu)是每瓦(wa)Token数（Token/W）。

本(ben)文(wen)希望从(cong)Tokens/W这个度量单位，来洞悉这场发布(bu)会所传达出(chu)的意义，以及对我们发展AI基础设施产业时所带来的机会。

02 既然(ran)竞(jing)争对象变成系统，度量体系就(jiu)不(bu)能还停在芯片(pian)层(ceng)

芯片(pian)时代的度量体系，大家都很熟。峰值(zhi)算力Flops、显存带宽、FLOPS/W、TOPS/W、bit/J，这些指标都很重要，因为它(ta)们能描述一(yi)个部件的能力边界。

这就(jiu)导致(zhi)在实践(jian)中出(chu)现一(yi)个尴尬的状况：智算中心中没有一(yi)个客(ke)观、统一(yi)、且通用的度量单位。

一(yi)般来讲，衡量数据中心的单位会用到MW这个电力单位，而在国内建设智算中心时，用的是PFlops（基于FP16）这个算力单位。但是，同样的算力或电力单位的集群，如果内部的芯片(pian)、网(wang)络、散热(re)不(bu)同，效能也会大不(bu)同。

原因并不(bu)复杂，之前的度量单位只能衡量某个维度，峰值(zhi)算力描述的是一(yi)颗芯片(pian)理论上能做多少计算，bit/J描述的是局(ju)部数据搬运的能效，带宽描述的是单个子系统的信(xin)息通路能力，这些都是芯片(pian)在某个维度上的度量。

可是一(yi)整套AI系统最终要回答的问题是：在固定功率预(yu)算、固定散热(re)条件、固定机房约束下，到底能跑出(chu)多少有效的AI结果。这个问题，单靠芯片(pian)层(ceng)指标回答不(bu)了。

从(cong)NVIDIA这次的话语体系里可以看到，token cost（成本(ben)）、每瓦(wa)吞吐量、每瓦(wa)token性能、以及每瓦(wa)Token数。

度量语言体系正在从(cong)部件语言，转到系统语言。

所以，如果说芯片(pian)层(ceng)常用的度量是峰值(zhi)算力、带宽和(he) bit/J，那么系统层(ceng)更合理的度量，就(jiu)应该是 Token/W。前者衡量部件能力，后(hou)者衡量整体产出(chu)。前者对应局(ju)部最优(you)，后(hou)者对应系统最优(you)。

03 Token/W 把能源到智能产出(chu)的链(lian)条接起(qi)来

NVIDIA在GTC 2026 现场文(wen)字稿里，把token称为现代 AI 的 basic unit。这个提法其实很到位。对大语言模型、推理服务、Agent 系统而言，用户最终买单的对象，本(ben)质上就(jiu)是系统生成和(he)处理 token 的能力。

从(cong)业务运营角度看，token 有三个优(you)点(dian)：1）它(ta)和(he)模型推理过程直接耦合。2）它(ta)和(he)收入模型直接耦合。3）它(ta)适合覆(fu)盖推理时代的新负载。

Agent、多轮对话、长上下文(wen)、检索(suo)增强、工具调用、推理链(lian)，这些新负载很难(nan)用单一(yi) FLOPS 描述，却都能在 token、latency、goodput维度上留下痕(hen)迹。

更重要的是，今天 AI 基础设施的底层(ceng)约束，正在越来越直接地体现为能源约束。IEA 的《Energy and AI》报告预(yu)计，到 2030 年，全球数据中心用电将增长到约 945TWh，较当前水(shui)平大幅上升；AI 是其中最重要的驱动因素(su)之一(yi)，美国更将占到这轮增长中的很大份额。换句话说，AI 产业接下来的很多问题，表面看像芯片(pian)问题，实质上是电力问题、散热(re)问题和(he)基础设施组织问题。

Token/W 这个概念(nian)有价(jia)值(zhi)，是因为它(ta)把 AI 产业最核心的那条链(lian)条接起(qi)来了：电力输入，经过计算、网(wang)络、存储、调度和(he)冷却，最后(hou)变成 token 产出(chu)。

从(cong)这个意义上说，Token/W 并不(bu)是简(jian)单替代 FLOPS/W 或 bit/J。它(ta)补上的是一(yi)层(ceng)过去(qu)还关注不(bu)到的视角：

AI 系统到底把多少能源，转化成了多少智能产出(chu)。

我认为，这次 GTC 最值(zhi)得讨论的地方，恰恰在这里，不(bu)能再孤立地看芯片(pian)，必须把芯片(pian)放进系统，把系统放进产业约束里去(qu)看。

这也是作者一(yi)直倡(chang)导的角度。看AI芯片(pian)，不(bu)能只看算力峰值(zhi)、内存带宽与大小、接口参(can)数，还要看它(ta)在网(wang)络中怎样协同，在机架里怎样部署，在园区里怎样拿电，在客(ke)户那里怎样形成成本(ben)结构，最终在业务端怎样变成真实产出(chu)。

GTC 2026从(cong)某种程度上，公开验证了这种系统视角。因为当 NVIDIA 自己(ji)都开始把叙事中心放到 AI factory上时，行业就(jiu)已经在从(cong)AI计算芯片(pian)中心主义走(zou)向计算系统中心主义。

这一(yi)点(dian)其实非常关键(jian)。很多产业会在早期沉迷于部件参(can)数，因为部件参(can)数最容易测(ce)，也最容易宣传。可一(yi)旦产业进入大规模部署阶段，真正决定胜负的，往往是系统组织能力。今天的 AI 基础设施，已经到了这个阶段。

04 从(cong) Token/W 往下推，光互连的重要性会明显上升

一(yi)旦度量体系迁移到系统层(ceng)，很多过去(qu)被视作配套的环(huan)节，地位都会提高。

光互连就(jiu)是其中最典型的一(yi)类。

过去(qu)讲光互连，行业常用的是光模块视角、通信(xin)视角、器件视角：更高带宽、更远传输、更低 pJ/bit、更好(hao)的带宽密度、更低插(cha)损。这些都对，但这些语言仍然(ran)停留在组件、芯片(pian)这些子系统层(ceng)。到了Token/W 的框架里，光互连的价(jia)值(zhi)会变得更直观：它(ta)在降低数据搬运的能量代价(jia)，提升大规模AI计算系统把电力转化为 token 的能力。

在讲述NVIDIA的光网(wang)络产品时，基于光子的CPO相(xiang)比光模块可实现最高 5 倍能效，同时降低延迟，并支撑更大规模的 AI factories 扩展。

这个说法的重点(dian)，就(jiu)不(bu)只是链(lian)路更先进，而是系统规模更大、系统能效更高。

从(cong)产业逻辑看，这件事很好(hao)理解。随着模型越来越大、上下文(wen)越来越长、集群越来越大，系统中的很多能耗，并不(bu)发生在算术单元上，而发生在数据搬运上，发生在跨芯片(pian)、跨板卡、跨机柜(gui)、跨POD的通信(xin)上。

到了这个阶段，提高 Token/W，已经不(bu)能只靠更强 GPU，还需要更高效的互连。

所以，从(cong)Token/W的角度看，发展光互连并不(bu)是因为它(ta)很前沿，而是因为它(ta)正在变成大规模AI系统的必要节能手段。

05 光计算比光互连更前沿，但逻辑也开始成立

光计算要比光互连更早期，这一(yi)点(dian)要实事求是。

通用性、精(jing)度、编译(yi)器、制(zhi)造一(yi)致(zhi)性、系统集成，这些问题都还在演进中。可如果把观察(cha)边界放到系统层(ceng)，它(ta)的产业意义已经比过去(qu)更容易讲清楚(chu)。

原因在于，Token/W 关心的是端到端能效。谁(shui)能在某一(yi)类高频、高密度、可重复映射的计算路径(jing)上，把能量消耗明显压下去(qu)，谁(shui)就(jiu)有机会在系统层(ceng)提高 token 产出(chu)效率。这个逻辑不(bu)要求光计算替代整个 GPU，也不(bu)要求它(ta)一(yi)步到位成为通用计算底座。

它(ta)只要求一(yi)件事：在某些关键(jian)工作负载里，让整套系统的J/token降下来，让固定功率预(yu)算下的token产出(chu)提上去(qu)。

这也是为什(shi)么光计算的叙事，需要从(cong)单点(dian)器件效率转向系统层(ceng)节能贡献。如果行业只看TOPS/W、MAC/J，它(ta)更像实验室(shi)故事；但如果行业开始看Token/W，它(ta)就(jiu)有机会进入基础设施讨论。

这个变化，对光计算尤其重要。因为它(ta)终于有了一(yi)个能和(he)客(ke)户、园区、电力、资本(ben)开支对话的上层(ceng)语言。

06 当算力的度量从(cong)芯片(pian)走(zou)向系统，光互连与光计算就(jiu)被推向产业主线

当算力竞(jing)争还主要停留在芯片(pian)层(ceng)时，光互连更像 I/O 技术，光计算更像前沿器件探索(suo)。

当算力竞(jing)争迁移到AI大规模系统级基础设施时，事情就(jiu)变了。系统效率越来越取决于密集计算能耗、数据搬运、上下文(wen)管理、跨节点(dian)协同、供电与热(re)管理组织，而这些环(huan)节，恰恰是光学最有机会发挥(hui)作用的地方。

从(cong) Token/W 的角度看，光互连解决的是每token生成背后(hou)的搬运电费；光计算尝试改写的是每个token背后(hou)的部分计算电费。二者共同影响的，是整套系统的token产出(chu)效率。

这就(jiu)是它(ta)们进入产业主线的根本(ben)原因。

更现实一(yi)点(dian)说，除了芯片(pian)产能与供给，未来数据中心和(he) AI factory 面临的约束，还会包括电网(wang)接入、机房散热(re)、园区能耗、机柜(gui)功率密度和(he)投(tou)产速度。之前国际能源署对AI对能源侧消耗的判断(duan)，以及这次NVIDIA对AI factory 的表达，都在指向同一(yi)个方向：AI 基础设施正在变成一(yi)个用能源来衡量的系统工程。

从(cong)这把新的方向往前看，光互连与光计算所解决的，是 AI 时代越来越昂贵、越来越难(nan)继(ji)续(xu)沿用传统电学路径(jing)去(qu)优(you)化的那部分问题：数据搬运的能量代价(jia)，以及高密度计算的单位能耗。

这背后(hou)体现的，是一(yi)种更完整的系统思(si)维。而这，也是这次 GTC 2026为何会再次着重提到光子与硅光技术产品的原因：

当算力的度量从(cong)芯片(pian)走(zou)向系统，光学就(jiu)会从(cong)先进技术选项，逐步走(zou)向值(zhi)得建设的产业基础设施。

从(cong)这个角度讲，CPO与光计算系统，未来非常可期！

写在最后(hou)：AGI的推进主轴

作者在日常工作中，一(yi)直在倡(chang)议设立客(ke)观可衡量的算力度量标准，也一(yi)直在使用Tokens/W的方法来对不(bu)同算力芯片(pian)的测(ce)试进行度量。

回看科技史，当内燃机的输出(chu)能量与自身重量比重越来越高时，汽车才得以诞生，飞机才可以起(qi)飞，火箭才可以升空。

而在AI时代，当AI系统的产出(chu)结果（现在是Token）与消耗能量比重越来越高时，智能才会越来越很聪明，AGI才有可能在其中诞生。

这次GTC2026上真正值(zhi)得记住的，不(bu)是英伟达一(yi)家公司的荣辱，或黄仁勋是否成为“Token之王”，而是AI时代新的度量衡的明确。

更进一(yi)步地，英伟达、阿(a)里，也许还有很多行业内的巨头，都已经开始意识到，要从(cong)系统思(si)维的视角来看待AI产业的发展。