联想(00992)布局张家口，缓解企业AI的ROI焦虑

智通财经APP获悉，在大模型狂奔近四年后，企业级软件与企业智能化转型正遭遇一场“生产力停滞”：几乎所有中大型企业都搭建了大模型演示Demo，但真正将其嵌入核心业务流程、由AI接管实际生产任务的企业却寥寥无几。

制约技术落地的根本症结，并非模型的参数规模不够大，而是企业在商业化账本面前陷入了双重焦虑——算力底座调度混乱导致硬件闲置浪费，调用端又频频遭遇无法预期的“Token刺客”与幻觉风险。企业既算不清大模型究竟能带来多少降本增效，更承担不起不可控的推理边际成本。

11月10日，在河北张家口举行的联想万全混合词元工厂发布会上，这一困扰产业界的难题被摆上了明面。联想(00992)并未延续硬件厂商传统上对芯片卡数或纯理论浮点算力(PFLOPS)的推崇，而是将整套体系全面折算为贴合企业财务测算的工业品指标：百万词元综合成本优化70%、每秒词元产出量提升5倍、词元良品率超99.9%。

大模型服务的交付逻辑，正在被推动进入“制造业流水线”的标准化框架之中。

困在财务账本里的企业AI

在当前的B端市场中，“+AI”容易，跨越至真正的“AI+”却极难。

所谓“+AI”，是将现成的通用大模型作为外挂工具，在某些轻量级辅助场景(如周报生成、初级代码补全)浅尝辄止;而“AI+”，则是用智能化能力重构研发、生产、供应链与客户服务的底层业务逻辑。这一跃迁迟迟未能大规模发生，核心原因在于现行算力交付模式与企业严苛的财务预算存在天然脱节。

一方面是算力采购的“重资产沉没”。为了支撑可能出现的业务高峰，部分企业盲目采购高性能算力卡或独占算力池，但在日常低谷期，高昂的机柜租赁与电费开销持续吞噬利润，硬件资源长期空转闲置。另一方面是公有云调用的“黑盒成本”。通用API按调用量计费，面对长文本推理、多模态图影生成等复杂业务链条，Token消耗呈现指数级跃升，调用费用往往在业务放量时失控，侵蚀企业原本微薄的利润空间。

更致命的是不确定性。不同于传统IT系统确定性的代码输出，大模型天生带有概率学特征。一旦模型在核心业务链条中输出低质词元、逻辑幻觉或触发合规红线，企业不仅要为无效计算支付溢价，还需耗费数倍的业务人工进行纠偏和清洗。

大模型落地如果不能解决成本的可预测性与交付成果的确定性，企业对AI的投资就永远只能停留在“创新试错”阶段，无法形成可持续的ROI正向循环。

将“概率学实验”塞进“工业标准化产线”

联想在此次发布会上给出的破局路径，是直接拆除传统IT以硬件为中心的交付维度，将大模型计算抽象为一座标准的“制造工厂”。

在张家口落地的首座母本工厂中，其物理底座是1.5万P的异构算力集群与约100MW的智算中心，但联想制定的出厂验收口径是：年产词元超2000万亿、峰值每秒产出2亿词元、单日承载10万用户并发。算力被还原为“工业原材料”，而企业真正需要的“成品”则是高质量的业务Token。

在这一逻辑下，联想给出了两项颇具冲击力的工业化交付标尺：成本优化70%与良品率99.9%。

70%的综合成本优化：企业大模型落地最大的门槛是初期单次推理成本过高。通过异构算力纳管、模型轻量化混合路由以及张家口本地PUE低于1.1的绿色电力直连，工厂从底层能源、硬件调度到上层推理进行了三级优化，将百万词元综合成本大幅压低。这一降幅直接触碰到了多数传统行业开启大规模AI替代的ROI平衡点。

99.9%的词元良品率：这是制造业核心指标“良品率”首次被系统性引入大模型输出度量衡。大模型不可怕，可怕的是“次品率”过高导致下游产线停滞。所谓“词元良品率”，意味着在推理中枢层面设立过滤网，在输出端即时剔除低质、幻觉、违规以及无效计算内容，确保交付给业务系统的Token具备工业生产级的可用性。

从比拼峰值算力到比拼“良品率”和“出厂成本”，AI基础设施的竞争规则被从玄妙的算法竞赛拉回到了经典制造业的精益管理逻辑中。

“三层动力”：异构混部与流水线装配

将大模型运行成本打至原有的三成并保持高良品率，并非单纯依靠硬件堆砌，而是依赖一整套类似汽车制造的动力总成架构。

在联想搭建的体系中，企业智能被解构成三层系统：

底座发动机(问天AI基础设施)：传统智算中心最大的痛点是不同芯片厂商、不同计算架构之间的生态割裂，异构算力难以协同调度。问天系统通过统一的异构调度平台，让不同架构的芯片资源形成算力合力，官方数据显示其算力综合效率可提升30%以上。

中枢变速器(万全混合词元工厂与xCloud智能云)：充当整个产线的调度中枢(Token Hub)。面对企业具体业务指令，中枢系统不再机械地将请求直接丢给昂贵的千亿级大模型，而是依据任务复杂度，动态分流路由至端侧小模型、专用微调模型或私有/公有集群，实现推理提速5倍以上。

终端驱动系统(擎天与百应解决方案)：将洗净、测试合格的高质词元灌注至具体的业务智能体中，直接驱动研发代码撰写、供应链需求预测、智能客服和工业巡检等真实任务。

这套架构的本质，是把大模型从一个“昂贵通用的超级大脑”，改造成了流水线上的“专业工位组合”，不同工位匹配不同成本的芯片与模型，从而在全局上实现了单位算力产出的最高效能。

垂直重度场景的商业回本账

衡量流水线逻辑是否能跑通，最终必须依靠重度垂直工业场景的产出结果来检验。

在文化传媒与文娱出海领域，联想与湖南广电在长沙落地的电影与微短剧混合词元工厂提供了极具代表性的样本。影视制作尤其是当下火热的微短剧，普遍面临创意周期长、后期制作昂贵、多模态生成缺乏工业标准的难题。

根据披露的合作规划，该词元工厂通过文本、图像、视频、渲染等全模态词元的混合路由与推理加速，将剧本创作、分镜设计、视频生成直至最终成片的全链路纳入产线化作业。量化结果显示：内容制作成本降低50%以上，生产周期缩短60%，月产成片规模达到1200小时以上，并能够常态化支撑超过1万名创作者在线协同。

从微短剧的内容量化生产，到华北重工业转型与先进制造业流程重构，当复杂的AI生成能够被拆解为可量化、可核算周期的词元流水线时，企业决策层才敢真正将预算从传统的IT维护转向深度智能化重构。

大模型产业走过以“概念、榜单与卡数”定胜负的第一阶段，正不可逆转地滑向以“单品交付成本、稳定产出效率与ROI兑现”为主战场的下半场。对于身处焦虑中的企业而言，大模型从来不需要被供奉在技术神坛之上，只有当算力被真正压铸为标准化、低成本、高良率的工业流水线时，企业智能化的飞轮才算真正转动了起来。