10月23日
，上海交通大学副教授、无问芯穹联合创始人兼首席科学家戴国浩在中国证券报主办的2026私募基金高质量发展大会演讲中表示，随着大模型和智能体应用发展 ，AI基础设施建设需要同时提高Token生产效率和生产力转化效率
，既要降低智能服务的供给成本，也要让Token可以高效转化为可验证的任务成果。

　　戴国浩将Token经济的价值链概括为“投入—Token—价值
” 。其中 ，Token是大模型处理和生成信息的基本单位
。一方面
，要用更少的能源和算力投入生产更多Token；另一方面，要让单位Token创造更多实际价值。两项效率共同决定AI基础设施的产出能力 。

　　在他看来 ，新模型 、新应用不断释放需求
，但芯片
、网络和数据中心等物理设施的供给受到制造能力、电力及配套条件约束
。已经安装的算力也不等于有效计算产出，如何盘活存量资源 、提升利用效率 ，成为行业的重要课题。

　　对此
，戴国浩提出，应通过软硬件协同 ，将不同芯片
、不同地域的分散算力连接起来，借助统一调度和推理任务拆分
，扩大有效资源池 。同时，通过模型运行、通信和集群系统的协同推理优化 ，降低Token生产成本
。

　　AI也正在反过来优化自身基础设施。戴国浩介绍
，无问芯穹通过Agentic Infra全栈技术协同，为人工智能及智能体生产提供新范式 。特别是在近期探索的AI自动优化底层算子方面 ，他展示的团队研究成果在四项公开评测中的三个赛道均曾登顶
，展现了以AI提升基础设施性能的潜力
。他强调，自我改进的优化不能止于生成代码 ，还需要执行 、验证和纠错
，将有效经验用于后续改进。

　　“模型能力并不完全等于最终能够解决问题的能力 。”戴国浩强调，工作流设计是释放模型价值的重要环节。在其展示的一组数学测试中 ，某国产模型结合优化后的工作流
，解题数量由20道提升至663道
。该结果体现的是特定任务中模型与工作流协同的潜力：通过任务拆分
、多智能体并行、形式化验证和知识共享，可以提高成果的可靠性。

　　展望未来 ，戴国浩认为，AI基础设施将进一步延伸至机器人等物理场景 。具身智能不仅需要模型能力
，还需要实时响应和稳定运行，端侧推理加速 、训练与仿真协同将成为重要支撑
。

　　他表示 ，“Token工厂 ”的价值不仅体现于企业经营效率
，也关系到能源安全
、算力供给和产业升级。行业应在技术创新中重视安全与责任，推动AI基础设施更加广泛可及 ，让智能能力更好地服务产业和社会 。

（文章来源：中国证券报·中证金牛座）