3月17日，黃仁勳在 英偉達GTC 2026 的舞台上穿着標誌性皮夾克講了兩個多小時，會後，幾乎全網都在説“英偉達要做 Token 之王”。
但如果仔細聽這場演講，會發現黃仁勳真正反覆錘打的，不是 Token 本身，而是 Tokens per Watt（每瓦 Token 數）。他在展示推理性能圖表時明確説出了這個概念，並直言：每一座數據中心、每一座 AI 工廠，本質上都受限於電力，一座 1GW 的工廠永遠不會變成 2GW，這是物理定律決定的。在固定功率下，誰的每瓦 Token 產出最高，誰的生產成本就最低，誰的收入曲線就最陡。
這句話才是整場 GTC 2026 真正的題眼。
輿論熱衷討論的是 Vera Rubin 比 Blackwell 強多少倍、Groq LPX 能把推理速度拉高 35 倍、英偉達要把數據中心搬上太空。這些當然重要，但它們本質上都是同一個邏輯的不同表達：在能源約束下，最大化每一瓦電力的智能產出。
當黃仁勳把“Tokens/W”作為衡量 AI 工廠產出的核心度量衡時，其實背後還有一層更重要的產業深意，算力競爭的度量體系，正在從芯片走向系統，從峯值參數走向端到端能效，從誰的芯片更快走向誰可以把能源轉化成智能的效率更高。
在當下的產品和技術矩陣之下，英偉達和黃仁勳都還受困於 token/w，距離真正的 token 之王，還需要邁出很多步。
這是一次“智能度量語言”的遷移，而這次遷移所打開的產業視角，遠比任何一顆新芯片都更值得深入討論。
很巧的是，就在GTC正式開幕的前一天，阿里巴巴宣佈成立Alibaba Token Hub，由吳泳銘親自掛帥，阿里的AI核心，不是以AI命名，而是以Token命名，把Token 升級到阿里的AI戰略高度。
這同樣體現出，用系統的視角看 AI已經逐步成為行業新的認知。這正是希望能通過這篇文章強調的理念，也是本篇文章的意義所在。
<h2>01 GTC2026 最值得重視的變化，不在芯片本身</h2>
GTC 2026，大家的關注焦點依然是 Vera Rubin、Rubin POD、LPX、DSX AI Factory 這些新產品和新名詞。但如果把這些發佈放在一起看，會發現它把算力競爭的敍事邊界，從單顆芯片，推進到了算力基礎設施級別，也就是一整套由計算、網絡、存儲、電力、冷卻、控制系統和軟件共同構成的 AI factory。
Rubin 被描述為 POD-scale platform，多個機架共同組成一個大規模、相干的系統；DSX 則被定義為面向 AI factory 的參考設計，目標是最大化每瓦 Token 數。 
這説明，行業真正競爭的，會從某顆芯片算力有多高，轉化到整個計算系統有多強，更細節一點，也就是整套系統能不能把有限的電力、冷卻和網絡資源，高效地組織成穩定的 AI 產出。
具體到度量單位，就是每瓦 Token 數（Token/W）。
本文希望從 Tokens/W 這個度量單位，來洞悉這場發佈會所傳達出的意義，以及對我們發展 AI 基礎設施產業時所帶來的機會。
<h2>02 既然競爭對象變成系統，度量體系就不能還停在芯片層</h2>
芯片時代的度量體系，大家都很熟。峯值算力 Flops、顯存帶寬、FLOPS/W、TOPS/W、bit/J，這些指標都很重要，因為它們能描述一個部件的能力邊界。
這就導致在實踐中出現一個尷尬的狀況：智算中心中沒有一個客觀、統一、且通用的度量單位。
一般來講，衡量數據中心的單位會用到 MW 這個電力單位，而在國內建設智算中心時，用的是 PFlops（基於 FP16）這個算力單位。但是，同樣的算力或電力單位的集羣，如果內部的芯片、網絡、散熱不同，效能也會大不同。
原因並不複雜，之前的度量單位只能衡量某個維度，峯值算力描述的是一顆芯片理論上能做多少計算，bit/J 描述的是局部數據搬運的能效，帶寬描述的是單個子系統的信息通路能力，這些都是芯片在某個維度上的度量。
可是一整套 AI 系統最終要回答的問題是：在固定功率預算、固定散熱條件、固定機房約束下，到底能跑出多少有效的 AI 結果。這個問題，單靠芯片層指標回答不了。
從 NVIDIA 這次的話語體系裏可以看到，token cost（成本）、每瓦吞吐量、每瓦 token 性能、以及每瓦 Token 數。
度量語言體系正在從部件語言，轉到系統語言。 
所以，如果説芯片層常用的度量是峯值算力、帶寬和 bit/J，那麼系統層更合理的度量，就應該是 Token/W。前者衡量部件能力，後者衡量整體產出。前者對應局部最優，後者對應系統最優。
<h2>03 Token/W 把能源到智能產出的鏈條接起來</h2>
NVIDIA 在 GTC 2026 現場文字稿裏，把 token 稱為現代 AI 的 basic unit。這個提法其實很到位。對大語言模型、推理服務、Agent 系統而言，用户最終買單的對象，本質上就是系統生成和處理 token 的能力。
從業務運營角度看，token 有三個優點：1）它和模型推理過程直接耦合。2）它和收入模型直接耦合。3）它適合覆蓋推理時代的新負載。
Agent、多輪對話、長上下文、檢索增強、工具調用、推理鏈，這些新負載很難用單一 FLOPS 描述，卻都能在 token、latency、goodput 維度上留下痕跡。
更重要的是，今天 AI 基礎設施的底層約束，正在越來越直接地體現為能源約束。IEA 的《Energy and AI》報告預計，到 2030 年，全球數據中心用電將增長到約 945TWh，較當前水平大幅上升；AI 是其中最重要的驅動因素之一，美國更將佔到這輪增長中的很大份額。換句話説，AI 產業接下來的很多問題，表面看像芯片問題，實質上是電力問題、散熱問題和基礎設施組織問題。 
Token/W 這個概念有價值，是因為它把 AI 產業最核心的那條鏈條接起來了：電力輸入，經過計算、網絡、存儲、調度和冷卻，最後變成 token 產出。
從這個意義上説，Token/W 並不是簡單替代 FLOPS/W 或 bit/J。它補上的是一層過去還關注不到的視角：
AI 系統到底把多少能源，轉化成了多少智能產出。
我認為，這次 GTC 最值得討論的地方，恰恰在這裏，不能再孤立地看芯片，必須把芯片放進系統，把系統放進產業約束裏去看。
這也是作者一直倡導的角度。看 AI 芯片，不能只看算力峯值、內存帶寬與大小、接口參數，還要看它在網絡中怎樣協同，在機架裏怎樣部署，在園區裏怎樣拿電，在客户那裏怎樣形成成本結構，最終在業務端怎樣變成真實產出。
GTC 2026從某種程度上，公開驗證了這種系統視角。因為當 NVIDIA 自己都開始把敍事中心放到 AI factory 上時，行業就已經在從 AI 計算芯片中心主義走向計算系統中心主義。
這一點其實非常關鍵。很多產業會在早期沉迷於部件參數，因為部件參數最容易測，也最容易宣傳。可一旦產業進入大規模部署階段，真正決定勝負的，往往是系統組織能力。今天的 AI 基礎設施，已經到了這個階段。
<h2>04 從 Token/W 往下推，光互連的重要性會明顯上升</h2>
一旦度量體系遷移到系統層，很多過去被視作配套的環節，地位都會提高。
光互連就是其中最典型的一類。
過去講光互連，行業常用的是光模塊視角、通信視角、器件視角：更高帶寬、更遠傳輸、更低 pJ/bit、更好的帶寬密度、更低插損。這些都對，但這些語言仍然停留在組件、芯片這些子系統層。到了 Token/W 的框架裏，光互連的價值會變得更直觀：它在降低數據搬運的能量代價，提升大規模 AI 計算系統把電力轉化為 token 的能力。
在講述 NVIDIA 的光網絡產品時，基於光子的 CPO 相比光模塊可實現最高 5 倍能效，同時降低延遲，並支撐更大規模的 AI factories 擴展。
這個説法的重點，就不只是鏈路更先進，而是系統規模更大、系統能效更高。 
從產業邏輯看，這件事很好理解。隨着模型越來越大、上下文越來越長、集羣越來越大，系統中的很多能耗，並不發生在算術單元上，而發生在數據搬運上，發生在跨芯片、跨板卡、跨機櫃、跨 POD 的通信上。
到了這個階段，提高 Token/W，已經不能只靠更強 GPU，還需要更高效的互連。 
所以，從 Token/W 的角度看，發展光互連並不是因為它很前沿，而是因為它正在變成大規模 AI 系統的必要節能手段。
<h2>05 光計算比光互連更前沿，但邏輯也開始成立</h2>
光計算要比光互連更早期，這一點要實事求是。
通用性、精度、編譯器、製造一致性、系統集成，這些問題都還在演進中。可如果把觀察邊界放到系統層，它的產業意義已經比過去更容易講清楚。
原因在於，Token/W 關心的是端到端能效。誰能在某一類高頻、高密度、可重複映射的計算路徑上，把能量消耗明顯壓下去，誰就有機會在系統層提高 token 產出效率。這個邏輯不要求光計算替代整個 GPU，也不要求它一步到位成為通用計算底座。
它只要求一件事：在某些關鍵工作負載裏，讓整套系統的 J/token 降下來，讓固定功率預算下的 token 產出提上去。
這也是為什麼光計算的敍事，需要從單點器件效率轉向系統層節能貢獻。如果行業只看 TOPS/W、MAC/J，它更像實驗室故事；但如果行業開始看 Token/W，它就有機會進入基礎設施討論。
這個變化，對光計算尤其重要。因為它終於有了一個能和客户、園區、電力、資本開支對話的上層語言。 
<h2>06 當算力的度量從芯片走向系統，光互連與光計算就被推向產業主線</h2>
當算力競爭還主要停留在芯片層時，光互連更像 I/O 技術，光計算更像前沿器件探索。
當算力競爭遷移到 AI 大規模系統級基礎設施時，事情就變了。系統效率越來越取決於密集計算能耗、數據搬運、上下文管理、跨節點協同、供電與熱管理組織，而這些環節，恰恰是光學最有機會發揮作用的地方。
從 Token/W 的角度看，光互連解決的是每 token 生成背後的搬運電費；光計算嘗試改寫的是每個 token 背後的部分計算電費。二者共同影響的，是整套系統的 token 產出效率。
這就是它們進入產業主線的根本原因。 
更現實一點説，除了芯片產能與供給，未來數據中心和 AI factory 面臨的約束，還會包括電網接入、機房散熱、園區能耗、機櫃功率密度和投產速度。之前國際能源署對 AI 對能源側消耗的判斷，以及這次 NVIDIA 對 AI factory 的表達，都在指向同一個方向：AI 基礎設施正在變成一個用能源來衡量的系統工程。
從這把新的方向往前看，光互連與光計算所解決的，是 AI 時代越來越昂貴、越來越難繼續沿用傳統電學路徑去優化的那部分問題：數據搬運的能量代價，以及高密度計算的單位能耗。
這背後體現的，是一種更完整的系統思維。而這，也是這次 GTC 2026 為何會再次着重提到光子與硅光技術產品的原因：
當算力的度量從芯片走向系統，光學就會從先進技術選項，逐步走向值得建設的產業基礎設施。
從這個角度講，CPO 與光計算系統，未來非常可期！
<h2>寫在最後：AGI 的推進主軸</h2>
作者在日常工作中，一直在倡議設立客觀可衡量的算力度量標準，也一直在使用 Tokens/W 的方法來對不同算力芯片的測試進行度量。
回看科技史，當內燃機的輸出能量與自身重量比重越來越高時，汽車才得以誕生，飛機才可以起飛，火箭才可以升空。
而在 AI 時代，當 AI 系統的產出結果（現在是 Token）與消耗能量比重越來越高時，智能才會越來越很聰明，AGI 才有可能在其中誕生。
這次 GTC2026 上真正值得記住的，不是英偉達一家公司的榮辱，或黃仁勳是否成為“Token之王”，而是AI時代新的度量衡的明確。
更進一步地，英偉達、阿里，也許還有很多行業內的巨頭，都已經開始意識到，要從系統思維的視角來看待 AI 產業的發展。
這其實，是和人類文明發展的主軸相一致的，那就是：用更低的能量，採集、傳輸和處理更多的信息。
AGI，也不會例外！
本文來源：騰訊科技

GTC 大會引爆 AI 敍事，算力、推理、智能體成焦點，產業鏈預期升温，資金聚焦硬件與應用落地主線。

GTC 大會引爆 AI 敍事，算力、推理、智能體成焦點，產業鏈預期升温，資金聚焦硬件與應用落地主線。

GTC大會帶動AI敘事升溫

高科技指數 ETF - SPDR

半導體 ETF - VanEck Vectors

費城交易所 半導體 ETF - iShares

這次 GTC2026 上真正值得記住的，不在芯片本身，而是 AI 時代新的度量衡的明確——token/w。當 AI 系統的產出結果（現在是 Token）與消耗能量比重越來越高時，智能才會越來越很聰明，AGI 才有可能在其中誕生。

- 黃仁勳在 GTC 2026 指出，每瓦 Token 數是 AI 工廠的核心度量。  
- 能源限制下，系統的智能產出是未來競爭的關鍵。  
- 阿里巴巴成立 Alibaba Token Hub，顯示行業對 AI 的系統思維轉變。

英偉達、阿里重估 AI，把 FLOPS“扔進垃圾堆”