8 月 28 日晚，天际资本创始人张倩与开源中国 CEO 徐勇在直播中讨论英伟达收购 Hugging Face。直播后半段，徐勇提到一个由开源中国董事长马越提出、并已在区块链上存证的概念：“中国词元”。
它的公式并不复杂：
中国词元 = 中国芯片 + 中国模型 + 中国绿电
这不是一个新的模型架构，也不是单纯的国产化口号，而是一笔把算力、软件和能源放在一起核算的成本账。一个词元从数据进入模型，到经过推理接口返回给用户，背后至少要消耗三类资源：芯片提供计算能力，模型决定计算效率，电力承担持续运行的能源成本。
从“模型能力”转向“词元成本”
过去讨论大模型时，注意力通常集中在参数规模、训练数据、上下文长度和评测分数上。但模型真正进入生产环境后，企业更关心的是另一组问题：每百万词元需要多少算力？高峰期能否稳定响应？单位请求的电费和硬件折旧是多少？
“中国词元”提供了一个适合成本分析的表达方式。
- 中国芯片决定推理集群的硬件基础，包括算力密度、显存容量、通信带宽和设备折旧。
- 中国模型影响单位任务所需的词元数量、推理步数、批处理效率和服务质量。
- 中国绿电对应数据中心的长期能源账，包括电价、供电稳定性、碳排放和可持续运营能力。
三者并不是简单相加。芯片性能不足，模型可能需要更多并发机器；模型效率不高，电力成本会被放大；电力供应不稳定，再好的芯片和模型也难以形成可靠服务。因此，这个公式更适合被理解为一个系统约束，而不是精确的财务等式。
为什么要把绿电放进公式
人工智能基础设施的成本并不只发生在服务器采购时。训练和推理都需要持续供电，数据中心还要承担制冷、网络、存储和备用电源等配套消耗。随着模型调用量增长，能源会从“基础设施问题”变成产品毛利问题。
把绿电纳入“中国词元”，有两个现实含义。
第一，模型服务需要关注单位词元的完整成本，而不是只看 GPU 或 AI 加速卡的报价。第二，能源来源会影响服务的长期稳定性和合规边界。对于需要大规模部署的模型，电价、绿电比例、机房位置和供电可靠性，最终都会反映到每次 API 调用的成本上。
这也解释了为什么“国产芯片”和“国产模型”不能被孤立讨论。只有硬件、软件和能源同时具备可获得性，词元才可能成为可持续交付的产品单位。
可以这样做一张词元成本表
下面是一个可运行的 Python 小工具。它不是对真实集群的精确建模，而是一个可以改造的估算模板：把芯片折旧、功耗、电价、模型调用量和绿电比例放入同一张表，观察每百万词元的基础成本。
运行前只需要准备 Python 3，不依赖第三方库。示例中的数值是演示假设，实际项目应替换成设备采购价、运行功耗、利用率和电费合同中的数据。
from dataclasses import dataclass
@dataclass
class TokenCostInput:
accelerator_price: float # 单卡价格，元
accelerator_life_hours: float # 折旧周期，小时
accelerator_count: int
power_kw_per_card: float # 单卡平均功耗，千瓦
pue: float # 数据中心电能使用效率
electricity_price: float # 电价，元/千瓦时
total_tokens: int # 统计周期内处理的词元数
green_power_ratio: float # 绿电比例，0 到 1
def estimate_cost(data: TokenCostInput) -> dict[str, float]:
hours = data.accelerator_life_hours
hardware_cost = (
data.accelerator_price
* data.accelerator_count
/ hours
)
energy_kwh = (
data.power_kw_per_card
* data.accelerator_count
* data.pue
* 1.0
)
energy_cost = energy_kwh * data.electricity_price
total_cost = hardware_cost + energy_cost
cost_per_million_tokens = total_cost / data.total_tokens * 1_000_000
return {
"hardware_cost_per_hour": hardware_cost,
"energy_cost_per_hour": energy_cost,
"green_energy_cost_per_hour": (
energy_cost * data.green_power_ratio
),
"cost_per_million_tokens": cost_per_million_tokens,
}
if __name__ == "__main__":
sample = TokenCostInput(
accelerator_price=80_000,
accelerator_life_hours=30_000,
accelerator_count=8,
power_kw_per_card=0.7,
pue=1.3,
electricity_price=0.65,
total_tokens=2_000_000,
green_power_ratio=0.60,
)
for name, value in estimate_cost(sample).items():
print(f"{name}: {value:.4f} 元")
这个示例有几个重要边界：它只计算硬件折旧和能源，不包含模型训练成本、存储、网络、运维人员、机房租赁、备件、软件适配和资本成本；示例还把单个统计周期简化为一小时。生产环境中，可以进一步加入 GPU 利用率、不同请求长度、KV Cache 命中率、批处理大小、故障冗余和训练摊销。
这笔账对企业意味着什么
对于模型公司，“中国词元”意味着服务报价不能只围绕模型能力展开，还要理解每次调用的资源消耗。一个参数量更小、吞吐更高的模型，即使单次效果略有差异，也可能在大规模业务中拥有更低的单位成本。
对于芯片公司，客户买的不是孤立的算力卡，而是一套能被模型充分利用、能在数据中心稳定运行的计算系统。编译器、算子库、通信方案和模型适配效率，都会影响最终的词元价格。
对于数据中心和能源供应商，AI 负载提供了长期而稳定的电力需求，但也提出了更高的供电、制冷和调度要求。绿电如果无法稳定、透明地计量，就很难真正成为成本模型中的可验证变量。
这个概念还有一个提醒：所谓“国产替代”不应只看零部件的产地，而要看一条完整链路能否持续交付。芯片能否供货，模型能否适配，电力能否稳定，三者缺一都会让单位词元成本失真。
落地时先做三件事
- 定义统计口径：明确只核算推理，还是把训练和微调成本也摊入词元；明确输入词元、输出词元是否采用不同权重。
- 记录真实资源数据：采集设备功耗、GPU 利用率、PUE、每日电价和实际 token 数，避免用峰值参数替代运行数据。
- 做敏感性分析：分别改变芯片利用率、模型吞吐、电价和绿电比例，观察每百万词元成本如何变化。
“中国词元”最有价值的地方，不在于公式本身是否足够精确，而在于它迫使产业链用同一个单位讨论问题：一项 AI 服务到底消耗了多少硬件、多少模型能力和多少能源。只有把这三张账合并起来，算力竞争才会从设备采购，进一步走向可持续的单位经济模型。