华为称中国 AI Token 使用量激增 1,000 倍，数据产业规模达到 6.78 万亿元
华为表示，中国的 AI Token 消耗量在两年内增长了逾 1,000 倍，而全国数据产业规模在 2025 年达到 6.78 万亿元。
这两个数字从不同角度描述了同一场转型。中国正超越大模型训练阶段，迈向大规模运行 AI 应用。每一次生成回答、软件操作、数据库查询和智能体决策，都会增加不断扩大的 Token 总量。
这一标题经由 Google News 浮现，但其基础统计数据来自中国政府数据和行业表述。1,000 倍增长最初由国家数据局披露，并非由华为独立测算。
这一差异很重要。Token 消耗量可以反映 AI 活动增加，但并不能自动衡量收入、有效工作量或模型质量。一个设计不佳的智能体可能消耗大量 Token，却几乎没有完成什么实际工作。
更有力的信号来自使用量与产业产出的结合。中国目前拥有数十万家数据企业，对 AI 就绪数据集的需求持续增长，并正在建设以推理而非仅以训练为核心的新型基础设施。
华为、中国电信运营商、云服务商和国内芯片企业正竞相供应这类基础设施。它们面临的挑战，是将前所未有的 Token 流量转化为可靠服务，并建立可持续的经济模式。
中国数据产业如今已是一个 6.78 万亿元市场
这份最新产业报告将数据服务置于中国 AI 经济的核心位置，而非将其视作一类辅助技术。
根据 2026 年 8 月 28 日发布的官方产业报告，中国数据产业在 2025 年创造了 6.78 万亿元产值，同比增长 15.7%。
国家数据发展研究院在贵阳举行的中国国际大数据产业博览会上发布了该报告。该研究院隶属于中国国家数据局。
报告显示，截至 2025 年底，全国共有 48.2 万家数据相关企业，较一年前增长 17.9%。
据一份英文报道对研究结果的梳理，数据软件和数据资源产品创造了 4.99 万亿元产值。这两类合计占被统计产业规模的 73.6%。
这一界定并不止于销售原始数据集的企业，还包括软件、处理服务、AI 相关数据产品以及新兴 Token 服务。
因此，这一统计口径不应与存储信息的市场价值混为一谈。它衡量的是参与中国数据经济的广泛企业群体所产生的产出。
在解读 6.78 万亿元这一数字时，这种广泛性尤为重要。该总额涵盖成熟的软件业务和较新的 AI 服务，而并非仅代表 AI 收入。
不过，官员表示，与人工智能密切相关的产品贡献了该产业逾 70% 的产出。这使得 AI 需求成为该行业扩张的核心动力。
大语言模型、合成仿真数据和具身智能相关企业的融资活动尤为活跃。具身智能是指将 AI 嵌入物理系统中，包括机器人和自主机器。
这些领域需要不同类型的数据。语言助手主要依赖文档和对话；机器人还需要传感器记录、空间信息、模拟环境以及来自物理操作的反馈。
报告将合成数据视为不断增长的训练材料来源。合成数据是由软件生成的信息，用于复现有用模式，而无需从现实世界收集每一个样本。
这种方法有助于填补真实记录稀缺、昂贵、敏感或难以安全获取的空白。但它也带来了有关准确性和隐性模型偏见的新问题。
博览会本身也反映了同样的扩张趋势。官方活动总结称，共有 372 家中国及国际企业参展，注册参会者超过 16,000 人。
其主题聚焦于以 Token 作为释放数据经济价值的路径。这种表述将大模型中的技术单位置于更广泛的商业框架中。
Token 是 AI 模型处理的一小段信息单位。视模型而定，它可以代表词语片段、符号、数字或标点。
Token 为服务提供商提供了可计数的模型活动单位。云平台可以将这些计数与容量规划、计费和服务性能联系起来。
中国数据产业报告认为，Token 服务将催生新的商业模式。眼下直接的问题是，Token 数量能否成为有意义的经济指标。
这一问题直接引向当前讨论中最引人注目的数字：中国报告的日均 Token 消耗量增长已超过三个数量级。
华为的 Token 说法源于更大规模的使用量转变
华为强调 Token 激增，是因为 AI 基础设施正从偶发性的模型训练，转向企业和设备中的持续推理。
华为云董事长张平安在贵阳活动上提到了中国 Token 消耗量增长逾 1,000 倍，并将这一增长与企业技术系统的转变联系起来。
传统企业软件假定由人打开应用并逐项选择操作。以智能体为中心的系统则让 AI 能够跨应用和数据源规划并执行多个步骤。
这种架构会成倍增加模型调用次数。聊天机器人可能用一次回答回应一个问题，而智能体则可以反复规划、检索信息、检查结果并修改工作。
不过，华为并非这一全国增长数据的原始统计来源。中国国家数据局此前已在 2026 年披露了相关基础序列。
2024 年初，日均 Token 调用量约为 1,000 亿次；到 2025 年底达到 100 万亿次，并在 2026 年 3 月超过 140 万亿次。
从 1,000 亿次增长至逾 140 万亿次，超过了 1,000 倍。仅 2025 年 12 月至 2026 年 3 月期间，增幅就超过 40%。
国家数据局局长刘烈宏在一次政策吹风会上披露了 3 月数据。一份同期的Token 使用量报告也将 Token 描述为可度量、可定价且可能可交易的单位。
华为此后将这些政府数据纳入自身的商业论述。该公司希望电信运营商从销售连接服务，转向提供 AI 推理和基于 Token 的服务。
在华为一篇关于Token 变现的文章中，该公司将 Token 描述为连接计算基础设施与业务需求的桥梁。
其商业逻辑很直接：更多智能体会带来更多推理请求；更多请求需要加速器、存储、网络、编排软件以及对企业数据的可靠访问。
华为供应了这一技术栈中的多个环节。其产品组合包括 Ascend AI 处理器、云服务、网络设备、存储系统和面向行业的基础设施。
该公司获取先进外国半导体技术受到限制。这些约束提高了国产加速器和高效基础设施设计的战略重要性。
中国不断增长的 Token 数量为华为的基础设施需求叙事提供了支撑。这表明，即使获取国际领先芯片的渠道仍受限制，本地 AI 工作负载仍在扩张。
但相关措辞仍需谨慎。华为并未披露一套独立的公司数据集来证明 Token 使用量增长了 1,000 倍。张平安是在行业活动上引用了更广泛的全国趋势。
全国总量还汇集了许多不同类型的工作负载，包括面向消费者的聊天、企业应用、软件开发、内容生成、搜索、科学任务和自动化智能体。
公开报道并未对这些类别提供完整拆分，也没有说明其中有多少活动运行在华为基础设施上。
尽管如此，这一数字仍捕捉到了一个重大的方向性变化。与早期聊天机器人阶段相比，AI 系统正在生成和处理多得多的输出。
这一变化给服务中国市场的每一家基础设施供应商都带来了压力。如今的竞争关乎持续产出有用智能的成本，而不只是基准测试表现。
AI 智能体将一次请求转化为数百次模型调用
Token 的爆发反映了 AI 工作方式的变化，因为智能体会反复推理、检索数据、调用工具并检查自身结果。
传统聊天机器人的一次交互遵循较短的流程：用户提交提示词，模型处理其上下文，系统生成回答。
智能体任务则包含更多动态环节。系统可以将目标拆分为步骤，调用外部工具，读取新信息，并修订计划。
以商务出行请求为例。聊天机器人可以基于通用知识推荐交通和酒店；智能体则可能搜索时刻表、比较选项、核查政策并准备行程。
每一步都可能向模型发送新的提示词。工具结果也会进入上下文，在模型生成下一次输出前产生更多输入 Token。
中国工程院院士郑纬民将此描述为从能够聊天的模型，迈向能够工作的系统。他的评论出现在一篇智能体经济分析中。
郑纬民估计，一项复杂的智能体任务消耗的 Token 可能是简单回答的数十倍、数百倍甚至数千倍。具体差异取决于工作流程。
编程智能体提供了另一个具体例子。它们会检查代码仓库、搜索定义、编辑文件、运行测试，并在给出结果前反复处理失败问题。
因此，用户可见的一次请求可能会产生多次模型交互。用户看到的是一个任务，而基础设施提供商处理的则是一条延长的推理操作链。
科学系统可能带来更高需求。它们可能生成假设、与模拟系统交互、分析实验反馈，并在反复循环中更新方法。
上海人工智能实验室主任周伯文将这种模式的一种形态称为“环境即数据”。运行环境持续产生反馈，并成为新的模型输入。
这不同于在训练开始前准备好的静态数据集。数据会在系统采取行动、遇到结果并调整行为的过程中不断产生。
机器人清楚地展示了这一机制。机器可以感知一个物体、选择行动、观察结果，并将这一观察用于下一次决策。
每一次循环都需要计算和新的数据。大规模部署可以将这些循环转化为对推理能力的持续需求。
同样的变化也出现在不那么显眼的企业系统中。客户服务、欺诈审核、供应链规划和文档处理，都可能涉及反复调用模型。
这有助于解释，为何 token 消耗量的增长速度可能快于用户数量。现有用户可能会委托更长的流程，而这些流程需要多得多的机器活动。
这也改变了基础设施的瓶颈。训练一个大型模型会消耗一块集中的计算资源，通常发生在部署之前。
推理需求则持续且不可预测地到来。供应商必须在使用高峰期提供低延迟，同时在较为平静的时段维持可接受的资源利用率。
存储和网络变得至关重要，因为智能体会反复检索文档、历史记录和工具输出。处理器只是运行系统中的一个组成部分。
数据质量也变得更加重要。智能体可能在许多步骤中使用一条错误记录，并据此采取行动，从而放大其影响。
这为数据服务公司创造了机会。组织需要能够清洗信息、控制访问权限、追踪来源，并向模型提供相关上下文的系统。
这也为电信运营商带来了新角色。它们分布式的设施可以将推理资源部署得更靠近用户、设备、工厂和区域业务系统。
中国移动、中国电信和中国联通都已探索基于 token 的服务。它们的参与为从网络容量到打包式 AI 消费创造了一条路径。
Huawei 希望提供这条路径之下的基础设施。寒武纪和海光等国产芯片公司也在争夺不断增长的推理工作负载。
包括 Alibaba、Tencent 和 Baidu 在内的云服务商拥有自己的模型、开发者平台和企业关系。它们能够将 token 使用量直接连接到应用程序。
因此，这并非简单的 Huawei 与云服务商之间的竞争，而是不同基础设施模式之间的较量：谁能提供价格可承受、可靠且具有商业价值的推理服务。
1,000 倍增长并不能证明什么
Token 数量衡量的是计算活动，但无法揭示其中有多少活动创造了持久的经济价值。
Token 计数器会同等对待有用和浪费的计算。无论智能体完成任务、反复执行，还是沿着低效路径前进，它都会记录这些活动。
这一局限使 token 消耗量类似于早期的互联网流量指标。更多流量可能伴随业务增长，但仅凭规模无法证明盈利能力或客户满意度。
模型架构进一步增加了比较的复杂性。不同的分词器会将同一句话切分为不同数量的单位。
推理系统还可能生成隐藏的中间 token。因此，完成相同任务的两款产品，报告出的消耗量可能大不相同。
上下文长度带来了另一种膨胀来源。应用程序可能在每次请求中重复发送长文档或对话历史，即使其中大部分内容几乎没有增加价值。
更好的缓存、检索和提示词设计可以在不降低输出质量的情况下减少消耗。token 数量下降有时可能意味着工程进步，而非需求减弱。
这一全国性数据也缺乏足够详细、可供独立复现的公开方法论。现有政府摘要公布了总量，但未提供所有统计类别。
目前仍不清楚哪些模型供应商提供了数据、国内与海外请求如何区分，以及内部企业工作负载是否经过估算。
6.78 万亿元的行业规模数据也有类似边界。它涵盖广泛的数据产品和软件类别，而非单独统计生成式 AI 的收入。
因此，读者不应将这两项统计数据直接组合成比率。报告中的数据产业产出不能除以 token 调用次数，以计算出有意义的市场价格。
这些数字覆盖的时期也不同。行业总量对应 2025 年全年，而最新的每日 140 万亿 token 数据对应 2026 年 3 月。
Huawei 的业务地位则带来另一项不确定性。中国 AI 需求的上升将惠及整体基础设施市场，但并不保证 Huawei 能获得固定份额。
国内竞争对手可以凭借更低价格、专用加速器、开放软件或既有云客户关系获得工作负载。
客户也可以通过优化减少部分基础设施需求。更小的模型、模型路由、缓存和任务专用系统，都能降低每项结果所需的计算量。
价格竞争带来了更多压力。如果推理价格下降的速度快于规模增长，供应商就可能处理更多 token，却无法带来相应比例的收入。
这种动态已经塑造了中国的模型市场。供应商一再降低使用成本，同时提高小型模型和开放权重模型的效率。
低价推理可以加速采用，形成正向的使用循环；但它也可能压缩利润率，使规模更难变现。
能源仍是现实约束。持续推理需要在许多地点提供电力、散热、网络连接和高利用率硬件。
一个消耗更多 token、却需要过多电力的系统，可能受到电网容量和运营成本的限制。随着智能体接入物理设备，这个问题会更加突出。
安全性又增加了一项成本。访问公司系统的智能体需要权限控制、审计记录、隔离执行环境，以及针对恶意指令的防护。
数据治理同样重要。企业不能仅为了增加 AI 使用量或改善智能体上下文，就暴露机密记录。
这些局限并不意味着 token 增长毫无意义。它们说明，下一阶段需要比原始消耗量更好的指标。
Baidu 创始人李彦宏曾提出，每日活跃智能体可作为一种替代指标。该指标将统计执行任务的智能体，而非每一个被处理的单位。
即使如此，该指标仍需要结果层面的衡量。活跃智能体仍可能失败、需要人工纠正，或生成无人使用的结果。
最有力的衡量方式应将消耗与已完成工作、可靠性、用户留存和经济节省联系起来。公开披露尚未达到这一水平。
真正的竞争是有用产出与低成本计算之间的较量
中国的 AI 基础设施竞赛将由每个 token 产生的价值决定，而不是由最大的 token 计数器决定。
官方数据表明，中国在与数据相关的商业活动中已达到相当规模。它们也表明，AI 推理的扩张速度远快于传统软件使用。
当前的核心竞争，位于丰富智能的前景与运营成本的现实之间。每个智能体都必须证明其消耗的计算、数据和监督资源是合理的。
Huawei 的定位强调一体化基础设施。该公司可将处理器、存储、网络、云服务和软件结合起来，服务于寻求国产技术栈的客户。
电信运营商提供了另一条路径。它们已管理全国网络、本地设施、计费关系和企业客户。
公有云公司拥有成熟的开发者平台和广泛使用的 AI 应用。它们的优势在于将模型消耗与现有软件生态系统连接起来。
专业芯片供应商可以瞄准更窄的工作负载。它们能否成功，取决于软件支持、开发者采用、供应能力以及在生产系统中的实际性能。
中国的政策框架支持这个市场的每一层。相关部门正在推动高质量数据集、算力资源协同、数据流通和新的基于 token 的服务。
展会报道还重点介绍了制造业、农业、公共服务和其他行业的应用。
这些部署比又一项模型基准测试更重要。它们检验 AI 能否在真实流程、法规、预算和物理约束下运行。
制造业智能体必须处理设备数据和生产计划。医疗系统则必须满足更严格的准确性和隐私要求。
金融机构需要可审计性和访问控制。消费级应用需要提供足够的持续价值，才能在最初的新鲜感消退后留住用户。
广泛的数据产业可以通过提供专业记录和运营工具来支持这些部署。然而，市场必须建立对数据质量和所有权的信任。
Token 定价也需要更清晰的商业标准。一个模型的 token 与另一个模型的 token，在能力、延迟或能源成本上并不相同。
将所有 token 视为可互换，会掩盖重要差异。企业买家关心的是完成任务、错误率、响应时间和总体运营成本。
供应商很可能将 token 与其他服务打包。这些组合可能包括模型访问、存储、检索、安全控制、网络和应用软件。
这类似于云计算的发展过程。客户很少会仅凭单一处理器小时的价格来评估严肃工作负载。
他们会考察完整系统，包括数据流动、可靠性、开发投入和运营风险。AI 买家也会做出类似计算。
中国不断增长的数据产业为国内供应商提供了测试这些模式的大型环境。其制造业基础也提供了要求严苛的实体应用场景。
但规模并不能免除验证的必要。供应商必须证明，智能体能够稳定完成任务，并且在试点项目结束后仍具备经济性。
报告中的 1,000 倍增长使这一问题更加紧迫。当低效操作在每日 140 万亿 token 中重复发生时，微小的效率损失也会变得昂贵。
因此，优化将成为竞争特性。能够减少不必要上下文、高效路由任务并提高推理利用率的供应商，可能获得优势。
这形成了一个显著的反转。基础设施供应商受益于需求上升，但其客户越来越需要以更少 token 实现更多成功结果。
获胜的平台未必会为每项任务最大化使用量。它要做的是让足够的智能变得可负担，使客户能够部署更多有价值的任务。
三个信号将显示 token 经济是否有效运转
下一轮证据必须将中国庞大的 AI 活动与采用、效率和已完成工作联系起来。
第一个信号是对全国 token 消耗量进行更细致的拆分。按供应商、行业和工作负载划分的数据，将澄清究竟是什么推动了增长。
若持续增长由企业智能体主导，将加强部署论点。若增长集中于消费级内容生成，则支持更为有限的结论。
方法论的重要性将不亚于头条数字。一致的报告边界将使分析师能够区分真实增长与数据收集范围扩大。
第二个信号是来自 Huawei、电信运营商和云服务商的商业披露。买家需要有关持续性工作负载的证据，而不是演示项目。
有用的披露内容包括活跃企业部署、任务完成率、客户留存率，以及每项结果的推理成本变化。
与持续性 AI 服务相关的收入增长，将强化 token 经济论点。只有大量流量而没有持续客户支出，则会削弱这一论点。
计划于 9 月举行的 Huawei Connect 2026 提供了一个近期机会。产品发布或客户案例研究可能揭示 Huawei 如何将全国需求转化为已部署的服务。
第三个信号是国内推理基础设施的效率。应关注服务商能否在降低已完成任务成本的同时，提高吞吐量、可靠性和能源利用效率。
进展将表明，国内系统能够承接快速扩张的需求。持续的短缺或不稳定服务，则会暴露出 token 雄心与实际交付之间的差距。
竞争将使这项考验更加严峻。Huawei、大型云服务商、电信运营商和芯片专业厂商，都需要能让硬件持续高效运转的软件生态系统。
开发者采用率也是效率方程的一部分。当团队难以部署模型，或无法在不同环境间迁移应用时，硬件所能创造的价值十分有限。
数据访问与 token 计量标准同样会影响采用。企业需要可预测的衡量方式，才能比较服务，或将重要工作流交付给供应商。
规模达6.78万亿元的数据产业提供了坚实的经济基础。token 数量增长1,000倍，则证明了非同寻常的计算活动规模。
但任何一个数字本身，都不足以证明中国已经解决了 AI 商业化问题。两者结合来看，说明这场实验已不再局限于小规模试点。
对开发者而言，机会在于构建能够完成可衡量工作的智能体，同时避免浪费上下文或算力。效率正在成为产品要求。
企业采购方应询问服务商如何计算 token 使用量、如何保护公司数据，以及如何衡量成功结果。原始规模应仍是次要指标。
知识工作者应关注智能体在哪些场景获得执行权限，而不只是给出回答。这一转变将决定 token 增长是否会改变日常工作。
下一条 Google News 标题很可能会出现一个更大的数字。更重要的问题是，服务商是否会披露这些 token 实际完成了什么。
中国已经展示了规模。如今，Huawei 及其竞争对手必须证明，这种规模能够带来可靠、可负担且可验证的结果。哪些已完成的工作，能够证明下一次千倍增长是合理的？
