这一批投身AI领域的投资人，或许正经历着最为深重的挫败感。

这种局面背后的成因并不难理解，既贴近现实，又颇为残酷。

回顾2024年，市场上还盛行着一种叙事风格：只要故事里包含“大模型+智能体”的要素，就能轻易获得资本追捧。然而进入2025年，画风截然转变。借用一位基金经理的原话：“现在开会，前十分钟讲产品，后五十分钟全在追问收入结构。”从“先信了再说”到“请拿出证据证明”，中间横跨的，是一整轮AI泡沫的破灭与重建。眼下，在AI全面普及的前夕，这一趋势非但没有缓解，反而愈演愈烈。迈富时（02556.HK）正巧卡在这个关键节点上，今日盘中虽有起伏，最终却以平盘收尾。或许，市场已经用真金白银表明了态度：方向可以认可，但想蒙混过关，绝无可能。

巧合的是，工信部几乎在同一时间窗口发布了《“人工智能+信息通信”创新发展实施意见》。如果把这份文件翻译成市场语言，它实质上就是一份公开的行业验货清单。政策负责出题，公司负责作答，市场则负责评分——迈富时今天的这根K线，不过是三种角色同框的一个定格瞬间。

那么，问题来了：这家以“企业智能体第一股”自居的公司，究竟能否交出一份及格的答卷？特别是，当“全栈Token工厂”这个听起来颇为宏大的战略，被拆解揉碎，纳入工信部那份文件的考核框架时，哪些可以算作硬实力，哪些仍然停留在画饼阶段？

一、政策考纲的四道核心考题

工信部的《实施意见》篇幅不短，但拆解开来，市场真正紧盯的只有四道必答题。而这几个问题，恰好也是迈富时今天被热议的焦点方向。

第一道：算力到底跑起来了没有？

文件中提到了“适度超前布局算力基础设施”。政策语言讲究分寸，“适度”是关键词——不是不建设，而是建设后必须投入使用。机房里一排排GPU，如果只是用来跑测试、跑演示，那本质上就是固定资产折旧表上的一串数字。只有真正跑通业务流、跑出并发量，才算从成本项蜕变为生产力工具。

这道题，迈富时答了一半。定增投向智算建设，方向没有错。但市场要看的是上架率、是实测吞吐量、是与沐曦国产GPU适配后的具体性能数据。一张采购单只能证明“在建”，证明不了“在用”。

第二道：Token到底收上钱没有？

文件提到“探索可量化的智能化服务交付模式”。这话翻译成投资者能听懂的语言就是——Token收费机制，到底跑通了没有？

迈富时讲述的“全栈Token工厂”，逻辑链条其实很清晰：底层算力生产Token，知识中台让Token能听懂企业语言，智能体中台把Token变成可执行的任务，最终在具体场景里转化为客户愿意买单的服务。但逻辑闭环和商业闭环根本不是一回事。Token消耗量是多少？对应收入是多少？从免费到预充值的转化路径是怎样的？这三个数据点，目前公开信息里还找不到清晰的勾稽关系。

一个讲Token工厂的公司，如果迟迟不公布Token收入的量价关系，市场难免会开始怀疑：这家工厂，是不是还停在试产阶段？

第三道：ARPU动了没有？

文件提到“赋能千行百业数字化转型”。但“赋能”如果不能体现在客户愿意多掏钱上，那就只是营销话术。

传统软件提升ARPU，靠加座席、加模块，路径很清晰。AI时代提升ARPU，逻辑变了——要靠智能体调用频次、Token消耗、场景包扩展。但企业客户不是冤大头，不会因为你烧了Token就乖乖多付钱。他们只问一个问题：这个Token，帮我赚回来了吗？

迈富时需要的，不是一个笼统的“AI收入占比提升”数字，而是具体到单一客户的案例证据：某客户因为高频调用智能体，除了订阅费之外，还产生了额外的Token费用，并且在续费时主动选择了更高阶的场景包——这样的案例，才能证明ARPU真的被拉动起来了。

第四道：案例能不能复制？

文件里最核心的一句话是：“培育一批可复制、可推广的典型应用场景。”

一个标杆案例是PR素材，十个不同行业的案例是商业模式。市场给PR的估值是零，给商业模式的估值则是另一回事。这道题的关键不在于“有没有案例”，而在于“案例之间能不能低成本迁移”——交付周期有没有缩短？实施成本有没有下降？知识转译能不能产品化？

这是四道题里最硬的一道，也是迈富时“全栈”叙事能不能立住的根本命门。

二、“全栈Token工厂”，最容易被高估的概念

迈富时把“全栈Token工厂”作为核心战略定位。这个概念需要被拆解，因为里面藏着一个最容易被市场高估的环节。

所谓Token工厂，本质上是一条价值转化链：算力Token → 知识Token → 场景Token → 收入。前面几段是技术问题，最后一段是商业问题。市场最容易犯的错误，就是把技术上的“能转化”直接等同于商业上的“已转化”。

这条链路上，真正的瓶颈不在算力端，也不在应用端，而在中间的“转译层”——也就是KnowForce AI知识中台。

通用大模型输出的Token是标准化产物，任何人调用的成本都差不多。但经过知识中台注入行业know-how之后产出的Token，理论上应该拥有更高的定价权。问题是，这个转译过程，在不同行业之间能做到多“轻”？

给润滑油品牌做知识转译，和给另一家工业品品牌做，如果80%的工序可以复用，那就是产品化；如果每次都要从头梳理产品手册、工况参数、老师傅的经验，那就是高定服务。前者有规模效应，后者是线性成本。这两者在资本市场对应的，是完全不同的估值体系。

“全栈Token工厂”听起来像是印钞机，但印钞机的前提是模具标准化。模具要是一客一换，那就不叫工厂，叫手工作坊。这是迈富时接下来最需要用数据回答的问题，没有之一。

三、两份答卷，两个命门

工业这份：进了物理世界，但能复制吗？

润滑油智能选型这个案例，放在工信部文件框架下看，属于“赋能实体经济”的典型样本。工业品参数复杂、选型门槛高、经验难以规模化复制——这是大量制造业面临的通用痛点。迈富时通过知识中台，把分散的产品知识、工况数据和老师傅经验结构化，再让智能体完成从识别到推荐到沉淀的全链路闭环。

这个案例的价值在于，它证明了AI能进入物理世界的供应链环节，不是做简单的客服问答，而是做选型决策辅助。但市场的疑问也很直接：润滑油的这套知识转译方法，迁移到密封件、轴承、化工原料上，边际成本是多少？交付周期能压缩多少？如果答案依然模糊，“可复制”这三个字就要打上一个大问号。

金融这份：进了高合规场景，但能铺开吗？

乐橙云服案例的核心看点，不在于“AI能做金融服务”，而在于“AI能在合规约束下做金融服务”。金融行业对AI的容错率极低，产品规则、风险提示、客户分层、合规边界，每一个环节都是硬约束。

迈富时的解法是：知识中台建立唯一可信的合规知识源，智能体中台按流程执行，每一步可追溯，每一条可审计。这套机制在乐橙云服跑通了。但金融监管是属地化的，产品是差异化的，从一个金融场景复制到另一个，知识中台的重构成本是多少？监管沟通成本又是多少？这些问题的答案，将直接决定金融案例是孤岛还是群岛。

四、出海与政务：两块最诚实的试金石

出海业务的验证价值，在于它的“去关系化”。海外客户没有酒桌文化，买不买你的AI服务，纯粹看ROI。T云外贸版强调“Token消耗可追踪、可归因”——这个表述本身就说明，出海市场是场景Token商业化最诚实的试验场。国内或许可以靠客情维系，但出海只能靠数据说话。

政务一体机走的则是另一条路径。软硬一体、全栈适配国产信创、兼容鲲鹏海光、数据不出域——这套配置的核心卖点是安全可控。工信部文件里“安全可信”四个字，在政务场景就是准入门票。这块业务的逻辑不在市场规模大小，而在资质背书。能进政务体系，本身就是对技术架构安全性的确认。

五、市场在等的那份成绩单

AI应用早已过了靠PPT融资的阶段。政策已经把考纲画好了，迈富时把答卷铺开了，市场也坐下来准备阅卷了。但评分的标准，比预想的要冷血得多。

不是看发布了多少个智能体，而是看智能体调用有没有产生增量收入。不是看签了多少家客户，而是看客户续费时有没有因为AI模块多掏钱。不是看有多少个行业案例，而是看第二个案例的交付成本比第一个低了多少。

迈富时今天的这根K线，平收。多空打了个平手，但天平倾向哪边，不取决于K线形态，而取决于接下来几个季度，能不能交出四个维度的硬数据。方向没有错，但交卷铃已经响了，市场在催：是时候加速验证了。