走进2026世界人工智能大会（WAIC 2026）的展馆，一个值得留意的细节是：越来越多的大模型不再只藏在云端控制台里，而是有了在现实中可以触摸的载体，并开始渗入具体的工作与生活场景。
联想展示的AI主机P7只有约300克，却能在断网环境下支持高达122B参数的本地模型推理；科大讯飞把大模型能力塞进了AI眼镜，用于实时翻译、信息查询和会议纪要；面壁智能与乐聚机器人带来的导览与巡检系统，拔掉网络后仍能依靠多模态模型和本地知识库完成讲解、问答与现场分析。面向“toB”用户，桌面级AI工作站、知识库一体机和AI NAS也开始集中间出现，把大模型、RAG、企业文档和本地算力带进了办公室与企业机房。
这些产品形态看似分散，实则回应着同一类需求：当AI从偶尔打开的应用，演变为持续参与工作和生活的工具，用户需要更及时、更稳定、更私密、也更可控的智能。云端依然提供最强的通用能力，但越来越多的高频任务，正在向端侧设备、边缘节点和企业本地迁移。相比前两年围绕模型参数和云端算力展开的竞赛，今年WAIC对AI落地的讨论，明显有了更具体的产品形态和业务抓手。
正是捕捉到这一产业变化，智辰半导体创始人兼CEO王孝斌在本届WAIC上首次公开提出了“企业Token工厂”的概念。在他看来，当AI从尝鲜工具进化为企业日常生产力，企业需要的已不只是一个按需调用的模型接口，而是一套能够在自身数据边界内，持续、经济、可控地生产有效Token的完整AI生产体系。
在这套体系中，高频、稳定、数据敏感和低时延的任务，可以更多地在本地运行；需要最强通用能力、超长上下文或低频复杂推理的任务，则可以交给云端。它的目标不是追求“所有模型都在本地跑”，而是让企业在自己的预算和数据隐私边界内，获得最高效的AI生产力。这意味着，企业Token工厂正在成为企业算力基础设施的新范式。
产品层面，智辰T系列从一开始就面向百亿至万亿参数模型部署进行设计，采用灵活可拓展的芯片互联架构，原生支持FP4至BF16等精度格式和各类先进算法，支持高速内存扩展至TB级。它可以覆盖AI PC、个人工作站、AI算力盒和企业边缘服务器等生产力场景，以及具身智能、车载智能、家庭智能等广泛场景。
企业市场，正在算两本账
端边侧的AI落地需求虽广，但付费意愿最明确的，是将AI用于实际生产场景的企业客户。AI Coding、知识库、企业RAG、多模态内容生产等应用，已在部分行业形成高频需求。只要有助于降本增效，企业就有动力持续投入。
问题在于，需求增长快，供给却没跟上。公有云API尚难以长期高频负载；高端GPU服务器性能强，但投入和运维门槛高；本地设备又难以承载大模型。芯片、模型、算力、存储之间，仍缺乏一体化组合。
先说经济账。IDC数据显示，中国MaaS市场的Token调用量，从2024年的114万亿，增至2026年预计的40,000万亿。企业评估的不再只是API单价，而是完成任务所需的总Token和有效产出。这种压力已经传导到企业内部AI预算侧——Uber四个月就用完了年度AI预算，Meta从鼓励使用Token到设置Token预算限制，腾讯也从6月起大幅收紧配额。企业AI规模化后，不可能再用“先用再说”的粗放模式。
再算安全账。AI进入生产系统后，需要连接代码库、知识库和业务数据，仅靠API接入难以理解企业上下文，数据安全问题随之凸显。Palantir CEO Alex Karp曾质疑，企业在付Token费用的同时，核心数据和业务逻辑正被模型厂商缓存，并用于训练或增强模型，长此以往将侵蚀企业的知识产权与行业优势。更值得警惕的是，模型厂商正从“赋能者”演变为“竞争者”。今年6月，苹果在印度的核心供应商塔塔电子确认遭遇网络攻击，苹果未发布的产品资料被大量公开。两起事件性质不同，却都在提醒企业：敏感数据一旦进入外部模型或协作链条，暴露面和治理难度就会上升。
成本与数据两本账说明，企业不能在“全部上云”和“全部本地”之间二选一，而需要一套能根据任务特征灵活配置算力、模型和数据边界的混合架构。
企业Token工厂，企业算力基础设施的新范式
在智辰看来，企业Token工厂不是把云端数据中心缩小后搬进企业机房，也不只是购买一台装有大模型的服务器。它应当以企业数据和业务流程为基础，把云侧大模型、本地大模型、企业微调模型、本地知识库、身份权限、工具调用和工作流连接起来，将算力持续转化为能够进入业务流程的有效Token。
传统AIDC首先解决算力资源的建设与供给，通常关注峰值FLOPS、TCO等指标；云侧Token工厂面向大规模用户，关注集群推理效率（TPS）、单位功耗推理效率（TPS/MW）；而企业Token工厂面对更有限的预算和更复杂的上下文，除了单位功耗推理效率，还需要关注单位Capex推理效率（TPS/Capex）、单位Token推理成本（元/Token）。
模型的组织方式也不相同。传统AIDC更接近标准镜像和模型目录按需部署；云侧Token工厂通过模型路由与负载均衡，把请求分配给更合适的模型和服务器，以提高集群吞吐与利用率；企业Token工厂则需要把云侧大模型、本地大模型、企业微调模型和RAG知识库组合起来，在能力、数据边界和成本之间动态选择。
私有数据和本地模型，是企业Token工厂与云侧最本质的区别。传统AIDC主要承载通用存储与计算负载；云侧模型通常通过API与企业数据进行有限交互；而企业Token工厂可以在企业权限边界内，把私有数据、身份信息、权限、实时业务系统、模型和工作流深度连接，让AI真正参与跨部门、跨系统的完整流程。
算力基础设施也因此出现差异。云侧需要强互联、高并发和大规模集群吞吐，企业侧则更强调按照数据存储和算力需求精准配置，对内存容量、低功耗、初始投入和灵活扩展要求更高。两者都追求成本和效率，但云侧重视规模化生产，企业侧更强调在有限Capex投入和运营成本下，获得足够高的有效Token产出。
智辰半导体：从大芯片经验到万亿参数模型端侧推理
这意味着，面向企业Token工厂的算力底座，芯片能力的评价逻辑已经脱离了单纯堆峰值TOPS的传统竞赛。能否装下大参数模型、能否在企业场景下长期稳定运行、能否以高性价比持续输出有效Token，才是决定产品落地性的核心门槛。智辰半导体的核心能力，正是建立在对这些企业级真实需求的理解之上。
智辰的能力首先来自团队。公司创始人和核心成员均来自全球顶级芯片企业，长期参与AI NPU、通信基带、手机SoC等大型芯片研发，拥有多颗世界级大芯片从产品定义、架构设计到每年亿级量产交付，再到多次迭代的完整经验。端侧AI芯片解决方案，不只是计算单元设计，还要同时处理功耗、内存、封装、软件工具链、终端适配和规模化量产，商业化门槛极高。智辰团队具备跨越这一高门槛的实力。
在软件层面，智辰已完成全球主流模型的芯片适配工作，正在推进主流推理框架、应用生态和开发生态的支持，打造具有极致性能、开箱即用的软硬件方案。数据显示，在大量企业垂直场景中，T系列方案的单位功耗推理效率与推理成本等指标，相比全球领先方案具备接近一个数量级的优势。
对一家新锐芯片企业而言，下一步需要跟产业链合作伙伴共同合作，把技术优势和产品优势，逐步转化为对企业先进生产力的真正交付。
国产端侧AI芯片的新窗口
2026年是端侧AI规模化落地的元年。与集中式云侧市场相比，端侧算力具有场景分散、需求多样、功耗与成本约束差异明显等特点。AI PC、个人工作站、企业服务器、具身智能和汽车，各有不同的模型、内存、算力和功耗约束，没有一种芯片和一种系统形态能覆盖所有场景。这给国产芯片企业留下了新的市场空间。
智辰半导体以生产力场景为锚点，依靠灵活可拓展架构覆盖更广泛的需求。凭借顶尖技术团队和领先产品定义，智辰有望持续领跑端侧AI赛道。
从WAIC 2026的展台变化开始，端侧AI已经不再只是一个硬件概念。随着AI更深入地进入企业数据和工作流，算力正在从单一云端走向端侧设备、边缘服务器与智算中心共同参与的混合架构。未来AI基础设施竞争的胜负，不只看谁的算力卡更强，更看谁在真实场景中，能够以更可控的成本持续生产可计量的智能。
这是企业Token工厂带来的新命题，也是智辰开拓的新机会。
