1. 背景

当前，全球人工智能已从技术验证确定性地跨入应用爆发期。过去一年，Token（词元）调用量呈指数级增长，2026年3月，我国日均Token调用量突破140万亿。同时以 OpenClaw为代表的智能体（Agent）深度渗透生产生活，Token正式成为智能经济时代的核心生产要素——新时代的“水和电”。

虽然智能愿景宏大，但现实依然骨感。目前Token的生成成本仍处于高位，在通向“人人拥有数字员工与机器人”的未来道路上，面临着千万倍级的Token需求爆发与有限能源供给之间的尖锐矛盾。如果不能实现成本的量级下行，智能红利将始终局限于少数群体，无法普惠大众。 

在此背景下，“算电协同”作为新型人工智能基础设施的建设核心，首次被写入政府工作报告。这标志着算力基础设施正全面告别粗放的规模堆砌，正式转向绿色化、集约化与效能化。算力不再是孤立的计算资源，而是与能源网络深度耦合的价值转化引擎。

为了精准度量这一转化效率，我们首次提出人工智能时代的全新价值标尺——“度电智能”。

2. 什么是“度电智能” 

用一句话描述，“度电智能”（Intelligence per Unit Energy Cost）度量的是单位能源成本产出的有效智能价值，单位是Intelligence/元。其中，“单位能源”超越了物理电量的单一维度，涵盖了能源获取与转换的全生命周期综合成本。比如同样是一度电，新能源发电的综合成本要远远低于火电。“有效智能”则强调算力的实际效用，主张剔除无效计算与冗余输出，确保每一个Token的能耗都能转化为解决现实问题的核心价值。

“度电智能”这一标尺建立了一套从能源到价值的完整转化链路：资源产生能源（电），电能催生算力（算），算力激活模型（模），模型生成价值（Token）。“度电智能”让每一度电产生的有效Token都能被精准计量，从而为行业提供了一把衡量 AI Infra 优劣的终极尺子。

3. 为什么要追求“度电智能”

追求“度电智能”的核心逻辑在于，人工智能竞争的关键是算力博弈，而算力的物理极限最终受限于能源的供给规模与获取成本。在当前大模型能耗呈指数级增长的背景下，人类对人工智能的一大愿景是实现向人脑能效的范式跨越。人脑拥有约860亿个神经元，若按每个神经元拥有1000个突触计算，其等效参数量高达86T，却仅需约25W的极低功率即可驱动复杂的通用智能。因此，提升“度电智能”既是为了打破日益严峻的“能源墙”约束，更是为了驱动硅基智能像碳基大脑一样，在低功耗下爆发巨大的有效价值产出。

4. “度电智能”分成哪些维度

“度电智能”的提升是一个从能源供给到价值产出的全栈优化过程，其核心在于通过能源、计算、模型与调度四大维度的协同，实现能源成本向智能价值的高效转化。这四个维度构成了从物理底层到智能顶层的完整链路，共同决定了单位能源成本下的智能产出上限。

能源效能（Energy Efficiency）：，单位是kWh/元。聚焦于从原始能源成本到算力能源供给的转化效率。它不仅关注PUE（Power Usage Effectiveness，电能利用效率）的降低，更强调能源获取的综合成本优化，为高效率计算夯实绿色底座。

计算效能（Compute Efficiency）：，单位是TOP/kWh。关注电能到算力的转化效率。这涉及到芯片制程、硬件架构及新型计算芯片技术的创新，从而最大限度地提升单位功耗下的运算量能力（TOPS/W），减少数据搬运过程中的无谓能耗，确保“每一度电都用在刀刃上”。

模型效能（Model Efficiency）：，单位是Intelligence/TOP。衡量算力到智能的转化效率。其核心目标是提升模型的智能密度，剔除冗余计算，确保算法输出的每一个Token都能精准解决实际问题，实现“少算力、高智能”。 

调度效能（Scheduling Efficiency）：则是从时空维度对前三者进行全局优化的“指挥官”，调度效能通过时空优化与异构适配实现“度电智能”的提升，无量纲。在宏观上，将计算需求导向低成本能耗区，在微观上，将不同计算特性的计算分发至最匹配的芯片上，实现算法需求与硬件架构的完美解耦与高效对齐。

总之，这四大效能维度共同构建了一个从“能源入口”到“智能出口”的转化漏斗，其协同效应决定了系统最终的能效边界。

5. 如何提升“度电智能”

提升“度电智能”需要从前述的四个效能维度协同发力，通过全栈技术创新实现从“能源输入”到“价值输出”的极致转化：

能源效能：重点在于构建“算电协同”的绿色能源体系，从源头压降单位电量的综合成本。具体可通过（1）电力交易：参与电力市场交易，从源头降低能源的原始成本，提高绿电占比；（2）虚拟电厂：通过挖掘算力负荷的可调节潜力，参与电力需求侧响应，实现单集群的算电实时互动；（3）综合能源管理：持续优化PUE，通过先进制冷与节能策略降低非计算能耗，确保能源高效转化为算力供给。

计算效能：核心是推动软硬件协同的架构革新，提升单位功耗下的有效算力产出。通过研发应用FPGA、以及存算一体、类脑芯片等新型计算硬件，结合大模型底层的推理加速优化技术（如PagedAttention、高效KV Cache管理），极大程度减少数据搬运损耗与计算冗余，确保每一度电都能精准驱动逻辑运算。

模型效能：旨在提升“智能密度”，以更少的计算代价换取更高质量的输出。一方面通过模型结构优化与精细化的预训练、后训练策略，提升大模型的整体智能水平；另一方面通过模型量化、稀疏注意力机制等技术，减少单次推理的计算量。同时，通过智能体的系统性优化，减少无效推理的Token消耗，确保每一次生成的Token都产生实际价值。

调度效能：作为时空优化与架构适配的“指挥官”，实现资源的最优配比。在宏观上，利用跨地域调度将计算任务导向绿电充沛、能源成本更低的区域（如“东数西算”）；在微观上，通过异构芯片调度引擎，根据任务特性（如逻辑复杂型、高并发推理型）将其分发至最匹配的计算单元，实现算法需求与硬件特质的完美对齐。

除了各维度的独立深耕，提升“度电智能”的核心奥义还在于“全栈协同”产生的倍增效应。通过各个维度之间的协同，打破传统能源、硬件、算法与调度之间的孤岛，将整个AI基础设施视作一个本体，通过上下游深度耦合和协同优化，实现1+1>2的效能跨越。

6. 中科类脑在“度电智能”上的布局与探索

中科类脑以“度电智能”为顶层战略目标，率先发起了这一领域的效率革命，旨在构建新一代绿色、优质、高效的AI基础设施平台，从根本上化解算力指数级增长与能源物理约束之间的核心矛盾。

算力层：破解资源闲置与异构壁垒。中科类脑打造了BitaHub云平台，实现了对大规模分散、异构算力资源的统一纳管与弹性调度。这一举措有效解决了中小型智算中心利用率低下的结构性难题，将碎片化资源转化为高效的生产力集群。

协同层：驱动电力与算力的协同对齐。中科类脑早在2024年就成立了算电协同创新事业部，布局核心技术与产品。基于算电协同技术，深度参与电力交易与虚拟电厂建设，通过综合能源管理策略显著降低算力中心的度电成本，此外公司还实现了“算随电动”的智能调度，将计算任务的负载曲线与分时电价、绿电出力曲线精准匹配，在时空维度上实现了能源成本与算力价值的全局优化。

算法层：中科类脑从计算效能与模型效能双管齐下，推动软硬件协同设计，研发更具能效比的推理芯片与类脑架构。通过模型脉冲化、稀疏化等技术，大幅提升了大模型的整体推理效率。在智能体技术层面，公司探索高效的上下文记忆管理策略，以减少输入Token的冗余，并探索智能体后训练策略以削减无效推理，确保每一输出Token都能精准转化为有效智能。

通过这一全栈式布局，中科类脑正致力于定义智能体时代的基础设施范式。同时，我们积极倡导生态共建，诚邀能源、芯片、模型及应用领域的伙伴协同创新，共同探索“度电智能”的评价标准与技术边界，让每一单位能源成本都能释放出最大的智慧潜能。

注：本稿件由合肥中科类脑智能技术有限公司（学会理事单位）提供