12000人，一天300亿个词元——这所大学发AI的方式，比不少公司的预算表清楚

9月10日，DeepSeek 发布并开源 V4.1 Flash。

第二天，中国科学技术大学的大模型公共服务平台完成部署，面向全校师生开放。国内高校里，第一个上线的。

消息很短，我本来打算扫过去。真正让我停住的是后面那几行数字：截至9月初，这个平台有12000名师生在用，日均处理词元超过300亿，累计突破14000亿。

一天300亿个词元，发给12000个人。

而且它算得出来。

我关掉页面，在群里问了一句：我们上个月用了多少词元？

没人答得上来。我们能说出买了几套账号、续了几个订阅，但说不出这些账号里谁在真正产出、哪一步吃掉了大头。

差别就在这。

这个平台不是9月才有的。今年5月7日，学校网络信息中心就发了面向师生直接开放的"词元计划"，依托自建"东风"云计算平台和统一模型网关，提供多模型接入和标准化API。后面跟着一串动作：OpenClaw培训、词元计划成长营、107杯算力与智能体开发大赛、新生词元计划。

把这串动作摊开看，其实是一条完整的链路——先有统一的供给口（网关+异构算力调度），再有可计量的发放（词元支持），最后用培训和比赛把用量推到真实场景里。12000人、日均300亿，是这条链路跑出来的结果，不是发布会上的口号。

它建立的机制才是重点：前沿模型Day 0上线，DeepSeek、GLM、Kimi、Qwen 等主流模型发布当日就能用上，支持1M超长上下文。

对一人公司或者三五个人的小团队来说，这套思路比任何模型榜单都有用。你没有信息中心，但你可以有网关，可以有预算池，可以有台账。

区别只是你一个人干三件事。

便宜不是补贴，是架构

一个自然的问题：300亿词元怎么敢这么发？

看看最近这批模型的账。月之暗面的K3，总参数量2.8T，MoE架构，896个专家里每次前向只激活16个。通义千问的Qwen3-Next，总参数80B，每次推理只激活3B，官方口径是性能对标2350亿参数的旗舰模型，训练成本较Qwen3-32B下降超过90%。百炼文档里已经在跑的一批模型里，像 qwen3.8-2.4t-a95b 这种命名，本身就是"总参数"和"激活参数"的分野。

关键变量不是参数有多大，是每次推理叫醒多少人。

这才是单位成本一路走低的真实原因。不是谁在补贴，是稀疏化把"每次都算一遍"的老账本撕了。K3那边还有两项架构改动（Kimi Delta Attention 和 Attention Residuals），配上一套负载均衡和优化器，官方说法是扩展效率比前代提升约2.5倍。

对创业者的启发很直接：如果你还在用"模型贵"当理由，把AI挡在业务之外，这个理由正在失效。

价格曲线往下走是确定的方向，不确定的是你有没有把流程改到能吃下这个价格。

AI什么时候算真进了业务

上周服贸会上有个数字我记下来了。展出的中国服务案例里，以AI、大模型、智能体为核心技术的案例占比接近四成。德勤中国的孟晓凡在现场说了一句，"AI正从点状应用走向平台化、体系化，围绕AI重构流程、组织和价值创造"。

点状应用是什么样？某个人会用AI，写得快，别人羡慕，但他的用法出不了他的工位。

体系化是什么样？公司知道AI在哪一步、花掉多少、产出什么，换个人接手照样跑。

同一场展会上，中通说他们有超过3500台无人配送车在全国260多个城市投用，每天运送包裹超870万件。美团那边的AI经营助手"智能掌柜"，把顾客评价按菜品、服务、环境归类，转成结构化反馈再给建议。这些都不是"员工用AI写了个周报"级别的事，是把AI塞进了履约和经营分析的主链条里。

落到具体场景上，判断标准其实只有一条：这个环节如果今天把AI拿掉，业务会不会卡住。

会卡住的，才算进去了。

能联网之后，贵的不再是模型

百炼的联网搜索文档里有一句话写得非常实在：大模型的训练数据存在知识截止日期，无法回答实时问题。启用联网搜索后，才有了股票价格、天气预报、最新新闻这类时效性问题的答案。

但文档里还有半句更值钱的：agent策略是"可多次调用联网搜索工具与大模型"实现多轮检索，启用时每次调用额外收费。

翻译一下：能联网的模型，成本大头可能不在模型本身，在它检索了几轮。

谁控制轮次，谁控制账单。

我们给客户搭"老板的第一支AI战队"时踩过这个坑。一开始所有人都开着联网，做个内部资料整理也要搜七八轮，账单像体温一样往上走。后来改成按任务分配检索额度，能查内部知识库的一律不联网，需要外部时效信息才开，成本立刻落到可解释的区间。

这件事的技术含量不高，但它决定了AI在你公司里是资产还是漏水的水管。

我让客户干的第一件事，是开一张词元账单

回到中国科大那个平台。

我最想抄的不是它的算力规模，是"词元计划"这三个字的思路：把能力当成可以按量发放、按量核算的东西，而不是一笔说不清的IT开支。

我们给客户做AI战队时，第一步不是买账号，是开一张词元账单。把岗位拆成任务线，每条任务线标一个预算，月底看的不是"谁用得最多"，是"哪条任务线的产出比高"。有个客户第一个月跑完发现，六成以上的词元花在把会议记录润色得更体面，而不是报价测算和客户跟进。账一摊开，调整方案自己就出来了。

不这么做会怎样？你会永远停在"我们也用AI了"这个状态里，然后疑惑为什么同行三个人能干你十个人的活。

再说一句模型轮换的事。最近海外有一些分析在讨论，OpenAI这边GPT-6 Astra势头回来之后，可能影响到Anthropic原定9月劳动节后的IPO节奏——这事目前只有媒体层面的讨论，没有定论，我不当事实用。但"模型的竞争没有永远的赢家，也没有永远的输家"这句话，对采购方是硬道理。

所以网关层要留住。任何把业务流程焊死在某一个模型上的做法，都是在给自己埋一个季度的返工。

最后三条，是我自己现在在做的：

一，把AI开支从"按席位"改成"按任务线"核算，先要可见性，再谈优化。

二，给每条任务线设词元预算和检索轮次上限，让成本长在你看得见的地方。

三，多模型并行，把切换成本压到最低。

模型换代的速度不会慢下来。能让你跑得稳的，从来不是追到最新的那一个，而是你手里那本账。

小字提醒：本文涉及的产品发布、平台数据与展会信息，均来自相关机构公开发布及官方媒体报道，具体参数、服务范围与收费规则以官方最新说明为准；文中提到的模型发布时间与来源，部分为公开渠道转述，未做逐条核实。企业采购与部署前，请自行做安全与合规评估，尤其是涉及数据出境、师生/员工个人信息和第三方API计费的场景。本文不构成任何投资或采购建议。