半年106亿、狂涨近9倍！卖Token的这个新方向，爆了
新智元 · 人工智能
ASI启示录 2026-11-05 12:07 北京 新智元报道 2026年，大模型卖Token这门生意，已经卷到让人看不懂了。 谷歌在今年I/O大会上甩出一个数字： 每个月处理3200万亿个Token，一年翻了7倍。 国内更猛。IDC上周刚发的报告显示， 今年上半年中国MaaS市场规模冲到106亿元，同比增长近9倍；Token消耗量2857.9万亿，同比增长超过430%。 Token，这个曾经只有技术圈才听得懂的词，正在变成一门实打实的大买卖。 这门生意的逻辑其实不复杂： 模型厂商把大模型架在云上，开发者不用自己训练、不用自己买 显卡 ，调一次接口付一次钱。 现在，有人想把这套逻辑搬到机器人身上。 机器人抓一个杯子、擦一张桌子，看起来是手在动，背后其实也得有一个模型在指挥。 既然指挥语言的AI模型可以放在云上按次调用，那指挥动作的具身模型，为什么不能？ 这个战场，叫 具身智能MaaS。 机器人的「大脑」，装不进「身体」 聊具身MaaS之前，先说一个事： 现在的 机器人 ，身体里塞不下一颗够用的「脑子」。 不是模型不够聪明，是机器人的身体太小、太热、太贵。 一台具身智能机器人的总成本大约在10万元上下，光芯片就占了3万（英伟达Thor用得最多）。 但即便是这颗目前最顶级的机器人芯片，干完摄像头的视觉处理、基本的运动控制，算力就几乎见底了，哪还有余力去跑一个10B参数的大模型做推理？ 更头疼的是散热。机器人是密封的，夏天太阳底下站一会儿，温度就往上蹿。 芯片越好、发热越猛，但散热空间就那么大，这是个死结。 所以，行业里一直有个争论： 具身模型到底该跑在机器人身上，还是跑在云上？ 这个争论到今天基本有了答案。因为算力和模型的赛跑，模型跑赢了。 目前行业里主流的具身模型，参数量普遍在10B上下，按现在的迭代速度，年底大概率会出现远大于10B的模型。 而机器人身上的芯片，算力普遍在几百到一千TOPS这个量级，能勉强跑起来的，是两三B的小模型。两三B拿来做Demo可以，真要进场景干活，10B是起步线。 芯片在进步，但模型长得更快。这个差距，短期内看不到缩小的迹象。 装不下、跑不动、散不了热、还死贵—— 把模型推理搬到云端，几乎成了唯一的出路。 光有模型还不够，后训练才是硬仗 但云端推理只解决了「跑得动」的问题，还有一个更本质的挑战： 怎么让模型真正干得了活。 大模型时代，大家已经习惯了Zero-shot——模型开箱即用，问什么答什么。 但具身智能完全不是这回事。你让一个通用模型去操控机械臂拧螺丝，就好比让一个刚学会走路的孩子去跑马拉松，差了十万八千里。 真实的商业场景有一百个细节：机器人长什么样、物体什么形状、环境什么光线、精度要求多高。一个能在实验室里演示的模型，到了工厂产线上，可能连个零件都拿不稳。 后训练（Post-Training），才是具身智能从 Demo 走向量产的关键一跃。 这就好比大模型里的微调和对齐。ChatGPT之所以好用，预训练打的底子当然重要，但真正让它「说人话」的，是SFT（有监督微调）和RLHF（人类反馈强化学习）这两道后训练工序。 具身智能也一样： 通用模型是底座，后训练才是把底座变成真正能干活的场景专家的那把钥匙。 问题是，后训练的门槛太高了。你得懂模型、懂数据、懂训练策略，还得有足够的算力和工程能力。而绝大多数造机器人的本体厂商，连模型是怎么回事都还没完全搞清楚。 一位具身模型公司的市场负责人跟我讲过一件事。某天，一家本体厂商上门，想聊聊「你们的模型怎么接」。不巧技术团队全在忙，市场负责人只好硬着头皮顶上去，把模型的基本情况讲了一遍——参数多大、怎么后训练、怎么部署。 聊完，对方客客气气地问：您是技术负责人吧？ 他愣了一下。要知道，对面是一家正儿八经造机器人的公司派来对接模型的人。 这是行业现状。 MaaS：具身智能的「安卓时刻」 回头看大模型这几年，有一个容易被忽略的细节： 真正把大模型用起来的，大多不是做模型的人。 最早把大模型玩出花的，是做设计的、做客服的、做数据分析的，是无数对模型一窍不通、但对自己那摊业务门儿清的一线业务人员。他们不需要懂Transformer怎么算注意力，只需要一个API Key，就能把大模型的能力接进自己的产品。 MaaS就是那个把技术门槛压到地板的基础设施。 现在，具身智能正站在同样的节骨眼上。 2026年7月， 原力灵机 在开发者大会上发布了行业首个通用具身MaaS服务。10月，Physical Intelligence（π）紧随其后推出Pi API Beta，Dream Labs也携9000万美元种子轮融资和Dream API高调亮相。 三个月，三家，同一个方向。大家显然都闻到了同一个味道。 但三家的打法，差异很大。 Pi的API是「邀请制」的——你得申请、审核、等排