政策出卷，市場監考，邁富時答卷：「全棧Token工廠」的產業成績單

這屆 AI 投資人，可能是被傷得最深的一屆。

為何這麼説？

回到 2024 年，講個「大模型 + 智能體」的故事就能拉漲停。但 2025 年，市場換了副面孔：用一位基金經理的話説：「現在開會，前十分鍾講產品，后五十分鍾被追問收入結構。」從「先信了」到「請證明」，中間隔着一整輪 AI 泡沫的破滅與重建。到了今天，AI 普及的前夜，這種趨勢更是加劇。邁富時（02556.HK）就卡在這個節骨眼上，今日盤中波動最終卻平收結束，或許，是市場已經用真金白銀投票：方向認，但別想矇混過關。

有意思的是，工信部幾乎在同一時間窗口發了份《「人工智能 + 信息通信」創新發展實施意見》。這文件如果翻譯成市場語言，就是一份公開的行業驗貨清單。政策在出題，公司在答題，市場在判卷 —— 邁富時今日這根 K 線，不過是三個角色同框的一個定格畫面。

問題來了：這家以「企業智能體第一股」示人的公司，到底能不能交出及格的答卷？尤其是，當「全棧 Token 工廠」這個聽起來很宏大的戰略，被拆開揉碎，放進工信部那份文件的考覈框架里，哪些算硬實力，哪些還在畫餅階段？

一、政策考綱的四道大題

工信部《實施意見》字數不少，但拆解下來，市場真正盯着的只有四道必答題。這四道題，恰好也是邁富時今日被熱議的焦點方向。

第一道：算力到底跑起來沒有？

文件提「適度超前佈局算力基礎設施」。政策語言講究分寸，「適度」是關鍵詞 —— 不是不建，是建了得用。機房里一排 GPU，如果只是跑測試跑 demo，那就是固定資產折舊表上的數字。只有跑上業務流，跑出併發量，纔算從成本項變成了生產力工具。

這道題，邁富時答了一半。定增投向智算建設，方向沒錯。但市場要看的是上架率、是實測吞吐量、是和沐曦國產 GPU 適配后的性能數據。採購單隻能證明「在建」，不能證明「在用」。

第二道：Token 到底收上錢沒有？

文件提「探索可量化的智能化服務交付模式」。這話翻譯成投資者聽得懂的 ——Token 收費機制，跑通了沒有？

邁富時講的「全棧 Token 工廠」，邏輯鏈條很清晰：底層算力生產 Token，知識中臺讓 Token 聽懂企業語言，智能體中臺把 Token 變成任務執行，最終在場景里轉化為客户願意付費的服務。但邏輯閉環不等於商業閉環。Token 消耗量是多少？對應收入是多少？從免費到預充值的轉化路徑是什麼？這三個數據點，目前公開信息里還找不到清晰的勾稽關係。

講 Token 工廠的公司，如果迟迟不公佈 Token 收入的量價關係，市場會開始懷疑，這工廠是不是還在試產階段。

第三道：ARPU 動了沒有？

文件提「賦能千行百業數字化轉型」。賦能如果不能體現在客户願意多掏錢上，那就只是營銷話術。

傳統軟件提 ARPU，靠加座席、加模塊，路徑清晰。AI 時代提 ARPU，邏輯變了 —— 要靠智能體調用頻次、Token 消耗、場景包擴展。但企業客户不是冤大頭，不會因為你燒了 Token 就多付錢。他們只問一個問題：這 Token，幫我賺回來了嗎？

邁富時需要拿出的，不是籠統的「AI 收入佔比提升」，而是具體到單一客户的案例證據：某客户因為高頻調用智能體，訂閲費之外產生了額外的 Token 費用，且客户續費時主動選擇了更高階的場景包 —— 這樣的案例，才叫 ARPU 被拉動了。

第四道：案例能不能複製？

文件最核心的一句話：「培育一批可複製、可推廣的典型應用場景。」

一個標杆案例是 PR 素材，十個不同行業的案例是商業模式。市場給 PR 的估值是零，給商業模式的估值是另一回事。這道題的關鍵不在「有沒有案例」，而在「案例之間能不能低成本遷移」—— 交付周期有沒有縮短？實施成本有沒有下降？知識轉譯能不能產品化？

這是四道題里最硬的一道，也是邁富時「全棧」敍事能不能立住的命門。

二、「全棧 Token 工廠」，最容易被高估的概念

邁富時把「全棧 Token 工廠」作為核心戰略定位。這個概念需要被拆解，因為里面藏着一個最容易被市場高估的環節。

所謂 Token 工廠，本質上是一條價值轉化鏈：算力 Token → 知識 Token → 場景 Token → 收入。前面幾段是技術問題，最后一段是商業問題。市場最容易犯的錯誤，是把技術上的「能轉化」當成商業上的「已轉化」。

這條鏈路上，真正的瓶頸不在算力端，也不在應用端，而在中間的「轉譯層」——KnowForce AI 知識中臺。

通用大模型輸出的 Token 是標準化產品，任何人調用成本差不多。但經過知識中臺注入行業 know-how 之后產出的 Token，理論上應該有更高的定價權。問題是，這個轉譯過程，在不同行業之間能做多輕？

給潤滑油品牌做知識轉譯，和給另一家工業品品牌做，如果 80% 的工序可以複用，那就是產品化；如果每次都要從頭梳理產品手冊、工況參數、老師傅經驗，那就是高定服務。前者有規模效應，后者是線性成本。兩者在資本市場對應的是完全不同的估值體系。

「全棧 Token 工廠」聽起來像是印鈔機，但印鈔機的前提是模具標準化。模具要是一客一換，那就不叫工廠，叫手工作坊。這是邁富時接下來最需要用數據回答的問題，沒有之一。

三、兩份答卷，兩個命門

工業這份：進了物理世界，但能複製嗎？

潤滑油智能選型這個案例，放在工信部文件框架下看，屬於「賦能實體經濟」的典型樣本。工業品參數複雜、選型門檻高、經驗難以規模化複製 —— 這是大量製造業的通用痛點。邁富時通過知識中臺把分散的產品知識、工況數據和老師傅經驗結構化，再讓智能體完成從識別到推薦到沉澱的全鏈路閉環。

這個案例的價值在於，它證明 AI 能進入物理世界的供應鏈環節，不是做客服問答，而是做選型決策輔助。但市場的疑問也很直接：潤滑油的這套知識轉譯方法，遷移到密封件、軸承、化工原料上，邊際成本是多少？交付周期能壓縮多少？如果答案模糊，「可複製」就打了折扣。

金融這份：進了高合規場景，但能鋪開嗎？

樂橙雲服案例的核心看點不在「AI 能做金融服務」，而在「AI 能在合規約束下做金融服務」。金融行業對 AI 的容錯率極低，產品規則、風險提示、客户分層、合規邊界，每一個環節都是硬約束。

邁富時的解法是：知識中臺建立唯一可信的合規知識源，智能體中臺按流程執行，每一步可追溯，每一條可審計。這套機制在樂橙雲服跑通了。但金融監管屬地化、產品差異化，從一個金融場景複製到另一個，知識中臺的重構成本是多少？監管溝通成本又是多少？這些問題的答案，直接決定金融案例是孤島還是群島。

四、出海與政務：兩塊最誠實的試金石

出海業務的驗證價值在於它的「去關係化」。海外客户沒有酒桌文化，買不買你的 AI 服務，純粹看 ROI。T 雲外貿版強調「Token 消耗可追蹤、可歸因」—— 這個表述本身就説明，出海市場是場景 Token 商業化最誠實的試驗場。國內可以靠客情維繫，出海只能靠數據説話。

政務一體機走的則是另一條路徑。軟硬一體、全棧適配國產信創、兼容鯤鵬海光、數據不出域 —— 這套配置的核心賣點是安全可控。工信部文件里「安全可信」四個字，在政務場景就是准入門票。這塊業務的邏輯不在市場規模，而在資質背書。能進政務，本身就是對技術架構安全性的確認。

五、市場在等的那份成績單

AI 應用已經過了靠 PPT 融資的階段。政策把考綱畫好了，邁富時把答卷鋪開了，市場坐下來準備閱卷。但評分的標準，比預想的更冷血。

不是看發佈了多少個智能體，是看智能體調用有沒有產生增量收入。不是看簽了多少家客户，是看客户續費時有沒有因為 AI 模塊多掏錢。不是看有多少個行業案例，是看第二個案例的交付成本比第一個低了多少。

邁富時今日這根 K 線，平收：多空打了個平手，但天平傾向哪邊，不取決於 K 線形態，取決於接下來幾個季度，能不能交出四個維度的硬數據。方向沒錯，但交卷鈴已經在響了，是市場在催需要加速驗證了。