把 1.6T 参数模型搬进办公室，我们在 WAIC 看到一台自带静音的 Token 工厂

内容编辑丨特工小海 特工小饼

内容审核丨特工少女

今年 WAIC，我们在超聚变展台看到了一台面向办公室场景的本地 AI 设备：TokenBox。

据超聚变产品资料，TokenBox 单机最高可支持参数规模达 1.6T 的模型，GPU、CPU、内存和存储均可按需扩展，主流负载噪声低至 35 dBA。

超聚变想解决的，不只是算力问题，而是如何让原本更多部署在专业数据中心的高性能 AI 基础设施，进入研发办公室、医院科室和企业分支机构。

按照超聚变的定位，TokenBox 是一套面向办公室场景的企业级本地 AI 平台。它将算力模块、模型服务、推理加速、Token 运营和安全管理整合进同一套产品体系，让企业能够在本地持续生产、调度和管理 Token。

这里所说的 Token 生产，并不是单纯追求生成更多 Token，而是将本地算力转化为可计量、可调度的模型推理和 Agent 服务能力。

TokenBox 瞄准的，是工作站与数据中心服务器之间的一类部署空白：

工作站部署方便、距离业务更近，但卡数、显存和互联能力有限，面对大参数模型、长上下文和多人并发时，容易触及性能上限。数据中心服务器拥有更强的性能和扩展能力，却依赖专业机房、供电、制冷和运维条件，其噪声与散热要求也使其难以直接进入普通办公空间。

两者之间，企业缺少的是一种既具备较强性能和扩展能力，又能适应普通办公环境，并支持长期运营与治理的本地 AI 基础设施。

因此，TokenBox 首先要回答的问题是：高性能 AI 算力，如何真正进入普通办公环境？

把 Token 生产平台搬进办公室

那么，TokenBox 如何真正进入普通办公环境？

关键并不是简单缩小服务器的尺寸，而是针对办公室和边缘场景在空间、噪声、散热、供电和运维等方面的实际条件，对本地 AI 生产所需的硬件、软件与运营能力进行一体化重构。

这意味着，TokenBox 不仅要提供本地算力，还要同时回答五个问题：

算力能否按需扩展？设备能否适应普通办公室的噪声、散热和供电条件？多人并发时能否稳定提供推理服务？模型部署和日常运维能否进一步简化？模型能否持续演进，Token 与数据又能否得到有效运营和治理？

围绕这五个问题，TokenBox 构建了相应的产品能力。

第一，支持大参数模型，并可按需扩展。

TokenBox 单机支持 1.6T 参数模型，为企业在本地部署旗舰级模型提供了更高的能力上限。支持4类独立的Pack：GPU、CPU、Memory、Storage，单机4Pack全互联，架构支持多机互联。

企业可以从较小配置起步，再根据 Token 消耗和业务变化逐步升级。相比固定配置的工作站，这种设计让企业不必在建设初期一次性投入全部资源，也能降低扩容时整体更换设备的必要性，保护前期投资。

第二，让高性能 AI 进入普通办公环境。

TokenBox 采用 DC 级液冷设计，主流业务负载下可低至35dB，达到图书馆级静音。

这项能力直接影响 AI 基础设施能否进入真实业务现场：医院科室、研发办公室和企业分支机构通常无法提供标准机房条件，也很难接受传统 AI 服务器的高噪声和散热要求。

TokenBox 的意义在于，让原本更多部署在数据中心的高性能算力，可以进入团队日常工作的空间。

第三，通过软硬协同生产更多有效 Token。

TokenBox 内置 Smart 推理加速套件，围绕推理引擎、任务调度、KV Cache、算子优化和内存管理进行软硬协同优化。根据超聚变产品材料，在特定超长上下文场景中，Smart 系列能力可实现 100% 以上的性能提升。

当核心业务和普通请求同时访问模型时，TokenBox 可以根据优先级进行调度，避免关键任务被长上下文请求或低优先级任务拖慢。

第四，降低模型部署和日常运维门槛。

软件层面，TokenBox 集成 FusionOne AI Foundation，并通过本地 FusionXplay 提供模型和应用获取能力。

传统私有化 AI 设备交付后，模型部署、版本升级和性能调优往往需要客户自行完成。面对快速迭代的模型和推理引擎，企业很容易在几个月后陷入版本落后或升级困难。

基于这些软件能力，TokenBox 提供 AI Native 交互。用户可以通过自然语言完成模型部署、版本检查、运行监控和性能优化。设备还可预置模型、Skill 和数字员工，上电后即可开始生产 Token。

第五，让模型持续演进，让 Token 可运营、可治理。

除了算力和模型服务能力，TokenBox 还集成 ModelEver、TokenOps 及安全套件，覆盖模型更新、Token 运营和本地安全管理。

ModelEver 提供 Day0 模型永新能力。新模型发布后，系统可完成自动发现与获取、兼容性验证和镜像打包，再将经过验证的模型推送到本地设备。模型、推理引擎和加速组件能够独立升级，降低更新对业务连续性的影响。

TokenOps 则让 Token 从无序调用变成可运营的企业资源。企业可以查看不同部门、项目和 Agent 使用了多少 Token，设置配额和预算，并通过智能模型路由，减少简单任务调用大参数模型所造成的资源浪费。

同时，TokenBox 支持本地数据闭环，并提供内容防护、行为管控和审计能力。对医疗、金融、研发等敏感场景而言，数据不出域、调用可追溯、行为可审计，是 AI 进入核心业务的重要前提。

TokenBox 从算力扩展、环境适配、并发推理、部署运维和安全治理五个方面，给出了“如何把高性能本地 AI 生产平台搬进办公室”的产品答案。

被真实业务验证过的 AI 基础设施

但对企业级 AI 基础设施而言，功能完整只是第一步，真正的检验来自业务现场：

在长上下文、高并发请求和严格的数据安全要求下，系统能否持续稳定地提供推理服务，并兼顾安全治理与运维效率？

具体到业务现场，AI Coding 和多 Agent 协同办公是 TokenBox 两类较为典型的落地方向。

在 AI Coding 场景中，TokenBox 可以承载代码生成、需求分析、知识库检索、测试和评审等任务，为研发团队提供本地模型和算力环境。

研发代码与内部知识可以保留在本地，从而降低对公有云 API 的依赖；团队也可以根据任务优先级管理本地算力，避免关键任务与普通请求无序争抢资源。

在全流程办公场景中，TokenBox 可以承载财务审批、智能客服、会议纪要和经营分析等不同类型的数字员工。

通过模型路由，简单任务与复杂推理任务可以调用不同模型；通过 TokenOps，Token 消耗也可以按照部门、项目和具体场景进行统计。

相比上述场景分析，目前更具体的业务验证来自医疗行业。

在创业慧康 BsoftGPT 医疗场景测试中，TokenBox 本地部署 DeepSeek-V4 旗舰大模型。面对约 5000 Token/request 的医疗长上下文负载，系统在 128 并发下实现 100%请求成功，累计处理超过 1240 万 Token。

这类测试的价值不只在于峰值性能，而在于真实医疗负载下的稳定承载能力。

医疗智能体需要处理长病历上下文、RAG 多源检索、医护多轮交互、批量病历生成、异步质控和科研筛查。与此同时，病历和患者数据又要求本地化部署、权限控制和日志审计。

在这一场景中，TokenBox 提供的不只是一组 GPU，而是让医疗智能体具备本地化、稳定化和可治理运行能力的基础设施。

正如创业慧康在论坛上所总结的：

医疗 AI 的竞争，最终不是谁拥有一个模型，而是谁能让模型稳定、安全、可运营地进入真实业务场景。

从 TokenBox 到 Token Factory：企业 AI 生产的新思路

那么，这台设备为什么会被设计成这样？

答案要回到它背后的厂商和理念。

TokenBox 由超聚变打造。但它并不是一台孤立的 AI 一体机，而是超聚变 Token Factory AI 一体化解决方案面向办公室和边缘场景的产品化落地。

TokenBox 回答的是高性能 AI 算力如何进入办公室，而在算力进入业务现场之后，企业还要回答一系列运营问题：

资源如何调度和计量？不同任务应该调用什么模型？Token 成本如何控制？Agent 又如何将这些投入转化为可核算的业务结果？

这正是超聚变提出 Token Factory 的起点。

超聚变算力事业部总裁唐启明用一条公式，概括了 Token Factory 从基础设施投入到业务价值产出的完整链路：

WATTFLOPSTOKENSAGENTSVALUES。

围绕这一判断，超聚变提出了 Token Factory 方法论：它试图将企业从算力投入到业务价值产出的完整链路，组织成一套可以持续生产、调度、计量和治理的体系。TokenBox 则是这套方法论面向办公室和边缘场景的产品化落地。

当 AI 从个人工具进入企业核心流程，仅靠“采购服务器、部署模型、开放调用”，已经很难应对跨部门资源调度、成本核算、模型更新和安全治理等问题。

企业内部可能同时存在公有云 API、私有化算力、边缘节点和个人工作站，不同部门也可能各自部署模型和资源池。随着调用规模扩大，重复建设、资源闲置和关键业务争抢算力等问题会逐渐显现。

例如，简单的文档摘要与长上下文代码分析，如果都调用同一个大参数模型，就会产生不必要的资源消耗；多个部门共享同一套算力时，如果缺少优先级和配额管理，低优先级任务也可能挤占资源，拖慢核心业务。

因此，Token Factory 关注的不只是如何获得算力，更是如何把分散的算力、模型和 Agent 组织成一套可持续运营的企业 AI 生产系统。

按照超聚变的划分，这套体系分为三层，分别回答三个问题：

算力从哪里来、任务应该调用什么模型，以及 Token 如何被计量和治理。

所以 Token Factory 设计的第一层是算力基础设施。它覆盖云计算、超节点、服务器、边缘设备和桌面设备，通过虚拟化、容器化和统一调度，将不同地点、不同类型的算力组织成统一资源池。

Token Factory 的第二层是模型与算力服务。这一层负责模型管理、多模型路由、推理加速和资源服务化。简单问答可以调用小模型，复杂编码、深度推理再调用大模型，避免所有任务都占用高规格算力。

最后第三层是 Token 度量与运营。TokenOps 记录不同组织、项目和 Agent 的 Token 消耗，支持计量、配额、预算和成本归因，并根据质量、性能和成本选择更适合的模型。AgentCare 则进一步提供沙箱、权限、智能记忆和运行观测，让 Agent 能够更安全、稳定地进入企业业务流程。

在这套体系下，企业评价 AI 基础设施的标准开始从“有多少卡”转向“能生产多少有效 Token”，再进一步转向“这些 Token 是否支撑了可用的 Agent 和可核算的业务结果”。

这套方法论在真实环境是否有效呢？成本是另一项关键验证指标。

按照超聚变自己内部验证的两年期测算，自建 Token Factory 相比同等用量采用云服务的成本大幅降低。

在相应测算条件下，Token Factory 对于 Token 消耗较为稳定、数据安全要求较高的企业，私有化部署可能在成本、数据治理和业务连续性等方面体现出综合优势。

从设备交付转向 AI 生产力交付

过去企业建设 AI 基础设施，首先考虑的是采购多少张卡、部署多大的模型。

进入 Agent 时代之后，企业还需要继续追问：

这些算力能够生产多少有效 Token？在多人并发和长上下文任务下是否稳定？模型能否持续升级？Token 成本能否被计量和优化？Agent 能否在安全边界内执行任务？

Token Factory 给出的是一套从算力到业务价值的方法论，而 TokenBox 则把这套方法论压缩进办公室可部署的产品形态中。

它将算力、模型、推理加速、Token 运营和安全能力组合在一起，让企业不必先建设专业机房，也不必从零组建 AI Infra 团队，就能够获得一套可扩展、可演进的本地 Token 生产平台。

当 Token 持续进入软件研发、医疗服务、经营分析和企业办公流程，AI 基础设施也会从一次性交付的设备，转变为一套 7×24 小时运行的生产系统。

这套系统进的是电，产出的是 Token，支撑的是 Agent，最终需要交付的是业务价值。

而 TokenBox 要做的，正是把这条 Token Factory 的生产线带到每一个团队和企业身边。

- 完 -