这届 AI 投资人，可能是被伤得最深的一届。

为何这么说？

回到 2024 年，讲个“大模型 + 智能体”的故事就能拉涨停。但 2025 年，市场换了副面孔：用一位基金经理的话说：“现在开会，前十分钟讲产品，后五十分钟被追问收入结构。”从“先信了”到“请证明”，中间隔着一整轮 AI 泡沫的破灭与重建。到了今天，AI 普及的前夜，这种趋势更是加剧。迈富时（02556.HK）就卡在这个节骨眼上，今日盘中波动最终却平收结束，或许，是市场已经用真金白银投票：方向认，但别想蒙混过关。

有意思的是，工信部几乎在同一时间窗口发了份《“人工智能 + 信息通信”创新发展实施意见》。这文件如果翻译成市场语言，就是一份公开的行业验货清单。政策在出题，公司在答题，市场在判卷 —— 迈富时今日这根 K 线，不过是三个角色同框的一个定格画面。

问题来了：这家以“企业智能体第一股”示人的公司，到底能不能交出及格的答卷？尤其是，当“全栈 Token 工厂”这个听起来很宏大的战略，被拆开揉碎，放进工信部那份文件的考核框架里，哪些算硬实力，哪些还在画饼阶段？

一、政策考纲的四道大题

工信部《实施意见》字数不少，但拆解下来，市场真正盯着的只有四道必答题。这四道题，恰好也是迈富时今日被热议的焦点方向。

第一道：算力到底跑起来没有？

文件提“适度超前布局算力基础设施”。政策语言讲究分寸，“适度”是关键词 —— 不是不建，是建了得用。机房里一排 GPU，如果只是跑测试跑 demo，那就是固定资产折旧表上的数字。只有跑上业务流，跑出并发量，才算从成本项变成了生产力工具。

这道题，迈富时答了一半。定增投向智算建设，方向没错。但市场要看的是上架率、是实测吞吐量、是和沐曦国产 GPU 适配后的性能数据。采购单只能证明“在建”，不能证明“在用”。

第二道：Token 到底收上钱没有？

文件提“探索可量化的智能化服务交付模式”。这话翻译成投资者听得懂的 ——Token 收费机制，跑通了没有？

迈富时讲的“全栈 Token 工厂”，逻辑链条很清晰：底层算力生产 Token，知识中台让 Token 听懂企业语言，智能体中台把 Token 变成任务执行，最终在场景里转化为客户愿意付费的服务。但逻辑闭环不等于商业闭环。Token 消耗量是多少？对应收入是多少？从免费到预充值的转化路径是什么？这三个数据点，目前公开信息里还找不到清晰的勾稽关系。

讲 Token 工厂的公司，如果迟迟不公布 Token 收入的量价关系，市场会开始怀疑，这工厂是不是还在试产阶段。

第三道：ARPU 动了没有？

文件提“赋能千行百业数字化转型”。赋能如果不能体现在客户愿意多掏钱上，那就只是营销话术。

传统软件提 ARPU，靠加座席、加模块，路径清晰。AI 时代提 ARPU，逻辑变了 —— 要靠智能体调用频次、Token 消耗、场景包扩展。但企业客户不是冤大头，不会因为你烧了 Token 就多付钱。他们只问一个问题：这 Token，帮我赚回来了吗？

迈富时需要拿出的，不是笼统的“AI 收入占比提升”，而是具体到单一客户的案例证据：某客户因为高频调用智能体，订阅费之外产生了额外的 Token 费用，且客户续费时主动选择了更高阶的场景包 —— 这样的案例，才叫 ARPU 被拉动了。

第四道：案例能不能复制？

文件最核心的一句话：“培育一批可复制、可推广的典型应用场景。”

一个标杆案例是 PR 素材，十个不同行业的案例是商业模式。市场给 PR 的估值是零，给商业模式的估值是另一回事。这道题的关键不在“有没有案例”，而在“案例之间能不能低成本迁移”—— 交付周期有没有缩短？实施成本有没有下降？知识转译能不能产品化？

这是四道题里最硬的一道，也是迈富时“全栈”叙事能不能立住的命门。

二、“全栈 Token 工厂”，最容易被高估的概念

迈富时把“全栈 Token 工厂”作为核心战略定位。这个概念需要被拆解，因为里面藏着一个最容易被市场高估的环节。

所谓 Token 工厂，本质上是一条价值转化链：算力 Token → 知识 Token → 场景 Token → 收入。前面几段是技术问题，最后一段是商业问题。市场最容易犯的错误，是把技术上的“能转化”当成商业上的“已转化”。

这条链路上，真正的瓶颈不在算力端，也不在应用端，而在中间的“转译层”——KnowForce AI 知识中台。

通用大模型输出的 Token 是标准化产品，任何人调用成本差不多。但经过知识中台注入行业 know-how 之后产出的 Token，理论上应该有更高的定价权。问题是，这个转译过程，在不同行业之间能做多轻？

给润滑油品牌做知识转译，和给另一家工业品品牌做，如果 80% 的工序可以复用，那就是产品化；如果每次都要从头梳理产品手册、工况参数、老师傅经验，那就是高定服务。前者有规模效应，后者是线性成本。两者在资本市场对应的是完全不同的估值体系。

“全栈 Token 工厂”听起来像是印钞机，但印钞机的前提是模具标准化。模具要是一客一换，那就不叫工厂，叫手工作坊。这是迈富时接下来最需要用数据回答的问题，没有之一。

三、两份答卷，两个命门

工业这份：进了物理世界，但能复制吗？

润滑油智能选型这个案例，放在工信部文件框架下看，属于“赋能实体经济”的典型样本。工业品参数复杂、选型门槛高、经验难以规模化复制 —— 这是大量制造业的通用痛点。迈富时通过知识中台把分散的产品知识、工况数据和老师傅经验结构化，再让智能体完成从识别到推荐到沉淀的全链路闭环。

这个案例的价值在于，它证明 AI 能进入物理世界的供应链环节，不是做客服问答，而是做选型决策辅助。但市场的疑问也很直接：润滑油的这套知识转译方法，迁移到密封件、轴承、化工原料上，边际成本是多少？交付周期能压缩多少？如果答案模糊，“可复制”就打了折扣。

金融这份：进了高合规场景，但能铺开吗？

乐橙云服案例的核心看点不在“AI 能做金融服务”，而在“AI 能在合规约束下做金融服务”。金融行业对 AI 的容错率极低，产品规则、风险提示、客户分层、合规边界，每一个环节都是硬约束。

迈富时的解法是：知识中台建立唯一可信的合规知识源，智能体中台按流程执行，每一步可追溯，每一条可审计。这套机制在乐橙云服跑通了。但金融监管属地化、产品差异化，从一个金融场景复制到另一个，知识中台的重构成本是多少？监管沟通成本又是多少？这些问题的答案，直接决定金融案例是孤岛还是群岛。

四、出海与政务：两块最诚实的试金石

出海业务的验证价值在于它的“去关系化”。海外客户没有酒桌文化，买不买你的 AI 服务，纯粹看 ROI。T 云外贸版强调“Token 消耗可追踪、可归因”—— 这个表述本身就说明，出海市场是场景 Token 商业化最诚实的试验场。国内可以靠客情维系，出海只能靠数据说话。

政务一体机走的则是另一条路径。软硬一体、全栈适配国产信创、兼容鲲鹏海光、数据不出域 —— 这套配置的核心卖点是安全可控。工信部文件里“安全可信”四个字，在政务场景就是准入门票。这块业务的逻辑不在市场规模，而在资质背书。能进政务，本身就是对技术架构安全性的确认。

五、市场在等的那份成绩单

AI 应用已经过了靠 PPT 融资的阶段。政策把考纲画好了，迈富时把答卷铺开了，市场坐下来准备阅卷。但评分的标准，比预想的更冷血。

不是看发布了多少个智能体，是看智能体调用有没有产生增量收入。不是看签了多少家客户，是看客户续费时有没有因为 AI 模块多掏钱。不是看有多少个行业案例，是看第二个案例的交付成本比第一个低了多少。

迈富时今日这根 K 线，平收：多空打了个平手，但天平倾向哪边，不取决于 K 线形态，取决于接下来几个季度，能不能交出四个维度的硬数据。方向没错，但交卷铃已经在响了，是市场在催需要加速验证了。

免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。