一条被改写的算力分配曲线
AI基础设施的钱，过去主要花在两个地方：训练（把模型练出来）和推理（把模型用起来）。在很长一段时间里，训练是绝对主角——几家巨头烧掉巨资去训练旗舰模型，推理只是训练的"附带品"。
2026年，这条曲线被改写：推理算力占AI基础设施支出的比例首次超过70%。 这是一个结构性转折点，意味着AI行业第一次进入"用得比练得更贵"的阶段。
数据来源：行业AI基础设施支出结构统计，2026年
Token调用量：推理需求的硬证据
为什么推理突然变贵了？答案藏在调用量里。
OpenRouter的数据显示，2026年4月全球AI大模型周调用量达到27万亿Token。这是一个什么概念？它意味着模型不再是少数研究员在实验室里调用，而是被海量用户、海量应用、海量Agent日复一日地高频使用。每一次聊天、每一次检索、每一次Agent自动执行任务，都在持续燃烧推理算力。
更值得中国读者关注的是结构：中国周调用量达到12.96万亿Token，连续五周超过美国。这说明推理侧的繁荣不是某一家厂商的事，而是由真实应用生态撑起来的——调用量上的反超，往往比训练参数上的领先更能反映一个市场的活跃度。
“三分之二，未来八成”
百度副总裁石清华给出了一个被广泛引用的判断：推理带来的算力增量占比将达到三分之二，未来甚至超过80%。
这个预测如果成立，AI基建的投资逻辑就要重写：
- 过去买GPU是为了"炼大模型"，资本看的是参数与榜单；
- 未来买GPU是为了"扛调用量"，资本看的是QPS、Token吞吐、单位成本；
- 数据中心的选址、电力、网络互联，都要围绕"推理延迟与密度"重新设计。
换句话说，AI基建从"研发驱动"转向"运营驱动"。这更像电信运营商的生意，而不是实验室的生意。
训练与推理的此消彼长
需要强调的是，推理超越训练不等于训练不重要。旗舰模型仍然需要海量训练投入，RSI（递归自我改进）时代甚至会让训练需求继续上升。真正发生的变化是：
- 训练是脉冲式的——集中投入、周期性爆发；
- 推理是持续式的——7×24小时、随用户规模线性增长。
当应用生态足够大，持续式的推理总量终将压过脉冲式的训练峰值。这也是为什么云厂商和芯片厂商都在拼命布局推理芯片、推理优化和低成本推理集群。
行业影响
对guijiagi.com长期跟踪的AI产业链而言，推理算力占比越过70%是一个分水岭信号。它告诉我们：AI的商业模式正在从"卖模型能力"走向"卖调用服务"，谁能把单位Token成本压到最低、把推理延迟做到最低，谁就能在这场基建竞赛中胜出。
当27万亿Token每周在全球流转，AI已经不是一门"做产品"的生意，而是一门"运算力"的生意。下一阶段的竞争，是电力、网络、芯片与调度系统的综合较量——这也是为什么"推理超越训练"会和"AI电力约束"成为同一枚硬币的两面。