华尔街巨头的Token工厂改造案例，给我们什么启发？

微信邦

很多人看Jane Street德州AI数据中心的第一反应，是羡慕它有钱，买得起GPU，建得起液冷机房，敢把几千颗高端芯片堆进一个交易系统里。这个反应很正常，但也很容易看偏。
（ChatGPT生图）Jane Street真正值得研究的地方，不是它有4032颗GPU，也不是它把传统机房改成了液冷AI数据中心，最关键的是，它把算力从后台IT资源，改造成了前台交易生产力。换句话说，它不是在建一个“机房”，而是在建一个不断生产交易判断、风险信号、模型迭代和市场洞察的Token工厂。这个变化很重要。在传统金融机构眼里，数据中心是成本中心，服务器、网络、冷却、电力，都是费用项。到了Jane Street这里，数据中心变成了生产线，电力进入机房，GPU完成训练，模型参与交易，交易形成收益；中间流动的不是钢铁，也不是楼宇面积，而是一次次模型调用、一次次训练任务、一次次推理计算。用今天的话讲，就是词元化的智能生产能力。这件事对中国的启发很直接。中国正在讨论词元出海，讨论算力Token工厂，讨论港股上市公司从房地产、园区、制造业转向AI基础设施。Jane Street提供了一个非常硬的样本：Token工厂不是讲概念，不是发一个币，不是把算力包装成金融产品，而是把电力、液冷、GPU、网络、模型、调度和内部结算机制全部打通，让算力真正成为企业收入和估值的发动机。Jane Street不是交易公司加AI，而是AI工厂加交易桌Jane Street一直被看作华尔街最神秘的量化交易巨头之一。它不是传统投行，也不是靠管理费吃饭的资管公司，而是通过自有资本、交易模型、低延迟系统和全球市场流动性捕捉价差与风险溢价。公开资料显示，Jane Street在全球45个国家和200多个交易场所交易多资产类别，员工规模约3000多人。它的技术文化非常强，长期使用OCaml函数式编程，强调自研软件、低延迟系统、自动化风控和高可靠交易基础设施。Jane Street官网对机器学习团队的描述很直接，它把自己形容成“一个连着交易桌的研究实验室”，并提到金融市场数据像洪流一样涌来，其中大部分是噪声，需要机器学习团队从中提取可交易信号。这句话很关键。多数企业使用AI，是为了提高办公效率。Jane Street使用AI，是为了提高市场理解速度。前者节省成本，后者创造收益。前者把AI当工具，后者把AI当生产资料。所以，Jane Street的AI数据中心改造，不能用普通企业数字化升级来理解，它更像一家交易公司把自己的核心引擎拆开重装。过去，交易公司的核心是交易员、数学模型、市场数据和执行系统；现在，核心变成了数据、算力、模型、网络和内部资源市场。这就是Token工厂的第一层含义：智能不是凭空出现的，它是被生产出来的。从6台Dell到4032颗GPU，真正变化的是生产关系Jane Street官网提到，二十年前，它的“集群”只是办公室地上堆着的6台Dell服务器；今天，它在德州的新数据中心已经拥有4032颗GPU，并采用液冷架构。这个跨度很有画面感。它不是简单的硬件升级，而是企业生产关系的变化。早期的交易系统离交易员很近。机器放在办公室里，出问题可以直接处理，甚至可以拔掉电源。那时候，计算能力更多是交易团队的辅助工具。后来，交易系统进入工程化阶段。网络、风控、回测、自动化执行、监控系统逐渐平台化，算力成为多个团队共享的基础资源。现在到了第三阶段。GPU、液冷、电力、光纤、存储、调度系统和模型训练，被整合成一个AI交易工厂。数据中心不再属于后勤部门，而是直接嵌入交易能力。这对中国企业尤其有启发。很多企业谈AI转型，还停留在“买模型”“上系统”“接API”的阶段。真正有竞争力的企业，正在把AI基础设施变成自己的生产体系。谁能更便宜地获取电力，谁能更稳定地运行GPU，谁能更快地训练模型，谁能更高效地分配算力，谁就能在AI时代拥有新的成本优势和速度优势。这不是技术部门的事。这是董事会的事。液冷不是工程细节，而是Token工厂的地基Jane Street德州数据中心最受关注的一个细节，是高密度液冷改造。公开传播材料和附件内容都提到，这个数据中心支持GB300级别的高密度GPU机架，单机架功率可达约140kW，传统风冷已经无法满足这种密度需求。NVIDIA官方资料显示，GB300 NVL72采用全液冷、机架级架构，集成72颗Blackwell Ultra GPU和36颗Grace CPU，用于AI推理、AI reasoning和大模型训练。HPE披露的GB300 NVL72也显示，这类系统是液冷机架级方案，面向超过一万亿参数模型的训练、调优和推理。这说明一个趋势：未来AI工厂的竞争，不只是芯片竞争，而是系统工程竞争。单颗GPU再强，如果机房承载不了高功率密度，如果冷却系统不稳定，如果电力分配不精细，如果网络和存储拖后腿，整套系统就无法发挥价值。AI算力的瓶颈，正在从芯片本身扩展到电力、液冷、机房、网络和调度。这对中国的Token工厂改造非常重要。中国有大量工业园区、旧厂房、数据中心、云计算园区和地方算力项目。如果只是把服务器搬进去，这不叫Token工厂。真正的Token工厂必须具备高功率密度承载能力、液冷改造能力、稳定供电能力、能耗管理能力和任务调度能力。没有这些底层能力，算力资产很容易变成账面资产。看起来买了机器，实际利用率不高，客户不稳定，能耗成本高，折旧压力大，最后变成新的重资产包袱。所以，Jane Street案例给出的第一个硬启发是：Token工厂的地基不是白皮书，而是电力和液冷。算力必须有价格，否则GPU就是公共食堂Jane Street最值得中国企业学习的地方，不是液冷，而是内部算力定价机制。内部分析提到，Jane Street设计了名为“Hive Bucks”的内部算力货币，让不同团队通过类似竞价的方式争夺GPU资源。公开报道也提到，Jane Street使用这种内部货币来拍卖GPU计算时间，帮助团队根据任务价值分配算力。这个机制非常关键。很多企业买了GPU以后，最大的问题不是没有需求，而是需求无法排序。每个团队都说自己的模型重要，每个项目都想优先跑，每个负责人都希望占用更多资源。最后GPU被低价值任务长期占用，高价值任务反而排不上队。算力看似是公司资产，实际变成了内部公共食堂。Jane Street的处理方式更接近市场机制。团队认为自己的任务更有价值，就用内部预算出更高价格。GPU时长不再是免费的公共资源，而是有机会成本的生产资料。这样一来，算力分配就从行政审批，变成了内部市场。这对“算力Token工厂”有直接借鉴意义。真正的算力Token，不应首先被理解为外部交易的代币，而应被理解为内部资源计量和结算单位。GPU时长、模型调用、任务优先级、电力容量、冷却资源、客户订单，都可以通过统一的内部计量体系进行定价和调度。只有企业内部先把算力用明白，未来才有可能把算力产品化、金融化、资产化。如果内部算力都没有价格，对外谈Token化，大概率只是概念包装。自建和上云不是二选一，而是核心能力和弹性能力分层很多人会问，Jane Street既然已经有自建数据中心，为什么还要和CoreWeave签大额AI云协议？CoreWeave官方公告显示，Jane Street承诺约60亿美元使用CoreWeave的AI云平台，并投资10亿美元购买CoreWeave股权，以支持大规模机器学习和交易相关AI能力。公告还提到，CoreWeave将提供包括下一代NVIDIA Vera Rubin技术在内的算力资源。路透社也报道，Jane Street通过这笔交易成为CoreWeave的重要股东之一，同时获得大规模AI云能力。这说明Jane Street并不是盲目自建，也不是简单上云。它采用的是混合架构。核心、敏感、低延迟、需要高度定制的负载，适合自建。弹性、前沿芯片、跨区域扩展和阶段性爆发需求，可以交给CoreWeave这样的AI云服务商。这个思路对中国港股上市公司很有参考价值。很多传统上市公司转型算力，容易陷入两个极端：一种是完全自建，重资产投入巨大，结果客户没有跟上，现金流压力很大；另一种是完全依赖外部云，自己没有核心基础设施，也没有资产沉淀，最后只能做轻咨询、轻集成，估值很难上去。更合理的路径，是分层。公司可以把核心园区、电力资源、液冷机房和关键客户负载掌握在自己手里，同时与云厂商、GPU服务商、模型公司合作，获得弹性算力和技术能力。这样既有资产沉淀，也有扩展弹性，不至于被单一模式锁死。交易收入证明了一件事，AI基础设施可以直接进入利润系统Jane Street为什么敢投入这么大？因为它的AI基础设施不是摆设，而是可以进入利润系统。路透社报道，Jane Street 2025年净交易收入达到396亿美元，超过包括Citadel Securities和Hudson River Trading在内的多家主要竞争对手，也超过部分大型投行的交易收入。报道还提到，Jane Street的表现受益于市场波动、算法交易能力以及AI相关投资收益。英国金融时报也报道，Jane Street 2025年收入接近翻倍，达到396亿美元，并提到其对CoreWeave、Anthropic和Thinking Machines Lab等AI相关企业的投资。这组数据说明，Jane Street的AI数据中心不能只按“省了多少云费”来算账。对它来说，算力带来的收益可能体现在更快的模型训练、更深的回测、更稳定的执行、更强的风险识别和更高的交易容量。普通企业做AI，常常把ROI算成节省多少人工。Jane Street的逻辑更激进：算力不是为了省钱，而是为了赚钱。这也是中国Token工厂应该学习的地方。算力中心如果只能讲“我有多少P算力”，价值是不完整的。它必须回答更商业的问题：这些算力服务谁？帮助谁提高收入？降低什么成本？缩短什么周期？形成什么客户粘性？最终能否变成可持续现金流？算力只有进入客户的业务系统，才有真实价值。对中国词元出海的启发，关键在于把电力变成智能服务中国讨论词元出海，最容易陷入模型叙事。DeepSeek、Qwen、智谱、Kimi、MiniMax、字节视频模型，这些当然重要。但Jane Street案例提醒我们，模型只是中间层。真正能形成产业优势的，是从电力到算力，从算力到词元，从词元到应用，再从应用到收入的完整闭环。中国的优势，恰恰在这个闭环里。中国有绿电资源，有电力基础设施，有数据中心建设能力，有工程交付能力，有大模型生态，有短剧、外贸、客服、游戏、教育、金融等高频应用场景。只要这些资源能够被整合成Token工厂，词元出海就不只是模型API出海，而是中国数字基础设施能力出海。Jane Street把AI数据中心服务于交易，中国的Token工厂可以服务于更广泛的场景：外贸企业可以用智能体做选品、客服、翻译和营销，短剧公司可以用AI完成翻译、配音、剪辑和分发，制造业可以用AI做报价、排产、供应链预测和售后服务，金融机构可以用AI做风控、投研和交易辅助。这些应用背后都会消耗词元。词元消耗越大，算力工厂越有价值。算力工厂越成熟，中国的AI服务出海就越有成本优势。成本优势一旦形成规模，就会变成产业优势。对港股上市公司的启发，不是蹭AI，而是重构资产负债表港股上市公司，特别是房地产、园区、建筑、物业、能源和制造类公司，应该从Jane Street案例里看到一个更深的方向。不是所有公司都要去做大模型，也不是所有公司都要变成AI云厂商。但很多公司可以把原有资产重新改造成AI基础设施的一部分。旧厂房可以改造成液冷机房。产业园区可以接入算力节点。能源资产可以绑定数据中心。物业管理可以引入智能体。上市平台可以通过并购、配股、战略合作导入AI算力资产。关键是，转型必须进入收入结构，而不是停留在公告里。港股上市公司如果想讲Token工厂，至少要回答几个问题：有没有稳定电力？有没有适合改造的空间？有没有液冷和高密度机房能力？有没有真实客户？有没有模型或应用合作方？有没有内部算力计价机制？有没有把算力收入纳入财务报表的路径？如果这些问题回答不了，AI算力只是市值管理话术。如果能回答清楚，传统上市公司就有机会从旧资产估值，切换到数字基础设施估值。Jane Street给出的核心启发是，Token工厂不是融资故事，而是经营系统。它需要技术，也需要财务纪律；需要工程能力，也需要客户订单；需要算力，也需要内部资源市场。中国版Token工厂，不能只学硬件，要学组织方式如果只学Jane Street买GPU、做液冷、上CoreWeave，那还是学浅了。更应该学的是组织方式。Jane Street把交易、研究、工程、算力和资本投入放在同一个系统里。模型不是研究员的论文成果，而是交易系统的一部分；算力不是IT部门的成本，而是策略迭代的燃料；内部货币不是噱头，而是资源分配机制；外部云不是替代自建，而是弹性扩展；资本投资不是财务理财，而是对AI基础设施生态的战略占位。中国很多企业做AI转型，问题往往不在技术，而在组织割裂。业务部门不懂算力，IT部门不懂收入，财务部门只看成本，董事会只看概念，最后很难形成闭环。Token工厂要成功，必须改变组织结构。算力要有老板，电力要有成本账，模型要有应用场景，客户要有使用量，Token要有内部价格，收入要能归因。否则，算力再多，也只是分散资源。结语：未来的金融巨头，可能先是一座AI工厂Jane Street的案例说明了一件事：下一代金融巨头，表面是交易公司，底层可能是一座AI工厂。它把电力变成算力，把算力变成模型，把模型变成交易判断，把交易判断变成收益。这个链条一旦跑通，AI数据中心就不再是成本中心，而是利润系统的一部分。对中国来说，这个案例的价值不在于照搬Jane Street。中国不需要每家公司都去做量化交易，也不需要每家港股公司都建4032颗GPU的数据中心。真正需要学习的是它的底层方法：把Token工厂当成生产资料系统，而不是概念系统；把算力当成可定价、可调度、可审计、可融资的资产，而不是一堆服务器；把词元出海当成电力、算力、模型、应用和结算的完整闭环，而不是简单API出口。未来，谁掌握Token工厂，谁就掌握智能生产能力。谁能把旧厂房、旧园区、旧数据中心和旧上市平台改造成词元生产线，谁就有机会在AI时代获得新的估值。华尔街已经给出了样本。Jane Street建的不是机房，而是一台把噪声数据转化为交易收益的智能发动机。中国要做的，是把这种发动机放进更广阔的产业场景里，让制造业、外贸、内容、金融和港股资本市场，都能接入自己的Token工厂。旧时代看土地和楼宇。新时代看电力、算力和词元。这才是Jane Street案例真正值得拆解的地方。