数字经济与实体经济的融合，正在从“用数字工具提升效率”，走向“用世界模型重构产业运行”。
过去十年，中国数实融合的主线，是云计算、工业互联网、物联网、数字孪生和智能制造。它们解决了一个核心问题：如何把实体产业的数据采集上来、连接起来、可视化起来。今天，随着大模型、智能体和世界模型加速演进，问题正在发生变化：不仅要“看见”实体世界，还要“理解、模拟、预测并优化”实体世界。
在这一过程中，算力和 Token 词元构成了两个关键支点。算力决定模型能处理多大规模的产业复杂性，Token 则把文本、图像、传感器数据、业务规则、生产动作转化为模型可理解、可计算、可调度的语义单位。二者共同推动数字世界与实体世界形成新的双向协同。
一、从大模型到世界模型：数实融合进入新阶段
大模型的早期价值，主要体现在语言理解、知识问答、内容生成和代码辅助。它解决的是“人如何更高效地处理信息”。但世界模型的目标更进一步：让 AI 建立对现实世界运行规律的可计算表征，理解对象、空间、时间、因果和行动后果。
对实体经济而言，这意味着 AI 不再只是办公室里的写作助手，而可能成为生产系统、供应链系统、能源系统和城市治理系统的智能中枢。它可以基于历史数据、实时状态和业务约束，对未来进行模拟，对方案进行推演，对执行过程进行动态调整。
这也是数实融合的新阶段：从“数据上云”走向“认知入模”，从“流程在线”走向“决策在线”，从“单点提效”走向“系统优化”。企业真正要建设的，不只是一个 AI 工具，而是一套面向产业场景的世界模型能力。
二、算力：数字经济的基础设施，也是实体产业的生产要素
如果说数据是数字经济的原料，那么算力就是加工原料、训练模型、运行智能体的能源系统。过去，算力更多被视为 IT 资源；在世界模型时代，它正在成为实体产业新的生产要素。
原因在于，实体经济的复杂度远高于通用文本场景。制造业要处理设备状态、工艺参数、质量检测、排产计划；交通物流要处理路线、时效、仓储、车辆和订单；能源系统要处理负荷预测、调度安全、价格波动和供需平衡。这些问题都要求模型在大规模、多模态、实时性和高可靠性之间取得平衡。
因此，算力建设不能只看总量，更要看结构：通用训练算力、行业推理算力、边缘算力、实时调度算力、低成本调用算力要形成协同。对于中国企业来说，未来竞争不只是“有没有模型”，而是能否把算力配置到最关键的业务环节，让 AI 从实验室进入生产线、仓库、门店、园区和城市现场。
三、Token词元：连接数据、知识与产业动作的新计量单位
Token 常被简单理解为模型计费单位，但在产业视角下，它更像是数字世界的“语义颗粒”。文本、图片、代码、表格、日志、传感器信号、业务规则、操作指令，都需要被转化为模型可处理的词元或表征，才能进入 AI 的计算过程。
这使 Token 成为连接数据、知识和动作的新计量单位。一家工厂的设备报警、一份质检报告、一张排产表、一段维修记录，只有被结构化、语义化、可检索、可调用，才能转化为模型能力。否则，企业拥有的只是沉睡数据，而不是可参与决策的产业知识。
世界模型时代的企业，需要重新理解 Token 成本和 Token 资产。一方面，要降低无效 Token 消耗，避免把大量低质量、重复、噪声数据输入模型；另一方面，要建设高价值语义资产，把行业知识、流程规则、专家经验和业务动作转化为可复用的模型上下文。真正的竞争力，不只是“喂给模型多少数据”，而是“让模型理解多少产业语义”。
四、双向协同：数字世界训练实体世界，实体世界反哺数字模型
世界模型驱动的数实融合，不是单向数字化，而是双向协同机制。
第一条路径，是数字世界训练实体世界。企业可以在数字空间中构建仿真环境、数字孪生和行业模型，对排产方案、物流路径、能源调度、设备维护策略进行模拟推演，再把最优方案应用到实体场景。这相当于在真实执行前，先用数字世界降低试错成本。
第二条路径，是实体世界反哺数字模型。生产现场、用户行为、设备运行、供应链波动和市场反馈，会持续生成新的数据和经验。这些反馈如果能被及时采集、清洗、标注和学习，就会让模型不断接近真实世界的变化。
这套飞轮一旦形成，企业能力会发生质变：模型越懂业务，决策越准确；决策越多进入现场，反馈越丰富；反馈越丰富，模型越能优化下一轮行动。数实融合的核心，不再是一次性系统建设，而是持续运转的智能闭环。
五、中国企业的战略路径：建设世界模型时代的数实融合能力
面对这一趋势，中国企业需要从五个层面构建能力。
第一，建设可持续的算力底座。企业不必盲目追求最大算力，而要围绕关键场景设计算力结构：哪些任务需要高性能训练，哪些任务需要低成本推理，哪些任务必须部署在边缘侧，哪些任务适合云端统一调度。
第二，建设高质量 Token 资产。企业要把业务文档、流程规则、专家经验、设备数据和客户反馈进行语义化治理，形成可检索、可授权、可复用的知识资产，而不是把 AI 建设停留在简单接入模型。
第三，建设行业世界模型。通用大模型解决共性能力，行业世界模型解决产业规律。制造、能源、交通、金融、零售、医疗等行业，都需要把业务机理、约束条件、风险边界和执行反馈纳入模型。
第四，建设智能体执行体系。世界模型只有进入行动，才能产生价值。企业需要让 Agent 接入工具、系统和流程，在可控边界内完成分析、调度、生成、执行和复盘。
第五，建设治理与安全机制。模型越接近业务核心，越需要权限管理、数据安全、成本控制、质量评测和责任追溯。数实融合不是单纯技术工程，而是组织治理工程。
结语：数实融合的下一场竞争，是智能闭环能力之争
中国拥有完整产业体系、丰富应用场景和大规模市场反馈，这是发展世界模型的重要优势。但优势不会自动转化为竞争力，关键在于能否把算力、Token、数据、模型、智能体和产业流程组织成闭环。
未来，数字经济与实体经济的融合不再只是“企业上云”“流程数字化”或“系统在线化”，而是让数字世界能够理解实体世界，让实体世界持续训练数字模型，并通过智能体把模型能力转化为真实生产力。
谁能率先完成这套闭环，谁就能在下一轮产业智能化竞争中获得更高效率、更强韧性和更大的战略主动权。
发布前可选标题
- 算力与Token词元：世界模型如何重构中国数实融合？
- 从大模型到世界模型：中国数字经济与实体经济融合的新路径
- 算力、Token与世界模型：企业智能化的下一场战略竞争
摘要建议
世界模型正在推动数实融合从“数据上云、流程在线”走向“认知入模、决策在线、行动闭环”。算力是支撑产业复杂性的基础设施，Token 是连接数据、知识与产业动作的语义单位。中国企业需要围绕算力底座、Token资产、行业模型、智能体执行和治理机制，建设面向世界模型时代的数实融合能力。
