微软 Azure 硬件系统与基础设施负责人 Rani Borkar 在 SEMICON Taiwan 2026 提出“yield imperative”：衡量 AI 基础设施，不应只看建了多少数据中心、芯片和电力，而要看这些资源转化成了多少可负担、可使用的智能。
微软引用的一个数据很醒目：单次智能体任务消耗的 Token，可能是普通聊天交互的 3400 倍以上；当前 AI 在全球劳动人口中的渗透率仍约 18%。当系统从回答问题升级到规划、调用工具和长时间执行，内存、电力、封装和网络都会成为瓶颈。
这个判断比“继续堆卡”更接近产业现实。未来 AI 基础设施的核心指标，应包括每瓦完成任务数、单位成本、硬件利用率和最终业务产出。更大的集群不必然带来更高价值，如果模型在重复推理、空闲等待或低质量输出上浪费算力，扩建只会放大浪费。AI 行业下一轮竞争，很可能从“拥有多少算力”转向“把算力变成价值的效率”。