Xunce TokenONE 目標在 2026 年前將人工智慧資料準備時間從 80% 縮減至 30%

訊策（3317.HK）於 2026 年 5 月 25 日推出 TokenONE，發表其所稱全球首款 TokenOS 作業系統，旨在將企業閒置資料轉化為人工智慧燃料。該產品直擊企業採用人工智慧時最棘手的瓶頸：資料稀缺。目前，企業在人工智慧專案中花費 60% 至 80% 的時間於資料準備——在模型訓練開始前進行清理、標註及格式化原始資訊。訊策目標是透過代幣化層將此時間於 2026 年底前縮減至 20% 至 30%，該層將企業資料視為可程式化的「資料代幣」加以調用。商業模式從傳統訂閱制轉向以代幣為基礎的計量制，垂直領域代幣定價介於每百萬代幣 10 至 100 美元之間。訊策計劃在醫療保健、製造、金融及能源領域共同建立垂直代幣工廠。此次發布之際，企業人工智慧正面臨雙重危機：生產型代理程式造成無法追蹤的失誤，而 Meta 與 Google 的模型防護措施可在數分鐘內被破解。TokenONE 定位為填補這些缺口的管理與資料基礎設施層。此事當前的意義在於：若訊策達成其資料準備縮減目標，將使企業人工智慧部署中最大單一成本壓縮逾半，重塑所有產業採用人工智慧的經濟模式。

TokenONE 改寫資料準備作業手冊

TokenONE 以 TokenOS 的形式運作，這是一個介於原始企業資料與人工智慧工作負載之間的作業系統層。TokenONE 不強迫資料科學家從孤立的資料庫中手動擷取、轉換及載入資料，而是在資料源頭進行代幣化，使其可直接被人工智慧代理與模型呼叫。每個資料代幣代表一個結構化的企業資訊單元：一筆客戶紀錄、一筆製造感測器讀數，或一筆帶有自身元資料、存取控制與使用權限的金融交易。該系統以代幣化呼叫模型取代傳統的 ETL 管線，人工智慧工作負載按需求呼叫資料代幣，而非複製整個資料集。此一架構變革直擊資料準備成本的根本原因：在不相容系統間移動與轉換資料的摩擦。訓策（Xunce）將準備時間從 60-80% 降至 20-30% 的目標，意味著資料管線速度提升 3 至 4 倍。以代幣為基礎的計量模型也改變了經濟模式：企業按每百萬代幣消耗量付費，而非按席位或伺服器工時計費。就垂直領域而言，定價介於每百萬代幣 10 至 100 美元之間，在資料價值與成本之間建立直接連結。此一架構激勵企業優先將高價值資料代幣化，加速最關鍵資料集的投資報酬率。TokenOS 架構亦在代幣層級嵌入治理機制，解決人工智慧代理目前在缺乏適當追蹤下導入生產系統所導致的混亂工程失敗問題。例如，採用 TokenONE 的製造工廠可直接從其生產線呼叫感測器資料代幣，跳過傳統 ETL 管線所需的數週資料清理流程。

隱藏在眼前的 5.7 億美元營收模型

Xunce 從訂閱制轉向代幣計量的根本性轉變，重寫了其營收機制。在舊模式下，企業客戶無論資料消耗量多寡，均支付固定年費。TokenONE 引入以消費量為基礎的定價，營收直接隨資料使用強度等比成長。以每百萬代幣 10 至 100 美元的價格計算，單位經濟效益取決於用量：一家每月處理 5 億代幣的大型製造業客戶，每月可產生 5,000 至 50,000 美元不等的代幣營收。在 Xunce 鎖定的垂直領域（醫療保健、製造、金融與能源）中，可觸及的代幣量極為龐大。僅醫療保健一項，每日即產生 PB 等級的病歷、影像資料與臨床紀錄。若 Xunce 能掌握醫療保健資料代幣化市場的 1%，三年內年化營收即超過 5.7 億美元。此上限具現實性：全球醫療保健人工智慧支出已突破 450 億美元，而 Xunce 的代幣化層降低了該市場每位買家的進入成本。利潤率結構亦隨之改善，因為一旦代幣化基礎設施部署完成，TokenONE 的每代幣邊際成本趨近於零。這形成了經典的平台經濟飛輪：更多代幣驅動更多人工智慧工作負載，進而帶動對更多代幣的需求。計量模式亦讓 Xunce 能即時掌握客戶採用情況與使用模式，從而實現動態定價與交叉銷售機會。對投資人而言，轉向消費量計價使 Xunce 從週期性軟體供應商，轉型為經常性營收機器，每一枚被消費的資料代幣都內含擴張營收。關鍵風險在於採用速度：企業必須將既有資料管線遷移至 TokenOS，此過程需要對平台安全性與可靠性的信任。

代幣化搶地戰中，誰贏誰輸

競爭格局分為三大陣營：既有資料基礎設施供應商、人工智慧平台供應商，以及純代幣化新創公司。思科（Cisco Systems）與 Splunk 等既有業者面臨最直接的威脅，因為其商業模式依賴於資料被鎖定在專屬格式與授權架構中。TokenONE 的開放式代幣化層將資料存取商品化，降低讓客戶被鎖定在傳統平台的轉換成本。思科與 Splunk 必須自行建置代幣化層，否則將面臨企業資料工作負載流失給 Xunce 的風險。Meta 與 Google 等人工智慧平台供應商則面臨不同的挑戰。其模型依賴龐大且集中的訓練資料集，但企業人工智慧需要存取專屬、即時的資料，而這些平台難以觸及。TokenONE 在企業資料與任何人工智慧模型之間建立橋梁，削弱 Meta 與 Google 圍繞其訓練資料優勢所構築的護城河。對 Cerebras Systems 與 Astera Labs 等新創公司而言，TokenONE 具有互補性：其銷售人工智慧工作負載的硬體加速方案，而更快的資料準備將帶動其晶片需求。最大輸家是按連線數或紀錄數收取費用的資料整合中介軟體供應商。TokenONE 的代幣化呼叫模式消除了對大多數 ETL 中介軟體的需求，直接威脅以資料管線為核心業務的公司。最大變數在於阿里巴巴或亞馬遜等超大規模雲端業者是否會建置競爭性的代幣化層，這將使市場商品化並壓縮 Xunce 的定價能力。

對超大規模雲端業者、晶圓廠與企業買家的二階效應

TokenONE 將資料準備時間從 80% 壓縮至 30%，此一進展在整個人工智慧供應鏈中引發連鎖效應。目前，營運人工智慧訓練叢集的超大規模雲端業者，將大量運算資源分配給資料前處理作業，有時佔繪圖處理器總運算週期的 40-50%。若 TokenONE 能將準備時間縮減 50 個百分點，超大規模雲端業者即可將該運算資源轉用於推論或訓練，實質上使其每顆繪圖處理器的人工智慧營收增加 40-60%。此舉推升對更多繪圖處理器及人工智慧加速器的需求，供應商如 Astera Labs 與 Arm Holdings 的晶片，正是驅動填補釋放運算週期的推論與訓練工作負載。對晶圓廠營運商而言，淨效應尚屬模糊：人工智慧晶片訂單增加，但資料中心網路裝置需求下降，因代幣化資料在網路間傳輸效率更高。企業買家，尤其是醫療保健與金融領域，受惠於更快速的人工智慧部署週期及更低的總持有成本。過去花費 18 個月為診斷人工智慧模型準備資料的醫院系統，如今可在六個月內完成部署，加速人工智慧投資的投資報酬率。對監管機構的下游影響亦屬重大：人工智慧部署加速意味著生產事故累積加快，將促使主管機關針對代幣化資料建立治理框架。史丹佛可信人工智慧研究實驗室發現，模型層級的護欄不足以抵禦微調攻擊，此一結論凸顯代幣層級治理的必要性，而 TokenONE 正是透過將存取控制與查核軌跡嵌入每個資料代幣來提供此一治理。

TokenONE 上市對人工智慧市場方向的訊號

Xunce 的 TokenONE 推出是一個策略性訊號，顯示人工智慧產業正從以模型為核心轉向以資料為核心的架構。過去兩年由模型規模化主導：更大的 LLM、更多引數、更長的上下文視窗。但模型規模化的邊際報酬正在遞減，瓶頸已轉移至資料的可取得性與品質。TokenONE 代表一場賭注，認為人工智慧價值創造的下一階段將來自釋放休眠的企業資料，而非建構更大的模型。這與更廣泛的市場趨勢一致：SpaceX 預期的首次公開發行估值達 1.75 兆美元，隨後是 OpenAI 與 Anthropic，反映投資人對人工智慧基礎設施標的的興趣，而非純模型公司。近期人工智慧 IPO 的表現參差（Astera Labs 自 2024 年以來上漲 700%，但 Figma 因生成式人工智慧商品化疑慮，較 33 美元 IPO 價格下跌 35%）顯示，投資人獎勵的是擁有專有資料或資料基礎設施的公司，而非單純將人工智慧應用於既有產品的公司。Xunce 以代幣為基礎的計量模式也預示企業軟體朝向用量計價的轉變，脫離按席次授權。這呼應雲端運算中消費模式主導的更廣泛趨勢。政策意涵明確：監管機構必須為企業資料可程式化並作為代幣交易的未來做好準備，這引發資料主權、隱私與跨境資料流動的疑問。Xunce 在醫療保健與金融領域的垂直代幣工廠將直接測試這些監管界線。

未來 12 個月將決定 TokenONE 是成為企業資料代幣化的標準，還是人工智慧歷史中的註腳。Xunce 必須在醫療保健、製造、金融與能源領域執行其垂直代幣工廠合作案，同時說服持懷疑態度的 CIO 從成熟的 ETL 管線遷移至未經驗證的代幣化層。該公司能否在 2026 年底前達成資料準備時間縮短 20-30% 的目標，將是投資人最關鍵的單一指標。若成功，TokenONE 將引發一波先前因資料稀缺而停滯的企業人工智慧部署，將人工智慧專案時程從數年壓縮至數月。代幣化模式也將吸引競爭：預期 Cisco、Splunk 與超大規模雲端業者將在 12-18 個月內推出競爭產品。Xunce 在垂直代幣工廠的先發優勢為其提供狹窄的窗口，以鎖定客戶並透過嵌入的代幣化工作流程建立轉換成本。更廣泛的意涵是，人工智慧產業的重心正從模型建構者轉向資料基礎設施供應商，而 TokenONE 是迄今最激進的賭注，認為資料而非模型，將決定誰能在人工智慧革命的下一階段勝出。