Xunce TokenONE OS 將沉睡資料轉化為人工智慧燃料，成本大減 20-30%

訊策（3317.HK）於 2026 年 5 月 25 日推出全球首款 TokenOS 作業系統 TokenONE，將休眠的企業資料轉化為可直接調用的人工智慧燃料。該系統將原始企業資料集轉換為結構化的「資料代幣」，人工智慧模型可即時調用，消除目前拖累企業人工智慧部署的長達數月的資料清理與標註流程。訊策目標在 2026 年底前將資料治理成本降低 20-30%，此目標重新改寫了所有坐擁結構化但未活化企業資料之公司的企業人工智慧採用經濟學。此次發布正值人工智慧產業從模型競賽轉向工業應用與真實價值實現之際，企業級場景資料已成為決定大型模型能否產出實際商業成果的稀缺關鍵資源。對於坐擁數 PB 級非結構化客戶、營運與財務資料的企業而言，TokenONE 提供了通往人工智慧變現的直接入口，同時也發出嚴厲警告：未經活化的資料囤積，是一項附帶可量化代價的競爭劣勢。

自動化解決 60-80% 的資料準備瓶頸

TokenONE 的成本節省來自於自動化企業人工智慧中最耗費人力的階段：資料準備。傳統資料治理需要專屬團隊在模型可消費任何資料集之前，進行擷取、清理、標註與版本管理。此流程通常耗費專案 60-80% 的時間與預算。TokenONE 以代幣化層取代此流程，該層吸收原始資料、套用讀取時結構（schema-on-read）治理，並將每個資料元素暴露為可透過標準 API 呼叫調用的細粒度、計量式代幣。訊策宣稱此舉消除了每個人工智慧使用案例都需要獨立資料工程管線的需求，在 2026 年底前將治理成本降低 20-30%。此機制依賴統一的代幣本體論（代幣 ontology），將企業資料結構對映至共通表示法，使模型無需了解底層資料庫結構即可請求「客戶風險評分代幣」或「庫存周轉率代幣」。對於一家每年在人工智慧資料工程上花費 1,000 萬美元的典型金融服務公司而言，這相當於直接節省 200-300 萬美元。訊策自身的 TokenONE 基礎設施負責處理索引、快取與存取控制，並以平台費用形式收取部分節省金額。例如，一家擁有 10,000 台工廠機器具感測器資料的製造業客戶，可將每台機器的溫度、振動與吞吐量讀數暴露為個別代幣，無需為每個預測性維護模型建立獨立資料管線。

代幣化定價改寫營收模式

TokenONE 將訊策的商業模式從訂閱授權轉變為以代幣計量與價值共享，這是一項具有重大營收影響的結構性變革。在舊模式下，訊策按每台伺服器或每個使用者席次收取固定年費，當客戶擴大使用規模時，上檔空間受限。TokenONE 引入以消費量為基礎的定價模式，企業按人工智慧模型每次呼叫所消耗的代幣付費，垂直領域代幣定價介於每百萬代幣 10 至 50 美元之間，費率是一般用途大型模型的十倍以上。一家醫療保健供應商以典型部署規模在病患紀錄上執行診斷型人工智慧，每月消耗 5 億個代幣，為訊策帶來每月 5,000 至 50,000 美元的代幣費用。同樣的推論量若透過大宗商品模型 API 執行，成本不到 500 美元，凸顯其價值擷取溢價：訊策以十倍費率獲利，靠的是提供乾淨且符合 schema 的資料層，使推論精準而非僅是快速。定價能力源自稀缺性：企業級情境資料遠比公開網路文字更難取得與結構化，而 TokenONE 按需將該資料轉化為人工智慧可用的能力，足以收取溢價。訊策的營收因此直接取決於客戶人工智慧使用量，而非席次數量，使激勵機制與採用成長保持一致。此模式也形成天然避險：若客戶部署更多人工智慧代理並消耗更多資料，訊策營收將按比例成長，無需額外銷售投入。對投資人而言，這將訊策從週期性企業軟體供應商，轉變為不斷擴張的資料—人工智慧管線上的收費者。

競爭版圖重組：誰受益、誰受創

TokenONE 的推出重塑了三個層級的競爭格局：資料基礎設施、人工智慧模型供應商，以及企業應用軟體廠商。在基礎設施層級，Snowflake 與 Databricks 等傳統資料倉儲及湖倉供應商面臨直接挑戰。其架構是為人類分析師查詢資料而優化，而非為人工智慧模型以代幣形式消費資料而設計。TokenONE 的 schema-on-read（讀取時定義結構）方法繞過了預先定義資料模型的需求，直接威脅支撐這些平台的 ETL 密集型工作流程。在人工智慧模型供應商中，OpenAI 與 Anthropic 間接受益，因為 TokenONE 讓企業資料更易於進行微調與 RAG（檢索增強生成），擴大了其 API 的可服務市場。然而，垂直領域代幣的溢價定價（每百萬個 10 至 100 美元）與通用型模型代幣（通常每百萬個低於 1 美元）之間的價差，形成了一把定價傘，促使企業轉向專業化、較高利潤率的模型，而非商品化的通用模型。此利差並非偶然：它反映了一種結構性優勢，唯有持有專有領域資料者方能獲取，而此動能有利於 Xunce，以及任何在受監管垂直領域掌控資料轉代幣層的平台。對於 Salesforce 與 SAP 等企業應用軟體廠商而言，TokenONE 既是機會也是威脅：它們可整合 TokenONE 使其專有資料可供人工智慧取用，但 Xunce 的平台透過讓人工智慧模型直接呼叫資料、無須經過其應用層，從而對其去中間化。騰訊去年底坦承在人工智慧領域落後，如今透過整合 TokenONE，比從零重建自身資料基礎設施，獲得更快的企業人工智慧變現路徑。

對超大規模雲端業者、晶圓廠及企業買家的下游影響

TokenONE 的採用將漣漪效應擴及雲端基礎設施、半導體供給鏈與企業 IT 預算。在雲端端，AWS、Azure 與 Google 雲端等超大規模雲端業者，可望受惠於運算資源需求的增加。每次代幣調用都需要推論運算，意味著代幣使用量增加將帶動更多 GPU 與 CPU 的消耗。但此關係存在細微差異：TokenONE 的資料代幣化層減少了為人工智慧訓練而需移轉至雲端的原始資料量，進而削減雲端業者的傳輸與儲存營收。對輝達而言，TokenONE 為淨正面因素。代幣處理與推論工作負載需要高效能 GPU，而 Xunce 的企業客戶部署輝達 H100 與 B200 叢集，以生產規模執行 TokenONE 工作負載。字節跳動透過積極的人工智慧基礎設施投資，成為輝達在中國的最大客戶，此案例說明了以 AI 為先的企業如何驅動 GPU 需求。在晶圓廠端，台積電與三星則從驅動 TokenONE 部署的推論晶片中，看到間接需求。企業買家正面臨策略性抉擇：採用 TokenONE 以釋放閒置資料價值，或冒著落後於採用者的競爭對手之風險。20-30% 的成本削減目標使投資報酬率的計算極具說服力。一家年 IT 支出 5,000 萬美元的中型銀行，依 Xunce 所公布的削減率，可節省 500 萬至 1,000 萬美元的資料治理成本，此報酬率足以支持在十二個月回收期內快速啟動試點計畫。醫療保健與高階製造是 Xunce 旨在共同建立代幣工廠的早期垂直領域，這顯示具複雜資料治理需求的受監管產業，是初期灘頭堡。

政策與策略訊號：企業資料的代幣化

TokenONE 代表的不僅是一次產品發表，更標誌著人工智慧產業在評估與變現資料方式上的策略轉變。從以模型為核心轉向以資料為核心的 AI，此一討論已持續多年，但 TokenONE 提供了首套將此轉變付諸實行的商業作業系統。訓策的策略呼應了蘋果當年推出 iPhone 的做法：打造一個平台，將大宗商品（資料儲存）轉化為具溢價的服務（資料代幣），並擁有自身的定價、治理與生態系。垂直領域代幣定價為通用模型費率的 10 倍，反映出一項賭注：專業企業資料將比通用 AI 推論帶來更高的利潤率。此賭注將重塑 AI 企業在研發支出上的優先順序。對監管機構而言，TokenONE 引發了關於資料主權與基於代幣的存取控制的問題：若資料被代幣化並由 AI 模型調用，代幣歸誰所有、存取由誰掌控，以及當代幣引用個人可識別資訊時會發生什麼？訓策在醫療與金融領域的代幣工廠直接測試了這些界線，為 AI 時代的資料治理樹立先例。GDPR 與中國的 PIPL 均要求資料控制者明確處理的法律依據；第三方 AI 模型在代幣層級的調用，增添了現有框架未曾預料的新層面。布魯塞爾、北京與華盛頓的監管機構將密切關注訓策在醫療領域的部署，而法律結果將定義後續所有企業平台如何處理代幣存取權。更廣泛的訊號十分明確：AI 下一階段的贏家，不會是擁有最大模型者，而是掌握連線資料與模型之作業系統的企業。訓策正押注代幣化作為此一作業系統，而企業市場將在未來 12 至 18 個月內給出裁決。

TokenONE 的成功取決於執行力：將 20-30% 的成本削減承諾轉化為可量化的客戶成果，將代幣 Factory 模式擴展至各垂直產業，並抵禦來自大型競爭對手不可避免的仿效平台。Xunce 在 TokenOS 上的先行者優勢為其開啟了建立網路效應的窗口。隨著更多企業將其資料代幣化，代幣本體論將更為豐富，使平台對每位參與者更具價值。該公司還必須在平台開放性與資料安全之間取得平衡。企業將要求保證其代幣化資料不會被競爭對手存取，或用於訓練競爭模型。Xunce 的架構透過加密查核軌跡執行代幣層級的存取控制，正面解決信任方程式。一旦這些控制措施在受監管的部署中證明可查核，TokenONE 便成為企業人工智慧的預設資料層，產生經常性代幣營收，並隨著人工智慧採用加速而持續複利成長。市場將密切關注 Xunce 以代幣為基礎的定價模式是否具備足夠黏性，以抵禦超大規模雲端業者以較低利潤率提供類似功能的價格壓縮。目前，TokenONE 已劃下明確界線：資料是新的石油，而 Xunce 已打造出以企業規模處理資料的工業煉油廠。