摘要：大模型与智能体的普及催生了“一人公司”这一创业形态。OPC创业者兼具个人用户与小微经营主体双重属性，形成“小B大C”融合场景，要求算力服务轻投入、低门槛、高单点强度。本文通过剖析智算市场演进、OPC群体的需求特征与供给缺口，提出智能体入口、算力底座、计费体系与服务分级的四层一体化服务模式，以及“两类分级、七个环节”保障框架，并结合中国移动实践讨论实施路径与风险治理。
关键词：OPC；一人公司；算力服务；Token计费；服务模式
以OpenClaw为代表的智能体技术在2026年取得突破，AI（artificial intelligence，人工智能）应用从对话式交互走向自主执行，算力成为AI产业链的基础资源。创业组织方式随之改变：截至2025年底，全国新设OPC（one person company，一人公司）731.5万家，同比增长42.3%，江苏、北京、上海、深圳等地相继出台OPC培育行动计划。
本文所称OPC，指以个人为经营主体，依托AI工具链，独立完成原需团队协作方能实现任务的微型经营形态。与普通消费者不同，OPC兼具个人使用与小微经营属性，算力使用介于to C与to B之间。现有供给以通用云产品和创业扶持政策为主，前者按标准云资源计价、门槛偏高，后者重硬件投入、轻软性赋能，均与OPC轻资产运营错配。
本文以中国移动“算力+AI”一体化服务实践为基础，系统研究三个问题：智算市场演进到什么阶段、OPC群体需要什么，应设计怎样的服务模式，如何落地并防范风险？
1 智算服务市场演进与OPC群体的需求特征
1.1 智算商业模式的三个场景
从供给形态看，智算商业模式有政企用户规模使用、个人消费者探索及OPC融合三个场景。
政企用户规模使用以批量订购机柜、交付硬件资源为主。用户需求稳定、用量大，运营商以自建智算中心和资源池供给为主，商业模式成熟，处于规模扩张期。
个人消费者探索面向碎片化小场景，随订随用，以软件和模型调用为主。其问题在于计费与通信套餐强捆绑，跨平台比价容易，用户价格敏感且易进入“冷静期”，商业模式仍在探索与验证中。
OPC融合场景是智算服务新的增长点。OPC人群从兴趣走向创业，不需要大规模硬件投入，自身也缺乏运维能力，但单点算力需求高于普通个人用户。这一群体需要开箱即用、随取随算的轻量化经营算力支撑，截至目前，部分运营商已与地方政府共建OPC社区，提供一站式工位与专属算力套餐。
1.2 OPC群体的算力需求特征
综合市场发展与既有研究，OPC群体的算力需求特征可概括为以下四个方面。
一是轻硬件投入，倾向以租代建，对前期投入较为敏感；二是算力强度高，智能体任务持续调用与多任务并行，Token（词元）消耗大、时延敏感，算力成为OPC最主要的可变成本；三是工具链一体化，模型、智能体与应用入口须一站式接入；四是成本可预期，OPC由个人或小微主体经营，对计费口径与续订规则要求较高。
1.3 现有服务供给的缺口
对照上述需求，现有供给存在三方面缺口：一是入口碎片化，模型平台、算力厂商与通信服务相互独立，用户需要多平台重复注册认证；二是计费表达不统一，Token直计过于抽象，按次计费难以覆盖复杂任务，且缺乏可比的计价基准；三是服务保障未形成闭环，个人与小微用户的响应时效、投诉退费与续订保障尚无分级标准。
2 面向OPC的“算力+AI”一体化服务模式设计
针对上述缺口，本文基于中国移动实践提出“算力+AI”一体化服务模式，形成智能体入口、算力底座、计费体系和服务分级四层架构，并由可信算力底座贯穿支撑（如图1所示）。
图1 面向OPC群体的“算力+AI”一体化服务总体架构
2.1 智能体入口层：开箱即用的“AI身份”
入口层解决“怎么用”的问题。运营商将智能体能力嵌入服务入口，支持自动注册与开箱即用，无需自建模型环境。依托中国移动MoMA（Mixture of Models and Agents，多模型与智能体聚合及服务引擎）模型聚合平台，已接入超300款主流模型，单位Token成本压降约30%，用户可在单一入口完成模型选择、调用与计费；同时发挥码号优势，通过AI-eSIM（embedded subscriber identify module，嵌入式用户身份模块）落地“运营商码号即大模型账号”，降低认证成本。
2.2 算力底座层：云网协同的分层算力供给
算力底座层解决“算力从哪来”的问题。运营商组合运用自建、合营、代理三种模式：自建保障自主可控，合营强化模型能力与服务品质，代理拓展生态与弹性供给（详见表1）。三者并非相互替代，经模型网关统一调度后用户无需感知来源；同时守住“自有入口、自主计费、自有AI中台”三条底线，避免被单一合作方锁定。
表1 运营商三种算力运营模式核心特征对比
注：根据参考文献[1]整理
在资源形态上，算力按“云—机柜—板卡”分层：云端资源池提供规模化算力，专用机柜提供独占资源，共享机柜提供弹性资源，板卡级服务满足轻量化任务。模型侧依托国产化算力平台部署Qwen、DeepSeek、GLM等开源模型。
算力底座层以时延为关键指标，依托400G OTN骨干网与多级算力节点，构建“城域1 ms—省域5 ms—全国20 ms”三级低时延服务圈。珠三角核心城市群（广州、深圳、东莞）时延低至3 ms，广东省内21个地市5 ms可达，全国主要算力枢纽20 ms通达。算力底座分层供给与多级节点低时延服务圈如图2所示。
图2 算力底座分层供给与多级节点低时延服务圈
2.3 计费体系层：Token、按次与Credits的适配
计费层解决“怎么收费”的问题。运营商面向OPC用户提供Token、按次、Credits三种计费方式的组合（详见表2）。Token直计计量精确，适合作为底层结算口径；按次计费直观易懂，适用于定时任务等标准化场景；Credits以1 Credit=0.01元为锚定值，通过“模型×算力”二维倍率把不同模型与算力的消耗折算为统一额度，适合作为面向用户的主计费表达。
表2 三种计费方式对比
计费方式计量口径主要优点主要问题适配场景Token直计输入、输出Token计量精确，便于技术侧结算概念抽象，不同模型间难以比较底层计量口径按次计费单次调用用户容易理解任务资源消耗差异大，易出现交叉补贴标准化任务Credits统一额度与倍率统一多模型、多算力消耗口径需要持续校准倍率与套餐权益C端套餐主计费表达计费体系按“计量—套餐—分时”三段式组织，以Credits为主计费表达。计量上把抽象的成本翻译成“做一次PPT消耗38.5 Credits”这类业务语言；套餐设40元、100元、200元三档，对应4000、10000、20000 Credits，额度不绑定单一模型，可在高低成本模型间自由分配；分时依据实测NPU（Neural Processing Unit，神经网络处理单元）利用率差异化定价，波谷（03:00—08:00，利用率36.9%）倍率×1.0，波峰（利用率99.2%）×2.7，从而引导可延时任务移至闲时。
2.4 服务分级层：“两类分级、七个环节”保障框架
服务层解决“服务怎么保障”的问题。OPC用户兼具to C与to B双重属性，本文据此提出“两类分级、七个环节”服务保障框架——to C类侧重自助化、标准化，to B类侧重专属支持与确定性保障。
七个环节贯穿服务全周期，即上架前准备、用户办理、业务使用、额度查询、故障处理、投诉退费和复盘预警。投诉处理直接决定口碑，一般投诉24小时闭环办结，复杂故障不超过48小时，二线工单24小时内回复；对不知情定制、平台故障、多扣费用等情形执行全额或按天折算退费，24小时内到账。该框架还把监管要求前置到上架环节：产品上架前须通过技术、营销、服务能力三项合规审核，并经内测与公测验证，使服务承诺由事后补救转为事前约束。
3 可信算力底座与差异化优势
3.1 机密计算：让“AI上云”安全可信
OPC对数据与模型资产高度敏感，“AI上云”的安全顾虑制约其使用公共算力服务。机密计算通过软硬件协同构建可信执行环境，为在用数据提供机密性与完整性保护，跨TEE（trusted execution environment，可信执行环境）数据交互与远程证明是关键技术环节。中国移动的AITC（AI trusted computing，AI可信计算）基于移动云国产化算力底座构建，融合可信计算与国产密码技术，安全范式为数据端到端加密，实现“可用不可见”；模型全程密文运行，实现“可算不可取”；运行环境硬件级可证明。AITC已通过中国信通院“机密算力+机密模型”双资质认证，并融合AI-eSIM与超级SIM（subscriber identify module，用户标志模块），形成端云协同的芯片级安全能力。业界同类方案均以容器隔离与远程证明构建信任链，思路与AITC一致。
3.2 合规出海：为OPC跨境业务创造条件
OPC业务天然具有跨境属性，出海合规成本是现实约束。中国移动已在汕头完成Token出海全链路验证。依托可信计算“数据可用不可见”与央企信用背书，运营商能在满足境内外监管要求的前提下降低数据跨境审核门槛，为OPC国际化业务提供合规、便捷的算力通道，这一组合比互联网平台更契合小规模跨境业务对确定性的要求。
3.3 场景直连与生态运营：从算力供给到订单对接
既有研究指出，OPC发展受创业生态协同与专业化服务缺失制约，对接真实需求渠道的能力比算力更稀缺。
线下层面，江苏移动在常州建成首个OPC社区，设500平方米空间与100个一站式工位；滁州打造AI算力网络创新基地与OPC社区；宁波主办OPC嘉年华，输出移动云AI产品与扶持方案。运营商还加入OPC社区发展服务联盟，提供政策对接、孵化、数据授权、模型评测、备案辅导、算力供给等14项服务。
更高层级是跨组织协同。由国务院国资委统筹、中国移动牵头建设的焕新社区汇聚超2000卡国产算力、2万余个开源模型和3000多套行业数据集，开放100个央企高价值场景，并通过“数据授权进空间、模型在域内训练、价值按规则分账”的机制，把央企场景资源与OPC的敏捷创新对接。
4 实施路径、风险与对策
4.1 分阶段演进路径
该一体化服务宜渐进式推进。验证期（6个月以内）以代理与自建结合快速上线，完成资费公示与投诉节点建设，验证需求强度与投诉风险；拓展期（6个月至1年）投产合营算力、引入标杆模型并发布标准SDK（software development kit，软件开发工具包），扩大用户规模；自建期（1年以后）推进算力扩容与硬件升级，持续压降单位Token成本，形成自主可控的长期底座。
4.2 主要风险与治理对策
OPC算力服务的风险来自三个方面：OPC兼具自然人与小微经营主体身份，业务上依赖AI工具链，场景上跨越境内外。因此，应重点防范以下五类风险。
一是Token计费可预测性差引发的扣费争议。OPC用户多为个人或极小团队，缺乏用量监控与预算约束机制；智能体任务的上下文长度与调用频次波动大，同一业务在不同时段的Token消耗可能相差数倍，月度费用易超预期。既有研究表明，按Token计费存在明显的信息不对称，用户难以核验实际消耗。治理上应提供实时用量看板、额度预警与超额熔断，并把计费口径可读性作为上架必要条件。
二是数据资产与权属模糊。OPC用户既是数据提供者又是模型使用者，其在平台沉淀的经营数据、微调模型与生成内容的权属边界尚无共识，一旦发生模型迁移或服务终止，易成为争议焦点。运营商宜在服务协议中前置约定数据权属、导出机制与终止后处置规则，并以可信计算环境降低用户顾虑。
三是跨境业务合规与结算断层。OPC业务天然对接独立站、海外平台与跨境支付，算力调用、数据出境与外汇结算需要同时满足境内外监管要求，面向个人的合规通道尚不健全。运营商可依托可信算力与央企信用提供合规通道与结算支撑，并把数据跨境与内容合规审查嵌入流程。
四是身份主体模糊带来的发票与回款风险。一人公司、个体工商户与自然人在OPC群体中并存，同一用户在不同环节可能切换主体。运营商应在身份识别、发票主体确认、回款账户校验等环节建立适配规则，避免主体不一致引发税务与合规瑕疵。
五是AI生成内容商用合规与责任归属。OPC把模型输出直接用于对外交付时，内容真实性、知识产权与违规风险的责任划分尚无明确规则。运营商宜在服务条款中界定双方责任边界，对高风险场景设置内容标识与留存要求，并提供合规自查工具。
上述五类风险多数超出单一企业的处理能力，需要通过行业标准加以规范。OPC服务横跨算力、模型、计费与客服多个环节，相关标准仍在梳理，运营商宜先行明确管理规范并参与标准制定。
5 结语
面向OPC群体提供算力服务，是运营商在Token经济背景下从“卖资源”走向“运营AI服务”的重要增量市场。本文提出的“算力+AI”一体化服务模式，通过智能体入口、分层算力供给、Token计费体系与分级服务保障的协同设计，精准回应OPC群体轻硬件投入、高算力需求与成本敏感的痛点，可信算力底座与场景直连能力构成差异化壁垒。目前，该模式尚处于探索阶段，其商业可持续性有待更长周期的运营数据验证。
参考文献
[1] 张蓦, 陶轶, 黄倚霄, 等. 电信运营商算力运营模式研究与实践[J]. 通信世界, 2026(8): 17-19.
[2] 陶轶, 王海燕, 张蓦, 等. 电信运营商算力服务计费模式研究与设计[J]. 通信世界, 2026(8): 48-51.
[3] 李晓华, 龚伟. 人工智能时代一人公司（OPC）的演进、动力机制与发展建议[J]. 社会科学辑刊, 2026(4): 147-159.
[4] 陈友华, 孙永健. 何以可能：AI时代OPC的生成机制与前景展望[J]. 南京邮电大学学报（社会科学版）, 2026, 18(2): 9-20.
[5] 卫敏, 赵倩颖, 唐静, 等. 算力网络信息通告技术研究综述[J]. 通信学报, 2025, 46(9): 17-31.
[6] FENG D G, QIN Y, FENG W, et al. Survey of research on confidential computing[J]. IET Communications, 2024, 18(9): 535-556.
[7] BERGEMANN D, BONATTI A, SMOLIN A. Menu pricing of large language models[R]. New Haven: Cowles Foundation for Research in Economics, Yale University, 2026: No. 2502.
[8] ARTOLA VELASCO A, TSIRTSIS S, OKATI N, et al. Is your LLM overcharging you? Tokenization, transparency, and incentives[C]//Proceedings of the 43rd International Conference on Machine Learning (ICML). 2026.
热门跟贴