「毅」向量 | 黄仁勋罕见长文：AI的五层蛋糕里，每一层都藏着万亿市场

编者按：

黄仁勋将AI比作“五层蛋糕”，从能源直抵应用。这让人想起电力——它不生产某个具体产品，却让所有产品成为可能。AI亦是如此：它不是新的电脑或互联网，而是让所有技术真正“活过来”的基础设施。从芯片到模型，从工厂到应用，一场数万亿美元的变革正在发生。

以下 Enjoy：

前不久在一场会议的茶歇时间，有个朋友拉住我，问了个挺有意思的问题：你觉得AI到底是什么？是新时代的电脑？还是下一个互联网？或者说，它会带来移动互联网那样的平台革命？

我想了想，说：都不是。AI更像电力。

他愣了一下。

我接着说：电脑、互联网、移动互联网，这些东西本身都需要电才能运转。没有电，它们什么都不是。AI也一样，它不是建在某个平台上的应用，而是像电力一样，会渗透到所有东西里，成为一切的前提。

这个对话一直在我脑子里转。直到我看到黄仁勋发了篇长文，把AI比作“五层蛋糕”，第一层，就是能源。

更关键的是，他在文章里说了一个惊人的观点——传统软件和APP可能要消失了。

他说的其实是个很朴素的道理：AI跟以往所有软件都不一样，因为它生产的是“实时智能”。

什么叫实时智能？你用ChatGPT的时候，每次问它问题，它给你的回答都是现场生成的。不是从数据库里调出来的现成答案，而是根据你的问题，当场推理、当场组织语言、当场输出。这就像你问一个人问题，他要思考一下再回答你，而不是背课文。

传统软件不是这样的。传统软件是程序员提前写好的指令，数据库里存好的内容。你点一个按钮，它执行一段代码；你查一条信息，它从表格里调出来。一切都是预先录制好的。数据库之所以重要，就是因为它能精确地从这些结构化数据里把你要的东西捞出来。

我们使用各种APP就相当于打开一个个程序员提前准备好的工具箱，去完成特定的任务，比如搜索、写作、修图……

但AI把这套逻辑打破了。它能看懂图片、听懂声音、理解文字，还能根据上下文推理你的意图。想象一下未来的场景：你想订机票，不需要打开携程，直接跟手机说“我想下周去北京，预算两千，偏好早班机”；你想做PPT，不需要打开PowerPoint，直接描述你要表达的内容；你想修图，不需要打开Photoshop，直接说“把背景换成海边，人物调亮一点”。所有的功能都被模型理解，所有的操作都被实时生成。

虽然喝千问订的奶茶只是限时体验，但相信过不了多久，AI助理将成为每个人的标配。

这意味着什么？意味着支撑人类社会运转的整个计算体系，都得重新设计。

老黄把这个体系拆成了五层，从下往上分别是：能源、芯片、基础设施、模型、应用。他说这是”五层蛋糕”，每一层都缺一不可，而且每一层都在拉动下面所有层的需求。

最底层是能源。这个很好理解。AI生成智能需要算力，算力需要电。你每问AI一个问题，它给你一个回答，背后都是无数电子在芯片里跑，散热系统在转，电能在转化成计算。没有电，一切都是空谈。老黄说，能源是AI的第一性原理，也是整个系统的天花板。你能生产多少智能，取决于你有多少电。

这就是为什么现在各大科技公司都在疯狂抢电力资源。微软跟核电厂签约，谷歌在数据中心旁边建太阳能农场，亚马逊干脆自己投资小型模块化核反应堆。这不是环保公关，这是生存刚需。当AI工厂24小时不间断地"制造智能"，电费就是最大的可变成本。未来算电价比算芯片价格更能决定一家AI公司的竞争力。

往上是芯片。这是把电能转化成计算的关键。AI的工作负载跟传统计算完全不同，需要海量的并行处理、高带宽内存、快速互联。芯片的进步决定了AI能跑多快、成本能降多低。这也是为什么英伟达这几年股价飞天，因为他们的GPU正好适合干这个活。

这里有个容易被忽视的点：芯片设计正在从“通用计算”转向“专用计算”。CPU时代，一颗芯片什么都能干；GPU时代，芯片为并行计算优化；到了AI时代，芯片要为特定的模型架构、特定的推理场景深度定制。这就是为什么英伟达一边卖GPU，一边推DGX系统，一边还要做NVLink互联——他们卖的不是芯片，是"能源到智能"的转化效率。

再往上是基础设施。这包括土地、供电、散热、建筑、网络，还有把成千上万个处理器协调成一台超级计算机的系统。老黄把这些设施叫做“AI工厂”。注意，不是数据中心，是工厂。因为它们不是用来存储信息的，而是用来制造智能的。两者的设计逻辑完全不同。仓库需要大容量硬盘、需要备份冗余、需要安全隔离；工厂需要持续供电、需要散热稳定、需要流水线高效。当你把AI看作制造业而不是服务业，整个基础设施的建设思路都会改变。

第四层是模型。这是AI真正开始理解世界的地方。除了大多数人熟悉的ChatGPT、Gemini、DeepSeek这些大语言模型，还有蛋白质AI、化学AI、物理模拟、机器人、自动驾驶。每个领域都需要专门的模型。这些模型经过训练，能够理解特定领域的知识，然后用这些知识去解决问题。老黄认为，每一类垂直领域的专业模型，未来都可能催生出一个新的产业。

最顶层是应用。这是AI直接产生经济效益的地方。药物发现平台、工业机器人、法律助手、自动驾驶汽车。老黄说，自动驾驶汽车就是一个装在机器里的AI应用，人形机器人就是一个装在身体里的AI应用。基于同样的内核，在不同的地方创造价值，这正是通用智能让人为之着迷的地方。

这五层是一个完整的链条。你在最上面用一个AI应用，它会一路往下拉动需求，一直拉到最底层的发电厂。这就是为什么老黄说，AI基础设施的建设规模会达到数万亿美元，成为人类历史上最大的基建项目。

这不是夸张。你看看现在全球各地都在建什么：芯片厂、组装厂、AI数据中心。这些设施需要大量的技术工人——电工、管道工、钢铁工、网络技术员、安装人员、操作员。这些都是高薪工作，而且严重短缺。老黄特别强调，参与这场变革不需要计算机博士学位，需要的是实实在在的技能。

我知道现在很多龙虾助手在自动化地完成工作，而更多人则在担心越来越强大的AI会不会最终剥夺自己的工作机会。老黄的观点是AI不会替代人，相反越来越强大的AI正在创造更多的工作机会。

他举了个例子：放射科医生。AI现在能辅助读片，但放射科医生的需求反而在增长。为什么？因为医生的目的是照顾病人，读片只是其中一个环节。当AI接手常规工作，医生就能把精力放在判断、沟通、护理上。医院效率提高了，能服务更多病人，自然需要更多医生。

生产力创造容量，容量创造增长。这是经济学的基本规律。

过去一年，AI跨过了一个重要门槛：模型变得足够好用了。推理能力提升，幻觉减少，准确性大幅改善。第一次，基于AI的应用开始产生真实的经济价值。药物发现、物流、客服、软件开发、制造业，这些领域的AI应用已经显示出强劲的产品市场契合度。这些应用在最上层产生价值，然后拉动下面所有层的需求。

开源模型在这里扮演了关键角色。全世界大部分模型都是免费的。研究人员、创业公司、企业、整个国家都依赖开源模型来参与先进AI。当开源模型达到前沿水平，它们不只是改变软件，而是激活了整个技术栈的需求。

DeepSeek-R1就是个很好的例子。它把一个强大的推理模型免费开放出来，加速了应用层的采用，进而增加了对训练、基础设施、芯片、能源的需求。这些新创造出来的需求背后是成千上万的工作机会。

所以，回到我们开头的说法，当你把AI看作是电力这样的基础设施，很多事情就说得通了。AI不是从一个聪明的应用开始的，而是从一个语言模型开始的。但它远不止于此。它是一场工业变革，重塑了能源的生产和消费方式、工厂的建造方式、工作的组织方式、经济的增长方式。

AI工厂之所以被建造，是因为智能现在是实时生成的。芯片之所以被重新设计，是因为效率决定了智能扩展的速度。能源之所以变得核心，是因为它设定了能生产多少智能的上限。应用之所以加速，是因为底层模型终于跨过了大规模可用的门槛。

每一层都在强化其他层。