一句话
「AI 五层蛋糕理论」(简称「五层蛋糕」)是英伟达创始人兼 CEO 黄仁勋(Jensen Huang) 提出的一个框架,用来理解整个 AI 产业的结构。他在 2026 年 3 月的一篇 NVIDIA 官方博客署名长文中提出:AI 不是某个聪明的应用、也不是单个模型,而是像电力一样必不可少的基础设施;这套基础设施可以看作一块自下而上的五层蛋糕——从底层的能源,到芯片、基础设施、模型,再到顶层的应用。
读懂AI时代(Read AI Time)正是把这五层当作内容骨架——AI 产业的每日要闻、个股技术面与百科,都依它来梳理分类。
五层(从底到顶)
黄仁勋:「它不是一个聪明的应用或单个模型,而是像电力一样必不可少的基础设施。由于智能是实时生成的,整个计算架构都必须重新设计。」
1. 能源 Energy — 地基
AI 基础设施的第一性原理,也是「系统能产生多少智能」的绝对约束。每生成一个 token,本质上都是电子流动、热量管理与能量转化为计算的结果——「实时生成的智能,需要实时产生的电力」。代表环节:发电(电网、核电、天然气、可再生)、供电与散热。
→ 查看能源层定义 ｜ 代表词条:电网、核电与 SMR、公用事业、PUE
2. 芯片 Chips
旨在大规模、高效地把能源转化为算力的处理器。AI 负载需要巨大的并行算力、高带宽内存与快速互连,芯片层的进步直接决定 AI 的扩展速度。代表:GPU / AI 加速芯片、HBM、先进封装、互连、晶圆代工。
→ 查看芯片层定义 ｜ 代表词条:英伟达、台积电、HBM、NVLink、CUDA
3. 基础设施 Infrastructure
把土地、供电、冷却、建筑工程、网络通信,以及成千上万颗处理器编排成一台机器——黄仁勋称之为「AI 工厂」。它把芯片算力变成可用的生产力。代表:数据中心、超大规模云、网络设备、液冷、机房编排。
→ 查看基础设施层定义 ｜ 代表词条:AI 工厂、数据中心、超大规模云、液冷
4. 模型 Models
让 AI 能够理解多种信息:语言、生物、化学、物理、金融、医学,乃至物理世界本身。代表:大语言模型、推理模型(文中点名 DeepSeek-R1)、蛋白质 / 化学 AI、机器人与自动驾驶的基础模型。
→ 查看模型层定义 ｜ 代表词条:DeepSeek、推理模型、Transformer、OpenAI、Anthropic
5. 应用 Applications — 顶层
「经济价值在此产生。」面向终端的具体产品与服务:药物研发、工业与人形机器人、法律 / 编程 copilot、自动驾驶、医疗诊断、物流优化等。
→ 查看应用层定义 ｜ 代表词条:自动驾驶、人形机器人、AI 制药、AI Copilot
关键动态:逐层相互拉动
黄仁勋:「每一个成功的应用,都会拉动其下的每一层,直至维持它运行的那座电厂。」
五层并非互相独立,而是自上而下逐层拉动:应用 → 模型 → 基础设施 → 芯片 → 能源。一个成功的上层产品,会把需求一路压到最底层的电力。
顺着五层走一遍:一条推理模型如何拉动到核电
文中以 DeepSeek-R1 为例,可以顺着五层自上而下走一遍:
- 模型层——一个开放的推理模型把「会思考」的 AI 变得更便宜、更易得;
- 应用层——更便宜的推理,让编程 copilot、智能体、自动驾驶等应用更快铺开,使用量随之上升;
- 基础设施层——海量推理叠加持续训练,需要更多 AI 工厂与数据中心来承载;
- 芯片层——每座工厂要塞进成千上万颗 GPU 与 HBM,订单进一步向上游晶圆代工(台积电)传导;
- 能源层——这些芯片昼夜运转,最终把需求压到电网、核电与 SMR——也就是「维持它运行的那座电厂」。
一条看似只属于「模型层」的消息,就这样把需求一路传到了电力。这正是「逐层拉动」的含义。
资本开支为什么会逐层传导
正因为相互拉动,资本开支(capex)也会顺着同一条链向下流动:应用与模型的繁荣,先变成对算力(芯片)的订单,再变成对数据中心、供电与散热的投入,最后落到发电与电网扩容上。理解这条传导链,就能看懂为什么算力、数据中心与能源会「同步升温」——这也是本站把新闻、个股与百科都按五层串起来的原因。
（本站只梳理产业结构与资本流向的逻辑,不构成任何投资建议;完整免责声明见关于本站。）
为什么用它来读懂 AI
- 分层而非追热点:把纷繁的 AI 新闻归到五层中的某一层,看清一条消息究竟影响产业链的哪个环节。
- 顺着资本流向看:相互拉动意味着上层的繁荣会向下传导,帮助理解算力、数据中心与能源为何同步升温。
- 框架来自一手:这不是媒体的二手概括,而是黄仁勋本人的叙述。本站尽量引用原文,并在每条新闻标注其所属层级。
想读原文,可见本页底部「参考来源」中黄仁勋的 NVIDIA 官方博客署名文章(提供英文原文与中文版)。