一句話
「AI 五層蛋糕理論」(簡稱「五層蛋糕」)是英偉達創始人兼 CEO 黃仁勳(Jensen Huang) 提出的一個框架,用來理解整個 AI 產業的結構。他在 2026 年 3 月的一篇 NVIDIA 官方博客署名長文中提出:AI 不是某個聰明的應用、也不是單個模型,而是像電力一樣必不可少的基礎設施;這套基礎設施可以看作一塊自下而上的五層蛋糕——從底層的能源,到芯片、基礎設施、模型,再到頂層的應用。
讀懂AI時代(Read AI Time)正是把這五層當作內容骨架——AI 產業的每日要聞、個股技術面與百科,都依它來梳理分類。
五層(從底到頂)
黃仁勳:「它不是一個聰明的應用或單個模型,而是像電力一樣必不可少的基礎設施。由於智能是實時生成的,整個計算架構都必須重新設計。」
1. 能源 Energy — 地基
AI 基礎設施的第一性原理,也是「系統能產生多少智能」的絕對約束。每生成一個 token,本質上都是電子流動、熱量管理與能量轉化為計算的結果——「實時生成的智能,需要實時產生的電力」。代表環節:發電(電網、核電、天然氣、可再生)、供電與散熱。
→ 查看能源層定義 ｜ 代表詞條:電網、核電與 SMR、公用事業、PUE
2. 芯片 Chips
旨在大規模、高效地把能源轉化為算力的處理器。AI 負載需要巨大的並行算力、高帶寬內存與快速互連,芯片層的進步直接決定 AI 的擴展速度。代表:GPU / AI 加速芯片、HBM、先進封裝、互連、晶圓代工。
→ 查看芯片層定義 ｜ 代表詞條:英偉達、臺積電、HBM、NVLink、CUDA
3. 基礎設施 Infrastructure
把土地、供電、冷卻、建築工程、網絡通信,以及成千上萬顆處理器編排成一臺機器——黃仁勳稱之為「AI 工廠」。它把芯片算力變成可用的生產力。代表:數據中心、超大規模雲、網絡設備、液冷、機房編排。
→ 查看基礎設施層定義 ｜ 代表詞條:AI 工廠、數據中心、超大規模雲、液冷
4. 模型 Models
讓 AI 能夠理解多種信息:語言、生物、化學、物理、金融、醫學,乃至物理世界本身。代表:大語言模型、推理模型(文中點名 DeepSeek-R1)、蛋白質 / 化學 AI、機器人與自動駕駛的基礎模型。
→ 查看模型層定義 ｜ 代表詞條:DeepSeek、推理模型、Transformer、OpenAI、Anthropic
5. 應用 Applications — 頂層
「經濟價值在此產生。」面向終端的具體產品與服務:藥物研發、工業與人形機器人、法律 / 編程 copilot、自動駕駛、醫療診斷、物流優化等。
→ 查看應用層定義 ｜ 代表詞條:自動駕駛、人形機器人、AI 製藥、AI Copilot
關鍵動態:逐層相互拉動
黃仁勳:「每一個成功的應用,都會拉動其下的每一層,直至維持它運行的那座電廠。」
五層並非互相獨立,而是自上而下逐層拉動:應用 → 模型 → 基礎設施 → 芯片 → 能源。一個成功的上層產品,會把需求一路壓到最底層的電力。
順著五層走一遍:一條推理模型如何拉動到核電
文中以 DeepSeek-R1 為例,可以順著五層自上而下走一遍:
- 模型層——一個開放的推理模型把「會思考」的 AI 變得更便宜、更易得;
- 應用層——更便宜的推理,讓編程 copilot、智能體、自動駕駛等應用更快鋪開,使用量隨之上升;
- 基礎設施層——海量推理疊加持續訓練,需要更多 AI 工廠與數據中心來承載;
- 芯片層——每座工廠要塞進成千上萬顆 GPU 與 HBM,訂單進一步向上游晶圓代工(臺積電)傳導;
- 能源層——這些芯片晝夜運轉,最終把需求壓到電網、核電與 SMR——也就是「維持它運行的那座電廠」。
一條看似只屬於「模型層」的消息,就這樣把需求一路傳到了電力。這正是「逐層拉動」的含義。
資本開支為什麼會逐層傳導
正因為相互拉動,資本開支(capex)也會順著同一條鏈向下流動:應用與模型的繁榮,先變成對算力(芯片)的訂單,再變成對數據中心、供電與散熱的投入,最後落到發電與電網擴容上。理解這條傳導鏈,就能看懂為什麼算力、數據中心與能源會「同步升溫」——這也是本站把新聞、個股與百科都按五層串起來的原因。
（本站只梳理產業結構與資本流向的邏輯,不構成任何投資建議;完整免責聲明見關於本站。）
為什麼用它來讀懂 AI
- 分層而非追熱點:把紛繁的 AI 新聞歸到五層中的某一層,看清一條消息究竟影響產業鏈的哪個環節。
- 順著資本流向看:相互拉動意味著上層的繁榮會向下傳導,幫助理解算力、數據中心與能源為何同步升溫。
- 框架來自一手:這不是媒體的二手概括,而是黃仁勳本人的敘述。本站儘量引用原文,並在每條新聞標註其所屬層級。
想讀原文,可見本頁底部「參考來源」中黃仁勳的 NVIDIA 官方博客署名文章(提供英文原文與中文版)。