De infraestructura eléctrica a economía de tokens: las «siete capas» de la cadena industrial de IA

Título original: De infraestructura eléctrica a economía de tokens: el «siete niveles del pastel» en la cadena de la industria AI

Autor original:律动BlockBeats

Fuente original:

Reproducción: Mars Finance

La fuerza motriz de la era AI, ya no es el modelo sino los Tokens

En los últimos dos años, la narrativa principal de la primera mitad de la industria AI giraba en torno a la «gran guerra de modelos» iniciada por las grandes empresas. La cantidad de parámetros pasó de cientos de miles de millones a billones, los costos de entrenamiento subieron de decenas de millones a cientos de millones de dólares, y los clústeres de GPU se expandieron de miles a decenas de miles de tarjetas. Todos discutían quién tenía el modelo más potente, quién se acercaba más a la AGI, como si el fin de la competencia AI dependiera únicamente del rendimiento del gran modelo en sí.

Pero para 2026, la lógica de impulso de la industria AI ha cambiado. El último informe de JPMorgan sostiene que, en el futuro, lo que realmente impulsará la expansión continua de la infraestructura AI no será el entrenamiento de modelos, sino la enorme demanda de inferencia AI. Lo que consumirá más potencia de cálculo en el futuro no será solo entrenar grandes modelos, sino los Agentes AI distribuidos globalmente. Cada llamada, cada interacción, cada tarea ejecutada, en esencia, consume Tokens. La industria AI está pasando de la «época de modelos» a la «época industrial de tokens».

Porque lo que realmente hará funcionar el mundo AI en el futuro no será solo el modelo en sí, sino el sistema de producción, distribución, orquestación y consumo en torno a los Tokens. Especialmente tras la aparición masiva de Agentes AI, cómo se generan en tiempo real, distribuyen en diferentes regiones, se orquestan dinámicamente y se consumen eficientemente los Tokens, se convertirán en los problemas más críticos de toda la industria AI.

Como recientemente propuso Jensen Huang, AI no es solo una industria de software simple, sino un sistema de infraestructura fundamental similar a la electricidad y a Internet. En su esquema de las «cinco capas», la industria AI se divide en: energía, chips, infraestructura, modelos y aplicaciones. Pero, a medida que la industria AI avanza del «época de entrenamiento» hacia la «época de inferencia», GoodVision AI prefiere entender toda la cadena económica de AI como una «estructura de siete niveles» que gira en torno a los Tokens:

Primera capa: Electricidad — la base energética de la era AI
Segunda capa: AIDC — la fábrica de Tokens
Tercera capa: GPU — los dispositivos de producción de Tokens
Cuarta capa: LLM — el motor de producción de Tokens
Quinta capa: Distribución de Tokens — la «red eléctrica» de la era AI
Sexta capa: Optimización y orquestación inteligente de Tokens — el cerebro de la era AI
Séptima capa: Agente AI — el terminal de consumo de Tokens

Desde energía y GPU, hasta AIDC, nodos en el borde, inferencia de modelos y orquestación inteligente, la industria AI está formando un sistema industrial de Tokens sin precedentes.

Pero, en la etapa actual, este sistema aún está lejos de estar maduro.

Hay quienes poseen GPU de última generación pero están limitados por la energía; quienes construyen grandes AIDC pero carecen de una orquestación eficiente; quienes desarrollan poderosos Agentes AI pero enfrentan costos elevados de inferencia y latencia; quienes controlan nodos en el borde pero no logran formar una red coordinada unificada. Aunque toda la cadena de valor avanza rápidamente, todavía existen muchas fracturas, redundancias y cuellos de botella en eficiencia entre las capas.

Solo cuando estas siete capas de infraestructura se conecten, colaboren y funcionen en conjunto, la industria AI pasará del «modo herramienta» al «modo adopción masiva en el mundo inteligente».

Primera capa del pastel: Electricidad — la energía en la era AI

La Revolución Industrial luchaba por el carbón y el petróleo, la era de Internet por el tráfico y los servidores, y en la era AI, la guerra en la capa más fundamental vuelve a centrarse en la energía.

Porque lo que consume AI al final es electricidad. El consumo de energía de un gran centro de datos AI ya se acerca al de una ciudad mediana. En todo el mundo, nuevos AIDC (centros de datos AI) enfrentan el mismo problema: se pueden comprar GPU, se puede construir tierra, pero la oferta de energía no alcanza, y la gestión de la red eléctrica tampoco.

Por eso cada vez más empresas AI están volviendo su atención a la infraestructura energética. En GTC 2026, Huang Huang incluso definió los centros de datos del futuro como «fábricas de Tokens». La parte superior de estas fábricas dará lugar a una industria energética superpotente.

En el mercado chino, empresas como Yangtze Power, China Nuclear Power, China General Nuclear, Three Gorges Energy, Longyuan Power y China Huadian New Energy representan las principales energías: hidroeléctrica, nuclear, eólica y fotovoltaica. La energía nuclear y hidroeléctrica, con su capacidad de suministro estable, se están convirtiendo en las energías básicas más importantes para los AIDC; mientras que la eólica y solar se benefician del aumento en la demanda de energía verde y ESG en la industria AI. Con el avance de «East Data West Computing» y la construcción de grandes centros de datos AI, la colaboración entre bases de energía renovable y centros de cálculo se está fortaleciendo rápidamente.

En EE. UU., gigantes tradicionales como NextEra Energy, Dominion Energy, Duke Energy, Southern Co. y Exelon también se benefician de la expansión de centros de datos AI. NextEra lidera en energía verde en Norteamérica; Dominion controla recursos clave en la «corriente de datos» del norte de Virginia; Exelon, con su energía nuclear estable, se beneficia de la demanda de energía «todo tiempo y con alta estabilidad» en la era AI. En general, la industria eléctrica global está evolucionando desde los servicios públicos tradicionales hacia una capa de recursos clave en la infraestructura AI.

En conjunto, la competencia en esta capa está cambiando de la «competencia de precios» entre empresas energéticas tradicionales a una «competencia por el control de la energía» entre centros de datos AI, proveedores de nube y compañías energéticas. Quien asegure energía estable, a largo plazo y de bajo costo, tendrá la primera perla del dragón en la producción de Tokens.

Segunda capa del pastel: AIDC — la fábrica de materia prima de Tokens

Una sola GPU no tiene sentido; lo importante es la escala del clúster. Por eso surge el AIDC.

Es como una fábrica de acero, una central eléctrica o una línea de ensamblaje en la era industrial, concentrando miles de GPU para crear una capacidad estable de producción de Tokens. Pero también empiezan a aparecer problemas: la construcción tradicional de AIDC suele tardar entre 18 y 36 meses, y la expansión de la red eléctrica puede requerir aún más tiempo. Cuando la demanda de AI crece exponencialmente, la velocidad de construcción de los AIDC tradicionales ya no puede satisfacer la nueva economía de Tokens.

En el mercado estadounidense, Equinix es uno de los operadores de centros de datos más avanzados del mundo, con más de 240 centros en más de 30 países. Su ventaja principal no solo es la cantidad de salas, sino la capacidad de interconexión global y recursos de baja latencia, convirtiéndolo en un nodo clave para desplegar poder de cálculo AI.

Digital Realty, a través de su plataforma PlatformDIGITAL, entra en la infraestructura AI sirviendo a grandes proveedores de nube y entidades financieras.

En el mercado chino, Runze Technology es uno de los operadores de AIDC más representativos en acciones A. Su negocio principal ha evolucionado de IDC tradicional a centros de cálculo AI, con ventajas en grandes salas, recursos energéticos y operaciones de AIDC. Empresas como AoFei Data y Capital Online continúan expandiéndose en centros de datos regionales, infraestructura en la nube y alojamiento de poder de cálculo AI. Sugon, con su negocio de AIDC, se enfoca en colaboraciones con entidades gubernamentales y de investigación.

Otra tendencia es la transformación de «mineras» en proveedores de infraestructura AI. Empresas como CoreWeave, IREN, Applied Digital y Cipher Mining, que originalmente estaban relacionadas con la minería de criptomonedas, han cambiado rápidamente su foco hacia infraestructura de poder de cálculo AI debido al auge de la demanda de GPU para AI. IREN, por ejemplo, combina energía renovable y poder de cálculo AI para construir centros de datos de alta densidad. Applied Digital y Cipher Mining también están en proceso de transformación de minas tradicionales a infraestructura de computación de alto rendimiento para AI.

Además, empieza a emerger una tendencia de fábricas de AI más pequeñas, modulares y en el borde de la red. Como en la era de Internet, donde las grandes mainframes dieron paso a la computación en la nube, la capacidad de cálculo AI se está dispersando desde grandes centros hacia nodos regionales en el borde.

Por eso, GoodVision AI opta por otro camino: construir fábricas de AI más ligeras, modulares y de rápida replicación. En comparación con los grandes AIDC tradicionales, GoodVision AI enfatiza la capacidad de despliegue regional, la eficiencia de clústeres de GPU de alta densidad y la integración energética y de cálculo.

Su lógica central no es construir un único centro de datos gigante, sino desplegar rápidamente nodos de fábrica de AI en regiones densamente pobladas en todo el mundo, típicamente con salas de inferencia de 2-4 MW. Este modelo permite acceder más rápidamente a recursos energéticos locales y se adapta mejor a la tendencia de expansión del cálculo de inferencia AI hacia el borde.

Si los AIDC tradicionales son como grandes acerías de la era industrial, las fábricas de AI de GoodVision AI son más como «fábricas regionales de Tokens» — más ligeras, flexibles, cercanas a los usuarios y más aptas para el desarrollo de redes distribuidas de inferencia global en el futuro.

Tercera capa del pastel: GPU — los dispositivos de producción de Tokens

Si la electricidad es la energía, entonces la GPU es el equipo de producción. En los primeros años del auge AI, las GPU se usaban principalmente para entrenamiento; pero en el futuro, la mayor demanda será para inferencia. Porque solo unas pocas empresas líderes entrenan modelos, mientras que la inferencia se infiltrará en cada aplicación, dispositivo y terminal. Robots, conducción autónoma, gafas AI, e incluso la colaboración entre Agentes AI, consumirán Tokens en tiempo real.

NVIDIA sigue siendo el núcleo absoluto en la industria de chips AI global. Sus GPU H100, B200, Blackwell, entre otras, casi definen los estándares actuales de entrenamiento e inferencia AI en todo el mundo. Más importante aún, NVIDIA no solo vende chips, sino que ha construido un ecosistema completo con CUDA, TensorRT, DGX, HGX, etc., por lo que sus competidores deben desafiar no solo el rendimiento de las GPU, sino también todo el ecosistema de software AI.

AMD es el principal competidor en GPU, con productos como MI300X y otros GPU AI. En comparación con NVIDIA, AMD enfatiza un ecosistema abierto y la plataforma de software ROCm, buscando atraer a desarrolladores y empresas con un enfoque más abierto.

Broadcom y Marvell representan otra vía: ASICs y conexiones de alta velocidad. A medida que los escenarios de inferencia AI se vuelven más complejos, más empresas intentan diseñar ASICs personalizados para obtener mayor eficiencia energética y menor costo.

Intel, por su parte, entra en el mercado AI con CPUs para servidores y tarjetas aceleradoras Gaudi, intentando aprovechar su ecosistema de CPUs para volver a competir en infraestructura AI.

En China, Cambricon es una de las empresas más representativas de chips AI nacionales, promoviendo la serie SiYuan y desarrollando su propio marco AI Neuware. Hygon, con licencia de AMD Zen, se enfoca en el mercado de DCU y inferencia AI.

Las empresas nacionales como Moore Threads, Suzhou Suiyuan Technology, Muxi, Bairen Technology, representan la «sustitución local» en chips AI en China. En general, enfatizan la compatibilidad con el ecosistema CUDA y buscan construir clústeres de GPU nacionales.

Desde el ecosistema CUDA hasta la memoria HBM y los Tensor Cores, el núcleo de toda la industria AI está en mejorar continuamente la «eficiencia en la generación de Tokens por unidad de tiempo». Al mismo tiempo, la infraestructura de GPU y sus componentes — servidores, módulos ópticos, enfriamiento líquido, switches — también están estrechamente relacionados con la eficiencia de producción de Tokens.

Estas tecnologías, aunque menos llamativas que NVIDIA o OpenAI, determinan si la infraestructura AI puede realmente funcionar. Como en la Revolución Industrial, que no solo necesitaba máquinas de vapor, sino también ferrocarriles, redes eléctricas y puertos, la revolución AI no será solo un cambio de software. Es una actualización global de toda la cadena industrial que abarca energía, chips, redes, computación en la nube y infraestructura.

Vertiv, líder mundial en UPS y gestión eléctrica para centros de datos, ofrece soluciones de alimentación, distribución en racks y sistemas de aire acondicionado de precisión.

Invertek, líder en sistemas de enfriamiento líquido y control de temperatura en acciones A, atiende a grandes empresas de Internet como BAT. Con el aumento de potencia de GPU, el enfriamiento líquido se vuelve esencial en los AIDC.

Empresas como Zhongheng Electric, Kehua Data y Kstar son actores importantes en UPS, sistemas de energía y alimentación de centros de datos.

En el ámbito de redes y módulos ópticos, empresas como ZTE, Innolux y Tenda Communications se benefician del aumento en la demanda de comunicación de alta velocidad dentro de los clústeres AI.

En servidores completos, Dell, HPE, Supermicro, Lenovo y Inspur se encargan del ensamblaje y entrega a gran escala de servidores AI.

Aunque esta capa no interactúa directamente con el usuario final, determina si la infraestructura AI puede operar de manera estable. Sistemas de enfriamiento líquido, UPS, módulos ópticos, switches, almacenamiento de energía y servidores, como en la era industrial, se están convirtiendo en los verdaderos «negocios de venta de palas» en el mundo AI.

Cuarta capa del pastel: LLM — el motor de producción de Tokens

Los LLM (modelos de lenguaje grande) determinan cómo se entienden, generan y organizan los Tokens. En los últimos dos años, OpenAI, Anthropic, Google, Meta, xAI, DeepSeek y otros han liderado la «carrera de grandes modelos» a nivel global. La cantidad de parámetros pasó de cientos de miles de millones a billones, y las capacidades del modelo se expandieron desde generación de texto a multimodalidad, razonamiento, código, colaboración entre agentes y memoria a largo plazo.

Pero a medida que la industria evoluciona, también lo hace la conciencia del mercado: lo que realmente importa en el futuro no será solo «quién tiene el modelo más grande», sino «quién puede mantener en funcionamiento los modelos con menor costo y mayor eficiencia». Porque el valor no lo genera directamente el modelo, sino el proceso de inferencia que se realiza tras cada llamada.

Esto significa que los LLM están evolucionando de ser «demostraciones de capacidad» a convertirse en los «motores de producción de Tokens» en el mundo AI.

Modelos cerrados y abiertos como los de OpenAI, Anthropic, Google Gemini, Meta Llama, compiten por la entrada al ecosistema AI del futuro; mientras que jugadores emergentes como DeepSeek están redefiniendo la competencia con menor costo y mayor eficiencia de inferencia. La competencia en la capa de LLM ya no se centra solo en el tamaño del modelo, sino en múltiples dimensiones:

Costo por Token, eficiencia de inferencia, capacidad de contexto, colaboración multi-agente, memoria a largo plazo, integración con infraestructura y modelos.

Porque en la era AI, lo importante no es solo que un gran modelo sea «inteligente», sino que pueda ser desplegado de forma continua, masiva y económica en todo el mundo. GoodVision AI también tiene su propia estrategia de optimización en esta capa: colaborando con fabricantes de grandes modelos para desplegarlos en las fábricas de Tokens AI, pasando de un negocio tradicional de alquiler de potencia a ofrecer directamente servicios de Tokens; mejorando así la rentabilidad y la experiencia del usuario.

Quinta capa del pastel: Distribución de Tokens — la «red eléctrica» de la era AI

Una vez construidos los AIDC, surge la siguiente pregunta: ¿cómo se usan estos recursos en todo el mundo?

Así nacen las plataformas de alquiler de potencia. Son como la «red eléctrica» en la era AI, que fragmenta y distribuye los recursos de GPU, y los renta según demanda a desarrolladores, empresas y aplicaciones AI.

AWS, Azure, Google Cloud, Alibaba Cloud y Tencent Cloud siguen siendo los actores más fuertes en esta capa. Poseen la infraestructura de nube más grande del mundo y están integrando gradualmente recursos de GPU AI en sus sistemas IaaS.

Pero también emergen rápidamente «nubes nativas AI». Empresas como CoreWeave, Nebius, Nscale construyen plataformas de GPU en la nube específicamente para entrenamiento y inferencia AI. En comparación con los proveedores tradicionales, son más flexibles, más enfocados en tareas AI y mejores en optimización de clústeres de GPU.

CoreWeave, por ejemplo, es uno de los actores más representativos de NeoCloud. Originalmente centrada en minería de Ethereum, ahora se ha convertido en un proveedor de infraestructura AI respaldado por NVIDIA.

Plataformas ligeras como DigitalOcean y Vultr apuntan a desarrolladores y startups, ofreciendo despliegues rápidos y servicios de GPU de bajo costo.

En China, empresas como UCloud, Kingsoft Cloud y Capital Online son principales proveedores en el mercado de GPU en la nube y alquiler de poder de cálculo AI. La competencia en esta capa es muy similar a la de las primeras redes eléctricas: cómo distribuir eficientemente la potencia dispersa.

Sexta capa del pastel: Optimización y orquestación inteligente de Tokens — el cerebro de la era AI

Quizá la capa más subestimada pero más crucial. Tras el auge de los Agentes AI, se descubrió que no todos los tareas valen la pena de llamar al modelo más caro. Muchas tareas simples pueden ser resueltas localmente; tareas en tiempo real, mejor en el borde; tareas que involucran privacidad, ni siquiera deben subir a la nube. Tras la pregunta «¿hay suficiente potencia?», surge otra: «¿cómo usarla de manera más inteligente?».

Con la demanda de Tokens creciendo exponencialmente, la clave está en «hacer que el modelo adecuado use la potencia adecuada para la tarea adecuada». Esa es una de las áreas en las que GoodVision AI trabaja, además de desplegar fábricas de Tokens AI.

Al igual que en el sistema eléctrico actual: algunas demandas provienen de la red principal; otras, de paneles solares en techos. Lo realmente importante es esa capa intermedia: el «sistema de orquestación inteligente».

El futuro AI será similar: tareas simples con modelos pequeños en el borde, tareas complejas en la nube con grandes modelos, tareas de alta privacidad en el borde, tareas de alta concurrencia mediante orquestación híbrida en la nube.

Empresas como GoodVision AI, QingCloud, Lambda, OpenRouter y Fireworks AI lideran en optimización y orquestación de Tokens.

Y esta capa «se superpone mucho» con las capas anteriores — AIDC y alquiler de potencia. Cuando los recursos de GPU, nodos regionales y escala de inferencia crecen, simplemente tener potencia ya no es suficiente para mantener una ventaja competitiva. Cada vez más operadores de AIDC y plataformas de GPU están entendiendo que lo que realmente determina la eficiencia y rentabilidad futura no es solo la cantidad de GPU, sino cómo se orquesta dinámicamente el modelo, la potencia y el flujo de Tokens.

Por eso, muchas plataformas que ya operan en AIDC y GPU están extendiéndose hacia la «capa de orquestación inteligente». Por ejemplo, UCloud, Capital Online y Sugon en China están intentando integrar sus infraestructuras de GPU, recursos multicloud y capacidades de inferencia para pasar de «vender potencia» a «optimizar potencia».

Séptima capa del pastel: Modelos y Agentes — los consumidores de Tokens

Aunque esta capa está muy cerca del usuario y recibe mucho tráfico, la competencia también es feroz. En GTC 2026, Huang Huang afirmó: «En el futuro, cada empresa será un productor y consumidor de Tokens».

Un Agente AI puede llamar a múltiples modelos, herramientas y APIs, y realizar inferencias, planificación y ejecución continuamente. Esto significa que el consumo de Tokens por parte de la AI en el futuro superará con creces la escala actual de interacción humana-AI. Algunos usuarios intensivos de AI ya construyen sistemas con múltiples Agentes que se llaman entre sí, consumiendo 1.000 millones de Tokens al día.

El futuro no será solo 1.000 millones de personas usando AI, sino 10.000 millones o incluso 100.000 millones de Agentes AI trabajando en paralelo, llamándose entre sí. La verdadera limitación pasará de la «capacidad del modelo» a la «eficiencia en la orquestación de Tokens».

Los gigantes tecnológicos, por supuesto, no necesitan que diga mucho: Microsoft, Google, Meta, Amazon, entre otros, están integrando capacidades AI en sus productos — sistemas de oficina, búsquedas, redes sociales y servicios en la nube.

Empresas como Adobe, Salesforce, ServiceNow y Palantir están avanzando rápidamente en AI empresarial y automatización de flujos de trabajo. Al mismo tiempo, Hugging Face se está consolidando como la «GitHub de la era AI», no solo una comunidad de modelos, sino una infraestructura clave para el ecosistema global de desarrollo AI.

En China, empresas como iFlytek, Kunlun Wanyuan, 360, Kingsoft Office y SenseTime están desarrollando sus propios asistentes AI, oficinas AI y Agentes AI.

Cuando el «siete niveles del pastel» se consolide realmente, el mundo AI comenzará de verdad.

Hoy, la industria AI todavía está en una infraestructura que no está completamente madura.

Hay quienes tienen GPU de última generación pero están limitados por la energía; quienes construyen grandes AIDC pero carecen de una orquestación eficiente; quienes desarrollan modelos y Agentes poderosos pero enfrentan costos altos de inferencia y latencia; quienes controlan nodos en el borde pero no logran una red coordinada unificada.

Desde electricidad, AIDC, GPU, hasta LLM, distribución de Tokens, orquestación inteligente y Agentes AI, toda la cadena de la industria AI avanza rápidamente, pero todavía existen fracturas, redundancias y cuellos de botella en eficiencia entre las capas.

Solo cuando esta «estructura de siete niveles» esté completamente construida y funcione en colaboración, la industria AI pasará del «modo herramienta» al «modo adopción masiva en el mundo inteligente».

El futuro del mundo AI no será solo unos pocos gigantes entrenando grandes modelos, sino decenas de miles de Agentes AI en línea, en constante colaboración, llamando recursos y Tokens continuamente. Cada diálogo, inferencia, llamada a herramientas y tarea automática tendrá detrás la coordinación de energía, GPU, red, orquestación y nodos de inferencia.

Y esto también significa que la industria AI evoluciona desde una lógica de software hacia un sistema industrial superintegrado que cubre energía, chips, computación en la nube, redes en el borde y orquestación inteligente.

Como en la Revolución Industrial, que no solo necesitaba máquinas de vapor, sino también ferrocarriles, redes eléctricas y puertos; la revolución AI no será solo un cambio de software. Es una actualización global de toda la cadena industrial que abarca energía, chips, redes, computación en la nube y infraestructura.

Vertiv, líder mundial en UPS y gestión eléctrica para centros de datos, ofrece soluciones de alimentación, distribución en racks y sistemas de aire acondicionado de precisión.

Invertek, líder en sistemas de enfriamiento líquido y control de temperatura en acciones A, atiende a grandes empresas de Internet como BAT. Con el aumento de potencia de GPU, el enfriamiento líquido se vuelve esencial en los AIDC.

Empresas como Zhongheng Electric, Kehua Data y Kstar son actores importantes en UPS, sistemas de energía y alimentación de centros de datos.

En el ámbito de redes y módulos ópticos, empresas como ZTE, Innolux y Tenda Communications se benefician del aumento en la demanda de comunicación de alta velocidad dentro de los clústeres AI.

En servidores completos, Dell, HPE, Supermicro, Lenovo y Inspur se encargan del ensamblaje y entrega a gran escala de servidores AI.

Aunque esta capa no interactúa directamente con el usuario final, determina si la infraestructura AI puede operar de manera estable. Sistemas de enfriamiento líquido, UPS, módulos ópticos, switches, almacenamiento de energía y servidores, como en la era industrial, se están convirtiendo en los verdaderos «negocios de venta de palas» en el mundo AI.