從電力基礎設施到 Token 經濟：AI 產業鏈的「七層蛋糕」

原文標題：從電力基礎設施到 Token 經濟：AI 產業鏈的「七層蛋糕」

原文作者：律動BlockBeats

原文來源：

轉載：火星財經

AI 時代的驅動力，已經從模型變成了 Token

在過去兩年，AI 行業上半場的敘事邏輯主要圍繞著各家大廠開啟的「大模型戰爭」。參數量從千億邁向萬億，訓練成本從幾千萬美元上升到數億美元，GPU 集群從幾千張卡擴展到幾萬張卡。所有人都在討論誰的模型更強，誰更接近 AGI，彷彿 AI 競爭的終點是從大模型本身的性能所呈現的。

而時間來到 2026 年，AI 行業的驅動邏輯已經改變。JPMorgan 最新的報告認為，未來真正驅動 AI 基礎設施持續擴張的，不再是模型訓練，而是海量的 AI 推理（Inference）需求。未來消耗算力最多的，不再只是訓練大模型，而是遍布全球的 AI Agent。每一次調用、每一次交互、每一次任務執行，本質上都在消耗 Token。AI 產業正在從「模型時代」，進入「Token 工業時代」。

因為未來真正驅動 AI 世界運轉的，不只是模型本身，而是圍繞 Token 所形成的生產、分發、調度與消費體系。尤其在 AI Agent 開始大規模出現後，Token 如何被實時生成、跨區域分發、動態調度與高效消費，將成為整個 AI 產業最核心的新問題。

正如黃仁勛近期所提出的，AI 並不是一個簡單的軟體行業，而是一套像電力與互聯網一樣的基礎設施體系。在他的「五層蛋糕」架構中，AI 產業被劃分為：能源、晶片、基礎設施、模型與應用五層結構。而隨著 AI 產業從「訓練時代」逐漸進入「推理時代」，GoodVision AI 更傾向於將整個 AI 經濟產業鏈理解為一個圍繞 Token 運轉的「七層蛋糕結構」：

第一層：電力——AI 時代的能源基礎
第二層：AIDC——Token 工廠
第三層：GPU——Token 的生產設備
第四層：LLM——Token 的生產引擎
第五層：Token 分發——AI 時代的「電網」
第六層：Token 優化與智能調度——AI 時代的大腦
第七層：AI Agent——Token 消費終端

從能源、GPU，到 AIDC、邊緣節點，再到模型推理與智能調度，AI 產業正在形成一套前所未有的「Token 工業體系」。

但現階段，這套體系仍遠未成熟。

有人擁有最先進的 GPU，卻受限於能源；有人建起龐大的 AIDC，卻缺乏高效調度；有人開發出強大的 AI Agent，卻面臨高昂的推理成本與延遲；有人掌握邊緣節點，卻無法形成統一協同的網絡。整個產業鏈雖然高速發展，但各層之間仍存在大量割裂、冗餘與效率瓶頸。

而只有當這七層基礎設施真正被打通、協同並連接在一起時，AI 產業才會從今天的「工具時代」，真正邁向屬於智慧世界的「大規模採用時代」。

第一層蛋糕：電力——AI 時代的能源

工業革命爭奪的是煤炭與石油，互聯網時代爭奪的是流量與伺服器，而 AI 時代，最底層的戰爭正在重新回到能源。

因為 AI 最終消耗的是電。一個大型 AI 數據中心的耗電量，已經接近一座中型城市。全球各地的新建 AIDC（AI 數據中心），正在面臨同一個問題：GPU 可以買，土地可以建，但電力供給跟不上，電網調度也跟不上。

這也是為什麼，越來越多 AI 公司開始重新關注能源基礎設施。在 GTC 2026 上，黃仁勛甚至將未來的數據中心定義為「Token 工廠」。其工廠的最上游將催生出一個超級能源產業。

在中國市場，長江電力、中國核電、中國廣核、三峽能源、龍源電力、華電新能源等公司，分別代表水電、核電、風電與光伏等核心能源方向。其中，核電與水電憑藉穩定供電能力，正成為 AIDC 最重要的基礎能源；而風電與光伏則受益於 AI 行業對綠電與 ESG 需求提升。隨著「東數西算」和大型 AI 數據中心建設推進，新能源基地與算力中心的協同關係正在快速加強。

在美國市場，NextEra Energy、Dominion Energy、Duke Energy、Southern Co.、Exelon 等傳統能源巨頭，也正受益於 AI 數據中心擴張。其中，NextEra 是北美綠電龍頭；Dominion 掌握北弗吉尼亞「數據中心走廊」核心輸電資源；Exelon 則憑藉核電穩定供電能力，成為 AI 時代「全天候高穩定電力」需求的重要受益者。整體來看，全球電力行業正在從傳統公用事業，逐漸升級為 AI 基礎設施時代的核心資源層。

整體來看，這一層的競爭格局正在從傳統能源公司的「電價競爭」，變成下游的 AI 數據中心、雲廠商和能源公司之間的「電力鎖定權競爭」。誰能夠鎖定長期、穩定、低成本的能源，誰就掌握了 Token 產生的第一顆龍珠。

第二層蛋糕：AIDC——Token 原料工廠

單顆 GPU 沒有意義，真正重要的是規模化集群。於是就出現了 AIDC。

它像工業時代的煉鋼廠、電廠和流水線工廠，把成千上萬張 GPU 集中起來，形成穩定的 Token 產能。但工廠的問題也開始出現：傳統 AIDC 建設周期往往長達 18 到 36 個月，電網擴容甚至需要更久。當 AI 需求以指數級增長時，舊時代 IDC 的建設速度，已經無法滿足新的 Token 經濟。

在美股市場，Equinix 是全球最領先的數據中心營運商之一，在 30 多個國家擁有超過 240 個數據中心。其核心優勢並不僅僅是機房數量，而是全球互聯能力和低延遲網絡資源，因此成為 AI 算力部署的重要基礎設施節點。

Digital Realty 則通過 PlatformDIGITAL 平台切入 AI 基礎設施，服務對象包括大型雲服務商與金融機構。

在中國市場，潤澤科技是 A 股最典型的 AIDC 營運商之一。其主營業務已經從傳統 IDC 逐漸向 AI 算力中心升級，核心競爭力在於大規模機房、電力資源與 AIDC 運維能力。奧飛數據、首都在線等企業，則分別在區域數據中心、雲基礎設施與 AI 算力托管方向持續擴張。中科曙光在 AIDC 業務中偏向於政企與科研領域展開合作。

而另一類玩家則來自「礦場轉型」。CoreWeave、IREN、Applied Digital、Cipher Mining 等公司，原本很多都與加密貨幣挖礦相關，但隨著 AI GPU 需求暴漲，它們迅速轉向 AI 算力基礎設施。IREN 主打「綠電+AI 算力」模式，通過可再生能源建設高密度 GPU 數據中心。Applied Digital 和 Cipher Mining 也都在從傳統礦場向 AI 高性能計算基礎設施轉型。

此外，邊緣化、小型化、模組化 AI Factory 開始成為新的趨勢。就像互聯網時代從大型機走向雲計算一樣，AI 算力需要從超大型中心節點，逐漸向區域化邊緣節點擴散。

因此，GoodVision AI 選擇了另一條路徑：構建更加輕量化、模組化、可快速複製的 AI Factory。相比傳統大型 AIDC，GoodVision AI 更強調區域化部署能力、高密度 GPU 集群效率，以及能源與算力的一體化協同。

其核心邏輯並不是建設單一超大型數據中心，而是在全球的高密度人口區域快速部署 AI Factory 節點，通常來說是 2-4MW 的小型推理算力機房。這種模式不僅能夠更快接入當地能源資源，也更適合未來 AI 推理需求向邊緣側擴散的趨勢。

如果說傳統 AIDC 更像工業時代的大型煉鋼廠，那麼 GoodVision AI 所構建的，則更像 AI 時代的「區域化 Token 工廠」——更輕、更靈活、更接近用戶，也更適合未來全球分布式推理網絡的發展方向。

第三層蛋糕：GPU——Token 的生產設備

如果說電力是能源，那麼 GPU 就是生產設備。在 AI 爆發的最初幾年，GPU 主要服務於訓練；但未來，更大的需求來自推理。因為訓練只屬於少數頭部公司，而推理會滲透到每一個應用、每一台設備、每一個終端。機器人需要推理，自動駕駛需要推理，AI 眼鏡需要推理，甚至未來每一個 AI Agent 之間的協作，也都在實時消耗 Token。

NVIDIA 目前仍然是全球 AI 芯片產業的絕對核心。其 H100、B200、Blackwell 等 GPU 產品，幾乎定義了當前全球 AI 訓練與推理標準。更重要的是，NVIDIA 不僅賣芯片，還通過 CUDA、TensorRT、DGX、HGX 等軟硬體體系構建了完整生態，因此其競爭對手不僅需要挑戰 GPU 性能，更需要挑戰整個 AI 軟體生態。

AMD 是目前最主要的 GPU 挑戰者，核心產品包括 MI300X 等 AI GPU。相比 NVIDIA，AMD 更強調開放生態和 ROCm 軟體平台，希望通過更開放的方式吸引 AI 開發者與企業客戶。

Broadcom 和 Marvell 則代表另一條路線——ASIC 與高速互聯。隨著 AI 推理場景越來越複雜，越來越多企業開始嘗試定制 ASIC 芯片，以獲得更高能效比和更低成本。

Intel 則通過伺服器 CPU 與 Gaudi AI 加速卡切入 AI 市場，希望利用自身 CPU 生态重新參與 AI 基礎設施競爭。

在中國市場，寒武紀是國產 AI 芯片最具代表性的企業之一，主推思元系列 AI 芯片，並構建了自研 AI 框架 Neuware。海光信息則擁有 AMD Zen 架構授權，重點布局 DCU 與 AI 推理市場。

摩爾線程、燧原科技、沐曦股份、壁仞科技等國產 GPU 公司，則代表中國 AI 芯片「國產替代」方向。它們普遍強調兼容 CUDA 生態，並嘗試構建國產 GPU 集群。

從 CUDA 生態到 HBM 記憶體，再到 Tensor Core，整個 AI 產業的核心，其實是在不斷提升「單位時間內生成 Token 的效率」。與此同時，GPU 及其背後的伺服器、光模組、液冷、交換機等基礎設施，也與 Token 生產效率密切相關。

這些東西不像英偉達、OpenAI，AI 應用的公司那樣耀眼，但它們決定了整個 AI 世界是否能夠真正運轉。好比工業革命不僅需要蒸汽機，也需要鐵路、電網與港口。AI 革命，也不會只是一次軟體革命。它是一次涵蓋能源、晶片、網路、雲計算與基礎設施的全球產業鏈升級。

Vertiv 是全球數據中心 UPS 與電力管理龍頭，提供數據中心供電、機櫃配電與精密空調系統。

英維克則是 A 股液冷和溫控系統龍頭，客戶包括 BAT 等大型互聯網公司。隨著 GPU 功率越來越高，液冷正在成為 AIDC 的重要標配。

中恒電氣、科華數據、科士達等公司，則在 UPS、電源系統與 IDC 供電領域具備重要地位。

在網路與光模組方向，中際旭創、新易盛、天孚通信等公司，受益於 AI 集群內部高速通信需求暴漲。

而在伺服器整機方向，Dell、HPE、超微、聯想、浪潮資訊等公司，則承擔著 AI 伺服器的大規模組裝與交付。

這一層雖然不直接面對最終用戶，卻決定了 AI 基礎設施是否能夠真正穩定運行。液冷、UPS、光模組、交換機、儲能與伺服器整機，就像工業時代的鐵路、電網與港口一樣，正在成為 AI 世界真正的「賣鋤人」生意。

第四層蛋糕：LLM——Token 的生產引擎

LLM（大語言模型）則決定了 Token 如何被理解、生成與組織。過去兩年，OpenAI、Anthropic、Google、Meta、xAI、DeepSeek 等公司掀起了全球「大模型競賽」。參數量從千億邁向萬億，模型能力也從文本生成，逐漸擴展到多模態、推理、程式碼、Agent 協作與長期記憶。

但隨著行業逐漸發展，市場也開始意識到：未來真正重要的，不再只是「誰擁有最大的模型」，而是誰能以更低成本、更高效率地持續運行模型。因為模型本身並不直接創造價值，真正創造價值的，是模型被不斷調用後的推理過程。

這也意味著，LLM 正在從過去的「展示模型能力」，逐漸演化成 AI 世界中的「Token 生產引擎」。

OpenAI、Anthropic、Google Gemini、Meta Llama 等封閉與開源模型，正在爭奪未來 AI 生態入口；而 DeepSeek 等新興玩家，則通過更低成本、更高推理效率的方式，開始重塑行業競爭格局。現在 LLM 層的競爭，也逐漸不再單純追求參數量的競爭，評判標準逐漸轉向多個維度的對比：

Token 成本、推理效率、Context 能力、多 Agent 協同、長期記憶、模型與基礎設施協同能力

因為 AI 時代真正重要的，一單單只是看大模型有「聰明」，而是模型能否在全球範圍內被持續、大規模、低成本地運行。GoodVision AI 在這一層也有自己的優化方案：通過與大模型廠商合作，將大模型部署在 AI Factory 機房，實現從傳統算力租賃業務到直接提供 Token 服務；不僅能提升業務毛利，使用者的體驗也更友善。

第五層蛋糕：Token 分發——AI 時代的「電網」

當 AIDC 建成之後，下個問題出現了：這些算力，如何被全世界使用？

於是，算力租賃平台開始出現。它們像 AI 時代的「電網系統」，把原本集中式的 GPU 資源拆分、分發，再按需出租給開發者、企業與 AI 應用。

AWS、Azure、Google Cloud、阿里雲、騰訊雲仍是這一層最強大的玩家。它們擁有全球最大的雲計算基礎設施，並正在將 AI GPU 資源逐步納入自身 IaaS 體系。

但與此同時，一批「AI 原生雲」開始快速崛起。CoreWeave、Nebius、Nscale 等公司，專門圍繞 AI 訓練和推理需求構建 GPU 雲平台。相比傳統雲廠商，它們更加靈活、更聚焦 AI 任務，也更擅長 GPU 集群優化。

CoreWeave 是目前 NeoCloud 最具代表性的公司之一。其最初專注於以太坊挖礦，之後全面轉向 AI GPU 雲服務，目前已成為 NVIDIA 重點支持的 AI 基礎設施公司。

DigitalOcean、Vultr 等輕量型雲平台，則面向中小開發者與創業公司，強調快速部署與低成本 GPU 服務。

在中國市場，除去巨頭們，優刻得、金山雲、首都在線等公司，均是 GPU 雲和 AI 算力租賃市場的主力供應商。這一層的競爭格局非常像早期電網：如何把分散的算力高效分發出去。

第六層蛋糕：Token 優化與智能調度——AI 時代的大腦

這或許是最容易被低估但也最關鍵的一層「蛋糕」。隨著 AI Agent 使用量爆發後，大家發現，不是所有任務，都值得調用最貴的大模型。很多簡單任務，本地模型就能完成；很多實時任務，更適合邊緣推理；很多隱私任務，甚至不能上傳雲端。在「有沒有算力」這個問題之後，又多了一個問題，即「如何更聰明地使用算力」。

隨著對 Token 需求的指數級增長，「讓合適的模型，在合適的算力上，處理合適的任務。」是讓 Token 被合理、高效使用的關鍵。這正是 GoodVision AI 除了布局 AI Token 工廠之外正在努力的方向之一。

就像今天的電力系統一樣：有些需求來自大型電網；有些需求來自屋頂太陽能。而真正重要的，是中間那層「智能調度系統」。

未來的 AI，也會是同樣的結構：簡單任務由本地小模型完成，複雜任務調用雲端大模型，高隱私任務在邊緣側處理，高並發任務，通過混合雲動態調度。

除了 Goodvision AI 之外，青雲科技、Lambda、OpenRouter、Fireworks AI 等公司，也是 Token 優化與智能調度的佼佼者。

而這層「蛋糕」與前兩層「蛋糕」——AIDC 和算力租賃之間，存在高度重疊的玩家。當 GPU 資源、區域節點與推理任務規模不斷擴大後，單純「擁有算力」已經不足以建立長期壁壘。越來越多 AIDC 營運商與 GPU 雲平台開始意識到，未來真正決定效率與利潤率的，不只是 GPU 數量，而是如何動態調度模型、算力與 Token 流量。

因此，許多原本布局 AIDC 與 GPU 雲的平台，也開始向「智能調度層」延伸。例如中國市場中的優刻得、首都在線、中科曙光等公司，都在嘗試將自身 GPU 雲設施、多雲資源與推理調度能力結合，逐步從「賣算力」，走向「優化算力」。

第七層蛋糕：模型與 Agent——Token 消耗者

這一層雖然最靠近用戶，也最容易獲得流量，但競爭同樣最激烈。在 GTC 2026 上，黃仁勛提出了這樣一個觀點：未來每一家公司都將成為「Token 產生者與 Token 消費者」。

一個 AI Agent，可能會同時調用多個模型、多個工具、多個 API，並持續進行推理、規劃和執行。這意味著，未來 AI 消耗的 Token 量，將遠遠超過今天人類與 AI 對話的規模。現在的一些的 AI 重度用戶，自己搭建多 Agent 並發與互相調用的系統，每天消耗 10 億 Token 完全不在話下。

未來不是 10 億人在使用 AI，而是 100 億，乃至 1000 億個 AI Agent 同時工作，彼此調用。而真正的瓶頸，也將從「模型能力」，轉向「Token 調度效率」。

科技巨頭自然不必多說，Microsoft、Google、Meta、Amazon 等正在通過辦公系統、搜尋、社交網絡與雲服務，把 AI 能力逐漸嵌入所有產品之中。

Adobe、Salesforce、ServiceNow、Palantir 等企業軟體公司，則在企業級 AI Agent 和自動化工作流方向快速推進。與此同時，Hugging Face 正在成為 AI 時代的「Github」。它不僅是模型社區，更是全球 AI 開發生態的重要基礎設施。

在中國市場，科大訊飛、昆侖萬維、三六零、金山辦公、商湯科技等公司，正在圍繞 AI 助手、AI 辦公與 AI Agent 展開布局。

當「七層蛋糕」真正成型之後，AI 世界才會真正開始

今天的 AI 產業，其實仍處於一套尚未完全成熟的基礎設施體系之中。

有人擁有最先進的 GPU，卻受限於能源；有人建起龐大的 AIDC，卻缺乏高效調度；有人開發出強大的模型與 Agent，卻面臨高昂的推理成本與延遲；有人掌握邊緣節點，卻無法形成統一協同的網絡。

從電力、AIDC、GPU，到 LLM、Token 分發、智能調度與 AI Agent，整個 AI 產業鏈雖然正在高速發展，但各層之間仍存在大量割裂、冗餘與效率瓶頸。

而只有當這套「七層蛋糕」真正被構建完整，並開始高效協同運轉時，AI 產業才會從今天的「工具時代」，真正進入屬於智慧世界的「大規模採用時代」。

未來的 AI 世界，將不再只是少數科技巨頭訓練大模型，而是數十億個 AI Agent 持續在線、持續協作、持續調用算力與 Token。每一次對話、每一次推理、每一次工具調用、每一次自動執行任務，背後都對應著能源、GPU、網路、調度系統與推理節點的協同運轉。

而這也意味著，AI 行業正在從過去的「軟體邏輯」，逐漸演化成一個涵蓋能源、晶片、雲計算、邊緣網路與智慧調度的超級工業體系。

就像工業革命不僅需要蒸汽機，也需要鐵路、電網與港口；互聯網革命不僅需要 PC，還需要光纖、數據中心與雲計算。AI 革命真正成熟的標誌，也不會只是某一個爆款應用，而是全球範圍內，一個能夠持續生產、分發、調度與消費 Token 的「智慧基礎設施網絡」開始形成。

而當這七層基礎設施最終真正連接在一起時，AI 行業的競爭邏輯也將被徹底重構。未來最重要的公司，或許不再只是擁有最大模型的公司，而是那些能夠連接能源、算力、網路、模型與 Token 流動的公司。