当下，人们对AI的关注几乎被“大模型智商测试”和各类跑分榜单所占据。这种聚焦于算法、参数层面的线性逻辑，在无形中制造了极大技术焦虑，也让人误以为通用人工智能（AGI）的进化，只关乎模型参数的持续堆叠。
但其实，当AI进入真实产业系统后，这种理解方式并没有太大意义。模型能力可以提升，但成本、延迟与规模化落地的问题，并不会随着参数增长自动解决。问题开始暴露在模型之外。
AI产业的核心矛盾，因此从“模型能力”，转向“系统结构”。
也正是在这一背景下，NVIDIA创始人兼CEO黄仁勋在GTC 2026前夕，提出了一个更贴切的框架——“AI五层蛋糕”框架理论。他认为，AI产业不能仅依靠单点技术突破，而必须作为一个由能源、芯片、基础设施、模型、应用构成的完整系统来运行。
这个框架的意义在于，其重新定义了AI竞争的对象：不再是模型，而是系统。
而当AI被视为系统之后，就必须在现实世界中找到对应产业结构，否则这一框架无法成立。
从产业形态来看，全球供应链提供了极佳的参照系，其同样由多个环节构成，并通过信息流与物理流的结合实现整体运转。
而就在6月22日的第四届中国国际供应链促进博览会（链博会）上，黄仁勋也发表了致辞。他指出，链博会所关注的是世界上最重要的体系之一：供应链。供应链连接着能源、工厂、物流、企业和客户，进而连接着整个世界。每一条供应链同时也是一个信息系统，而AI将赋予这一系统智能。
供应链的结构特征，由能源供给、制造环节、物流网络、企业系统和终端用户构成，并通过信息系统进行连接与调度。
如果把这一结构与“AI五层蛋糕”对照，可以看到两者具有一致的分层逻辑，能源与制造对应底层供给，芯片与基础设施对应中间计算与连接层，模型与应用对应上层决策与执行。
在这一对照关系下，产业供应链成为“AI五层蛋糕”在物理世界中的展开形式。
进一步来看，在全球产业系统中，不同国家的参与方式并不相同，而中国在“AI五层蛋糕”的所有层级中均深度涉猎，并形成了跨层级的系统能力。
在能源与制造环节，中国具备完整的工业体系与供应链基础；在芯片与基础设施层面，参与硬件制造与系统集成；在模型与应用层面，中国具备大规模的落地能力与产业场景。
在这一框架中，中国已经形成了“全栈式嵌入”的产业形态。
黄仁勋表示：“中国是世界上重要的科技与产业中心之一，这里的工程师表现卓越，开发者行动敏捷，企业也以非凡的规模实现发展。”
也正因此，NVIDIA在链博会上展示了“AI五层蛋糕”切面。其展示联合110余家来自不同层级的客户、合作伙伴与OEM厂商，覆盖能源、芯片、基础设施、模型、应用多级产业链。
这其中，这些合作伙伴大多来自中国供应链体系，使得这一展示呈现出中国在“AI五层蛋糕”框架中高度完整的产业嵌入能力，和全链条参与结构。
01 透视“AI五层蛋糕”，中国AI供应链的“硬核”站位
透视“AI五层蛋糕”，可以更清晰地看到中国AI产业在不同层级中的实际位置和跨层级协同能力。贯穿这一体系，以NVIDIA等为代表的计算架构提供了底层算力基础设施支持，使不同层级的产业环节能够在统一的计算平台上协同运行。
“AI五层蛋糕”结构中，能源处于最底层。既决定算力扩张的边界，也维系着整个计算系统的持续运行。随着模型参数规模扩大、推理需求增长，能源与计算之间的关系也在发生变化，算力的增长正不断抬高能源需求，AI则开始进入能源生产、装备制造和电力供应环节，二者由单向供给逐渐走向深度耦合。
可控核聚变是这一趋势下最前沿的能源应用场景之一。在本次展会上，我们看到了中国在能源基建与AI技术双向赋能方面的深度探索。中国极为完备的电力基础设施，为AI发展提供了坚实底座，与此同时，AI也正在重塑能源的生产与调度网络。
在可控核聚变这一人类能源终极的探索之路上，能量奇点公司借助AI驾驭极端复杂的物理装置。通过在NVIDIA的GPU上部署AI模型，能量奇点利用“实时磁平衡重建算法”对复杂的等离子体特征进行推理并实施实时控制。借助NVIDIA Nsight Systems和TensorRT工具链54.8倍的加速。这一突破满足了核聚变装置毫秒级的严苛控制要求，开创了从被动响应到主动预测的新能源控制范式。
（Nsight Systems可将系统工作负载指标可视化到时间轴上，并提供工具帮助开发人员检测、理解和解决性能问题）
截取自：NVIDIA开发者社区
在更贴近商业化落地的智算中心（AIDC）供电领域，金盘科技打造了制造行业全面采用NVIDIA全栈技术的智能工厂。依托NVIDIA AI Enterprise（NVAIE）与NIM微服务自动化流水线，金盘科技构建了统一的MOI数据治理平台，并为高耗能的AI数据中心量身定制了涵盖干式变压器、储能变流器、UPS、HVDC（高压直流）及SST电源的全套智能电力架构解决方案，切实稳固了AI算力高速发展的底层“大动脉”。
NVIDIA AI Enterprise
截取自：NVIDIA
能源层之上，芯片层承担着将电能高效、大规模地转化为计算能力的核心使命。在大模型时代，算力的竞争早已超越单颗芯片的理论峰值，演变为涵盖整机架构、高速互联与极致散热的系统性工程。
在这一层面，中国硬件生态展现出强大的系统集成与模块化创新能力。
在展区中，中兴通讯（ZTE）、新华三（H3C）、比亚迪电子（BYD Electronics）、安擎、云尖信息（CNIT）等国内顶尖生态伙伴悉数登场，共同构筑起多元化的算力基座。
以中兴通讯的R6701G6智算服务器为例，该设备基于NVIDIA MGX模块化参考设计平台打造，高度标准化的模块设计大幅缩短了量产周期。在搭载双路Intel GNR-SP CPU与多块NVIDIA高性能GPU的同时，服务器通过精密的内部架构，配合高性能风扇模组与N+1双输入电源模块，可充分满足当下高密度模型推理与训练需求。
MGX可将计算和网络服务器、冷却、电源、连接器等统一起来，为整个生态系统提供通用的第三代MGX机架级设计。
截取自：NVIDIA
与此同时，算力密度的持续攀升使传统风冷方案逼近物理极限。超聚变的液冷工作站配备了GPack、CPack、MPack、SPack 等模块化液冷散热系统，依托这种极致散热能力，该工作站能够稳定承载 NVIDIA 的底层算力，面向AI开发、科学计算、工程仿真等高性能应用场景，为入门级终端带来跨越量级的算力体验。
芯片层之上，基础设施层承担着将算力资源整合为可运转“AI工厂”的重任。AI时代的数据中心正从传统机房演进为拥有数万颗芯片的超大规模算力集群。支撑这座工厂运转的，不仅包括GPU，更涵盖高速互联网络、液冷散热系统，以及复杂的整机集成能力，这也正是中国制造的重要生态位所在。
在数据处理架构层面，百度推进了离线计算的GPU化工程实践。面对持续增长的离线计算需求，百度引入了NVIDIA的cuDF、cuVS以及 Spark RAPIDS等工具链，以此驱动整体数据处理链路的加速。
NVIDIA CUDA-X
截取自：NVIDIA
围绕IO、Scan、调度、Fallback机制，以及系统稳定性等关键环节，百度进行了系统性优化，使GPU加速能力覆盖 ETL、Ad-hoc 查询以及 Batch 任务等多类核心场景，最终实现端到端计算成本下降约50%。
在金融基础设施应用方面，NVIDIA的GPU原生数据库（GPU-Native Databases）在金融数据分析与实时决策中呈现出整体的加速能力。面向风控、交易、反欺诈、客户洞察与合规审计等典型场景，可基于GPU平台搭建大规模金融数据查询分析、实时风险计算与模型推理，以及高频交易数据处理进行加速，从而为金融行业提供高性能的数据处理底座。
当算力与基础设施逐渐成熟，焦点开始向模型层转移。中国AI企业在经历高速扩张后，持续通过底层架构创新（如MoE、DiT）与极致的工程优化来提高运行效率。
行业领先的开源模型MiniMax获得了NVIDIA的Day 0级接入支持。围绕这一模型，NVIDIA构建了从原型开发到生产部署的完整路径。开发者可以直接在 GPU加速端点上快速进行模型验证与原型设计；当进入工程化阶段时，则可以将 MiniMax M3 以容器化推理微服务的形式部署为NVIDIA NIM，在本地、云端或混合基础设施中实现灵活扩展与统一调用。
在模型定制层面，NVIDIA 也提供了进一步的能力延展。开发者可基于自有数据对 MiniMax M3进行定制优化，通过NeMo Framework完成微调，从而将通用能力迁移到更贴近业务场景的模型表现。
截取自：NVIDIA
除了通用大模型领域，在AI for Science方向，NVIDIA的软件栈同样支撑着大量科学大模型的训练与推理。在气象与气候预测领域，“风乌”全球多尺度气象预报体系运行于NVIDIA GPU集群之上。其跨卡、跨节点的大规模训练采用CUDA、cuDNN，以及NCCL通信库保障并行计算效率；而复杂的解耦组合迁移学习、多区域LoRA微调等能力，则借助NeMo框架实现高效训练与模型服务。
在生命科学领域，清华大学张强锋团队研发的CryoNet利用CUDA、cuDNN以及Tensor Core混合精度计算能力，实现冷冻电镜原子模型的自动重建；西湖大学的CellVQ则结合NeMo大规模并行训练能力和RAPIDS数据处理框架，对6800万个单细胞样本进行预训练分析。
cuDNN Graph API 描述的示例操作图
截取自：NVIDIA
在工业研发场景中，十沣科技将自研神经算子与PhysicsNeMo深度融合，并借助Magnum IO实现多GPU扩展，完成端到端实时物理场预测。
PhysicsNeMo框架
截取自：NVIDIA
应用层，是“AI五层蛋糕”价值兑现的最终出口。换句话说，能源、基建、算力、模型的持续投入，解决的是“能不能跑”的问题，而应用层解决的是“跑进哪里、跑得多深”的问题。
事实上，当AI开始进入业务系统之后，关键的变化是，场景变成了反馈源。也就是说，应用层不仅是技术的消耗端，同时也开始反向塑造模型能力与算力结构。而中国市场的特殊性，正在于极度放大了这种反馈。高密度、多行业并行的落地，使AI同时进入大量真实生产系统，塑造出“高频反馈环境”。
也正是在这种反馈机制下，不同类型的应用开始沿着同一条逻辑链展开：当场景复杂度上升，系统瓶颈就会从模型能力，转移到计算效率与系统结构；而当效率被逼近极限时，AI又会反过来重塑系统形态。
这一挑战在多模态生成任务中尤为突出，视频生成场景更是如此。以快手的“可灵AI”为例，在其基于DiT的架构中，随着视频长度和分辨率的提升，注意力机制的计算成本急剧攀升，逐渐成为整个生成流程的主要性能瓶颈。
针对这一问题，快手携手NVIDIA从计算和注意力机制两个维度进行优化。一方面采用FP8低精度计算降低单次运算开销，另一方面引入视频稀疏注意力（VSA），减少跨帧及空间维度上的冗余Attention计算，从而将端到端生成效率提升3倍以上。最终使得视频生成从“具备生成能力”，迈向了“稳定、高效且可持续的规模化生成”。
当生成侧算力压力得到释放后，系统瓶颈转移到企业内部的服务链路，集中体现为调度效率、数据流转与端到端延迟控制等系统性工程问题。对此，腾讯元宝一方面通过拆分推理链路、优化CPU与GPU间的调度、减少跨层等待来降低端到端时延；另一方面，其混元模型借助NVIDIA TensorRT-LLM在TP、EP、FP8等多维度推理加速能力，进一步压缩计算环节耗时。二者协同，使系统能够支撑更复杂的多模态任务编排与联动。
02 从“AI五层蛋糕”到“AI工厂”：“三台计算机”与本土产业链的“双向奔赴”
不难发现，中国在“AI五层蛋糕”框架的每一层实现了全面的硬核占位。然而，产业物理结构的“全栈站位”并不等同于商业价值的自动兑现。要将这套全球最完整的供应链转化为持续的生产力，产业界亟需能够串联各层能力、实现闭环迭代的生产范式。
当前，这一范式正以“AI工厂”（AI Factory）的形态加速成型。
“AI工厂”的意义，是用工业流水线的方式，重新组织AI模型从开发到交付的工程过程。而在这一框架中，NVIDIA提出用“三台计算机”来对应AI系统的三类关键计算形态。
第一台计算机是训练计算机。这台计算机是AI工厂的“大脑铸造车间”，即NVIDIA DGX所代表的超大规模训练集群。当大模型迈向万卡甚至十万卡规模，且模型能力从纯文本向多模态与物理世界演进时，算力中心的建设演变为系统级极限工程，其需要海量GPU的高效协同、超高速无损网络互联、先进的液冷，以及极端精密的整机机电一体化集成。
而这，恰好也对应着了中国高端制造供应链的“深水区”。
AI训练集群背后的物理基础设施，是高密度、高功耗、高可靠性的复杂系统工程，其囊括了服务器、光模块、散热、电源与机柜系统在极限算力条件下的协同设计与集成。
在这一过程中，中国本土的服务器制造商、光模块企业、液冷散热方案商，以及精密结构件厂商，逐步完成了对NVIDIA GPU等先进计算设备的工程适配，把不断变化的系统规格，拆解为可制造、可交付、可长期运行的硬件与子系统，并在批量部署中持续修正工艺边界与可靠性参数。
第二台计算机是仿真计算机。基础模型诞生后，AI进入物理世界之前必须经历关键的“演习”环节。第二台计算机Omniverse、Cosmos所构建的“虚拟实验场”是严格遵循物理规律的数字孪生环境，用于对模型进行高强度的虚拟训练与验证。
在过去，机器人与自动驾驶的测试高度依赖真实物理世界，长尾场景覆盖周期极其漫长。而Omniverse、Cosmos允许开发者生成海量带标注的合成数据，对极端路况与精细操作进行无损耗、可复现的加速测试，从根本上改变了研发链路中时间与空间的成本结构。
这台仿真计算机与中国庞大的工程师生态产生了颇具价值“化学反应”。中国拥有全球规模最大、迭代速度最快的AI开发者群体，其优势是高密度的工程问题求解能力。借助Omniverse、Cosmos，中国企业能够将原本在物理现场耗时数月甚至数年的调试工作，在虚拟空间中用数倍速提前跑通。这不仅大幅压降了“仿真到现实（Sim-to-Real）”的迁移成本，更能让工程师从重复性试错中解放出来，将创新精力集中在更高层级的系统优化与场景适配之上。
由此极大地加速了具身智能与工业AI的商业化进程。
NVIDIA的第三台计算机（AGX，即Jetson与DRIVE系列）定位于边缘端实时推理与控制。 在实际场景中，这一平台的实际价值在于提供标准化的硬件算力与软件栈，使企业能够在城市交通、工业制造、仓储物流等高动态环境中直接部署AI模型，无需从底层系统开始构建。
在实际落地中，这一平台的能力边界很大程度上被真实场景不断拉伸。
对中国市场而言，应用环境的复杂性尤为突出，新能源车辆在混合交通流中的路径规划、工业产线对微米级缺陷的视觉检测等，都对时延控制、功耗约束、系统可靠性方面提出了更高要求。
在这一过程中，边缘AI系统不能仅限于单向适配标准平台，而是要形成持续的工程共调。NVIDIA通过与本地OEM、Tier 1供应商、机器人厂商的协作，利用芯片算子库、驱动固件，以及中间件（如 Isaac SDK）不断针对传感器组合、通信协议与工况负载进行优化。
03 写在最后：让“AI五层蛋糕”成为高速转动的“产业飞轮”
从能源、基础设施、算力、模型到应用，中国在“AI五层蛋糕”的每一层都跑出了突破性优势。但是，“AI五层蛋糕”并非五块互不相干的切片，而是在彼此作用中逐渐咬合在一起。就像黄仁勋所说，AI产业并不是拆开的静态结构，而是不断循环、自我强化的系统。它的优劣，不取决于哪一层堆得最高，而取决于整体能不能真正转起来。
而一旦转起来，“产业飞轮”就出现了。应用先跑出真实需求，需求反过来推动模型持续演进，模型能力提升之后，又会进一步拉动对算力的需求；算力规模扩大后，基础设施就必须同步升级；而基础设施越庞大，对能源的消耗与支撑能力要求也随之上升。
更关键的是，当底层能力被持续夯实之后，又会反过来支撑更大规模、更复杂的应用落地，从而推动整个系统进入下一轮加速。
于是，能源、芯片、基础设施、模型、应用开始相互喂养、彼此强化，在循环中不断加速，形成一个越转越快的飞轮。而中国市场所具备的高密度、多行业同步推进的落地节奏，恰好为这个飞轮提供了强力推动力。
说到底，能够在“AI五层蛋糕”中的某一层建立优势的国家并不少，但能够同时把五个层面全部纳入同一体系，并形成闭环联动的，并不多。中国真正的价值，就在于让这五层不再各自为战，而是共同运转，把“全栈站位”转化为持续释放的生产力。
欢迎来到