文章作者、来源：律动BlockBeats

AI 时代的驱动力，已经从模型变成了 Token

在过去两年，AI 行业上半场的叙事逻辑主要围绕着各家大厂开启的「大模型战争」。参数量从千亿迈向万亿，训练成本从几千万美元上升到数亿美元，GPU 集群从几千张卡扩展到几万张卡。所有人都在讨论谁的模型更强，谁更接近 AGI，仿佛 AI 竞争的终点是从大模型本身的性能所呈现的。

而时间来到 2026 年，AI 行业的驱动逻辑已经变了。JPMorgan 最新的报告认为，未来真正驱动 AI 基础设施持续扩张的，不再是模型训练，而是海量的 AI 推理（Inference）需求。未来消耗算力最多的，不再只是训练大模型，而是遍布全球的 AI Agen。每一次调用、每一次交互、每一次任务执行，本质上都在消耗 Token。AI 产业正在从「模型时代」，进入「Token 工业时代」。

因为未来真正驱动 AI 世界运转的，不只是模型本身，而是围绕 Token 所形成的生产、分发、调度与消费体系。尤其在 AI Agent 开始大规模出现后，Token 如何被实时生成、跨区域分发、动态调度与高效消费，将成为整个 AI 产业最核心的新问题。

正如黄仁勋近期所提出的，AI 并不是一个简单的软件行业，而是一套像电力与互联网一样的基础设施体系。在他的「五层蛋糕」架构中，AI 产业被划分为：能源、芯片、基础设施、模型与应用五层结构。而随着 AI 产业从「训练时代」逐渐进入「推理时代」，GoodVision AI 更倾向于将整个 AI 经济产业链理解为一个围绕 Token 运转的「七层蛋糕结构」：

第一层：电力——AI 时代的能源基础

第二层：AIDC——Token 工厂

第三层：GPU——Token 的生产设备

第四层：LLM——Token 的生产引擎

第五层：Token 分发——AI 时代的「电网」

第六层：Token 优化与智能调度——AI 时代的大脑

第七层：AI Agent——Token 消费终端

从能源、GPU，到 AIDC、边缘节点，再到模型推理与智能调度，AI 产业正在形成一套前所未有的「Token 工业体系」。

但现阶段，这套体系仍远未成熟。

有人拥有最先进的 GPU，却受限于能源；有人建起庞大的 AIDC，却缺乏高效调度；有人开发出强大的 AI Agent，却面临高昂的推理成本与延迟；有人掌握边缘节点，却无法形成统一协同的网络。整个产业链虽然高速发展，但各层之间仍存在大量割裂、冗余与效率瓶颈。

而只有当这七层基础设施真正被打通、协同并连接在一起时，AI 产业才会从今天的「工具时代」，真正迈向属于智能世界的「大规模采用时代」。

第一层蛋糕：电力——AI 时代的能源

工业革命争夺的是煤炭与石油，互联网时代争夺的是流量与服务器，而 AI 时代，最底层的战争正在重新回到能源。

因为 AI 最终消耗的是电。一个大型 AI 数据中心的耗电量，已经接近一座中型城市。全球各地的新建 AIDC（AI 数据中心），正在面临同一个问题：GPU 可以买，土地可以建，但电力供给跟不上，电网调度也跟不上。

这也是为什么，越来越多 AI 公司开始重新关注能源基础设施。在 GTC 2026 上，黄仁勋甚至将未来的数据中心定义为「Token 工厂」。其工厂的最上游将催生出一个超级能源产业。

在中国市场，长江电力、中国核电、中国广核、三峡能源、龙源电力、华电新能源等公司，分别代表水电、核电、风电与光伏等核心能源方向。其中，核电与水电凭借稳定供电能力，正成为 AIDC 最重要的基础能源；而风电与光伏则受益于 AI 行业对绿电与 ESG 需求提升。随着「东数西算」和大型 AI 数据中心建设推进，新能源基地与算力中心的协同关系正在快速加强。

在美国市场，NextEra Energy、Dominion Energy、Duke Energy、Southern Co.、Exelon 等传统能源巨头，也正受益于 AI 数据中心扩张。其中，NextEra 是北美绿电龙头；Dominion 掌握北弗吉尼亚「数据中心走廊」核心输电资源；Exelon 则凭借核电稳定供电能力，成为 AI 时代「全天候高稳定电力」需求的重要受益者。整体来看，全球电力行业正在从传统公用事业，逐渐升级为 AI 基础设施时代的核心资源层。

整体来看，这一层的竞争格局正在从传统能源公司的「电价竞争」，变成下游的 AI 数据中心、云厂商和能源公司之间的「电力锁定权竞争」。谁能够锁定长期、稳定、低成本的能源，谁就掌握了 Token 生产的第一颗龙珠。

第二层蛋糕：AIDC——Token 原料工厂

单颗 GPU 没有意义，真正重要的是规模化集群。于是就出现了 AIDC。

它像工业时代的炼钢厂、电厂和流水线工厂，把成千上万张 GPU 集中起来，形成稳定的 Token 生产能力。但工厂的问题也开始出现：传统 AIDC 建设周期往往长达 18 到 36 个月，电网扩容甚至需要更久。当 AI 需求以指数级增长时，旧时代 IDC 的建设速度，已经无法满足新的 Token 经济。

在美股市场，Equinix 是全球最领先的数据中心运营商之一，在 30 多个国家拥有超过 240 个数据中心。其核心优势并不仅仅是机房数量，而是全球互联能力和低延迟网络资源，因此成为 AI 算力部署的重要基础设施节点。

Digital Realty 则通过 PlatformDIGITAL 平台切入 AI 基础设施，服务对象包括大型云服务商与金融机构。

在中国市场，润泽科技是 A 股最典型的 AIDC 运营商之一。其主营业务已经从传统 IDC 逐渐向 AI 算力中心升级，核心竞争力在于大规模机房、电力资源与 AIDC 运维能力。奥飞数据、首都在线等企业，则分别在区域数据中心、云基础设施与 AI 算力托管方向持续扩张。中科曙光在 AIDC 业务中偏向于政企与科研领域开展合作。

而另一类玩家则来自「矿场转型」。CoreWeave、IREN、Applied Digital、Cipher Mining 等公司，原本很多都与加密货币挖矿相关，但随着 AI GPU 需求暴涨，它们迅速转向 AI 算力基础设施。IREN 主打「绿电+AI 算力」模式，通过可再生能源建设高密度 GPU 数据中心。Applied Digital 和 Cipher Mining 也都在从传统矿场向 AI 高性能计算基础设施转型。

此外，边缘化、小型化、模块化 AI Factory 开始成为新的趋势。就像互联网时代从大型机走向云计算一样，AI 算力需要从超大型中心节点，逐渐向区域化边缘节点扩散。

因此，GoodVision AI 选择了另一条路径：构建更加轻量化、模块化、可快速复制的 AI Factory。相比传统大型 AIDC，GoodVision AI 更强调区域化部署能力、高密度 GPU 集群效率，以及能源与算力的一体化协同。

其核心逻辑并不是建设单一超大型数据中心，而是在全球的高密度人口区域快速部署 AI Factory 节点，通常来说是 2-4MW 的小型推理算力机房。这种模式不仅能够更快接入当地能源资源，也更适合未来 AI 推理需求向边缘侧扩散的趋势。

如果说传统 AIDC 更像工业时代的大型炼钢结构，那么 GoodVision AI 所构建的，则更像 AI 时代的「区域化 Token 工厂」——更轻、更灵活、更接近用户，也更适合未来全球分布式推理网络的发展方向。

第三层蛋糕：GPU——Token 的生产设备

如果说电力是能源，那么 GPU 就是生产设备。在 AI 爆发的最初几年，GPU 主要服务于训练；但未来，更大的需求来自推理。因为训练只属于少数头部公司，而推理会渗透到每一个应用、每一台设备、每一个终端。机器人需要推理，自动驾驶需要推理，AI 眼镜需要推理，甚至未来每一个 AI Agent 之间的协作，也都在实时消耗 Token。

NVIDIA 目前仍然是全球 AI 芯片产业的绝对核心。其 H100、B200、Blackwell 等 GPU 产品，几乎定义了当前全球 AI 训练与推理标准。更重要的是，NVIDIA 不仅卖芯片，还通过 CUDA、TensorRT、DGX、HGX 等软硬件体系构建了完整生态，因此其竞争对手不仅需要挑战 GPU 性能，更需要挑战整个 AI 软件生态。

AMD 是目前最主要的 GPU 挑战者，核心产品包括 MI300X 等 AI GPU。相比 NVIDIA，AMD 更强调开放生态和 ROCm 软件平台，希望通过更开放的方式吸引 AI 开发者与企业客户。

Broadcom 和 Marvell 则代表另一条路线——ASIC 与高速互联。随着 AI 推理场景越来越复杂，越来越多企业开始尝试定制 ASIC 芯片，以获得更高能效比和更低成本。

Intel 则通过服务器 CPU 与 Gaudi AI 加速卡切入 AI 市场，希望利用自身 CPU 生态重新参与 AI 基础设施竞争。

在中国市场，寒武纪是国产 AI 芯片最具代表性的企业之一，主推思元系列 AI 芯片，并构建了自研 AI 框架 Neuware。海光信息则拥有 AMD Zen 架构授权，重点布局 DCU 与 AI 推理市场。

摩尔线程、燧原科技、沐曦股份、壁仞科技等国产 GPU 公司，则代表中国 AI 芯片「国产替代」方向。它们普遍强调兼容 CUDA 生态，并尝试构建国产 GPU 集群。

从 CUDA 生态到 HBM 内存，再到 Tensor Core，整个 AI 产业的核心，其实是在不断提升「单位时间内生成 Token 的效率」。与此同时，GPU 及其背后的服务器、光模块、液冷、交换机等基础设施，也与 Token 生产效率密切相关。

这些东西不像英伟达、OpenAI，AI 应用的公司那样耀眼，但它们决定了整个 AI 世界是否能够真正运转。好比工业革命不仅需要蒸汽机，也需要铁路、电网与港口。AI 革命，也不会只是一个软件革命。它是一次覆盖能源、芯片、网络、云计算与基础设施的全球产业链升级。

Vertiv 是全球数据中心 UPS 与电力管理龙头，提供数据中心供电、机柜配电与精密空调系统。

英维克则是 A 股液冷和温控系统龙头，客户包括 BAT 等大型互联网公司。随着 GPU 功率越来越高，液冷正在成为 AIDC 的重要标配。

中恒电气、科华数据、科士达等公司，则在 UPS、电源系统与 IDC 供电领域具备重要地位。

在网络与光模块方向，中际旭创、新易盛、天孚通信等公司，受益于 AI 集群内部高速通信需求暴涨。

而在服务器整机方向，Dell、HPE、超微、联想、浪潮信息等公司，则承担着 AI 服务器的大规模组装与交付。

这一层虽然不直接面对最终用户，却决定了 AI 基础设施是否能够真正稳定运行。液冷、UPS、光模块、交换机、储能与服务器整机，就像工业时代的铁路、电网与港口一样，正在成为 AI 世界真正的「卖铲人」生意。

第四层蛋糕：LLM——Token 的生产引擎

LLM（大语言模型）则决定了 Token 如何被理解、生成与组织。过去两年，OpenAI、Anthropic、Google、Meta、xAI、DeepSeek 等公司掀起了全球「大模型竞赛」。参数量从千亿迈向万亿，模型能力也从文本生成，逐渐扩展到多模态、推理、代码、Agent 协作与长期记忆。

但随着行业逐渐发展，市场也开始意识到：未来真正重要的，不再只是「谁拥有最大的模型」，而是谁能够以更低成本、更高效率地持续运行模型。因为模型本身并不直接创造价值，真正创造价值的，是模型被不断调用后的推理过程。

这也意味着，LLM 正在从过去的「展示模型能力」，逐渐演化成 AI 世界中的「Token 生产引擎」。

OpenAI、Anthropic、Google Gemini、Meta Llama 等闭源与开源模型，正在争夺未来 AI 生态入口；而 DeepSeek 等新兴玩家，则通过更低成本、更高推理效率的方式，开始重塑行业竞争格局。现在 LLM 层的竞争，也逐渐不再单纯的追求参数量的竞争，评判标准逐渐转向多个维度的对比：

Token 成本

推理效率

Context 能力

多 Agent 协同

长期记忆

模型与基础设施协同能力

因为 AI 时代真正重要的，一单单只是看大模型有「聪明」，而是模型能否在全球范围内被持续、大规模、低成本地运行。GoodVision AI 在这一层也有自己的优化方案：通过与大模型厂商合作，将大模型部署在 AI Factory 机房，实现从传统算力租赁业务到直接提供 Token 服务；不仅能提升业务毛利，用户的使用体验也更近友好。

第五层蛋糕：Token 分发——AI 时代的「电网」

当 AIDC 建成之后，下一个问题出现了：这些算力，如何被全世界使用？

于是，算力租赁平台开始出现。它们像 AI 时代的「电网系统」，把原本集中式的 GPU 资源拆分、分发，再按需出租给开发者、企业与 AI 应用。

AWS、Azure、Google Cloud、阿里云、腾讯云仍然是这一层最强大的玩家。它们拥有全球最大的云计算基础设施，并正在将 AI GPU 资源逐渐纳入自身 IaaS 体系。

但与此同时，一批「AI 原生云」开始快速崛起。CoreWeave、Nebius、Nscale 等公司，专门围绕 AI 训练和推理需求构建 GPU 云平台。相比传统云厂商，它们更加灵活、更聚焦 AI 任务，也更擅长 GPU 集群优化。

CoreWeave 是目前 NeoCloud 最具代表性的公司之一。其最初专注于以太坊挖矿，之后全面转向 AI GPU 云服务，目前已成为 NVIDIA 重点支持的 AI 基础设施公司。

DigitalOcean、Vultr 等轻量型云平台，则面向中小开发者与创业公司，强调快速部署与低成本 GPU 服务。

在中国市场，除去巨头们，优刻得、金山云、首都在线等公司，均是 GPU 云和 AI 算力租赁市场的主力供应商。这一层的竞争格局非常像早期电网：如何把分散的算力高效分发出去。

第六层蛋糕：Token 优化与智能调度——AI 时代的大脑

这或许是最容易被低估但也最关键的一层「蛋糕」。随着 AI Agent 使用量爆发后，大家发现，不是所有任务，都值得调用最贵的大模型。很多简单任务，本地模型就能完成；很多实时任务，更适合边缘推理；很多隐私任务，甚至不能上传云端。在「有没有算力」这个问题之后，又多了一个问题，即「如何更聪明地使用算力」。

随着对 Token 需求的指数级增长，「让合适的模型，在合适的算力上，处理合适的任务。」是让 Token 被合理，高效使用的关键。这正是 GoodVision AI 除了布局 AI Token 工厂之外正在努力的方向之一。

就像今天的电力系统一样：有些需求来自大型电网；有些需求来自屋顶太阳能。而真正重要的，是中间那层「智能调度系统」。

未来的 AI，也会是同样的结构：简单任务由本地小模型完成，复杂任务调用云端大模型，高隐私任务在边缘侧处理，高并发任务，通过混合云动态调度。

除了 Goodvision AI 之外，青云科技、Lambda、OpenRouter、Fireworks AI 等公司，也是 Token 优化与智能调度的佼佼者。

而这层「蛋糕」与前两层「蛋糕」——AIDC 和算力租赁之间，存在高度重叠的玩家。当 GPU 资源、区域节点与推理任务规模不断扩大后，单纯「拥有算力」已经不足以建立长期壁垒。越来越多 AIDC 运营商与 GPU 云平台开始意识到，未来真正决定效率与利润率的，不只是 GPU 数量，而是如何动态调度模型、算力与 Token 流量。

因此，许多原本布局 AIDC 与 GPU 云的平台，也开始向「智能调度层」延伸。例如中国市场中的优刻得、首都在线、中科曙光等公司，都正在尝试将自身 GPU 云设施、多云资源与推理调度能力结合，逐渐从「卖算力」，走向「优化算力」。

第七层蛋糕：模型与 Agent——Token 消耗者

这一层虽然最靠近用户，也最容易获得流量，但竞争同样最激烈。在 GTC 2026 上，黄仁勋提出了这样一个观点：未来每一家公司都将成为「Token 生产者与 Token 消费者」。

一个 AI Agent，可能会同时调用多个模型、多个工具、多个 API，并持续进行推理、规划和执行。这意味着，未来 AI 消耗的 Token 量，将远远超过今天人类与 AI 对话的规模。现在的一些的 AI 重度用户，自己搭建多 Agent 并发与互相调用的系统，每天消耗 10 亿 Token 完全不在话下/

未来不是 10 亿人在使用 AI，而是 100 亿，乃至 1000 亿个 AI Agent 同时工作，彼此调用。而真正的瓶颈，也将从「模型能力」，转向「Token 调度效率」。

科技巨头自然不必多说，Microsoft、Google、Meta、Amazon 等正在通过办公系统、搜索、社交网络与云服务，把 AI 能力逐渐嵌入所有产品之中。

Adobe、Salesforce、ServiceNow、Palantir 等企业软件公司，则在企业级 AI Agent 和自动化工作流方向快速推进。与此同时，Hugging Face 正在成为 AI 时代的「Github」。它不仅是模型社区，更是全球 AI 开发生态的重要基础设施。

在中国市场，科大讯飞、昆仑万维、三六零、金山办公、商汤科技等公司，正在围绕 AI 助手、AI 办公与 AI Agent 展开布局。

当「七层蛋糕」真正成型之后，AI 世界才会真正开始

今天的 AI 产业，其实仍处于一套尚未完全成熟的基础设施体系之中。

有人拥有最先进的 GPU，却受限于能源；有人建起庞大的 AIDC，却缺乏高效调度；有人开发出强大的模型与 Agent，却面临高昂的推理成本与延迟；有人掌握边缘节点，却无法形成统一协同的网络。

从电力、AIDC、GPU，到 LLM、Token 分发、智能调度与 AI Agent，整个 AI 产业链虽然正在高速发展，但各层之间仍存在大量割裂、冗余与效率瓶颈。

而只有当这套「七层蛋糕」真正被构建完整，并开始高效协同运转时，AI 产业才会从今天的「工具时代」，真正进入属于智能世界的「大规模采用时代」。

未来的 AI 世界，将不再只是少数科技巨头训练大模型，而是数十亿个 AI Agent 持续在线、持续协作、持续调用算力与 Token。每一次对话、每一次推理、每一次工具调用、每一次自动执行任务，背后都对应着能源、GPU、网络、调度系统与推理节点的协同运转。

而这也意味着，AI 行业正在从过去的「软件逻辑」，逐渐演化成一个覆盖能源、芯片、云计算、边缘网络与智能调度的超级工业体系。

就像工业革命不仅需要蒸汽机，还需要铁路、电网与港口；互联网革命不仅需要 PC，还需要光纤、数据中心与云计算。AI 革命真正成熟的标志，也不会只是某一个爆款应用，而是全球范围内，一个能够持续生产、分发、调度与消费 Token 的「智能基础设施网络」开始形成。

而当这七层基础设施最终真正连接在一起时，AI 行业的竞争逻辑也将被彻底重构。未来最重要的公司，或许不再只是拥有最大模型的公司，而是那些能够连接能源、算力、网络、模型与 Token 流动的公司。