智能经济：系统理解AI产业链

从单点算力竞赛到系统级协同：AI产业链研究范式转换

AI产业链的研究范式正在由"单点算力竞赛"转向"系统级协同"。2023-2025年，"算力短缺"能够较好解释AI行情和产业链利润分布；但随着推理需求快速增长、数据中心建设提速以及Agent进入商业化验证阶段，单一算力框架已不足以刻画AI产业链的边际变化。某一环节的细微变化会对其他环节产生蝴蝶效应，并需要从系统层面协同解决。AI产业的核心矛盾正在从"能否获得更多算力"转向"算力能否被低成本、稳定、规模化交付，并最终形成可验证的商业回报"。

AI系统包含了能源、芯片、基础设施、大模型与应用五个层级，共同决定AI扩张效率。在系统级竞争阶段，AI产业链需要同时回答五个问题：数据中心能否获得足够能源；芯片能否持续提升算力密度；基础设施能否高效及时地将能源与芯片转化为可交付算力；大模型能否把算力转化为可定价服务；应用能否证明ROI并反向支撑资本开支。

能源与基础设施层：硅基增长的物理约束

AI产业扩张越来越受到现实世界物理约束的影响，产业瓶颈正在由GPU、HBM等硬件逐步扩散至电力供给、电网并网、数据中心建设、燃气轮机、施工能力等基础设施环节。据麦肯锡测算，全球数据中心需求量将从2025年的82GW增长至2030年的219GW，对应年化增速超过20%。但从供给端看，数据中心建设节奏偏慢，大量数据中心存在延期或者取消风险。

AI数据中心主要的供给约束包括：电网并网时间过长，难以满足数据中心扩容需求；熟练工人供给不足，难以支撑数据中心施工交付需求；项目审批流程复杂，拉长规划容量向投运容量转化的时间；社区反对增加项目选址和落地的不确定性。

基础设施层面的物理约束，导致数据中心落地节奏的放缓，并不意味着产业趋势的逆转，更多是以时间换空间的过程。通过延长资本开支周期、提升存量算力稀缺性、强化了头部云厂商竞争优势，推动产业链价值进一步向供配电、散热冷却、电网设备和能源金属等环节扩散。

芯片层：需求与范式的转变

随着大模型从"军备竞赛"走向"应用落地"，算力需求发生结构性变化，推理取代训练成为新的增长极。催生出芯片层"通用GPU→AI异构平台、单卡算力→以存代算、海外主导→国产加速"等多重范式转换。

算力架构从以GPU为主导，转向AI异构平台（GPU+ASIC+CPU等）。在训练侧，NVIDIA凭借高性能GPU与CUDA生态仍具有主导地位。但推理侧对芯片算力要求更低，面对海量、高频的特定推理任务，定制化ASIC凭借极致单位成本和模型-硬件协同设计，开始抢占通用GPU份额。

需求的结构性变化带动硬件配比的重构，CPU的用量明显提升。不同场景CPU：GPU的配比关系大致为训练（1:8）、传统推理（1:4）、Agentic推理（1：1~1:2）。进入推理阶段后，工作负载特性发生变化，需要低延迟响应、实时任务调度、复杂流程编排，这些更多是CPU的强项。

推理端"高并发+长上下文+频繁读写"的特性，直接带来存储需求的迅猛增长，且严重受制于CoWoS等先进封装产能。推理场景下KV Cache占据大量HBM带宽，单次推理请求对HBM的依赖程度远高于训练侧。TrendForce等机构预计，未来数年HBM在DRAM中的产值占比将快速提升。

推理需求的爆发也为国产算力提供了应用空间。推理对单卡绝对性能要求低于训练，国产芯片与海外旗舰卡的代际差距在低时延、低吞吐场景下可以满足需求。超节点技术有效弥补了单卡性能不足的短板，依靠高速互联架构实现多芯片一体化协同，以系统级创新抵消单卡代差。

芯片层产业趋势并不是硬件自主演化的产物，而更多是下游AI需求结构变化传导至上游的结果。一旦下游场景变化，硬件端的优先级和排序或要重新调整。

模型层：Token经济学的实现路径

模型层承担了由算力到Token产出价值跃迁的关键一步。模型需要在性能、速度、价格不可能三角进行权衡取舍，性价比需求下，模型分层与路由成为必然选择。前沿模型决定了AI能力的上限，目前看Scaling Law仍然有效。基础模型决定了AI应用的广度，并将逐渐基础设施化。

模型层的问题在于，同质化竞争导致纯模型业务较难获得长期稳定的超额回报。潜在破局思路是向上下游延伸，以掌握价值链的更多环节，建立竞争优势。具体而言：获得更多自主可控算力资源；开发更多商业变现场景；融入本地生态；构建数据飞轮与网络效应。

中国模型厂商凭借性价比优势正在获得更多的市场份额，背后是开源生态、架构创新、低能源成本、国产配套等因素共同支撑。从Openrouter的数据来看，对中国厂商的token调用量自5月下旬以来快速上升并超越美国同行。

应用层：等待跃迁点

从收入端看，当前AI链主要赚的是云厂商巨额开支的钱。要想形成持续的商业闭环，终端应用收入能否覆盖上游巨额资本开支，成为AI可持续性的关键验证环节。据麦肯锡测算，2025-2030年全球AI总资本开支规模或将达到5万亿美元，预计在2030年应用端可能需要每年产生10万亿美元级别的稳态收入，才能保证投资的可持续性。

从需求端看，Token的增长=任务复杂度×持续时长×并发规模。每个因子都有数倍的提升空间，相乘之后意味最终Token需求曲线将长期保持指数增长形态。任务复杂度方面，应用场景的切换带来任务复杂度的提升，是Token需求的核心驱动因素。未来可能会经历Chatbot→Agent AI→AI research→Physical AI几大应用场景的转变。持续时间方面，从手写提示词，到Harness、Loop工程，打开Agent"时长乘数"。并发规模方面，AI渗透率提升与多Agent协同带来乘数效应。

系统思维与产业链价值迁移

理解AI产业链愈发需要系统和动态思维。除了技术的领先度之外，竞争格局与商业壁垒是更重要的长期变量。中上游溢价权仍有望保持相当长一段时间，模型与应用层可能仍在风险投资阶段。参考互联网产业革命的发展历程，泡沫期"卖铲人"享受确定性溢价，而当基础设施建设完备，最大市值最终由应用层捕获，但整个过程持续了数十年时间。

AI产业链的终局图景，是搭建一个完备的、适合AI生存的硅基世界。能源是食物、数据中心是城市、Agent是公民、基础模型是大脑、Token是货币。目前仍处于"基础设施与器官"建设的初级阶段，后续还需要身份认证、支付结算、社交协作与安全治理体系等软件基础设施协同运行。当然，终局叙事不可替代估值纪律，想象空间的兑现仍要回到商业逻辑和收入的验证。