逛完英偉達展臺，我終于懂了黃仁勛說的 "五層蛋糕" 是什么 | 前沿在線

編輯：前沿在線 編輯部

鏈博會上逛英偉達展臺，是個挺有意思的體驗。

別的展臺大多是產(chǎn)品一字排開，這個也牛那個也強。英偉達不一樣，整個展臺是順著一條動線走的—— 你從入口進去，一路走一路看，最后出來的時候，會突然反應過來：哦，原來黃仁勛說的"五層蛋糕"，是這個意思。

三個月前他寫了篇署名文章，說AI 不是什么應用，也不是什么模型，是跟電力、互聯(lián)網(wǎng)一樣的基礎(chǔ)設(shè)施。

聽起來挺玄的對吧？真的站在展臺里一層層走下來，反而就懂了。

咱們一層一層說。

先聊個最根本的變化：軟件從 "預制" 變成 "現(xiàn)做" 了

在說五層蛋糕之前，得先搞明白一個前提：AI 到底改變了什么？

以前的軟件是什么樣的？

程序員寫好代碼，功能就定死了。數(shù)據(jù)得整理得整整齊齊放進表格里，你用 SQL 查什么，它就給你返回什么。

整個邏輯是 "預制" 的 —— 你拿到的是什么樣，就是什么樣。

AI 不一樣。

黃仁勛文章里有句話我覺得挺準的：我們第一次有了能理解非結(jié)構(gòu)化信息的計算機。它能看圖、能讀文章、能聽聲音，最關(guān)鍵的是 ——它能當場給你生成一個答案，而不是從數(shù)據(jù)庫里把現(xiàn)成的東西翻出來給你。

打個不太恰當?shù)谋确剑阂郧暗能浖耦A制菜，熱一下就能吃，但菜是早就做好的；AI 像現(xiàn)炒的館子，你點什么，廚師當場給你做。

既然是 "現(xiàn)做"，那后廚的一整套東西都得跟著變。不能只看灶臺好不好，還得看水電穩(wěn)不穩(wěn)、食材夠不夠、切配快不快。

這就是 "五層蛋糕" 的邏輯 ——AI 是一整套工業(yè)體系，得從最底層往上看。

第一層：能源 —— 最容易被忽略的底層

很多人聊 AI，開口就是芯片、模型、應用。但黃仁勛把能源放在了最底下。

他的原話挺硬的："每生成一個 token，都是電子流動、熱量管理、能量轉(zhuǎn)化為計算的結(jié)果。這一層下面，沒有別的了。"

翻譯成人話就是：不管上面算法多厲害，最終都得落到用電上。電夠不夠、穩(wěn)不穩(wěn)，直接決定了 AI 能做多大。

展臺上能源這塊的內(nèi)容，說的其實就是AI 怎么反過來幫能源行業(yè)。

比如用 AI 預測風力和太陽能發(fā)電 —— 以前預測精度是 25 公里見方，現(xiàn)在能做到 1 公里，精度還提升了 5%。聽著數(shù)字不大，但對電網(wǎng)來說，預測準一點，調(diào)度就能從容很多，整個系統(tǒng)的效率就上去了。

儲能也挺有意思。

比亞迪那邊有個方案，用刀片電池給 AI 數(shù)據(jù)中心備電，能撐 72 小時。聽起來就是個大號充電寶，但側(cè)面也說明 ——AI 數(shù)據(jù)中心對供電可靠性的要求，已經(jīng)高到需要專門做定制化儲能方案的程度了。

現(xiàn)場還聊到一個挺有意思的觀點，是馬斯克之前在某個峰會上提的：美國現(xiàn)在最缺的就是電，大家都在搞核能，但核能哪是說建就能建的，十年內(nèi)能建起來就不錯了。

反過來看中國，前二十年玩命建清潔能源和太陽能，搞不好在 AI 時代反而成了個優(yōu)勢。

這個說法對不對、準不準，我不敢打包票。但至少提供了一個挺新鮮的角度 ——聊 AI 競賽，別光盯著芯片，能源可能是更底層的變量。

第二層：芯片 —— 把電變成智能的轉(zhuǎn)換器

有了電，下一步就是把電變成算力。這就是芯片層干的事。

AI 需要的芯片，跟普通電腦的 CPU 不是一回事。

它要的是超強的并行計算能力、超大帶寬的內(nèi)存、還有極快的芯片之間的連接速度。

展臺上的芯片產(chǎn)品挺全的，從數(shù)據(jù)中心到桌面到邊緣設(shè)備都有。

最吸睛的是DGX Spark—— 一個能放桌上的小盒子，里面塞了 Grace CPU 和 Blackwell GPU，兩塊芯片之間用ConnectX-7網(wǎng)絡(luò)連接，提供200Gbps。

還有 128GB 的統(tǒng)一內(nèi)存，CPU 和 GPU 共用，不用把數(shù)據(jù)搬來搬去，對跑大模型來說挺重要的。

它不是用來訓練大模型的，定位是給開發(fā)者做調(diào)試、做測試、跑本地 Agent 用的。

好處是軟件棧跟服務器上的一模一樣，你在本地調(diào)好的東西，直接就能部署到數(shù)據(jù)中心，不用再折騰適配。

現(xiàn)場有個演示挺直觀的：這臺小機器上跑著的模型，前端接了個 Agent，你讓它去查查全球 TOKEN 的銷量情況，它自己會去網(wǎng)上搜資料、整理、最后生成一份 Markdown 報告。全程都在本地跑，不用連云端。

除了這個，展臺上還有Jetson 芯片 —— 給機器人、智能設(shè)備、車這些嵌入式場景用的；

BlueField DPU—— 專門負責網(wǎng)絡(luò)和存儲的卸載，給數(shù)據(jù)中心用的；

還有Spectrum-X 交換機，單臺 51.2T 的交換容量，64 個 800G 端口，是給 AI 訓練集群準備的專用網(wǎng)絡(luò)設(shè)備。

簡單說就是，從計算到網(wǎng)絡(luò)，從服務器到端側(cè)，整個芯片層是一套完整的體系，不是靠一兩款產(chǎn)品撐著。

第三層：基礎(chǔ)設(shè)施 ——"AI 工廠" 是怎么回事

芯片再往上，就是基礎(chǔ)設(shè)施層。黃仁勛給這些系統(tǒng)起了個名字，叫"AI 工廠"。

這個名字我覺得挺貼切的。傳統(tǒng)的數(shù)據(jù)中心是存數(shù)據(jù)的，AI數(shù)據(jù)中心是"生產(chǎn)"智能的——就像工廠一樣，原材料（數(shù)據(jù)和電力）進去，產(chǎn)品（智能）出來。

既然是工廠，那廠房、供電、散熱、流水線這些都得配套。

展臺上最有視覺沖擊力的，就是那個集裝箱式的 AI 數(shù)據(jù)中心。

一個標準集裝箱里塞了8 個液冷算力柜，總共 512 個 GPU，再加上網(wǎng)絡(luò)交換機、存儲、管理系統(tǒng) ——一整套 AI 工廠，裝在一個集裝箱里，拉過去接電就能用。

這背后其實是個挺重要的趨勢：AI 基礎(chǔ)設(shè)施正在變得標準化、模塊化。

以前建個 AI 集群，從土建到供電到散熱，每個項目都得從頭搞，周期特別長。現(xiàn)在有了這種集裝箱方案，就像搭樂高似的，要多少算力就加多少個箱子，快很多。

還有 MGX 機柜、液冷工作站這些產(chǎn)品，本質(zhì)上都是在解決同一個問題 —— 怎么把成千上萬塊芯片高效地組織起來，穩(wěn)定地 "生產(chǎn)" 智能。

黃仁勛文章里還提到了一個挺少有人聊的角度：就業(yè)。

他說 AI 工廠需要的不只是程序員，還需要電工、管道工、鋼鐵工人、網(wǎng)絡(luò)工程師 —— 這些都是技術(shù)含量高、待遇好的崗位，而且現(xiàn)在很缺人。

換句話說，這不是一場只屬于程序員的革命，是一整個工業(yè)體系的重建，會帶動很多行業(yè)的就業(yè)。

第四層：模型 —— 不只是聊天機器人

有了 AI 工廠，上面跑的就是模型。

很多人一說到 AI 模型，想到的就是聊天機器人。

但黃仁勛特意強調(diào)：語言模型只是其中一種。真正有顛覆性的，可能是蛋白質(zhì) AI、化學 AI、物理模擬、機器人這些方向。

展臺上的模型展區(qū)，確實能看到這種多樣性。

最顯眼的是開源大模型的合作——MiniMax、DeepSeek、階躍星辰、千問，國內(nèi)主流的大模型廠商基本都有合作。

而且是真的深入到模型層面一起做優(yōu)化。比如跟 MiniMax 一起做的 Attention Kernel 優(yōu)化，某些場景下性能提升了 4 倍。

黃仁勛在文章里專門提到了 DeepSeek，說開源模型的價值被低估了。

一個好用的開源模型免費放出來，研究人員、創(chuàng)業(yè)公司、甚至國家都能基于它做開發(fā)，帶動的不只是軟件層，是整個技術(shù)棧的需求。

但模型層遠不止大語言模型。

比如有個叫NVIDIA Cosmos的平臺，做的是"世界基礎(chǔ)模型"—— 不是用來聊天的，是用來理解和模擬物理世界的。

工業(yè)設(shè)計、機器人控制、科學計算，這些場景需要的是懂物理規(guī)律的 AI。

還有科學計算方向的 —— 蛋白質(zhì)結(jié)構(gòu)預測、藥物研發(fā)、材料設(shè)計……

這些領(lǐng)域的 AI 進展，可能對人類的影響比聊天機器人深遠得多，只是沒那么 "網(wǎng)紅"，媒體聊得少。

第五層：應用 —— 最終價值在這里兌現(xiàn)

最上面一層是應用，也是普通人最容易感知到的一層。

黃仁勛舉了幾個例子：藥物研發(fā)平臺、工業(yè)機器人、法律助手、自動駕駛。

他說自動駕駛汽車是 AI 的 "機器應用"，人形機器人是 AI 的 "具身應用"—— 底層架構(gòu)是一樣的，但長出來的東西完全不同。

展臺上的應用展區(qū)是最熱鬧的，內(nèi)容也特別多。

Agent（智能體） 是現(xiàn)在最熱的方向。

大家的共識是，AI 正在從 "生成式" 往 "代理式" 走—— 以前是你問它答，現(xiàn)在是你給個任務，它自己想辦法完成。現(xiàn)場只是個演示，但真正的企業(yè)級應用已經(jīng)在各個行業(yè)落地了。

機器人是人氣王。

春晚同款的人形機器人在那兒表演各種動作 —— 打招呼、握手、跳舞、打拳，還能彈樂器。

這些機器人用的就是 Jetson 芯片。當然，表演歸表演，真正的應用場景還是在零售店、商場、藥店、工廠這些地方。

工業(yè)數(shù)字化的案例挺實在的。

比如設(shè)備異常處理，以前要 15 個小時才能搞定，現(xiàn)在用 AI 縮到 15 分鐘；物料異常處理也能控制在半小時以內(nèi)。這些數(shù)字聽起來不夸張，但對工廠來說，停機一小時就是真金白銀的損失。

還有 AI 制藥、自動駕駛、游戲、視頻生成、AI 編程、推薦系統(tǒng)…… 基本上你能想到的行業(yè)，都能找到對應的案例。

有意思的是，上面的應用火了，會反過來拉動下面每一層。

一個爆款應用跑起來，就需要更多模型、更多算力、更多芯片、更多電—— 每一層都跟著受益。

逛完整個展臺，最大的感受是：AI 真的不是一個單點技術(shù)，是一整個體系。

從最底層的能源，到芯片、基礎(chǔ)設(shè)施、模型，再到最上面的應用，每一層都有真實的產(chǎn)品、真實的客戶、真實的價值在產(chǎn)生。

它不是什么飄在天上的概念，是正在扎扎實實建起來的新基礎(chǔ)設(shè)施。

當然，現(xiàn)在還早得很。

黃仁勛自己也說，大部分基礎(chǔ)設(shè)施還沒建，大部分人還沒接受相關(guān)培訓，大部分機會還沒被發(fā)掘。

但方向是清楚的。

AI 正在變成這個時代的基礎(chǔ)設(shè)施 —— 就像幾十年前的電力和互聯(lián)網(wǎng)一樣。

而我們現(xiàn)在站的位置，可能只是這場變革的起點。

前沿動態(tài)前沿大會
前沿人物

點「在看」，給前前加雞腿