AI的六种分类视角比较

“这个世界上没有真相，只有视角。”

正如AI产业不缺少机会，只是缺少发现机会的角度。

本文用对比的方法，提炼六种AI分类的关键内容，帮助读者重新开启AI之路。

一、黄仁勋“五层蛋糕”｜物理主义视角

谁在用：英伟达、芯片厂商、算力投资者

核心问题：AI需要哪些基础设施投入？

这是目前流传最广的框架。英伟达创始人兼CEO黄仁勋从第一性原理出发，把AI看作“五层蛋糕”，类比为一个倒金字塔结构：

认为最底层是能源（电力供应、可再生能源、能源管理）

往上依次是芯片（GPU、ASIC、网络芯片、存储芯片）

基础设施（AI工厂、智算中心、液冷、高速互联网络、数据中心建筑）

模型（大语言模型、多模态模型、图像生成、语音模型、世界模型）

最顶层是应用（消费级应用、垂直行业方案、企业级SaaS、嵌入式AI）。

框架的精髓：揭示了AI竞争的终极壁垒是“能源+芯片”。正如黄仁勋所说，“智能的边际成本就是电费”，这一方面这表明了未来全球电力的巨大缺口，引用中信建投的预测报告，仅美国预计缺口为2026年39.9GW、2027年51.8GW、2028年67.8GW（2024年用电量约468 GW），告别了长达20年的电量增长停滞; 另一方面这也解释了“算电协同”的趋势——将智算中心建在廉价绿电产地，直接“电力→Token”套利; 最终，更描绘了芯片商业模式的创新——芯片即服务（按Token或GPU小时租赁）和“处置权授权”（将芯片与制度授权绑定，如自动驾驶芯片按里程收费）。

局限性：适合看清物理投入和算力战争，但不讨论数据价值，忽略了AI发展的重要动力之一，也未解答应用层能否覆盖下层成本。

二、三层价值链｜产业经济视角

谁在用：麦肯锡、高盛、投资银行研报

核心问题：钱流到哪里去？

这是最经典的产业分析模型，把AI分为：

上游（基础层）：算力（芯片、服务器、智算中心）、算法、数据

中游（技术层）：大模型、通用技术（计算机视觉CV、自然语言处理NLP）、技术开发平台、算法框架（PyTorch）

下游（应用层）：行业解决方案、消费级产品

该结构告诉我们，上游是稳赚不赔的“卖铲人”，凭借极高的技术壁垒，享受超高利润，例如英伟达净利率曾高达57%，同时也是重资产投入领域。中游是“流血”狂奔的“角斗场”，虽为技术核心，但面临高昂研发成本和残酷价格战。盈利模式尚不清晰，多数公司仍在亏损，正在探索按Token计费、API订阅、个性化部署等新路径。下游是最有潜力的“淘金者”，最贴近用户，护城河来自场景、数据和用户习惯，成功商业化预计主要集中于三类企业，高频工具类、生产力平台类、垂直解决方案类。

关键洞见在于：价值向上流动，底层提供的算力、模型，其最终价值必须通过上层应用服务用户才能变现。压力向下传导，应用层对成本的极度敏感，会直接向上游传导。应用层为生存会要求降低Token价格，这一压力最终会迫使模型层优化效率，并传导至基础层。

局限性：框架默认了清晰的边界，但现实中垂直整合与战略渗透已成为常态。巨头公司同时涉足芯片、模型和应用三层，边界已经模糊。

三、BIS五层供应链｜数据主权视角

谁在用：国际清算银行BIS、各国央行、数据监管机构

核心问题：揭示了各层级间经济力量的差异

这个框架非常独特，它把数据单独拎出来作为第三层：

硬件(芯片、服务器)

云基础设施(AWS、微软Azure和谷歌云等巨头提供的计算、存储和网络服务)

训练数据（互联网语料、标注数据、合成数据）

基础模型（经过海量数据预训练的大模型，如GPT系列、Claude、Gemini等）

AI应用(基于基础模型开发的各种面向用户的AI产品和解决方案)

BIS的洞见在于：谁掌握高质量训练数据，谁就掌握模型能力的上限。这也是为什么各国争相立法规范数据出境、数据主权；硬件与云计算层，护城河极深，呈现“强者恒强”的局面；模型与应用层，理论上更具“可竞争性”，即新玩家仍有入场机会，但市场会迅速向头部集中，形成“赢家通吃”的效应。

局限性：它把AI产业看成了一个相对封闭、线性流动、理性竞争的经济系统，而忽略了它同时也是能源密集型、地缘政治撕裂、监管重塑以及高度依赖人力资本的复杂适应性系统。

四、官方“四层一类”｜政策标准视角

谁在用：中国工信部、信通院、国家标准委

核心问题：如何制定行业标准、如何评估企业？

这是中国AI产业标准化工作的核心模型：

基础层：算力、算法、数据三大核心要素

框架层：深度学习框架（如百度飞桨、华为昇思MindSpore）——这是中国特有的分层

模型层：大模型、行业模型

应用层：AI+制造、AI+医疗等

+综合性大企业：单独考虑像华为、阿里、腾讯这种全栈布局的巨头

“框架层”之所以被单列，是因为深度学习框架是“操作系统的操作系统”。谁掌握了框架，谁就定义了开发者的生态。美国有TensorFlow、PyTorch，中国必须有自己的备胎，体现出在基础软件上实现自主可控的战略意图。

局限性：作为政策分析框架，其静态结构有时难以完全反映产业的高度动态和跨界融合。例如，它无法很好解释像英伟达这样从芯片（基础层）向上延伸至模型和应用的公司，以及数据在产业中日益重要的独立价值。

五、学术五层｜价值交付视角

谁在用：哈佛商学院、企业战略管理者、系统架构师

核心问题：企业如何用AI真正创造利润？

这个框架把AI价值链拆成：

硬件（物理基石）

数据管理（智能燃料，核心挑战是数据稀缺、隐私合规与标注成本，这也是建立商业壁垒的关键）

基础AI（通用大脑，具备广泛能力的基础大模型）

高级AI能力（能力定制，包括模型微调、检索增强生成RAG、AI智能体Agent等。旨在提升特定任务的准确性，是构建行业应用的关键）

AI交付（价值实现，涵盖系统集成、API服务、用户培训、持续运维等。核心挑战是技术与实际业务流程、人员技能的脱节）

它最大的亮点是把“交付”单独作为一层，将AI的价值创造与交付视为一个从物理硬件到最终部署的端到端链条——因为很多AI项目死在“最后一公里”：模型准确率99%，但部署到工厂产线就是没法用。这一层涉及DevOps、MLOps、模型监控、责任界定等脏活累活，恰恰是商业落地的核心。其关键洞见在于，当所有人都将目光聚焦在酷炫的大模型上时，那些关于数据清洗、模型微调、系统集成和人才培养的“脏活累活”，同样是决定AI能否真正创造价值的关键。

局限性：缺乏对商业模式的直接分析，如订阅制、按Token计费等商业模式的盈利逻辑，并非该框架关注的重点。

六、七层计算架构｜技术极客视角

谁在用：AI架构师、大厂技术团队、开源社区

核心问题：代码怎么跑起来的？

这是最贴近程序员日常的模型，从上到下依次是：

物理层：整个“计算大厦”的物理地基，包括CPU、GPU、TPU、内存、SSD、光模块等硬件。
链路层：负责在同一服务器内部或不同服务器之间，建立快速、可靠的通信链路。包括服务器内部的高速互联技术（如NVLink），和服务器之间的数据中心网络（如InfiniBand、RoCE）。价值是打破“单卡”的性能天花板，将成千上万的物理芯片连接成一个巨大的、逻辑上统一的“超级GPU”。
神经网络层：AI模型运行的“操作系统”，它让复杂的数学运算对上层开发者变得简单。它由PyTorch、TensorFlow等深度学习框架，以及cuDNN、NCCL等GPU加速库组成。这一层实现了软硬件解耦，它屏蔽了底层硬件的复杂性，让AI研究员只需关注模型结构，无需关心底层是哪种GPU。
上下文层：大模型的“外部记忆”，解决大模型“记不住、易忘事、缺知识”的三大难题。包括向量数据库和检索增强生成（RAG），构成了大模型的“外部硬盘”。它通过让大模型“开卷考试”，在生成答案前先去向量数据库里“查资料”，这有效减少了模型“幻觉”，并能融合企业内部私有知识，实现知识库的动态更新。
智能体层：智能体是能自主感知环境、进行推理规划并调用工具完成复杂任务的AI，是AI从“大脑”到“身体”的关键一步。这一层的出现，将AI的能力从“回答问题”升级为“完成目标”，它是构建下一代AI应用的核心执行单元。
编排层：AI的“乐团指挥”，负责管理、协调和调度多个AI智能体，共同完成一个复杂的大型任务。包括多智能体协作框架、工作流引擎、任务规划器、以及提示词模板（LangChain、Dify等平台是典型代表）。价值是让AI应用从单一任务（ChatBot）升级为复杂系统（企业级大脑），实现“1+1>2”的效应。
应用层：例如ChatGPT、Midjourney等通用应用，和自动驾驶、AI药物研发等垂直应用。

这套架构的核心思想是“分层解耦，逐层抽象”。每一层都专注于解决特定问题，并为其上一层提供更强大的能力，是一个非常前沿的技术框架。这个框架解释了为什么2025年最火的创业方向是“Agent编排”——因为下面四层都逐渐成熟，只有第五、六、七层还是蓝海。

局限性：对非技术人士不够友好，理解门槛较高。它作为理想化的蓝图，现实中AI公司可能未必严格按照此分层运作。此外，开源与闭源生态的博弈也可能对特定层造成影响。

最后说两句，没有一种框架是“唯一正确”的。黄仁勋用五层蛋糕说服全世界买他的芯片；三层价值链告诉我们哪里利润高；BIS用数据层提醒各国警惕数据主权；中国用“四层一类”自主可控；学术五层结构讲述交付的重要性；七层架构将会大家Agent时代的技术栈怎么搭。

当你下次看到一篇AI行业报告，不妨先问自己：作者在用哪把尺子？他刻意突出了什么、又隐藏了什么？

如果你只能记住一件事，那就是：AI不仅是技术革命，更是一场关于“谁来定义分层”的权力游戏。谁定义了框架，谁就定义了赛道；谁定义了分层，谁就定义了价值分配。