AI Stack：价值会在六层中的哪里沉淀？

Chamath Palihapitiya 最近发了一篇关于 AI Stack 的文章，核心问题很直接：

如果 2026 年要重新画一张 AI 产业地图，哪些层会沉淀价值，哪些层会被商品化？

这篇文章有意思的地方，不在于它又列了一批 AI 公司，而在于它试图给 AI 时代画一个类似 OSI 模型的分层框架。

互联网早期也需要这样的框架。

OSI 模型把网络通信拆成不同层级，让人们知道物理层、网络层、传输层、应用层各自解决什么问题。后来的 Intel、Cisco、Broadcom、Oracle 等公司，都可以被放进这张地图里理解。

AI 也会出现类似的产业地图。

今天的混乱在于，所有公司都把自己叫 AI 公司。但真正重要的问题不是“谁用了 AI”，而是：

• 它位于 AI Stack 的哪一层？
• 这一层的关键约束是什么？
• 这一层的价值会集中，还是会快速商品化？
• 它是否掌握了其他层必须穿过的支点资产？

Chamath 给出的框架是六层：基础设施、芯片、数据、模型、执行、应用。

从下往上看，这六层构成了 AI 时代的价值堆栈。

第一层：基础设施，最底层也最集中

AI 的底层不是模型，而是物理世界。

电力、冷却、土地、数据中心、关键矿产、半导体设备和材料，构成了 AI Stack 的地基。

这一层的特点是：高度集中，而且集中是全球性的。

先进芯片离不开 ASML 的光刻设备；半导体制造离不开少数关键材料供应商；晶圆、封装、电力和冷却能力都不是可以快速复制的软件资源。

这意味着一个看起来最“土”的问题，反而会决定 AI 的上限：

算力不是凭空出现的，它首先是能源、设备、材料和供应链问题。

过去两年，市场最关注的是 GPU 数量。但 GPU 背后还有更底层的瓶颈：谁能供电，谁能散热，谁能拿到先进制造能力，谁能稳定获得关键材料。

这也是为什么 AI 基础设施不是一个普通云计算扩容问题，而是一场全球物理供应链重组。

第二层：芯片，是 AI Stack 的分叉点

Chamath 的框架里，真正的分叉发生在芯片层。

芯片之下，是共同的物理基础设施。

芯片之上，AI 分成两条不同路径：软件 AI 和物理 AI。

软件 AI 指的是模型、Agent、软件应用、自动化工作流和数字世界里的智能产品。

物理 AI 指的是机器人、自动驾驶、无人机、工业设备、具身智能等需要在现实世界行动的系统。

这两条路径使用 AI，但价值曲线完全不同。

软件 AI 的关键变化是推理成本快速下降。Chamath 提到，运行模型的价格在六年里下降了约 1500 倍。这个趋势如果继续，模型推理会越来越接近“免费智能”。

一旦智能变便宜，软件层的竞争重点就会从“谁能调用模型”转向“谁能把模型变成可执行系统”。

物理 AI 则不同。

它无法只靠 API 调用完成。机器人要移动，需要电池；要抓取，需要执行器；要部署，需要供应链、制造、维护和现实世界容错能力。

所以，芯片层之后的两条路线，一个更像软件复利，一个更像物理工程复利。

第三层：数据，不只是训练语料

数据层经常被简化为“谁有更多训练数据”。

但在 AI Stack 里，数据的价值需要拆开看。

第一类是通用训练数据。它重要，但越来越容易被大模型公司、开源模型和合成数据吸收，长期可能更接近基础原材料。

第二类是专有数据。它来自企业系统、交易记录、用户行为、设备传感器、代码仓库、医学影像、金融流水、工业现场等不容易公开复制的来源。

第三类是执行过程中产生的数据。Agent 做了什么、结果如何、哪里失败、谁批准、哪个步骤带来更好转化，这些数据不是静态语料，而是业务运行本身产生的反馈。

未来真正值钱的，可能不是“拥有一堆文本”，而是拥有持续更新、带有上下文、能直接改进决策的数据闭环。

这也是为什么垂直 AI 和企业 AI 还有机会。

通用模型会越来越便宜，但行业数据、流程数据和执行反馈不会自然出现在模型公司手里。

第四层：模型，会变强，也会被压价

模型层是过去几年 AI 叙事的中心。

OpenAI、Anthropic、Google、Meta、xAI、Mistral，以及大量开源模型，都在竞争更强的推理、更低的延迟、更长上下文、更好的工具调用能力。

但从产业价值看，模型层有一个矛盾：它非常重要，却未必能长期保留全部利润。

原因很简单：模型能力在快速扩散。

闭源模型领先一段时间，开源模型就会追上部分能力；大模型价格下降，小模型和专用模型又会在成本上形成替代；企业客户也会在多个模型之间路由，把模型当成可替换供应商。

这并不意味着模型公司没有价值。

领先模型仍然会控制高端需求、开发者心智、生态接口和品牌信任。

但如果推理价格持续下降，模型层上方的价值会加速释放。真正的竞争会转向：谁能把廉价智能变成系统、工作流和结果。

第五层：执行层，可能是最容易被低估的一层

AI Stack 里最值得关注的，是执行层。

模型回答问题，不等于完成任务。

真正的执行需要一组能力：

• 规划任务
• 调用工具
• 访问数据
• 处理权限
• 写入系统
• 观察结果
• 失败重试
• 留下审计记录
• 把反馈用于下一次决策

这就是 Agent、工作流引擎、RPA、浏览器操作、API 编排、企业权限和安全治理的交汇处。

如果模型层越来越便宜，执行层就会变得更重要。

因为客户最终买的不是 token，而是结果。

一个销售团队不会为“模型回答得更像人”付高价，但会为“自动完成线索研究、CRM 更新、邮件跟进、会议纪要、报价审批”付费。

一个财务团队不会只买总结能力，但会为“自动对账、识别异常、生成凭证、触发审批、保留审计链路”付费。

执行层的护城河来自系统集成、权限边界、流程上下文和结果反馈，而不是单次模型调用。

第六层：应用层，价值取决于是否拥有工作流终点

应用层离用户最近，也最容易被低估或高估。

高估的地方在于：很多 AI 应用只是模型包装器。如果底层模型降价、能力开放、平台内置同类功能，应用层会被快速挤压。

低估的地方在于：真正掌握工作流终点的应用，仍然能保留大量价值。

什么叫工作流终点？

就是用户每天必须回到这里完成业务闭环。

比如 CRM 里的客户关系、ERP 里的账务、设计工具里的创作文件、开发工具里的代码库、医疗系统里的诊疗记录、工业系统里的设备维护流程。

如果 AI 应用只是生成内容，它很容易被替代。

如果 AI 应用掌握了任务入口、上下文、权限、执行结果和用户习惯，它就可能成为新的系统记录或系统执行层。

软件 AI 与物理 AI：两条完全不同的复利曲线

Chamath 强调的另一个重点，是 AI Stack 在芯片层之后分叉。

软件 AI 的核心趋势是智能成本下降。

模型推理越来越便宜，开发者可以把智能嵌入更多软件场景。这里的关键问题是：谁能构建“生产应用的机器”，也就是能持续生成、测试、部署和优化软件系统的自动化平台。

物理 AI 的核心趋势则是现实约束。

机器人再聪明，电池耗尽就没有意义；机械臂再强，执行器不可靠也无法工业化；自动驾驶模型再好，传感器、制造、监管和维护都必须跟上。

所以，软件 AI 更像互联网和云软件的延伸，边际成本下降，迭代速度快。

物理 AI 更像汽车、能源、制造和供应链的结合，资本开支更重，周期更长，但一旦形成规模，也可能产生极强壁垒。

这两条曲线不能用同一个估值框架看。

软件 AI 要看分发、工作流、数据闭环和执行能力。

物理 AI 要看能源密度、执行器、供应链、制造良率和现实世界部署能力。

这张图真正提醒我们的事

Chamath 的 AI Stack 框架，最重要的提醒不是“买哪家公司”，而是：不要把 AI 看成一个单一市场。

AI 不是一个行业。

它是一套新的计算堆栈。

在这个堆栈里，不同层的经济规律完全不同。

基础设施层可能越来越集中，因为物理瓶颈难复制。

芯片层可能继续高利润，但也会被定制芯片、推理芯片和云厂商自研不断冲击。

数据层会从通用语料转向专有数据和执行反馈。

模型层会继续进步，但价格压力会越来越大。

执行层会成为把模型变成业务结果的关键中间层。

应用层会分化：薄包装会被压缩，掌握工作流终点的应用会变强。

投资和创业上该怎么用这张地图？

第一，不要只看增长最快的层，要看价值是否能留下。

一个层级增长很快，不代表利润会沉淀在那里。如果模型调用价格持续下跌，单纯卖 API 的公司可能会面临价格战。但把 API 嵌入关键工作流、形成执行闭环的公司，反而可能拿走更多利润。

第二，寻找“其他层必须经过”的支点资产。

ASML 是典型例子。它不是应用公司，也不是模型公司，但先进芯片离不开它。类似地，在 AI Stack 里，某些数据、权限系统、执行平台、开发者生态或物理供应链，也可能成为上层价值必须经过的关口。

第三，区分软件 AI 和物理 AI。

软件 AI 的问题是速度、分发、工作流和边际成本。物理 AI 的问题是制造、能源、供应链和现实世界可靠性。把机器人公司当 SaaS 看，或者把软件 Agent 公司当硬件公司看，都会出错。

第四，警惕“模型即全部”的叙事。

模型很重要，但模型不是全部。AI 时代的赢家未必只在模型层，也可能在电力、冷却、半导体设备、数据、执行层、开发者工具、垂直应用和物理世界供应链里。

结论：AI 时代的赢家，属于画对堆栈的人

每一代计算平台，都会先经历一段标签混乱期。

所有人都在说自己是 AI 公司，所有产品都在加 Copilot，所有投资人都在寻找下一个平台级机会。

但混乱之后，产业会重新分层。

哪一层是基础设施，哪一层是工具，哪一层是应用，哪一层会被商品化，哪一层会形成瓶颈，最后都会变清楚。

Chamath 的 AI Stack 框架价值就在这里：它提醒我们，AI 不是一个点状机会，而是一套从电力、芯片、数据、模型、执行到应用的完整堆栈。

真正的价值，不一定在最热闹的地方，而在最难绕开的地方。

未来几十年的大公司，会出现在那些位置上。