黄仁勋说,AI是一块五层蛋糕——我们用投资组合告诉你,最值钱的那层在哪里

今年3月，NVIDIA创始人黄仁勋罕见地发布了一篇长文。这是他自2016年以来第七次公开写长文。上一次写长文，他在谈GPU计算的未来；这一次，他在谈的是：整个人类文明的基础设施正在被重写。

这篇文章没有发布会的喧嚣，没有产品发布的热闹。黄仁勋只是安静地写下了他对AI产业结构的理解——一个他思考了将近十年、如今终于可以公开说清楚的答案。

他把AI产业的底层结构，比喻成一块"五层蛋糕"。从最底层的能源，到最顶层的应用，每一层都支撑着上面的一层，任何一层出现瓶颈，整块蛋糕就会塌陷。更重要的是，每一个成功的应用，都会向下拉动它底层的每一层，一直拉到发电厂。

读完这篇文章，我们发现它与我们自己的AI投资框架，有着高度的内在共鸣——也有着值得探讨的分歧。今天，我们把两张图放在一起，谈谈我们的看法。

黄仁勋说，AI不是一个聪明的App，也不是一个单独的模型。它是像电力、互联网一样的基础设施——而且，它需要从头建起来。不同于过去的软件行业，AI基础设施的每一层，都有清晰的物理边界，都消耗真实的资源，都可以被单独计量和投资。他把这个基础设施从下往上拆成五层：

第一层：能源

"实时生成的智能，需要实时产生的电力。"

这是黄仁勋说的原话，也是他这篇文章里最容易被忽视、却最应该被重视的观点。

他说，生成的每一个Token，都是电子在移动、热量在管理、能源在转化为算力的结果。在这一层之下，没有任何抽象层。无论模型有多聪明，无论算法有多精巧，最终都要落脚到一度电、一个焦耳、一摄氏度的热量管理上。能量是AI的硬约束，是系统能产生多少智能的绝对上限。

这个判断放在今天看，格外准确。全球AI规模化发展的紧迫瓶颈，已经不是模型不够聪明，而是电不够用。微软、谷歌、亚马逊纷纷与核电站签订长期供电协议，微软甚至重启了已关闭的三里岛核电站。这不是噱头，这是算力扩张被电力卡脖子之后的现实应对。

黄仁勋把能源单独列为第一层，意味着它不只是AI的成本项，而是AI的战略资产。谁控制了稳定、廉价、大规模的电力供应，谁就控制了AI时代的工业命脉。

第二层：芯片

这是NVIDIA的核心领地，所以黄仁勋说得格外清晰：芯片决定了AI的扩展速度，也决定了"智能的成本"下降有多快。

过去十年，AI推理成本每年以超过10倍的速度下降。Andrej Karpathy（前OpenAI联创、前Tesla AI负责人）曾估算，构建第一个ChatGPT的成本，今天在个人电脑上一个周末就能完成。这背后，不是因为有人突然变聪明了，而是芯片层的持续进化：更高的并行计算能力、更宽的内存带宽、更快的处理器间互连。

芯片层的进步，是AI"智能成本"下降的物理基础。成本每降一个数量级，就有新的一批应用场景从"烧钱游戏"变成"商业可行"。这条曲线，是AI渗透各行各业最重要的底层驱动力之一。

第三层：基础设施

土地、电力输送、冷却系统、建筑施工、网络——以及将成千上万个处理器协同编排为一台机器的系统软件。

黄仁勋给这些系统起了一个名字：AI工厂。

"它们的设计初衷不是为了存储信息，而是为了制造智能。"

这是一句值得反复咀嚼的话。传统数据中心是仓库，存放数据；AI工厂是工厂，生产智能。两者的商业逻辑、资本密度、能耗需求，完全不同。一个仓库的价值在于它存了多少；一个工厂的价值在于它每小时能生产多少。

黄仁勋估计，目前全球AI基础设施的投入仅仅是开始，仍有价值数万亿美元的AI工厂等待建设。这不是一个短期的建设潮，而是一场持续十年以上的工业化进程。

第四层：模型

LLM只是模型层的一个子集。黄仁勋说，AI模型能理解的东西远不止语言——生物学、化学、物理学、金融、医疗，乃至物理世界本身，都是模型可以处理和推理的对象。理解蛋白质折叠规律的生物模型、理解分子结构的化学模型、理解医学影像的放射科模型，这些专业化的"智能"，都属于模型层。

他特别强调了开源模型的战略意义：以DeepSeek-R1为例，一个强大的开源推理模型被广泛部署之后，它激活的不只是应用层的需求，而是整个技术栈从上到下的需求——从推理服务，到云算力，到GPU，再到数据中心电力。一个开源模型，拉动了整条供应链。

这个逻辑非常重要：开源不是免费，开源是规模。规模越大，对底层基础设施的需求就越旺盛。

第五层：应用

这一层是"经济价值产生的地方"。药物发现、工业机器人、法律助手、自动驾驶、AI教师、AI客服……

但更重要的是黄仁勋的一个预判：传统的软件和App形态，或将在未来几年消失。取而代之的，是AI Agent——一种不需要你主动查询、而是主动规划、主动执行、主动协作的新型软件范式。

我们今天用的App，本质上是被动工具：你点它，它才动。未来的AI Agent，是主动员工：你告诉它目标，它自己制定计划、调用工具、完成任务、汇报结果。这不是功能的升级，而是软件范式的根本更替。

每一个成功的应用，都会向下拉动它底下的每一层，一直拉到发电厂。这是五层蛋糕最核心的动力学逻辑。

如果说黄仁勋的框架回答的是"AI由什么构成"，我们在构建阔途（Quartus）投资框架时，回答的是另一个问题：在这些构成里，哪里的资本回报最确定？

我们用一张3×3的矩阵，把AI投资机会切成了两个维度：

水平方向（基础设施层）：硬件基础设施 → 云基础设施 → AI模型与基础软件，与黄仁勋的L01至L04高度对应。

垂直方向（应用价值层）：AI生产力工具 → 高价值行业AI → 物理AI与机器人，是我们对黄仁勋"应用层"的进一步拆解——这个维度，是我们框架最核心的判断所在。

在整张矩阵里，我们只在一个格子上打了星号：垂直层#2，高价值行业AI。这是我们认为当前阶段风险调整后回报最优的领域。

这不是一个理论判断，而是我们用真实的投资决策做出的表态。

以我们在AI医疗领域的几个投资组合公司为例：

uMethod Health（C轮）专注慢性病管理AI，初期聚焦认知障碍、痴呆症和阿尔茨海默病。我们投这家公司，看重的是它切入问题的角度：不是等患者确诊后再介入，而是在认知功能开始出现轻微衰退的早期，就建立个性化的干预路径。一旦失智症进入中晚期，患者平均需要数十年、数十万美元的长期护理，对家庭和医疗系统都是极重的负担；而早期预防和干预，在临床效果和经济成本上都是截然不同的故事。65岁以上成年人中有32%存在不同程度的认知衰退，神经专科医生的供给却几乎没有增长空间。我们看到的机会，是把AI作为"精准医学的放大器"——帮助医生结合每位患者的EMR数据和实验室指标，制定真正个性化的护理方案，而不是沿用千篇一律的标准路径。

NeuroSync Health（B轮）从斯坦福医学院孵化而来，核心顾问团队包括多位斯坦福神经病学、前庭医学和运动医学领域的临床教授。这家公司做的是基于AI的神经健康诊断与治疗——通过眼动追踪和VR平台，在一分钟内完成客观的脑健康评估，覆盖脑震荡管理、神经康复和运动表现优化三个方向。它已经获得FDA认证，0.9的测-重测信度是其临床可靠性的底层保障。我们投资时，NeuroSync已经在诊所、职业运动队（NBA亚特兰大老鹰、NHL波士顿棕熊、NFL旧金山49人）、高校运动项目（佐治亚理工、莱斯大学）以及军队相关机构实现了规模化部署。斯坦福孵化的科研基因、经FDA验证的临床产品、横跨医疗和高性能运动场景的多元客户——这三点叠加，构成了我们判断这笔投资壁垒扎实的核心依据。

Harvard MedTech（A轮）用VR结合AI做创伤后心理治疗，覆盖PTSD、慢性疼痛、抑郁和睡眠障碍。处方级数字疗法赛道的进入门槛高——临床试验、监管审批，这道门槛在竞争层面反而构成了壁垒。一旦建立，替代成本极高。

此外，我们的全球视野也体现在组合结构里。Wahyd Group（A轮）是一家AI驱动的新兴市场物流平台，目前已在巴基斯坦、沙特阿拉伯、孟加拉国、阿富汗及GCC海湾地区完成了5个区域的落地部署，并在巴基斯坦构建了该国首个端到端数字化物流市场。这些市场的共同特点是：货运数字化程度极低，卡车司机与货主之间的信息不对称严重，中间环节摩擦成本高。

Wahyd用AI调度平台直连货主与承运商，在发达市场AI基础设施建设热火朝天的同时，新兴市场的数字化基础设施本身仍处于早期——这是另一条时间维度不同、但供需缺口同样清晰的结构性机会，是我们全球配置逻辑的延伸。

把黄仁勋的五层架构和我们的3×3矩阵放在一起，有几处值得认真讨论。

第一：我们做了黄仁勋没有做的事——把应用层拆开。

黄仁勋的"应用层"是一个整体。但在我们看来，把应用层当作整体进行投资是危险的——不同的应用赛道，有完全不同的商业逻辑、壁垒来源和变现路径。

我们的垂直层#2（高价值行业AI）与垂直层#1（AI生产力工具）、垂直层#3（物理AI与机器人）之间，差距绝不只是行业不同。高价值行业AI服务的是专业机构客户，数据壁垒高，替代成本高，付费意愿强；AI生产力工具覆盖面广，但壁垒相对偏低，竞争烈度持续走高；物理AI潜力巨大，但商业化路径长、资本消耗重，时间不确定性更高。

我们的投资组合——uMethod、NeuroSync、Harvard MedTech集中在垂直层#2——不是偶然，是我们对风险调整回报的明确判断。

第二：黄仁勋做了我们没有做的事——把能源单独拎出来。

黄仁勋的判断是：AI规模化的速度，正在被电力供给而非模型能力所制约。数据中心的建设速度，已经远超电网扩容的速度。核能、SMR（小型模块化反应堆）、储能技术，正在因为AI驱动的电力需求而加速商业化。

这个判断提示我们：AI投资的边界，已经从软硬件栈延伸到了能源基础设施。这是我们正在持续关注和评估的方向。

第三：两个框架共同指向同一个结论。

尽管视角不同，黄仁勋和我们得出了相同的核心判断：深耕特定行业的垂直AI，是当前阶段最确定的投资机会。

黄仁勋用Open Evidence（AI医疗问诊，毛利率90%）和Cursor（AI编程工具）来佐证应用层的价值；我们用uMethod、NeuroSync、Harvard MedTech来实践这个判断。两者说的是同一件事：在AI能力已经足够强、而行业渗透率还极低的垂直场景里，先进入、深扎根，是当下最有把握的胜负手。

愿意付钱的买家是明确的，替代的痛点是真实的，进入壁垒是清晰的。这不是一个需要等待市场教育的赛道，而是一个需要找到正确公司的赛道。

黄仁勋在文章里说的一句话，我们认为值得在这里重复：

"我们的建设才刚刚开始。目前我们仅仅投入了数千亿美元，仍有价值数万亿美元的基础设施等待建设。"

这不是营销语言，这是一个工程师的判断。而且，是一个把整个职业生涯押在芯片上的工程师，在亲眼看到AI时代的体量之后说出来的判断。

两张框架图，一张描绘了AI产业的物理因果链；一张试图在这条因果链上，找到风险调整回报最优的节点。它们各有盲区，也各有洞见。我们相信，把两者放在一起理解，比单独看任何一张都更完整。

这块蛋糕，正在以所有人都没有预料到的速度膨胀。2022年，没有人预料到ChatGPT；2023年，没有人预料到GPT-4的能力跃迁；2024年，没有人预料到DeepSeek会在一夜之间改写算力格局；2025年，没有人预料到AI Agent会如此快速地从概念变成产品。

在这样一个行业里，我们的工作，是在不确定性最高的时候，找到确定性最强的那几家公司。

注：本文综合整理自黄仁勋2026年3月发布的长文（原文发布于NVIDIA官方博客）及Quartus Capital Partners研究报告《AI Investment Playbook》。