夜雨聆风但我用它做AI产业链分析的时候，一直觉得有点不太对劲。
AI五层蛋糕的困境
问题出在哪？
首先，这个框架的五层是"平等"的。能源在最底层，芯片第二层，基础设施第三层，模型第四层，应用在顶层——一层层往上堆，每层各占一位。但实际做分析的时候你会发现，这五层之间的权重和互动方式完全不在一个层级上。
比如，当你在分析一个芯片项目的时候，你真正需要回答的问题是：这个芯片是为什么服务？训练场景还是推理场景？通用大模型还是垂类小模型？多模态还是世界模型？不同答案对应完全不同的市场空间、竞争格局和定价逻辑。但Five Layer Cake给不了你这个区分——它把所有芯片都放在"第二层"，好像它们面对的是同一个市场、同一个需求。
再比如，当你在看一个应用项目的时候，你需要判断的是：这个应用依赖的模型能力现在到了什么水平？模型能力进步会替代它还是放大它？但Five Layer Cake把所有应用放在"第五层"，好像它们面对的是同一片天空。
能源和基础设施的问题类似。通用大模型需要的是万卡集群的高密度电力供应和高带宽互联，而世界模型除此之外，还需要的是边缘侧的低延迟分布式算力——两种场景对"能源层"和"基础设施层"的定义完全不同。但五层蛋糕把这个差异抹平了——能源就是能源，基础设施就是基础设施，不管你上面跑的是什么模型。
更让人困扰的是层层嵌套。能源支撑芯片，芯片构成基础设施，基础设施承载模型，模型赋能应用——这个顺序在某些场景下是成立的。但换个场景呢？
推理场景就是一个典型的反例。推理——不是训练完顺便做的事，而是独立的、规模可能比训练还大的产业环节。在推理场景下，芯片层的主角可能不是GPU，而是CPU加NPU的组合。基础设施层需要的不是万卡集群的超大规模互联，而是低成本、低延迟的分布式部署。能源层不需要集中在少数几个超大规模数据中心，而是分散到靠近用户的边缘节点。
也就是说，当应用场景从"集中式大模型训练"变成"分布式大规模推理"，上游的三层（能源、芯片、基础设施）的形态会跟着变化。但Five Layer Cake是一个自下而上的静态结构——它假设上游会让人产生决定了下游的误解，底层的存在是上游供给的结果，而不是下游需求的产物。
因果方向
困扰了很长一段时间后，我意识到问题可能不在分析深度，而在框架本身的因果方向。
Five Layer Cake隐含一个假设：能源是底座，层层向上支撑，最终到达应用。换句话说，是因为"有能源→有芯片→有基础设施→有模型→有应用"。
但真实情况可能正好相反。
大模型的出现，才定义了芯片层今天的需求结构。ChatGPT之前，GPU主要服务游戏和图形渲染，AI训练只是众多用途之一。是模型层对大规模并行计算的需求爆发，才把GPU推到芯片层的核心位置，进而重塑了能源层的选址逻辑和基础设施层的互联架构。
推理需求的崛起，又让芯片层的结构开始分化——GPU不再是唯一答案，CPU、NPU、ASIC各就各位。不是芯片层"进化"出了多样性，而是模型层从"训练为主"扩展到"推理为主"，重新定义了芯片层需要解决什么问题。
世界模型的方向上，变化更剧烈。它同时需要大规模训练算力（如视频生成模型）和实时物理交互推理能力——前者需要集群级效率，后者需要毫秒级延迟。这意味着上游三层——能源的分布方式、芯片的架构取向、基础设施的拓扑结构——和通用大模型时代完全不同。
所以不是"上游的能源→芯片→基础设施决定了能做什么模型"，而是"做什么模型，决定了上游能源、芯片、基础设施应该长成什么样子"。
模型层不是第四层
关键来了。
在Five Layer Cake里，模型层是存在的——但它只是第四层，一个和其他四层平起平坐的"中间层"。能源层、芯片层、基础设施层、应用层——都和它同级，每层各占五分之一。
但如果你承认因果方向是我上面说的那样，那模型层就不应该只是五分之一。它应该是枢纽——它决定上游三层需要什么形态，它决定下游应用能做什么、不能做什么。
举个简单的例子。当行业从"做更大的通用模型"转向"做更高效的推理模型"，变化的不只是第四层，而是整个蛋糕：
芯片层：GPU的单卡算力不再是唯一指标，推理成本（$/token）和能效比（token/watt）变得同样重要；NPU和ASIC从配角变成主角候选。 基础设施层：万卡集群的互联效率（MFU）让位于分布式推理的组网效率；边缘节点的部署能力比集中式数据中心的规模更重要。 能源层：不用把所有电力集中到少数几个超大规模数据中心，而是需要靠近用户的、分布式的、可弹性伸缩的供电方案。 应用层：从API调用的线上服务，扩展到数据不出域的私有化部署；从"等模型出结果"变成"实时交互"。
上一层变了，上三层全部跟着变。这不是每个层独立演进的结果，而是模型层在拉着整条产业链走。
以模型为锚的分析框架
基于这个思路，我尝试换一个画法：不以底层为起点往上堆，而是以模型层为中心，向上下游展开。
这个框架的核心逻辑是——模型层是自变量，上游和下游是响应变量。
下面这张图是我梳理出的 MDIL框架（全称：Model-Driven Industry Linkage，模型驱动产业联动框架）：
核心逻辑是：模型层定义了需求结构，决定上游需要什么资源、以什么效率运作；同时模型层产生能力溢出，决定下游应用是被替代还是被使能。反过来，上游的瓶颈和下游的需求又通过反馈回路影响模型层自身的演进方向。
模型类型：自变量
模型层作为自变量，第一步是分类。不同类型的模型，对上游和下游的"需求剖面"完全不同。
这个分类的核心洞察是：模型类型不是简单的能力差异，而是整个产业链的"需求结构"发生了切换。通用大模型追求的是"集群能有多大"，世界模型追求的是"延迟能有多低"，开源模型追求的是"部署成本能有多便宜"——三者指向的上游资源、瓶颈环节和效率定义完全不同。
上游：有效利用率
上游不再是笼统的"供应链"，而是回答一个更精确的问题：模型需要什么资源？以及更关键的——投入的资源里，有多少比例真正转化成了模型的有效产出？
我把它叫做"有效利用率"。这不是单纯的成本控制，而是效率的概念——而且不同模型类型对"有效"的定义完全不同。
先看五个效率维度的基本框架：
这五个维度不是独立的，而是互相放大的。举个例子：你提高了互联效率（CPO替代可插拔光模块），集群MFU从40%提到55%，那么同样10万张卡的集群，有效算力提升了37.5%——这意味着你同时改善了算力效率、能源效率（同样的电做更多有用计算）和资金效率（同样的capex产出更多有效算力）。这才是上游投资真正需要关注的联动关系。
而不同模型类型对这五维的优先级完全不同：
通用大模型追求的是集群级效率。万卡集群的MFU如果只有40%，那60%的算力、能源、互联带宽都是浪费的。这时候的有效利用率是一个系统工程问题：互联拓扑、冷却方案、电力分配——任何一个环节掉链子，整个集群的效率都上不去。互联效率是第一瓶颈，算力效率和能源效率是连带结果。
推理优化型模型（如o系列、DeepSeek R1）追求的是单位效率。$/token、每瓦有效推理次数、单节点的吞吐率——这些指标在训练时代不重要，但在推理时代是核心。这时候有效利用率变成了芯片架构和部署策略的博弈：是用GPU推理还是用NPU推理？是集中部署还是边缘部署？不同选择对能源层和基础设施层的要求截然不同。资金效率（推理成本）和能源效率（token/watt）成为核心指标。
世界模型追求的是交互效率。延迟不能超过毫秒级，数据流不能断，物理仿真必须实时——这时候有效利用率的关键不在集群规模，而在端到端的系统延迟和数据通路的带宽。互联效率从"带宽"转向"延迟"，算力效率从"MFU"转向"实时推理吞吐"。这是完全不同的一个优化维度。
同一个"上游"概念，三种模型类型，三种完全不同的"有效"定义。Five Layer Cake把上游拆成三层（能源、芯片、基础设施）就已经到头了，但它没有回答：这三层之间的效率是如何联动的？它们共同服务的"有效产出"是什么？而这个"有效产出"的定义，恰恰是模型层给出的。
下游：能力溢出
下游也不再是笼统的"应用层"，而是回答：模型能力的每次变化，如何重塑下游？
这里有两种相反的力在同时起作用。
在产业链的任何位置，判断一个公司的长期价值，本质上就是判断这两种力的净方向。如果模型进步对它是替代大于使能（比如基础RPA工具），它会被吃掉；如果是使能大于替代（比如Agent编排平台），它会随模型进步而增长。
这个分析维度，Five Layer Cake的"应用层"同样给不了——它只知道应用在最上面，不知道应用的命运是由模型层的能力边界决定的。
不同的模型，不同的产业链
这个框架真正好用的地方在于——它能解释为什么不同的模型类型会画出完全不同的产业链。
三条链路，三种完全不同的上游瓶颈，三种完全不同的下游市场。而且更重要的是——每出现一种新的模型类型，不是"在现有的五层蛋糕上加一层"，而是"重新画一张蛋糕"。
Five Layer Cake试图用一套静态的层级结构覆盖所有场景，但现实是——模型类型一变，整张产业链地图都要重画。
反馈回路
最后还有一个Five Layer Cake完全没有覆盖的维度：反馈。
模型层不是真空演进的。上游的瓶颈会反作用于模型层的研发方向——如果互联效率卡在40%的MFU三年提不上去，模型层的研发优先级会从"做更大的模型"转向"做更高效的模型"（MoE、蒸馏、量化）。DeepSeek的MoE路线本质上就是对算力瓶颈的一种响应。
下游的需求也会牵引模型层的演进——如果具身智能需要毫秒级推理延迟，模型层会向实时推理优化倾斜；如果企业市场要求数据不出域，开源模型的私有化部署能力会成为核心竞争力。
上游瓶颈驱动、下游需求牵引——这两条反馈回路让模型层不断演化，而模型层的每一次演化又会重新定义上游三层的需求结构和下游应用的能力边界。
这是一个动态的、联动的系统，不是一块静态的蛋糕。
写在最后
说这些不是为了否定英伟达Five Layer Cake这个框架，它作为一个产业全景的描述框架，让人们能够快速理解AI产业链的构成，有它的价值和启发性。
但当我们用它做一些分析的时候，它也有一些局限。它把"能源→芯片→基础设施→模型→应用"当成一个固定的上下游关系，而现实是——模型层在拉着整条产业链跑。不同的模型类型，定义不同的上游需求，创造不同的下游机会。模型层不是五分之一，它是所有变化的第一推动力。
以模型为锚的分析框架，解决了我实际工作中最困扰的几个问题：不同模型类型对上游的差异化需求，因果关系的方向，以及产业链的动态联动。
如果你在做AI产业链分析的时候也遇到过类似的困扰——同一个框架套在不同模型类型上总觉得别扭——不妨试试换个画法。把模型层从第四层抽出来，放到中间，然后重新看上下游。
也许蛋糕不是叠出来的，是模型画出来的。
以上为我分析AI产业链的困境与思考，主要想表达整个产业链其实模型层才是核心环节，关于部分细节论证，因对AI大产业链的理解可能有局限性，欢迎指正。
