这种框架很有价值，因为它将AI视为一个完整的工业系统，而非单个模型或一组GPU集群，并清晰地解释了AI是如何生成的。但它也缺失了一个关键的第六层——存储。

能源提供物理基础；芯片将电力转化为算力；基础设施在数据中心规模上将计算变为可运营的系统；模型将算力转化为智能；应用则将智能转化为用户价值¹,²。

这个缺失的层级，充当着AI系统的经验库，它保存着能让智能持久存在、累积并随时间不断优化的数据、输出、上下文和产物——这一切都得益于新的存储层。

NVIDIA围绕AI工厂的表述很有启发性：其目标不仅是部署加速器，而是在规模化环境中制造智能，并且优化Token生成²,³。这意味着堆栈中的每一层都很重要。电力供应制约部署，芯片制约原始吞吐量，基础设施制约利用率，模型制约智能质量，而应用则制约可商业化的价值。

这种系统视角有助于解释为什么AI日益与电力、电信和云基础设施放在一起讨论。这是一个资本密集型的堆栈，其性能取决于跨多层级的协同，而非仅靠任何单方面的突破¹,⁴。

从经济角度看，堆栈的运行方向相反：应用层产生经济价值，为为下层提供资金支持。能源需要花钱，芯片需要花钱，基础设施需要花钱，模型的开发和运营也需要花钱。而应用层才是客户真正为有用成果付费的地方。黄仁勋曾明确指出应用层是经济效益产生的地方⁴。

这种倒置引出了对“五层蛋糕”更有用的经济学解读：电力让AI在物理上维持运行，而应用层让AI在经济上得以持续。

NVIDIA近期的AI工厂框架通过将Token吞吐量与经济效益挂钩，进一步强化了这一观点。该公司将Token描述为AI的基本单位，并将每兆瓦的Token吞吐量同AI工厂的收益潜力联系起来²,⁶。

并非所有商业模式都直接按Token收费，但Token生成仍然是一个有用的经济学抽象概念。在代码生成中，Token变成软件；语言模型的Token变成报告或决策；多模态Token变成图像、音乐和视频；工业AI的输出则变成预测、动作或数字孪生⁷。

从这个意义上说，Token生成不仅是一项技术指标，更是AI转化为经济生产力的行为。

如果Token生成是AI经济中的生产行为，那么存储则让这种生产具备持久性。 NVIDIA的AI数据平台资料强调，为企业AI提供动力的数据通常是非结构化的、碎片化的且快速变化的⁸。

AI需要存储至少有五个原因：大型训练语料库、模型检查点、企业检索和智能体工作流、治理与留存需求，以及AI生成产物的保存⁷,⁹,¹⁰。

为了支持Token生成和AI推理，存储内部也在涌现一个新层级：向量数据库。虽然图像、视频或文档等传统对象可能存储在文件系统或对象存储中，但这些内容的语义表示正越来越多地以向量数据的形式存储，帮助AI系统在无需重复处理原始对象的情况下检索、推理和关联上下文。

这一转变正在重塑面向AI的存储架构。计算密集型的AI系统持续推动内存增长，而跨对象和向量存储的AI数据则日益推动闪存和机械硬盘（HDD）基础设施层级的增长。

我们认为，正如IDC的全球数据圈项目所指出的，我们正迎接着一个数据持续扩张的ZB时代——这印证了存储不再只是AI堆栈下方被动的仓库，而是成为使AI系统能够保留上下文并随时间实现经济性扩展的主动基础设施层¹¹。

示意图：物理与经济视角下的五层蛋糕

图1. 同一个五层堆栈，既可以从物理角度自下而上解读，也可以从经济角度自上而下解读。

AI毋庸置疑需要快速运行的存储层级。内存、NVMe和基于固态硬盘（SSD）的存储对于大规模训练中的低延迟推理、主动检索和检查点性能至关重要⁸,⁹。

但AI的经济性不仅仅由最热的数据决定。它由必须长期保留、回溯、治理或复用的全部数据存量决定。公有云的操作指南仍然根据工作负载和成本特征区分SSD和HDD层级；AWS将冷存储的HDD描述为适用于不经常访问数据的最低成本块存储选项¹²。

随着数据生成、采集和复制的体量持续膨胀，关键问题不再仅仅是“我们如何算得足够快？”，还在于“我们如何以足够低的成本、在足够长的时间里、记住足够多的数据¹¹？”

Token经济并不会在Token生成时就结束。在许多情况下，它的价值从那一刻才开始。有用的输出通常需要被存储、引用、审计、转换、后续检索，或作为未来的上下文和训练材料重复使用。

这对于企业资料库、软件应用、检查点、日志、合成数据、媒体资产、科学输出、工业遥测和数字孪生都是如此⁸,⁹,¹⁰。

HDD之所以重要，并非因为它要取代闪存，而是因为它与闪存互补。闪存加速活跃的AI工作负载，而HDD则提供了持久且经济可扩展的基础，用以对日益增长的AI生成数据及AI相关数据存量进行持续的再训练。

黄仁勋的“五层蛋糕”理论是一个有用的模型，因为它将AI视为一个完整的基础设施系统，而非单一的技术浪潮¹。 但随着AI系统不断扩展并产生经济价值，这一模型越来越需要一个关键要素：存储。

AI基础设施不再仅由算力性能来定义，而是越来越取决于系统如何能够高效地长期保留、管理和扩展日益增长的AI数据体量。

正是这一转变，使存储成为AI基础设施未来的基石——也说明了为何HDD对AI经济依然不可或缺。

参考文献：

1. NVIDIA Blog. “AI Is a 5-Layer Cake.” March 10, 2026. https://blogs.nvidia.com/blog/ai-5-layer-cake/

2. NVIDIA. “AI Factories.” Accessed April 1, 2026. https://www.nvidia.com/en-us/solutions/ai-factories/

3. NVIDIA Glossary. “What Is an AI Factory?” Accessed April 1, 2026. https://www.nvidia.com/en-us/glossary/ai-factory/

4. NVIDIA Blog. “Largest Infrastructure Buildout in Human History: Jensen Huang on AI, Energy, and Industry at Davos.” January 2026. https://blogs.nvidia.com/blog/davos-wef-blackrock-ceo-larry-fink-jensen-huang/

5. EPRI. “Powering Intelligence 2026: Executive Summary.” 2026. https://powering-intelligence.epri.com/executive-summary.html

6. NVIDIA Developer Blog. “Scaling Token Factory Revenue and AI Efficiency by Maximizing Performance per Watt.” March 2026. https://developer.nvidia.com/blog/scaling-token-factory-revenue-and-ai-efficiency-by-maximizing-performance-per-watt/

7. U.S. Government Accountability Office. “Generative Artificial Intelligence: Uses, Benefits, and Risks.” 2024. https://www.gao.gov/products/gao-24-106946

8. NVIDIA. “AI Data Platform for Enterprise.” Accessed April 1, 2026. https://www.nvidia.com/en-us/data-center/ai-data-platform/

9. AWS Storage Blog. “Architecting Scalable Checkpoint Storage for Large-Scale ML Training on AWS.” June 16, 2025. https://aws.amazon.com/blogs/storage/architecting-scalable-checkpoint-storage-for-large-scale-ml-training-on-aws/

10. Google Cloud. “Cloud Storage Controls for Generative AI Use Cases.” 2026. https://docs.cloud.google.com/docs/security/security-best-practices-genai/storage-controls

11. IDC. “Global DataSphere.” Accessed April 1, 2026. https://my.idc.com/getdoc.jsp?containerId=IDC_P38353

12. AWS. “Amazon EBS Cold HDD Volumes.” Accessed April 1, 2026. https://aws.amazon.com/ebs/cold-hdd/