当前，人工智能（AI）行业持续升温，人们正迫切地将各类任务交给AI处理。从编写代码到数据分析，越来越多的人尝试让AI主导完整的工作流程。

这种能力的飞跃，迫使人们反复思考一个核心问题：“AI会取代我的工作吗？”“如果越来越多的工作被AI接管，人类又该扮演什么角色？”

或许能从历史中找到一个明确答案。技术史研究在回顾工业革命时，有一个经典发现：技术并不会消灭劳动，而是重塑、转移或隐藏劳动的形式。

就在刚刚，英伟达CEO黄仁勋发布一篇深度长文，从人工智能产业结构的视角，为上述理论提供了当代解读。

文章原文翻译如下：

毫无疑问，人工智能已成为重塑当今世界格局的最强劲引擎之一。它并非简单的应用或单一模型，而是像电力和互联网一样，构成关键基础设施。

AI的运作，依赖实实在在的硬件、能源与经济规律。它消耗原材料，并将其大规模转化为智能产出。每一家企业都将应用它，每一个国家都将建设它。

要理解AI为何以如此态势演进，我们需要回归“第一性原理”，审视计算领域发生的根本变革。

CES 2026 Keynote

从预设软件到实时智能

在计算机历史的漫长岁月中，软件始终是“预设”的。人类定义算法，计算机执行指令。数据必须经过严密的结构化处理，存储在表格中，并通过精准的查询语句进行检索。SQL之所以变得不可或缺，正是因为它支撑了那个时代的运作模式。

然而，AI的崛起彻底颠覆了这一格局。

我们首次拥有了能够理解非结构化信息的计算机。它能够识别图像、解读文本、捕捉声音，并洞悉其内在含义。它能够针对语境和意图进行逻辑推理。最关键的是，它能实现实时智能响应。

每一条回复都是全新生成的，每一个答案都基于你所提供的上下文。这并非软件在检索预存指令，而是软件在进行推理，并按需产出智能。

因为智能是实时产生的，其底层的整个“计算堆栈”都必须经历彻底的变革与重构。

AI 作为基础设施

从工业视角审视，AI可以被分解为一套五层架构体系。

1. 能源

能源是整个架构体系的根基。实时生成的智能需要实时产生的电力作为支撑。生成的每一个Token，都是电子移动、热量管理，以及能源转化为计算力的结果。在此之下，没有更底层的抽象层。能源是AI基础设施的“第一性原理”，也是决定系统智能产出上限的硬约束。

2. 芯片

能源之上是芯片。这些处理器旨在将能源大规模、高效率地转化为计算能力。AI工作负载需要极高的并行性、高带宽内存以及高速互连技术。芯片层的技术突破，决定了AI扩张的速度，以及智能获取成本的经济性。

3. 基础设施

芯片之上是基础设施。这部分涵盖了土地、电力传输、冷却系统、建筑施工、网络连接，以及将数以万计的处理器整合为单一计算集群的编排系统。这些系统本质上就是“AI工厂”。它们的设计目的并非存储信息，而是“制造智能”。

4. 模型

基础设施之上是模型。AI模型能够理解多种维度的信息：语言、生物学、化学、物理学、金融、医学，以及物理世界本身。语言模型仅是其中一种类别，目前最具变革性的突破，正发生在蛋白质AI、化学AI、物理模拟、机器人技术以及自主系统领域。

5. 应用

最顶层是应用，这是创造经济价值的核心环节。这些应用包括：药物研发平台、工业机器人、法律助手、自动驾驶汽车。自动驾驶汽车是具身智能在机器中的AI应用，而人形机器人则是“具身”于躯体之中的AI应用。底层架构相同，展现形态各异。

这就是所谓的“五层蛋糕”：能源 → 芯片 → 基础设施 → 模型 → 应用。每一个成功的应用，都在拉动其下方的每一层架构，其根源可追溯至维持其运行的发电厂。

这一建设进程才刚刚起步。我们目前的投入仅为数千亿美元，未来仍有数万亿美元规模的基础设施尚待建设。

在全球范围内，芯片工厂、计算机组装厂和AI工厂，正以史无前例的规模动工兴建。这正在演变为人类历史上规模最大的基础设施建设运动。

支撑这一建设进程所需的劳动力是巨大的。AI工厂需要电工、水管工、管工、钢结构工人、网络技术人员、安装人员和操作人员。这些岗位属于高技能、高薪酬，且供不应求的职业。投身这场变革，并不一定需要计算机科学博士学位。

与此同时，AI正在提升整个知识经济的生产力。以放射医学为例：尽管AI现在可以辅助阅片，但对放射科医生的需求却在持续增长。这并非悖论。放射科医生的核心宗旨是护理患者，阅片仅是诊疗过程中的一个环节。当AI承担了更多常规化工作，医生便能专注于专业判断、医患沟通和人文关怀。医院的效率由此提高，能够接诊更多患者，并雇佣更多员工。生产力创造产能，产能驱动增长。

过去一年发生了什么变化？

在过去的一年里，AI跨越了一个关键门槛。模型的能力，已经足以支撑大规模的实际应用。逻辑推理能力显著增强，幻觉比例下降，知识对齐与事实性则得到了大幅提升。基于AI构建的应用，第一次开始产生真正的经济价值。

在药物研发、物流运输、客户服务、软件开发及制造业等领域，相关应用已经展现出强劲的产品市场契合度。这些应用正强力拉动其底层的每一个技术架构层级。

开源模型在此发挥着至关重要的作用。全球绝大多数模型都是免费的。研究人员、初创企业、大型企业乃至整个国家，都依赖开源模型来参与前沿人工智能的竞争。当开源模型触及技术边界时，它们改变的不只是软件，更是激活了对整个架构堆栈的需求。DeepSeek-R1就是一个强有力的例证。通过将性能强劲的推理模型向公众开放，它加速了应用层的普及，进而反向刺激了底层对模型训练、基础设施、芯片以及能源的需求。

这意味着什么？

当你把AI视为关键基础设施时，它的深层影响就变得清晰起来。AI始于基于Transformer架构的LLM，但远不止于此。它是一场工业变革，正在重塑能源的生产与消费方式、工厂的建设模式、劳动的组织形式，以及经济的增长路径。

AI工厂之所以拔地而起，是因为智能现已实现实时生成。芯片之所以被重新设计，是因为能效比决定了智能扩张的速度。能源之所以成为核心，是因为它设定了智能产出总量的绝对上限。应用开发之所以提速，是因为其底层的模型已跨越技术门槛，真正具备了大规模实用价值。

架构中的每一个层级都在相互强化、协同演进。这正是建设规模如此宏大的原因。这也是为何它能同时触及如此众多的行业，且绝不会局限于单一国家或单一领域。每一家企业都将应用人工智能，每一个国家都将致力于其建设。

我们仍处于早期阶段。大部分基础设施尚未落成，大部分劳动力尚未接受相关培训，而大部分机遇也尚未被发掘。但前进的方向已然明确。

人工智能正在成为现代世界的基石性基础设施。我们当下的抉择——建设的速度、参与的广度，以及部署的责任感——将共同定义这个时代。

写在最后

看完黄仁勋这篇深度长文，不禁想起网上那个“能工智人”的调侃。说token成本有时候比雇人还贵，这话听着像玩笑，其实也点破了一个现实：AI不是“永动机”，每一次token的生成，背后都对应着电力、算力、数据中心，以及大量工程与运维工作。

换句话说，智能并不是从天而降的产物，它只是以另一种方式，消耗着真实世界的资源与劳动。而参与这场变革的人，远不只有AI工程师。

如果AI真的如黄仁勋所描述，逐渐成为由能源、芯片、基础设施、模型和应用构成的基础设施体系，那么在未来，它会像电力和互联网一样，成为社会运转的默认条件。当那一天真正到来时，你准备参与到这块蛋糕的哪一层？