核心观点
　　AI产业链的研究范式正在由“单点算力竞赛”转向“系统级协同”。2023-2025年，“算力短缺”能够较好解释AI行情和产业链利润分布；但随着推理需求快速增长、数据中心建设提速以及Agent进入商业化验证阶段，单一算力框架已不足以刻画AI产业链的边际变化。某一环节的细微变化会对其他环节产生蝴蝶效应，并需要从系统层面协同解决。AI产业的核心矛盾正在从“能否获得更多算力”转向“算力能否被低成本、稳定、规模化交付，并最终形成可验证的商业回报”。因此，我们尝试拆解AI产业链五层蛋糕，并从系统视角重新梳理各层之间的运行机制和传导关系。
　　能源与基础设施层：硅基增长的物理约束
　　AI产业扩张越来越受到现实世界物理约束的影响，产业瓶颈正在由GPU、HBM等硬件逐步扩散至电力供给、电网并网、数据中心建设、燃气轮机、施工能力等基础设施环节。基础设施层面的物理约束，导致数据中心落地节奏的放缓，并不意味着产业趋势的逆转，更多是以时间换空间的过程。通过延长资本开支周期、提升存量算力稀缺性、强化了头部云厂商竞争优势，推动产业链价值进一步向供配电、散热冷却、电网设备和能源金属等环节扩散。
　　芯片层：需求与范式的转变
　　随着大模型从“军备竞赛”走向“应用落地”，算力需求发生结构性变化，推理取代训练成为新的增长极。催生出芯片层“通用GPU→AI异构平台、单卡算力→以存代算、海外主导→国产加速”等多重范式转换。除了要解决单个环节的瓶颈外，对系统级交付和协同优化提升的要求更高。芯片层产业趋势并不是硬件自主演化的产物，而更多是下游AI需求结构变化传导至上游的结果。一旦下游场景变化，硬件端的优先级和排序或要重新调整。
　　模型层：Token经济学的实现路径
　　模型层承担了由算力到Token产出价值跃迁的关键一步。模型需要在性能、速度、价格不可能三角进行权衡取舍，性价比需求下，模型分层与路由成为必然选择。前沿模型决定了AI能力的上限，目前看Scaling Law仍然有效。基础模型决定了AI应用的广度，并将逐渐基础设施化。模型层的问题在于，同质化竞争导致纯模型业务较难获得长期稳定的超额回报。潜在破局思路是向上下游延伸，以掌握价值链的更多环节，建立竞争优势。
　　应用层：等待跃迁点
　　收入端，当前AI链主要赚的是云厂商巨额开支的钱。要想形成持续的商业闭环，终端应用收入能否覆盖上游巨额资本开支，成为AI可持续性的关键验证环节。需求端，Token的增长=任务复杂度×持续时长×并发规模。每个因子都有数倍的提升空间，相乘之后意味最终Token需求曲线将长期保持指数增长形态。但需要注意产业链落地节奏差异带来的摩擦成本。
　　综合来看，理解AI产业链愈发需要系统和动态思维。除了技术的领先度之外，竞争格局与商业壁垒是更重要的长期变量。中上游溢价权仍有望保持相当长一段时间，模型与应用层可能仍在风险投资阶段。AI产业链的终局图景，是搭建一个完备的、适合AI生存的硅基世界。能源是食物、数据中心是城市、Agent是公民、基础模型是大脑、Token是货币。当然，终局叙事不可替代估值纪律，想象空间的兑现仍要回到商业逻辑和收入的验证。
　　风险提示：AI产业链进展不及预期，美国通胀超预期，地缘局势持续紧张。