Let's Make AGI Real

——从芯片、数据中心到智能体，新的产业边界正在重排

人工智能的前台是模型发布会，后台是资本开支、芯片供给、电网容量和 token 成本。

过去两年，公众看到的是大模型能力以月为单位迭代，企业感受到的是 AI 工具进入办公、客服、研发和营销。资本市场看到的则是另一条曲线：高端 GPU、HBM、先进封装、光模块、数据中心、电力接入和云服务合同，被压缩进同一张资产负债表。硅基经济的真正含义，恰恰藏在这张表里。

把硅基经济理解为“AI 产业”并不够。AI 产业只是其中最容易被命名的部分。更准确的说法是：硅基经济正在形成一条以智能生产为中心的“智能栈”。这里的“智能栈”是本文使用的分析框架，并非既有行业标准分类。它从底层半导体开始，经由数据中心、电力与网络，进入云端模型、token 计价、数据与工具链，最后落入智能体、机器人和行业工作流。每一层都能独立形成市场，每一层又受制于上下一层。

这与互联网时代的平台经济不同。平台经济的核心竞争在用户入口、网络效应和交易撮合；硅基经济的竞争更深，也更重。谁拥有更稳定的算力供给、更低的推理成本、更强的数据闭环、更可控的模型能力和更高价值的智能体应用，谁就有机会把智能变成可持续的资本收益。

从产业链到智能栈

传统产业分析喜欢画链条：上游原材料，中游制造，下游应用。这个方法面对硅基经济时会显得迟钝。原因很简单：智能不是沿着单向链条传递的产品，而是一个不断循环的系统。

一次企业级 AI 调用，表面上是员工在对话框里输入指令；真实路径却很长。指令被切分成 token，进入模型推理系统，消耗 GPU、内存带宽、电力和冷却资源；模型调用企业知识库、外部工具、搜索接口或业务系统；智能体可能生成代码、查询库存、触发审批、下单支付或调用机器人；结果再回流为日志、反馈、评测数据和下一轮优化样本。

在这个过程中，芯片不是孤立的硬件，模型不是单独的软件，数据不是静态资产，应用也不是最后一站。它们在同一个循环中重新定义彼此。芯片性能影响 token 成本，token 成本影响应用形态，应用形态影响数据生成，数据质量反过来影响模型能力，模型能力又改变企业愿意投入多少算力。

这就是“智能栈”的含义。它至少包括六层：

第一层是硅基硬件：先进制程、GPU/AI 加速器、HBM、先进封装、EDA、服务器、交换机、光模块和存储系统。第二层是 AI 基础设施：数据中心、云平台、电力、冷却、网络和调度系统。第三层是模型与推理服务：基础模型、行业模型、开源模型、模型路由、缓存、压缩和推理优化。第四层是数据与工具链：高质量数据集、知识库、标注、评测、RAG、开发框架、安全工具和可观测性系统。第五层是智能体与机器人：能够规划、调用工具、执行流程并与物理世界连接的机器代理。第六层是治理与结算：身份、授权、责任、审计、隐私、合规、支付和跨境规则。

这个分层看似工程化，却直接决定经济权力。只掌握应用入口的企业，可能会被上游模型和算力成本挤压；只掌握芯片的企业，也需要生态和工作负载来证明资本开支的回报；只建设数据中心的地区，如果没有高价值任务填充，就会承受折旧、电力和债务压力。智能栈的竞争从来不是单点竞争，而是系统协同。

底座正在重资产化

硅基经济的第一个反直觉之处，是智能越虚拟，底座越重。

IDC 估计，2025 年全球 AI 基础设施支出达到 3180 亿美元，几乎是 2024 年 1530 亿美元的两倍；2026 年预计升至 4870 亿美元，2029 年将超过 1 万亿美元。2025 年第四季度，全球 AI 基础设施支出约为 899 亿美元，其中服务器占 97.6%，美国占全球支出的 77%。这组数字说明，AI 竞赛并没有把经济带离物理世界，反而把竞争重新拉回资本品、工程建设和电力系统。

半导体周期也因此被改写。Gartner 预测，2026 年全球半导体收入将超过 1.3 万亿美元，2027 年达到 1.55 万亿美元；AI 半导体收入约占 2026 年总收入的 30%。同时，HBM 所在的内存与存储价格通胀正在改变服务器成本结构。过去，云计算的瓶颈常常被说成“算力”；在大模型训练和推理中，内存带宽、先进封装和系统互联同样成为稀缺资源。

台积电的财报提供了另一侧证据。2025 年，台积电 3nm 制程贡献 24% 晶圆收入，7nm 及以下先进制程合计贡献 74%，高于前一年的 69%。其全年美元收入达到 1224.2 亿美元，高于 2024 年的 900.8 亿美元；年报和管理层致辞均把 AI 相关需求视为重要驱动力之一。先进制程收入占比上升，并不是简单的企业经营成绩；它意味着全球智能生产越来越依赖少数高端制造节点、设备体系和供应链协调能力。

这也是为什么出口管制、先进制程、GPU 供给和主权 AI 会同时成为政策议题。硅基经济把国家竞争重新锚定在可见的工业资源上：谁能制造，谁能买到，谁能稳定运行，谁能在能源约束下维持成本优势。

AI 工厂是新型基础设施

数据中心过去常被视为互联网和云计算的后台设施；在硅基经济中，它更接近“AI 工厂”。

所谓“AI 工厂”，不是官方统计分类，而是一个分析性比喻。这里同样有资本开支、设备折旧、能耗、水耗、冷却、运维、产能利用率和单位产出成本。区别在于，传统工厂生产汽车、钢材、化学品，AI 工厂生产的是可被调用的智能能力。它的产出可以是一次代码生成、一次药物筛选、一次风控决策、一组自动化客服回复，也可以是一个智能体连续数小时完成的复杂任务。

国际能源署的测算把这一变化放在能源系统中观察。2024 年全球数据中心用电约 415 TWh，占全球用电 1.5%；到 2030 年，基准情景下可能接近 945 TWh，占比接近 3%。其中 AI 加速器用电预计以年均约 30% 的速度增长。美国、中国和欧洲仍将是最大区域，美国数据中心用电到 2030 年可能增加约 240 TWh，中国增加约 175 TWh。

这意味着，AI 基础设施建设已经不能只由科技部门讨论。它牵涉电网规划、能源结构、土地指标、用水约束、区域产业布局和碳目标。一个地区引进大型智算中心，看似获得未来产业门票；如果缺乏稳定负载、绿色电力和高价值应用，也可能把地方财政与能源系统绑进低回报资产。

联合国贸发会议在《2024 年数字经济报告》中提醒，数字基础设施依赖大量原材料、水和能源，发展中国家常常承担更多环境成本，却未必分享相应收益。这一点对硅基经济尤其尖锐。AI 工厂的全球分布并不均衡，收益分配也不均衡。模型能力、云平台利润和高端芯片利润集中在少数国家和企业，而电力、资源和废弃物压力则可能沿供应链外溢。

因此，评价 AI 基础设施不应只看“建了多少机柜”。真正关键的是三组指标：单位电力能够产生多少有效 token，单位 token 能够完成多少有价值任务，单位任务又能带来多少生产率、收入或公共服务改善。没有这三组指标，数据中心很容易从新基建变成新泡沫。

Token 经济把成本暴露出来

硅基经济的第三层，是正在形成的 token 经济。

token 原本是模型处理信息的技术单位；现在，它正在成为智能服务贸易的计价单位、企业预算单位和平台规模单位。Google CEO Sundar Pichai 在 I/O 2026 上披露，Google 跨产品每月处理的 tokens 已从 2024 年 5 月的 9.7 万亿、2025 年 5 月的约 480 万亿，增长到 2026 年 5 月超过 3.2 quadrillion，约合 3200 万亿。其模型 API 每分钟处理约 190 亿 tokens，过去 12 个月内，超过 375 家 Google Cloud 客户各自处理了超过 1 万亿 tokens。这组数字来自 Google 自报，并非第三方审计统计。

这类数据的重要性在于，它把“智能使用”从宣传口号变成可计量资源流。过去，企业购买软件，常以席位数计价；购买云服务，以 CPU 小时、存储和带宽计价；购买 AI 服务，则越来越以输入、输出、上下文、缓存和推理 token 计价。智能体越复杂，工具调用越多，中间步骤越长，token 消耗就越高。

于是，token 成本开始塑造应用边界。一个低价值场景，如果每次任务都调用昂贵模型、长上下文和多轮推理，很快会在财务上失去意义；一个高价值场景，即使用掉大量 token，只要能减少坏账、提升研发效率、压缩库存或降低停机时间，仍然值得投入。企业的 AI 战略正在从“接入大模型”进入“管理 token 投资回报率”。

NVIDIA 在其 Blackwell / InferenceMAX 基准宣传中称，Blackwell 在特定混合专家模型和推理场景下可实现更高的每兆瓦 token 吞吐，并显著降低每百万 token 成本。这个数据属于供应商和基准测试口径，不宜直接外推为所有实际部署场景的成本下降幅度。但它清楚显示，芯片公司已经把竞争语言从 FLOPS 推向 tokens per second、tokens per watt 和 cost per million tokens。

这会改变整个智能栈的价格体系。推理优化、模型蒸馏、小模型、缓存、路由、边缘部署和专用芯片，都会围绕同一个目标展开：以更低成本生产有效 token。企业也会重新设计工作流：哪些任务用最强模型，哪些任务用轻量模型，哪些步骤可以缓存，哪些判断必须由人复核，哪些 token 消耗其实是组织低效的表现。

更重要的是，token 经济会改变国际分工。过去，云服务贸易可以通过美元账单和区域数据中心结算；未来，跨境智能服务可能表现为模型 token 的持续调用。一个国家如果大量依赖境外模型 token，就相当于把一部分智能生产资料租用在外部平台上。反过来，能够出口高质量、低成本、可信赖 token 的企业和国家，将在智能服务贸易中获得新的租金。

模型、数据和工具链决定可持续性

模型能力是硅基经济最显眼的一层，却不是最稳定的一层。基础模型的性能差距会阶段性拉大，也会被开源、工程优化和产品化迅速压缩。更持久的优势，往往来自数据、工具链和反馈循环。

中国信息通信研究院政策与经济研究所发布的《全球数字经济发展研究报告（2025 年）——数智驱动与秩序重构》提出，全球数字经济正在由连接驱动转向智能驱动，通用人工智能正在牵引芯片、通信、物联网、数据治理和智能终端协同演进。这个判断与企业实践相符。真正有价值的 AI 部署，很少只是把通用模型接进聊天窗口；它通常需要行业数据、业务规则、权限系统、流程接口、评测体系和持续反馈。

国家数据局披露，截至 2025 年底，我国高质量数据集超过 11 万个，数据标注累计超过 85 PB，数据标注服务产值达到 183 亿元。这个数据规模说明，中国正在把数据资源转化为智能生产投入。但数据资产化的关键并不在“数量”本身。对硅基经济而言，数据的价值取决于能否进入模型训练、检索增强、智能体决策和行业流程优化，能否形成闭环。

工具链的作用同样被低估。模型越强，组织越需要可观测性、评测、安全防护、提示管理、模型路由、权限控制、审计日志和合规接口。没有这些中间层，企业很难把 AI 从试点推进到核心系统。硅基经济不是单一模型公司的独角戏，而是围绕模型形成的新型企业软件、云基础设施和行业解决方案生态。

这里也存在一个分配问题。高质量数据往往来自真实生产场景，由企业、劳动者、消费者和公共系统共同生成。若数据被少数平台吸收并转化为模型收益，而数据贡献者缺乏回报机制，硅基经济会复制甚至放大平台经济的分配争议。未来围绕数据授权、数据收益、公共数据开放、行业数据空间和模型训练合规的争论，会成为智能栈治理的核心议题。

智能体把 AI 推入执行层

如果说大模型把机器带入语言和知识劳动，智能体则试图把机器带入执行层。

智能体的关键不在“会聊天”，而在能够围绕目标进行规划、调用工具、执行动作、读取反馈并继续调整。它可以是自动编程助手，可以是采购代理，可以是科研助手，可以是金融风控流程中的判断单元，也可以是工厂里的机器人调度系统。硅基经济真正开始改变组织结构，往往发生在这一层。

国务院《关于深入实施“人工智能+”行动的意见》提出，到 2027 年，新一代智能终端、智能体等应用普及率超过 70%；到 2030 年超过 90%，智能经济成为我国经济发展的重要增长极。这个目标的政策含义很明确：中国不是只把 AI 看作软件工具，而是把智能体、智能终端和行业融合视为经济结构升级的抓手。

智能体会改变企业边界。过去，企业通过部门、岗位、流程和外包合同组织任务；未来，一部分任务将由内部员工、外部服务商、AI 智能体和机器人共同完成。企业管理者需要决定的不只是“雇多少人”，还包括“哪些任务交给模型”“哪些流程允许智能体自动执行”“哪些环节必须保留人工签字”“机器行为的责任如何追溯”。

它也会改变产业边界。制造业的 AI 化，不只是质检、预测维护或排产优化；当工业软件、机器人、供应链系统和模型能力打通后，生产现场会形成持续感知、推理和执行的闭环。金融业的 AI 化，也不只是客服和研报摘要；当智能体进入交易监测、风险预警、合规审查和客户经营，机构的运营逻辑会发生变化。

这里必须保持冷静。许多智能体应用仍停留在演示阶段，可靠性、责任边界和安全性都不足以支撑高度自治。但方向已经清楚：硅基经济的下一步，不是让每个人拥有一个更会说话的助手，而是让机器系统进入组织运行的深层流程。到那时，AI 产生的价值将不再只体现在“节省几分钟”，而体现在流程重构、组织缩短和资本周转加快。

中国的位置：必须补齐全栈能力

中国在硅基经济中的位置，既有优势，也有硬约束。

优势首先来自规模。国家数据局发布的《数字中国发展报告（2025 年）》显示，截至 2025 年底，我国在用标准机架超过 1373 万架，建成 42 个万卡级智算集群，智能算力规模达到 159 万 PFlops（FP16），位居全球第二；人工智能核心产业规模超过 1.2 万亿元。另据第 57 次《中国互联网络发展状况统计报告》发布信息，截至 2025 年 12 月，我国网民规模达到 11.25 亿人，互联网普及率达 80.1%。再加上庞大的制造业体系和丰富的行业应用场景，任何智能经济只要进入真实产业，中国都不可能只是旁观者。

约束同样明显。IDC 数据显示，2025 年第四季度中国 AI 基础设施支出约为 84 亿美元，占全球 9.4%，并受到出口管制影响出现下降。高端 GPU、先进制程、HBM、EDA、核心设备和全球模型生态，仍然是中国智能栈的关键短板。硅基经济越向底层深入，外部约束越难绕开。

因此，中国的政策重点不能停留在单层突破。单纯发展应用，会受制于底层算力和模型生态；单纯建设算力，可能形成低利用率资产；单纯强调数据规模，可能无法转化为有效模型能力；单纯扶持模型公司，可能脱离产业场景。真正的路线应当是全栈协同：底层硬件国产替代与国际合作并行，智算中心建设与行业负载绑定，公共数据开放与数据安全同步推进，模型生态与工业软件、机器人和企业系统深度结合。

尤其要警惕“算力崇拜”。算力是必要条件，但不是充分条件。一个经济体的硅基能力，最终要看能否以可承受的能耗和成本，持续生产有效 token，并把这些 token 嵌入高价值任务。对中国而言，制造、物流、能源、交通、金融、科研、教育和医疗，是最有可能把 token 转化为生产率的场景。它们比泛娱乐和办公助手更难，但也更能形成长期竞争力。

政策的焦点应当从补贴转向编排

硅基经济需要产业政策，但不能只靠传统产业政策。

传统产业政策擅长识别重点行业、配置资金、建设园区、扩大产能。硅基经济当然也需要这些工具，尤其在半导体、先进封装、算力网络和工业软件等环节。但如果政策只奖励投资额、机柜数、模型参数量和项目数量，很容易制造重复建设和指标幻觉。

更合适的政策角色，是“编排”智能栈。

第一，编排算力与负载。新建智算中心应当与明确行业任务绑定，形成利用率、能效、token 产出和行业价值的评价体系。政府可以推动公共科研、制造业中小企业、医疗教育等领域共享算力，但需要避免把公共资源变成低质量应用的补贴池。

第二，编排数据与安全。公共数据开放、行业数据空间和高质量数据集建设，应当服务于可验证的模型训练、评测和行业应用。数据治理不能只谈流通，也要谈收益分配、隐私保护、质量控制和责任追溯。

第三，编排模型与场景。基础模型企业需要行业入口，行业企业需要可靠模型，中间需要评测、适配、合规和工程化服务。政策应支持开放基准、行业测试场、可信评测机构和开源生态，而不是只用榜单排名决定资源流向。

第四，编排能源与空间。AI 工厂必须纳入区域电网、可再生能源、用水和碳排规划。数据中心选址不应只看土地和招商优惠，还要看电力结构、网络延迟、冷却条件和产业负载。

第五，编排劳动与教育。智能体进入执行层后，岗位会被重组。政策应支持劳动者围绕任务升级，而不是简单地把 AI 培训做成软件操作课。未来的核心能力，是人如何监督、校准、组合和问责机器智能。

硅基经济的竞争，最终会回到制度能力。技术可以购买一部分，资本可以催熟一部分，场景可以培育一部分，但把这些部分组织成可持续的智能生产体系，需要更高水平的政策协调。

供应链深处的权力转移

过去，数字经济的权力集中在平台入口。谁控制搜索、社交、电商、支付和移动操作系统，谁就掌握流量、数据和交易。硅基经济并没有消灭这种权力，但它正在把新的权力推向供应链深处。

先进芯片控制训练和推理上限，数据中心控制智能产能，模型控制任务能力，token 价格控制应用边界，数据闭环控制迭代速度，智能体控制执行入口，规则体系控制责任和市场准入。任何一层出现瓶颈，都会重新分配利润。

这解释了为什么 AI 时代的企业竞争看起来如此“混乱”：芯片公司做云，云公司做模型，模型公司做应用，应用公司做数据闭环，制造企业做工业模型，能源企业谈数据中心，国家安全部门关注 GPU 出口，监管机构讨论模型责任。表面上是跨界，实质上是智能栈内部边界尚未稳定。

对企业而言，问题不是“要不要做 AI”，而是自己在智能栈中占据哪一层，是否拥有可防守的资产。对地方政府而言，问题不是“有没有 AI 项目”，而是这些项目能否与产业基础、能源条件和人才结构匹配。对国家而言，问题不是“是否参与 AI 竞赛”，而是能否在芯片、算力、模型、数据、应用和治理之间形成可持续闭环。

硅基经济的第二篇文章想说明的，就是这一点：真正的竞争并不止于模型排行榜，也不止于应用下载量。它在供应链深处，在电力接入点，在先进封装产线，在 token 成本曲线，在数据资产治理制度，也在企业内部那些看似琐碎的流程重构中。

当智能成为生产资料，谁能掌握智能栈，谁就更接近下一阶段经济增长的控制面板。

参考资料与延伸阅读

1. IDC, “AI Infrastructure Spending Caps Historic Year at ~$90 Billion in Q4 2025; 2029 Spending to Eclipse $1 Trillion,” 2026-04-16 https://www.idc.com/resource-center/blog/ai-infrastructure-spending-caps-historic-year-at-90-billion-in-q4-2025-2029-spending-to-eclipse-1-trillion/

2. Gartner, “Gartner Forecasts Worldwide Semiconductor Revenue to Exceed $1.3 Trillion in 2026,” 2026-04-08 https://www.gartner.com/en/newsroom/press-releases/2026-04-08-gartner-forecasts-worldwide-semiconductor-revenue-to-exceed-us-dollars-one-point-3-trillion-in-2026

3. TSMC, 2025 Annual Report https://investor.tsmc.com/static/annualReports/2025/english/index.html

4. International Energy Agency, Energy and AI. Section: “Energy demand from AI” https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

5. UNCTAD, Digital Economy Report 2024: Shaping an Environmentally Sustainable and Inclusive Digital Future https://unctad.org/publication/digital-economy-report-2024

6. Google, “I/O 2026: Welcome to the agentic Gemini era,” 2026-05-19 https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

7. NVIDIA, “NVIDIA Blackwell Raises Bar in New InferenceMAX Benchmarks, Delivering Unmatched Performance and Lowest Cost Per Token,” 2025-10-09 https://blogs.nvidia.com/blog/blackwell-inferencemax-benchmark-results/

8. 中国信息通信研究院政策与经济研究所，《全球数字经济发展研究报告（2025 年）——数智驱动与秩序重构》，2026 年 3 月 https://www.caict.ac.cn/kxyj/qwfb/ztbg/202603/P020260324613314950584.pdf

9. 国家数据局，《国家数据局发布〈数字中国发展报告（2025 年）〉》，2026 年 4 月 29 日 https://www.nda.gov.cn/sjj/swdt/xwfb/0429/20260429162826395159001_pc.html

10. 新华网，《〈数字中国发展报告（2025年）〉全文发布》，2026 年 6 月 9 日 https://www.news.cn/politics/20260609/630daa2672884254b39764aa1cd07b29/c.html

11. 国务院，《关于深入实施“人工智能+”行动的意见》 https://www.mee.gov.cn/zcwj/gwywj/202508/t20250827_1126207.shtml

12. 新华社，《新华社权威快报丨我国网民规模达 11.25 亿人》，2026 年 2 月 5 日 https://www.news.cn/20260205/f681c7a56c664650a655a8380da65ec8/c.html