近期，英伟达的黄仁勋罕见的在个人博客发表了一篇长文《I Is a 5-Layer Cake》，也是近10年来发表的一篇，在2016年，黄仁勋就发表了一篇长文叫《用GPU加速AI：一种新的计算模型》，2016年当时的英伟达0.8美元，现在是130美元，涨了160倍。
在2016年黄仁勋就在那篇文章中说了未来的AI需要的架构，以及GPU是怎么取代CPU的计算范式转变。
10年前，你别说看懂AI了，大部分都根本不信AI能这么快就出来，当时大家应该和我的感受一样，AI还在概念阶段，离真正的应用还早呢!
但是没想到的是，仅仅过了10年时间，AI目前已经火出圈了，大模型的发布，openclaw智能代理的出现真在颠覆现有的社会，形成新的产生力的结构转变！
所以这篇黄仁勋的长文一定要好好的仔细研究，因为里面其实有很多财富密码，毕竟黄是现在的AI教父了，对AI的理解应该是顶尖的。
所以和一个厉害的人学习，你如果没有能力面交，那么看他写的东西其实是最：省钱的方法！
因为你一毛钱没花，你就看到了行业顶尖“大佬”的思想和想法，其实就相当于和他沟通交流了！
下面给我的译文和对应思考：
AI 是当今塑造世界最强大的力量之一。它不仅仅是一个聪明的应用程序，也不是一个单一的模型；它是一种基础设施，就像电力和互联网一样。
AI 运行在真实的硬件、真实的能源和真实的经济体系之上。它将原材料转化为大规模的智能。未来，每一家公司都会使用 AI，每一个国家都会建设 AI。
如果想理解为什么 AI 会以这样的方式发展，最好的方法是从第一性原理出发，看看计算领域到底发生了哪些根本性的变化。
从“预先编写的软件”到“实时智能”
在计算机发展的绝大多数历史中，软件都是预先编写好的。
人类先描述一个算法，计算机再去执行它。数据必须被精心结构化，存储到表格中，并通过精确的查询语句进行检索。
因此，SQL 成为了不可或缺的工具，因为它让这种计算模式能够正常运转。
但 AI 打破了这种模式。
这是人类历史上第一次拥有一种计算机，它可以理解非结构化信息。
它能够：看懂图像，阅读文本，听懂声音，理解其中的含义，它还能根据上下文和意图进行推理。
最重要的是：它可以实时生成智能。
每一次响应都是全新生成的。每一个答案都取决于你提供的上下文。
这不再是软件从数据库中检索已有指令，而是软件在按需进行推理并生成智能。
正因为智能是在实时生成的，支撑它运行的整个计算技术栈也必须被重新发明。
AI 作为基础设施
从产业角度来看，AI 可以被理解为一个 五层技术栈（five-layer stack）。
能源（Energy）
最底层是 能源。实时生成智能，需要实时产生的电力。
每一个生成的 token，本质上都是：电子在流动，热量在被管理，能量被转化为计算。
在这一层之下没有任何抽象层。
能源是 AI 基础设施的第一性原理，也是决定系统能够产生多少智能的根本约束。
芯片（Chips）
能源之上是 芯片。
芯片是专门设计的处理器，用于在大规模条件下高效地把能量转化为计算能力。
AI 的工作负载需要：大规模并行计算，高带宽内存，高速互联。
芯片层的进步，决定了 AI 能扩展多快，以及智能会变得多便宜。
基础设施（Infrastructure）
芯片之上是 基础设施。
这一层包括：土地，电力输送，冷却系统，数据中心建设，网络系统，以及把成千上万处理器组织成一台机器的调度系统。
这些系统本质上是 AI 工厂。它们并不是为了存储信息而设计的，而是为了制造智能。
模型（Models）
基础设施之上是 模型。
AI 模型可以理解多种类型的信息，例如：语言，生物，化学，物理，金融，医学，以及现实世界本身。
语言模型只是其中的一种。目前最具变革性的研究，正在发生在：蛋白质 AI，化学 AI，物理模拟，机器人自主系统。
应用（Applications）
最顶层是 应用层，也是 经济价值真正产生的地方。
例如：药物研发平台，工业机器人，法律 AI 助手，自动驾驶汽车。
自动驾驶汽车，本质上是 AI 应用被装进一辆机器中。
人形机器人，本质上是 AI 应用被装进一个身体中。
底层技术栈是一样的，只是最终呈现出的形态不同。
这就是所谓的 “五层蛋糕”（five-layer cake）：
能源 → 芯片 → 基础设施 → 模型 → 应用
每一个成功的应用，都会向下牵动整条产业链，从应用层一直延伸到最底层——为其提供电力的发电厂。
而我们才刚刚开始这一轮建设。目前投入的资金只有几千亿美元，但未来仍然需要建设数万亿美元规模的基础设施。
在全球范围内，我们已经看到：芯片工厂，计算机组装工厂，AI 工厂（AI 数据中心），正在以前所未有的规模被建设。
这正在成为人类历史上最大规模的基础设施建设之一。
支撑这一建设浪潮所需要的劳动力规模也极其庞大。
AI 工厂需要：电工，水管工，管道安装工，钢结构工人，网络技术人员，设备安装人员，运维人员
这些都是技术型、收入较高的工作岗位，而目前市场上严重短缺。
参与这场变革，并不一定需要计算机科学博士学位。
与此同时，AI 也正在推动整个知识经济的生产力提升。
以放射学为例：
AI 现在已经可以帮助医生读取医学影像，但对放射科医生的需求依然在持续增长。这并不是一个矛盾。
放射科医生的真正职责是照顾病人。阅读影像只是其中的一个环节。
当 AI 承担越来越多的重复性工作时，医生就可以把更多精力放在：医学判断，与患者沟通，医疗护理
医院因此变得更高效，可以服务更多患者，也会雇佣更多人。
生产力带来更多能力，能力带来增长。
过去一年发生了什么变化？
在过去一年里，AI 跨越了一个重要的门槛。
模型的能力已经足够好，可以在大规模场景中真正发挥作用。
推理能力提升了，幻觉（hallucination）明显减少，对现实信息的对齐与落地（grounding）能力也大幅提高。
这是第一次，基于 AI 构建的应用开始真正创造现实的经济价值。
目前，在以下领域的 AI 应用已经展现出明显的产品与市场匹配：药物研发，物流，客户服务，软件开发，制造业
而这些应用的发展，又会强力拉动它们之下的每一层基础设施。
开源模型在这一过程中扮演着至关重要的角色。
如今，世界上大多数 AI 模型都是免费的。研究人员、初创公司、企业，甚至整个国家，都依赖开源模型来参与先进 AI 的发展。
当开源模型达到技术前沿时，它们带来的改变不仅仅发生在软件层面，还会激活整个技术栈的需求。
DeepSeek-R1 就是一个非常有力的例子。
通过让一个强大的推理模型被广泛获取和使用，它加速了应用层的采用，同时也提升了对以下资源的需求：模型训练，基础设施，芯片，能源！
也就是说，它把需求从应用层一路向下传导到整个 AI 技术栈。
这意味着什么
当你把 AI 看作一种关键基础设施时，它所带来的影响就变得非常清晰。
AI 的起点也许是 Transformer 架构的大语言模型（LLM），但它远不止如此。
它是一场工业级的变革，正在重塑：能源的生产和消费方式，工厂的建设方式，工作的组织方式，以及整个经济增长的模式。
之所以开始建设 AI 工厂（AI 数据中心），是因为智能如今需要实时生成。
芯片正在被重新设计，因为效率决定了智能能够以多快的速度扩展。
能源变得至关重要，因为它决定了系统究竟能够产生多少智能的上限。
而应用之所以加速发展，是因为底层模型已经跨越了一个关键门槛——终于可以在大规模场景中真正发挥价值。
这一技术栈的每一层，都在相互强化、相互推动。
这就是为什么这轮建设规模如此之大，也为什么它会同时影响如此多的行业。
这也是为什么它不会局限于单一国家或单一行业——每一家公司都会使用 AI，每一个国家都会建设 AI。
我们仍处于早期阶段：很多基础设施尚未建立，很多劳动力尚未接受培训，很多机会尚未被实现！
但方向已经非常明确。AI 正在成为现代世界的基础性基础设施。
而我们现在所做的选择——建设速度、参与广度，以及部署的责任感——将决定这一时代最终会成为什么样子。
好的，上面就是完整的译文，我觉得这篇是老黄对于整个AI行业变革的一个强心剂，有点回应了之前那篇AI鬼故事《智力过剩》文章，虽然AI的出现确实让写代码，诊断更便利，但是也同样节省了人们大量时间，比如举例说的医生有大量时间去做护理和关怀。而且会需要更多的蓝领，因为需要更多的底层基建，这个是目前AI没有做到的。
还有文中反复提及的这5层机构，每一层级的推动都是下次层更大推动，所以从第一性原理触发，未来越是底层越是珍贵，那么最底层的就是能源！
目前美国的电力有巨大缺口，今日我也查了很多关于美股的能源公司，很多都涨幅惊人。而且之前币圈很多大佬都已经开始投底层能源类项目（孙宇晨买了电力公司，今日CZ发布yzi labs投资了底层机器人公司），所以接下来我会把美股的能源类项目研究一遍，紧跟老黄步伐，紧跟时代！
$NVDAon