全文 3,000字 | 阅读约 8 分钟
(黄仁勋：蓝领岗位的需求缺口越来越大)
“AI，到底是概念泡沫，还是真金白银的基建？”
2026 年 1 月 21 日，达沃斯主舞台对谈上，英伟达创始人黄仁勋给出的答案是:
这是人类历史上最大的一次基础设施建设。
这个“建设”，是真的要动土、通电、招人。
黄仁勋说，AI 分五层：最底层是能源，往上是芯片、云服务、模型，最顶层才是应用。而每一层，都需要真实的厂房、设备、电力和人。
正因如此，他对所有国家说：AI 是基础设施。每个国家都该建。
所以，这篇文章，我们不谈宏观趋势，只把一个问题问清楚: AI 基建，到底在建什么?
第一节｜第一件事是电，不是芯片
2025年，全世界的科技公司都在抢算力。但算力要运转，必须有电。而且是持续的、稳定的、大量的电。
结果，最先涨价的，是电力合同。
这不是偶然。黄仁勋在达沃斯说：
“AI 是实时处理、实时生成智能的，它需要能源来做到这一点。”
这意味着，哪怕你手上有最好的模型，有最新的芯片，但如果没有稳定、足够的电力，AI 就动不了。不是慢，而是完全运行不了。
因为 AI 需要的电，和普通用电不一样。数据中心训练模型、实时推理，需要的是高密度、低延迟、全年不中断的电力。
这意味着，建 AI 不只是“通上电”就行，而是要建一整套能源供应系统：选址要看电网能不能承受，发电要保证稳定输出，储能要应对峰值，配网要扛得住持续高负载。
黄仁勋没有用能源危机这样的词。他说的是：我们需要更多的能源、土地和数据中心。在他看来，人类历史上最大的基础设施建设已经开始。
从美国到阿联酋，从东南亚到北欧，想建 AI 的地方，第一件事都是先谈电力够不够。
AI 到底在建什么?
第一步不是写代码，是先接上电。
第二节｜芯片厂、AI 工厂,都已经开工了
黄仁勋说:
“我们正在世界各地建设芯片工厂、计算机工厂和 AI 工厂。”
他列出了几组数字：台积电将在全球建 20 座新芯片厂，广达、纬创、富士康将建 30 座 AI 计算机工厂。不是代工手机、不是做消费电子，而是专门为 AI 训练和部署提供生产装备。
芯片负责算，但 AI 还需要存。训练一个大模型，要处理海量数据，这些数据得有地方放。 美光（Micron）宣布投资2000亿美元做存储器，三星和 SK 海力士也同步加码。
也就是，建 AI 不光是有电就行，还得造出整套硬件：芯片负责算，存储器负责装数据，计算机工厂把这些组装成 AI 服务器，然后大规模交付。
这不是几家公司的事，而是一场全球性的建设浪潮。
为什么说是浪潮？
因为这和早年的钢铁、电力、铁路一样，都是先建工厂，再有产业。AI 工厂的概念过去听起来有点虚，现在你能看到动土、招工、封顶、通电、交付的完整流程。
那么规模有多大？ 黄仁勋给出的数字是：我们现在投入了几千亿美元，但这只是开始，还有数万亿美元的基础设施要建。
AI 的热，不是因为“炒概念”，而是越来越多国家、企业都在真金白银地建厂、买设备、招人。
从电力到工厂，AI 这场基建，已经从图纸落到了地上。
第三节｜模型只是第四层，不是 AI 的全部
过去几年，大家谈 AI，说的几乎都是模型。
哪个模型更强，参数多少，谁跑分第一。
但在黄仁勋看来，模型只是 AI 五层结构中的一层。准确说，是第四层。在它下面，有能源、芯片、云服务在支撑；在它上面，还有应用层才是真正产生价值的地方。
怎么理解？他用了一个比喻：过去的 AI 模型像是一台发动机放在展台上，很漂亮，但你不能直接开走。你得先造好车架、油箱、电路系统，再装进去，最后调校，跑在真实路上，才叫产品。
现在最大的问题，不是模型不够好，而是很多人只看到“发动机”。
黄仁勋看的不一样。他关注的是，这台发动机能不能进车间、上公路、进行业现场。
因为模型本身不等于应用，只有落地了才有价值。
真正让产业受益、让经济增长的，是应用层。也就是模型之上，那些能落地到医疗、金融、制造等具体领域的产品和服务。
所以现在，行业的焦点正在转移：不再是谁的模型参数更多，而是谁能把 AI 真正用起来。
第四节｜AI 原生公司爆发，基建才刚开始
黄仁勋在达沃斯给出了一组数据：2025年是风险投资历史上投资额最高的一年之一，大量资金流向了 AI 原生公司。
这些公司不造模型，也不设计芯片。它们直接拿现成的模型来做事，做药物研发、做金融分析、重建制造流程。
他用了一个词：AI 原生公司（AI-native companies）。意思是，这类公司一开始就围绕 AI 来设计自己的产品流程和商业模式。
比如制药巨头礼来公司（Lilly），过去主要把研发预算投在湿实验室，买设备、做化学试验。但现在，他们投资了一座大型 AI 实验室和超级计算机，把一部分新药开发流程交给 AI。
类似的转变，在很多行业都在发生。
机器人制造、医疗诊断、自动交易、客服系统、合规审查……这些过去需要大量人力的领域，现在 AI 原生公司的做法是：拿现成的模型，用自己行业的数据训练它，让它学会处理具体任务，再把这套能力做成可以直接用的产品。
比如客服系统，以前要雇几百人，现在用 AI 客服，24小时在线，成本降到十分之一。这不是概念验证，而是已经在大规模商用的产品。
而当这类 AI 原生公司越来越多，会发生什么？
黄仁勋的回答是：上层 AI 应用爆发了，下层基础设施就得必须跟上。
这些公司要用 AI，不是演示一次，而是要它稳定、便宜、能大规模用。这就倒逼着底层基础设施必须扩张：
电力得更充足，
芯片要供得上，
工厂要能量产，
云服务要能承压。
黄仁勋说：我们才刚开始建 AI 的底座。不是行业不热，是用AI 的公司才刚刚冒出来。基础设施的作用，就是让这些公司能真正用起来。
第五节｜谁在参与：劳动力和国家的角色
说完建什么，再看谁来建。
答案可能出乎很多人意料：首先是水管工、电工、钢铁工人。
在美国，参与芯片厂、计算机工厂、AI工厂建设的这些工种，已经供不应求。黄仁勋现场举了个数字：薪资在短时间内几乎翻了一倍，有人年薪已经突破六位数。最重要的是，这类工作并不需要计算机博士学位。它需要的是，能动手、能现场施工、能操作设备的人。
对很多国家来说，这是让蓝领重新成为中产的机会。
那么，当 AI 真正投入使用后，会怎样影响那些已经在岗的人？
很多人的第一反应是：会被取代。但现实恰恰相反。
比如放射科医生。过去 AI 被预测最先取代的职业之一就是他们。但 10 年过去，AI 已经深入渗透放射科室，而医生的数量却增加了。
为什么？
因为读图像这种重复、机械的任务被 AI 接手后，医生反而能把时间用在和病人对话、做综合判断上。医院接诊量增加，收入提升，医生职位也变多了。
再比如护士。很多 AI 工具正在帮他们完成文档记录、就诊转写等繁杂事务。结果是：护士花更多时间照顾病人，而不是填表。病人流转变快，医院雇的人也更多了。
黄仁勋总结：AI 取代的是任务，不是目的。
只要你的工作不是纯机械重复，而是需要判断、需要和人互动、需要创造，AI 就是帮手，不是对手。
除了个人，国家呢？
黄仁勋强调的是：参与权。过去很多发展中国家觉得 AI 太遥远，但他给出的是一套本地起步方案：
开源模型已经非常强大；
很多国家可以用本地语言+本地知识进行微调；
不一定非要从头做起，但一定要参与建设。
AI 应该像电力、道路一样，是每个国家的基础设施。这话，是说给所有发展中国家听的。
如果说过去几波技术革命，先在硅谷、欧美发生，再传到其他国家；那么 AI 这一轮，是从头就开放了部分参与权。
你不必先造模型，但可以先用模型；不必懂芯片，但可以先建 AI 应用。
结语｜短缺，不是泡沫
想租一个 GPU，很难。
现货价格还在涨，不只是最新的，就连两代以前的卡也涨了。
黄仁勋说：
“泡沫不会涨价，短缺才会。”
制药公司开始把钱投向 AI 实验室。各国在抢电力和土地。投资机构在找 AI 基建项目。
AI 到底在建什么？
能源、芯片厂、数据中心、模型层、应用层。
这是黄仁勋在达沃斯给出的答案。
识自AI
本文由AI深度研究员出品，内容编译自黄仁勋在2026年达沃斯世界经济论坛的公开访谈。文章为翻译整理与分析，已对原文进行结构化编辑和观点提炼。未经授权，不得转载。
星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标
https://www.youtube.com/watch?v=hoDYYCyxMuE
https://www.weforum.org/stories/2026/01/live-from-davos-2026-what-to-know-on-day-3/
https://blogs.nvidia.com/blog/davos-wef-blackrock-ceo-larry-fink-jensen-huang/
来源：官方媒体/网络新闻，
排版：Atlas
编辑：深思
主编：图灵
热门跟贴