AI产业链的“五层蛋糕”

2026年3月10日，黄仁勋在英伟达官网发布署名长文《AI是五层蛋糕》（AI is a 5-Layer Cake）。文中他把AI重新定义为“如同电力和互联网一样必不可少的基础设施”，并提出一套自下而上的五层产业架构（能源—芯片—基础设施—模型—应用），形象地称之为“五层蛋糕”——每一层相互支撑，任何成功的上层应用都依赖于完善的底层设施。

• 能源层是最底层，每一个词元（token）的生成，本质都是电子流动、热量管理、能量转化为计算的过程，故而能源是系统能产生多少智能的绝对约束；
• 芯片层是算力的物理载体，负责把能源高效转化为计算，依靠巨大并行度、高带宽内存（HBM）、高速互连来支撑AI的工作负载，直接决定AI扩展速度和智能成本；
• 基础设施层又称“AI工厂”，涵盖土地、电力输送、冷却、建筑工程、网络等，把成千上万颗处理器编排成一台“制造智能”的机器系统；
• 模型层建在基础设施层之上，最典型的便是大语言模型，未来的AI模型还将拓展至蛋白质AI、化学AI、物理仿真、机器人、自主系统等等更具变革性的领域；
• 应用层是最顶层，也是经济价值最终产生的地方，如药物研发平台、工业机器人、法律助手、自动驾驶、人形机器人等等，未来可能会以AI Agent的形式存在，进而代替传统软件和APP。

城投公司如何享用“五层蛋糕”

从地方国企的角度审视上述架构，可以看到上述五层架构的“可参与度”极不均匀：其中能源、基础设施、应用三层与地方城投的禀赋（土地、电力协调、城市场景、融资信用）天然贴合，芯片层则超出了绝大多数城市的能级，模型层当中只有垂直领域大模型（亦称垂类模型）存在参与机会。下面我们就拆解一下城投公司顺利切入AI产业链“五层架构”的四大路径。

1.切入能源层的路径

地方国企从能源层参与AI产业链的核心逻辑在于“算电协同”，即依托绿电直供、储能调度与算力基础设施的深度融合，将能源禀赋转化为参与AI产业竞争的关键筹码。当前政策窗口已明确打开：2023年，《关于深入实施“东数西算”工程、加快构建全国一体化算力网的实施意见》要求国家枢纽节点新建数据中心的绿电占比不低于80%、电源使用效率（PUE，见文末注释）不高于1.2；2026年《政府工作报告》首次将“算电协同”与超大规模智算集群并列写入新基建工程，随后多部门联合印发《关于促进人工智能与能源双向赋能的行动方案》，绿电直供已从成本优势逐步升格为准入门槛。

对于掌握电力资产的城投公司而言，核心路径是构建“源网荷储算”一体化底座。在切入该赛道之前，可将体系内分布式光伏、风电场、储能及配电网等资产进行系统盘点与整合，并利用闲置厂房屋顶、采煤沉陷区、废弃工业遗存等“负资产”改建为光伏电站或储能设施，实现绿电直供智算中心。落地过程中，城投公司还可牵头组建“算电联合体”，联合绿电方（电网公司/能源集团）、算力方（头部云厂商/AI企业）及资金方（政策性银行/绿色债券/专项债），形成“先进算力+新型电力+智慧能源”的协同格局。如深圳龙岗城投依托“深圳总部+贵安飞地”模式实现算电套利，哈投集团以智算中心招标人身份探索“能源国企+算力”一体化，均为这一路径的成功交出满意答卷。

对于不具备电力资产控制权的城投，则可通过“资源+场景”入股组局的方式有效切入。此类平台应主动定位为“地主、场景方与协调方”的复合角色，以存量工业用地、产业园区及城市更新地块作为算力项目的物理载体，联合外部技术与资金方实施联合运营。河北赤城县由地方政府统筹，吸引11家算电行业龙头企业及6家金融机构，覆盖“绿电直连+储能+微电网+算力”完整产业链，项目规模逾千亿元，充分验证了“地方出资源、外部出技术”这一务实路径的可行性。在具体操作中，城投须尽可能遵循“负荷锚定”原则，即确保长期购电协议或算力订单先行锁定，再推进光伏电站、储能与数据中心建设，有效规避“电站建好等算力、算力建好等订单”的双向搁置风险。同时，应善用绿色债券、新能源并购基金及清洁能源REITs等金融工具，构建“开发—建设—运营—证券化—再投资”的可持续资本闭环。

2.切入芯片层的路径

芯片层是AI产业链中城投参与门槛最高的一层，流片、高端制程及封装产能高度集中于台积电与英伟达体系，大部分地区的人才密度与产业生态方面均不具备独立搭建产线的条件。然而，“不做芯片”不等于“不参与芯片层”。理性选择是以产业基金为纽带，以股权投资换取产业落地，将自身在资金、土地、场景及政策协调等方面的禀赋，与芯片企业在技术、团队与产品上的优势进行精准对接。不过值得注意的是，2026年国办函54号文要求严控新设政府投资基金、县区原则上不得新设，标志着基金招商已从“野蛮生长”进入“规范发展”新周期，城投公司须在“投谁、怎么投、如何退出”三个关键问题上谋定而后动。

具体参与路径可分为两种模式。其一，以有限合伙人身份跟投市场化基金，不干预具体投资决策，通过“母基金—子基金—项目”的穿透投资分享芯片产业红利。此模式须严守三条合规红线：资金来源以自有资金或合规财政出资为主，严禁以银行贷款出资构成变相举债；治理结构上引入市场化GP负责投资决策，城投作为LP仅保留重大事项否决权，不干预具体投资；配套建立按整个基金生命周期考核的容错机制，不以单一项目亏损作负面评价。其二，牵头设立专项股权投资基金，将“投资与落地”打包谈判。城投公司可以将“基金股权+园区载体+本地场景”组合为可盘活的资产包，形成可持续的业务闭环：股权资产方面，通过被投企业IPO或并购实现资本增值；载体与场景方面，可投资建设定制化产业园与中试基地，按“基金+基地”模式出租或作价入股。以青岛城投对邦芯半导体的投资为例：以6000万元市级基金分担初创风险，同步建设集成电路先进装备园与精密制造园，提供定制化物理空间，使邦芯与园区内芯恩半导体等链主企业形成上下游协同，带动产业微生态集聚。

归根结底，城投在这一层的角色定位应是“耐心资本与产业组织者”，而非“芯片制造商”。城投公司可尝试锚定端侧AI芯片、存算一体、可重构架构等细分赛道，绑定头部GP，锁定研发中心或区域总部等返投条件，便有机会在芯片层这一最具挑战性的环节中，实现国有资本增值与本地产业培育的双重目标。

3.切入基础设施层的路径

基础设施层是AI五层架构中与城投基因匹配度最高的层级，“拿地、报规、融资、电力协调”等传统能力可平移到智算中心建设运营。然而，现实也给过热投资敲响了警钟：受显卡价格下降和大模型训练降温等因素影响，国内算力的价格呈现下降趋势，部分地区的智算中心算力并没有被完全消纳。这一困境表明，城投公司进场须确立“先锁需求、再建机房”的落地次序。具体而言，建设前须优先锁定核心租户，如政务统采、本地高校超算、医疗科研及本地制造龙头的长期训练或推理订单，最好以意向书覆盖至少60%规划算力作为立项前提；电力配套须前置18至24个月，避免“机房建成等电”的被动局面；新建项目须在招标阶段预制统一调度接口，为2028年全国一体化算力网规模化全域并网预留对接条件；若单打独斗难以达到十万卡规模门槛，则宜加入省级算力网担任区域中型节点，而非盲目扩张。

建好智算中心只是起点，盘活、用足才是关键。要实现基础设施的高效运行，还需要将以下三条路径并行推进。其一，建设城市级算力调度平台。联合地方数据局构建“1个全市算力纳管基座、1个监测中心、1个调度引擎”，以词元为统一计量基准，对外接入全国一体化算力网获取跨域调度收益，对内发放算力券激活本地中小企业需求。广州数字科技集团2026年4月发布的全国首个词元级调度平台，即为这一路径的标杆。其二，发放算力券或推行普惠算力模式。初创科技企业的算力成本往往占总成本40%以上，城投公司每年向辖区AI企业及开源智能体开发者发放算力券，比传统“三年免租”更能精准吸引新质生产力企业。其三，构建集团级AI数智中心，采取“自用+对外”双轨策略。武汉城投将集团级AI算力底座与四大功能中心及多场景应用相结合，燃气AI客服率先实现国产大模型落地，待自用率达到一定水位后再对外商业化输出，有效规避了算力市场上日益激烈的竞争。在收益设计上，城投公司须跳出单纯依靠算力租赁的局限，构建算力租赁、普惠算力调度差价、垂类场景标准化输出、产业基金联动及政策补贴等多重收益叠加的闭环体系。

总而言之，城投公司在基础设施层的真正机会不在于建设智算中心，而在于做区域算力的组织者。通过采取自建锚定政务刚需的中等规模集群、城市级算力调度平台、算力券招商与垂类场景自用等组合手段，将重资产投资转化为“算力银行”的运营。

4.切入模型层与应用层的路径

不同于基础设施层的重资产属性和芯片层的高技术门槛，模型层与应用层的核心壁垒在于数据与场景的独占性。“大模型只是一类，蛋白质AI、物理仿真、机器人才是更具变革性的方向”，这对城投公司的启示非常现实：通用大模型赛道已挤满头部厂商，参数军备竞赛的资本门槛远超城投公司的承载能力；但在“通用基座+行业数据+城投场景”三段拼合而成的垂类产业大模型领域，数据是城投公司独有的、场景是城投公司自控的，故而城投公司具有不可替代的竞争壁垒，而其收益则可来源于降本增效、解决方案销售与数据服务三个方向，这正是城投公司参与模型层的核心逻辑。

城投公司落地垂类产业大模型，应遵循“三步走”路径。第一步，数据资产的盘点与确权入表，从集团层面成立数据治理工作组，对集团水务、公交、燃气、停车、物业管理等数据资源进行系统盘点，构建详细的资产目录。第二步，选取1至2个高回报率场景开展概念验证，例如智慧园区招商、管网漏损预警、停车场动态定价等。第三步，绑定头部厂商实施“场景换技术”战略。例如，杭州城投与智谱华章深度合作，开放公交调度、道路养护、防汛应急、垃圾清运等核心城市运营场景，智谱依托全链路自研能力为其量身打造全国城投系统首个产业大模型，上线35个专属智能体、完成26个原有业务系统升级改造，公交客流识别准确率达93%，防汛智能体提前24小时预警内涝，试点期间成功预警14起积水事件，垃圾清运调度准确率超90%等，已收到良好运用效果。

在资产盘活与收益闭环层面，城投公司须进一步构建“数据资源—数据产品—模型能力输出”的三层跳板，实现从“用AI”到“卖数据能力、卖AI模型”的关键一跃。例如，南京城建集团形成了“环境集团垂直场景验证—建管集团模型架构沉淀—公交集团联合研发—智慧交通公司平台集成—对外收费产品”的递进链路；柳州投控旗下工业AI技术底座已输出至内蒙古包头支撑智慧炼钢大模型投用。最终收益构成上，模型层与应用层业务应叠加降本增效收益、解决方案销售收入（垂类模型标准化后向同类城投复制）、数据服务收入（产品挂牌交易+银行预授信）及合资投资收益（与头部厂商合资、产业基金绑定）四重来源，形成可持续的商业模式闭环。

总之，在模型层与应用层，城投公司虽然难以做到“打造城投版ChatGPT”，但可以用自己的城市运营数据训练出若干个能解决实际问题的垂类模型。目前，城投公司正处于在数据要素与垂类模型上占据生态位的极佳窗口期；倘若待头部大模型厂商将行业解决方案标准化打包输出给地方政府时，城投公司作为“场景方”的议价权将被急剧稀释。所以，城投公司应有效把握这一机遇期，以“自有数据+自有场景”为支点在垂类模型领域占据应有的重要位置。

城投公司切入AI产业的风险

虽然AI发展对城投转型带来了诸多机遇，但城投公司在布局AI产业链过程中，还必须正视相应的风险。这些风险归纳起来包括三个方面：

一是重资产折旧周期与技术迭代速度之间存在显著错配。当前GPU的代际更替节奏约为两年一代，而智算中心从立项、报规到投产通常需要18至24个月，这意味着项目建成之时，其核心硬件可能已非市场最前沿配置。更为棘手的是，城投公司惯用的固定资产折旧口径普遍为10至15年，但算力设备在经济意义上的有效生命周期往往仅为3至4年。一旦新一代芯片在单位词元成本和推理效率上实现代际碾压，存量算力集群的市场议价能力将急剧下滑，若未提前锁定长期租约或政府购买协议，极易出现“建成即折价”的资产减值困境。

二是生成式人工智能正经历“高德纳技术成熟度曲线”的“幻灭低谷”阶段。据高德纳公司预测，到2027年底，将有超过40%的代理式人工智能（Agentic AI）项目因无法交付可衡量的商业价值而被终止。这一趋势将直接冲击城投公司以“AI产业集聚”为叙事核心的专项债申报逻辑和招商可行性。

三是隐债化解与专项债审计对AI项目的合规性审查正在持续收紧。2024至2025年间涌现的“智算中心专项债”申报热潮中，部分项目被质疑存在“名义AI、实质基建”的包装痕迹，于是自2026年起，审计部门对项目收益自平衡的要求日趋严格，算力租赁收入、政府购买服务、模型推理分成等现金流来源须能覆盖本息，且非经营性资产占比受到明确限制。部分地级市已被要求补充智算中心项目的收益测算材料，这意味着传统城投公司“先举债、再招商”的路径依赖正面临制度性约束。

以上风险的叠加或化解，带来的将是截然不同的结果：城投公司抢占AI产业赛道的时间窗口虽已来临，前景亦十分诱人；但一旦入场姿势和介入层次选择不当，或重资产沉没、招商落空、合规问责三者风险没能有效避免，那就是把战新产业的投资变成了资产负债表的债务负担，得不偿失了。如何应对相应的风险？因为篇幅原因，我们下一次再谈。

注释：电源使用效率（PUE）是评估数据中心能源效率的核心指标，用数据中心总耗电量与IT设备耗电量之比来表示，即该指标越接近1，说明数据中心越节能