从电到智能：AI 产业链怎么运转

1. L0 · 最上游 · 约束

   能源与场地

   这一层像河的源头。没有稳定的电、变压器和能排热的房子，后面所有「智能」都是图纸。

   芯片把电变成计算，也几乎一对一地变成热。训练一个大模型，像一座工厂连着几个星期、几个月满负荷开工，集群长时间处于高功率；推理则像很多人同时用水——单次用量小，但水龙头开得又多又密。两条用电曲线不一样，电网都得扛住。

   电不能空运。芯片可以提前下单、用飞机运到机房；兆瓦级电力、变电站和冷却回路不行。一块地有没有高压接入、变压器排队排到哪一年，常常比「卡什么时候到货」更能决定项目开不开得起来。

   为什么必须有这一层

   模型公司可以租云、可以换芯片供应商，但租不到「还不存在的电」。新电站、新变电站、新输电走廊，从立项、环评到并网，往往以年计。冷却也不是附属设施：热排不走，芯片会降频甚至停机，再贵的加速卡也只是一房间电暖器。

   所以 L0 是整条河的硬约束。下游可以加班，源头加不了班。

   关键术语

   训练用电：把模型从零「读完」海量文本时，集群长时间满功率运转所消耗的电。特点是集中、持续、峰值高。

   推理用电：模型已经炼好，每天回答成千上万个问题所消耗的电。单次功率低于训练，但用户一多，总量会超过训练，而且必须靠近用户、昼夜都稳。

   变电站：把高压电降到机房能用的电压的枢纽。新上一个，审批和施工经常要好几年，是数据中心排队的常见原因。

   液冷：用液体而不是风扇把热量带走。风冷像开窗吹，功率密度上去就吹不动了；冷板或浸没式液冷，是高密度机柜的标配方向。

   PUE：电源使用效率，等于机房总用电除以 IT 设备用电。越接近 1，说明电更多用在计算机上，更少浪费在冷却和配电。详细解释见文末术语表。

   怎么卡 / 谁在这层

   卡点不在「世界上有没有电」，而在「这块地、这一年，能不能稳定拿到这么多兆瓦，并把热排走」。变压器交付、并网排队、工业用地、水资源（冷却要水或要冷却塔）都会让项目往后拖。芯片能空运，电不能。

   电网与独立发电、天然气调峰、核电与水电、液冷与暖通厂商、工业地产和数据中心开发商。他们很少上热搜，却决定下游什么时候能开机。

   交给下一层

   交出：兆瓦级电力、冷却能力和合法机房位置。下一层（设备与材料）才谈得上把工厂和数据中心真正开起来。

2. L1 · 工具

   设备与材料

   这一层是工匠的刀和墨。工厂（L2）再大，没有光刻机、设计软件和合格硅片，设计图只是一份文件。

   先进芯片上的晶体管，小到要用「在原子尺度上刻花纹」来想象。光刻机把电路图案投影到涂了光敏材料的圆硅片上——不是拿刀刻，而是用极短波长的光，在涂了光刻胶的晶圆上留下该蚀刻、该保留的痕迹。波长越短，能画的线越细。

   EUV（极紫外光刻）用的光波长极短，普通玻璃透镜会把它吸掉，所以机器里是一套极精密的反射镜系统。能把这套系统做成可量产设备的公司，高度集中在荷兰的 ASML。一台 EUV 不是「买台打印机」，而是一条要厂房、要工程师、要备件网络的生产线。

   另一半工具是看不见的：EDA，也就是芯片界的 CAD。没有它，上百亿晶体管的布线、时序、功耗无法在计算机里先验算清楚，工厂无从开工。

   为什么必须有这一层

   设计和制造是两件事。设计公司可以画图，但图要变成硅，必须经过这套「刀和墨」：光刻机、刻蚀与薄膜设备、高纯硅片、光刻胶、特种气体。缺任何一样，制程就停在上一代，或者根本做不出来。

   工具层还决定谁有资格参加先进工艺的比赛。不是有钱就能买到最新光刻机，设备交付周期、出口许可和工艺 know-how 绑在一起。

   关键术语

   光刻：用光把电路图案「印」到晶圆上的步骤，是芯片制造里最贵、最难的工序之一。

   EUV：极紫外光刻。用极短波长的光雕刻最细的那些层。今天最先进的逻辑芯片离不开它，供应商高度集中。

   EDA：电子设计自动化软件，芯片工程师的 CAD。用来画电路、仿真、检查能否造出来。没有 EDA，现代芯片设计无法进行。

   晶圆：从单晶硅棒切下来的圆形薄片，芯片的「画布」。纯度、平整度差一点，整批都可能报废。

   光刻胶：涂在晶圆上的光敏材料。光照到的地方化学性质改变，后面才能按图案腐蚀或保留。配方高度专用。

   怎么卡 / 谁在这层

   卡点是集中度。EUV 几乎只有 ASML；先进工艺还绑着少数设备商、材料商和三家主流 EDA 厂商。扩产以年计，许可证比订单更硬。

   设备：ASML、应用材料、东京电子、拉姆研究。EDA：Synopsys、Cadence、西门子 EDA。材料：信越、SUMCO，以及光刻胶与特种气体供应商。这一层的名字不常出现在模型发布会，却决定 L2 的天花板。

   交给下一层

   交出：能刻更细线宽的机器、配套材料，以及洁净、合格的晶圆。下一层（制造与封装）才有工厂可开。

3. L2 · 工厂

   制造与先进封装

   这一层是真正的厨房。按图纸把晶体管做在硅上，再把多颗小芯片和内存叠在一起，变成可以焊进服务器的「成品芯」。

   今天多数 AI 芯片公司自己不建晶圆厂，这种模式叫无晶圆厂（fabless）：他们画图，把制造交给代工厂（foundry）。代工厂按「制程节点」论代——大家口头说的 5 纳米、3 纳米，是工艺世代的名字，不是尺子量出来的精确尺寸。节点越先进，同样面积能放更多晶体管，同样计算往往更省电，但工厂投资和良率难度陡增。

   一块巨大的整芯片很难造：面积越大，上面出现一粒灰尘级缺陷的概率越高，良率会塌。所以现在流行把计算拆成多颗小芯片（chiplet），再和 HBM 紧挨着装在同一块基板上。这步不叫「传统封装」——它是先进封装：把计算和内存在物理上叠到几乎面对面。

   台积电的 CoWoS 一类技术，就是把芯片贴在中介层上、再落到基板。它现在常常比「能不能设计出来」更紧：设计图可以加班画，封装产线的产能按月、按季度释放。

   为什么必须有这一层

   没有制造，设计只是软件；没有先进封装，就算晶体管造出来了，也喂不饱旁边的内存。大模型要的不是「一颗很大的芯」，而是「计算和内存离得足够近、连得足够宽」。封装就是在做这件事。

   这也是为什么「制程落后半代」不一定立刻出局，但「封装位拿不到」会让旗舰 GPU 延期：卡已经设计完了，还在排队出厂。

   关键术语

   无晶圆厂 / 代工：设计归设计公司，制造归专业工厂。NVIDIA、AMD 是典型的 fabless；台积电是最重要的先进代工。

   制程节点：工艺世代的称呼。更先进通常意味着更密、更省电，也更贵、更难量产。名字不要按字面理解成真实线宽。

   良率：一批晶圆里，能用的芯片占多少。面积越大、工艺越新，良率越难做高。这是大芯片改走小芯片再封装的重要原因。

   先进封装 / CoWoS：把多颗芯片和 HBM 在同一块载体上做高密度互连。CoWoS 是台积电的一条主流路线。当下 GPU 出货，经常先卡在封装位，而不是设计能力。

   怎么卡 / 谁在这层

   最先进逻辑制程高度集中在台积电；三星、英特尔代工在追，但客户导入慢。先进封装产线投资大、良率爬坡慢，GPU 要配很多 HBM，CoWoS 一类产能经常先满。中芯国际等则受制程与设备许可约束，做的是另一条可获得的工艺轨道。

   晶圆代工：台积电、三星代工、英特尔代工、中芯国际。封装测试：日月光、安靠，以及代工厂自己的先进封装线。谁拿到明年的封装位，谁才谈得上出货。

   交给下一层

   交出：封装好的加速芯片——计算核心已经和内存堆栈坐在一起。下一层要讲的，正是为什么内存必须这样坐着。

4. L3 · 带宽

   存储：HBM

   这一层是厨房操作台上的备菜，不是远处仓库里的米。大模型要同时「看见」海量参数，普通内存来得及存，来不及喂。

   先分清两个词。容量是「能装多少」：硬盘很大，但厨师不能每次跑去库房舀一勺。带宽是「每秒能送来多少」：AI 训练和推理时，计算核心每一拍都要吞进大批数字，缺的往往不是库房，而是台面到锅边的通道。

   HBM（高带宽内存）就是为此发明的：把多层 DRAM 叠起来，用硅通孔竖着接通，再紧贴在 GPU 旁边。距离短，通道宽，功耗也比把同样带宽拉到主板对面更划算。所以它不是插在内存插槽里的条，而是焊在同一块封装上的「内存砖」。

   这也是成本结构的关键。一颗旗舰训练卡，账单里很大一块不是「会计算的那块硅」，而是旁边这几堆 HBM。内存涨价或缺货，会直接抬高 L4 的芯片成本和 L7 的训练账单。

   为什么必须有这一层

   参数量上去以后，模型不再能全部塞进计算核心内部的小仓库（缓存）。每次计算都要外出取数。通道窄，计算单元就闲着——这叫「饿死」，不是算力不够，是数据来不及到。

   普通 DDR 内存容量可以很大，但带宽和能效跟不上旗舰 GPU 的胃口。HBM 用「近、宽、叠」换来吞吐。没有它，再先进的计算核心也像一口巨锅配一把小勺。

   关键术语

   容量：能存多少数据。决定模型或中间结果能不能放下。放不下就要切块、换入换出，速度会掉。

   带宽：每秒能搬运多少数据。训练和推理里，它经常比容量先成为瓶颈。

   HBM：高带宽内存。多层 DRAM 堆叠，坐在 GPU 封装上，给计算核心当超宽的近端仓库。HBM3E、HBM4 是近几年的世代名称。

   显存墙：一个形象说法——不是不会算，是来不及取数。墙的一边是计算，一边是内存，HBM 是在把这堵墙凿薄。

   怎么卡 / 谁在这层

   能稳定量产先进 HBM 的，全球主要是三家。扩产要新的堆叠产线、测试能力和良率，周期以年计。HBM 还要和 L2 的先进封装配对：有砖没工位，或有工位没砖，GPU 都出不了货。它在一颗旗舰 GPU 的物料成本里常常占很大一块。

   SK 海力士、三星、美光。三家的份额和世代节奏会变，但俱乐部很小。下游的 NVIDIA、AMD 和各大 ASIC 项目，都是它们的关键客户。

   交给下一层

   交出：叠在计算核心旁边的内存堆栈。没有它，L4 设计出来的加速卡会在纸上很快、在硅上饿死。

5. L4 · 利润最厚的一层

   芯片设计

   这一层是建筑师。它决定这颗芯片算什么、怎么跟旁边的内存和邻居芯片说话，以及程序员能不能用自己熟悉的方式给它下指令。

   GPU 本来是画图形的：同一套计算对画面上百万个像素重复做，天生适合「很多简单计算一起做」。深度学习正好也是这种活儿，于是 GPU 成了通用的 AI 引擎——能训练、能推理，换个模型不必换芯片。

   ASIC 则是专才：为矩阵乘法或某种推理路径定制电路，同样功耗下往往更快更省，但换一种算法或新模型结构，就要重新设计、重新流片。Google 的 TPU、云厂商的自研推理芯片、各家国产加速芯片，多半走这条或中间路线。

   硬件只是半边故事。NVIDIA 的 CUDA 是一套软件平台：驱动、编译器、数学库、开发者教程和已经写好的框架插件。十年习惯堆在上面，换芯片就要改代码、重调优、重验证。于是 NVIDIA 卖的不只是硅，还有「开发者懒得搬家」。设计溢价很大一块来自这里。

   为什么必须有这一层

   L1 到 L3 提供刀、厂和内存，但「这颗芯到底是通用引擎还是专用引擎、软件好不好用」，是设计公司拍板的。谁抓住了程序员，谁就更有资格向下游要溢价。

   对想进入供应链的后来者来说，要同时打三场：硅的性能与能效、编译器和框架能不能接上、客户愿不愿意为了省钱或供货安全改代码。少一场，卡就只是实验室样品。

   关键术语

   GPU：图形处理器，今天的通用 AI 加速器。灵活，生态成熟，贵。训练大模型的主力仍是它。

   ASIC：为特定计算定制的芯片。同样电、同样面积，往往更能干「那一件事」，但改需求就要重做。

   CUDA：NVIDIA 的软件栈。它让 GPU 可编程、可调优，也让已经写好的训练和推理代码黏在 NVIDIA 上。软件迁移成本，是护城河。

   设计溢价：同样流片、同样 HBM，品牌和生态不同，售价可以差一截。溢价付给「架构 + 软件 + 客户信任」，不只付给晶体管。

   流片：把设计交给代工厂真正做出第一批硅。一次流片贵、周期长，所以架构选择在图纸阶段就要想清楚。

   怎么卡 / 谁在这层

   卡点往往在软件栈，不在晶体管能不能画出来。国产设计公司要在能拿到的制程和封装上，交出够用的卡，并让 L7 的模型实验室愿意改部署。客户问的是：框架支不支持、集群稳不稳定、明年还能不能供上。

   全球：NVIDIA、AMD、Google TPU、Broadcom（帮云厂商做定制）。国产一侧有天数智芯、摩尔线程、昇腾、寒武纪等。天数智芯的位置是 L4：做设计，争取成为 L7 的供应商，而不是自己炼一个大模型去跟 MiniMax 抢用户。

   交给下一层

   交出：能跑训练或推理的加速卡，外加驱动、编译器和框架接口。下一层要把成百上千张卡装进机柜，让它们像一台计算机那样说话。

6. L5 · 装箱

   整机与集群

   这一层是把乐器编成乐团。一张加速卡是一把小提琴；训练大模型要的是上百、上千把一起准时出声，还要有指挥、谱架和能降温的音乐厅。

   机柜里要同时解决四件事：电怎么送进去、热怎么带出来、卡和卡怎么高速说话、坏了一张怎么换而不停整场演出。高速互联（机柜内的专用链路、机柜间的网络）如果慢半拍，GPU 就会互相等，利用率掉下去——你买了很贵的算力，却有一部分时间在发呆。

   液冷在这一层从「选项」变成「前提」。单机柜功率密度高到风冷吹不动时，冷板、 CDU（冷却分配单元）、管路和漏液检测都要进设计。供电则是高压直流、冗余电源和铜排——都不是软件能加班补上的。

   NVIDIA 的 DGX 一类产品，卖的是「开箱就能训练」：卡、网络、散热、软件栈预先配好。超微、戴尔、联想和代工整机厂则按云厂商的图纸做定制机柜。旁边还有一条支流：消费级 AIPC、迷你主机、一块能本地跑小模型的显卡。它不汇入数据中心这条干流，但同属「把芯片变成能用的机器」。

   为什么必须有这一层

   单卡性能再高，也训练不了现代大模型。必须把卡连成集群，让梯度、激活值和专家模块在卡之间快速搬运。网络设计差一截，多买的卡会浪费掉。

   对买家来说，自己拼集群要养一支基础设施队伍；买产品化的整机或机柜，是在用钱换时间。云厂商两种都做：标准货加大量定制。

   关键术语

   机柜 / 集群：机柜是物理上的一列服务器；集群是逻辑上一起干活的许多卡。新闻里的「万卡集群」，说的是后一层。

   高速互联：卡与卡、柜与柜之间的专用高速通道。柜内常见专用链路，柜间常见高速以太网或 InfiniBand。带宽和延迟决定多卡能不能「像一张卡」。

   DGX：NVIDIA 把自己的卡、网络和软件打成套的产品化训练机器。买的是能开工的系统，不是散件。

   AIPC：带本地 AI 加速（常是 NPU）的个人电脑。支流：适合隐私、离线和小模型，不是数据中心训练河的干流。

   光模块：把电信号变成光、在光纤里跑、再变回来的小盒子。集群一放大，光模块的数量和速率会跟卡一起成为瓶颈。

   怎么卡 / 谁在这层

   卡点会轮流出现：铜缆和光模块缺货、液冷冷板跟不上、高压电源交付慢、机房承重或管路改不了。消费级那条线则卡在渠道、功耗和「本地模型到底够不够用」。

   整机与 ODM：超微、戴尔、联想、惠普，富士康、广达等代工厂。产品化集群：英伟达 DGX 及云厂商自研机柜。还有交换机、光模块和液冷供应商。他们把 L4 的卡变成 L6 能出租的「机时」。

   交给下一层

   交出：可上架、可监控、坏了可换的训练或推理集群；或者一台能本地跑小模型的电脑。下一层决定这些机器是自用，还是按小时租出去。

7. L6 · 出租

   云与调度

   这一层像电网对餐厅。大多数做模型的公司不自建电站，甚至不自持机房，而是按小时、按卡、按 token 租算力。

   自建的好处是长期成本可控、排队少、数据不出门；坏处是要先投下巨资买卡、改电、养人，卡还会贬值。租的好处是弹性：今天要一千张卡做预训练，下个月可以缩回推理。坏处是贵、紧俏时租不到、价格随供需和长约结构波动。

   超大规模云（hyperscaler）卖的是整座百货：计算、存储、网络、账号和合规。新云（neo-cloud）更像专营店：主打 GPU 机时，用更激进的价格和交付去抢模型实验室。两边都在做同一件事——把 L5 的集群切成可下单的 API：训练任务、推理端点、对象存储、排队和配额。

   调度软件决定「同样一百张卡，能挤出多少有效训练」。排队、故障迁移、混合精度、空闲回收，都是在提高利用率。云的毛利，很大程度看卡源成本、电价和利用率，而不是看首页上的标价。

   为什么必须有这一层

   不是每家模型公司都该成为电力公司和机房公司。L6 把重资产变成运营费用，让 L7 能把人放在数据和算法上。反过来说，模型实验室也是这一层最大的客户之一：一纸长约，就能锁定未来几年的卡。

   谁先锁到先进 GPU 的长约，谁就相当于持有「算力期货」。缺卡的年份，这张合约本身就有溢价。

   关键术语

   租卡 / 自建：按小时买别人的 GPU，或自己买卡建房。多数公司混合：推理和实验租，核心预训练可能锁长约甚至自持。

   超大规模云：AWS、Azure、Google Cloud、阿里云等。产品全、合规全、全球节点多，GPU 只是其中一条生产线。

   新云：以 GPU 为中心的云厂商，典型如 CoreWeave 这一类。库存和电址更激进，客户结构更集中于 AI 公司。

   调度：决定哪张卡、在什么时候、跑谁的任务。调度差，卡就空转；调度好，同样硬件能多炼一会模型。

   怎么卡 / 谁在这层

   卡点和电价决定云的利润空间。上游 HBM、封装或 GPU 一紧，现货机时就涨、配额就缩。长约能平滑价格，但签错世代会变成包袱。对客户，卡点是「有预算也排队」。

   AWS、Azure、Google Cloud、阿里云、华为云、字节与腾讯的云，以及 CoreWeave 等新云。模型实验室（L7）是最大客户之一；它们的训练计划，会倒逼 L6 去抢 L4 和 L5 的货。

   交给下一层

   交出：按量计费、可调用的算力——训练任务、推理端点、存储和网关。模型公司在这一层买「火」和「锅」，去 L7 炼智能。

8. L7 · 炼智能

   模型层

   这一层是厨房本身。用算力和数据把「统计规律」炼成一组权重，再通过接口、订阅或开源包卖出去。收入可以很快上来，利润往往来得很晚。

   先把三道工序分开。预训练：让模型在海量文本、代码、图像上自学「下一个词大概是什么」，贵、慢、做得少，一次可能烧数周到数月的集群。后训练（含指令微调、人类反馈、强化学习等）：把「会续写」变成「会按人的要求办事」，成本低于预训练，但决定好不好用。推理：模型上线后每次回答问题，是日常账单，用户一多就盖过训练。

   计费的原子常常是 token：模型读写文本时切出来的小块，大约相当于一个英文词的一部分，或一两个汉字。你看到的「按百万 token 定价」，说的就是进出厨房的食材重量，不是「一次对话」这么粗的单位。

   卖法大致三种。API：别人的应用来调用你的模型，按量付钱，这是 B 端开放平台。应用：自己做聊天、写作、语音或视频产品，向个人收订阅，这是 C 端。开源权重：把参数文件公开，让别人自己部署——换生态、换名声、换云上的连带消费，不直接按次向每个最终用户收款。

   为什么必须有这一层

   上游全是「能算」。到了 L7，才第一次出现「能懂、能写、能编码、能说话」的商品。没有这一层，电和芯片只是工业品；有了这一层，下游才能把智能嵌进具体工作。

   这一层也最容易让人误判账本。收入暴增，只说明有人在用、在付钱；利润要看训练和下一代模型的预支出不支出得完。研发和算力是提前花的：钱先出去，能力后回来。

   关键术语

   预训练：用超大规模数据做「通识教育」。贵、重、少做。决定模型的底子。

   后训练：在预训练之后，用指令、偏好、工具使用等数据把模型教成助手。决定口吻、安全边界和「听不听人话」。

   推理：模型上线后的每一次生成。延迟、吞吐和单价，决定产品能不能规模化。

   token：文本被切成的计费与计算单位。上下文「能记多长」，说的也是 token 数，不是页数。

   API / 应用 / 开源权重：三种交货方式。API 租脑；应用把脑包进产品；开源权重把菜谱公开。价格压力常从开源传到闭源 API。

   怎么卡 / 谁在这层

   能力接近之后，拼的是价格、延迟、上下文、工具调用和分发。开源会压闭源 API 的价；监管、版权和地缘可用性会挡住一些市场。另一面的卡点在上游：L6 租不到卡，L7 就发不出下一代。

   OpenAI、Google、Anthropic、DeepSeek、MiniMax、阿里 / 字节 / 月之暗面，以及 Meta 等开源阵营。MiniMax 走 C 端 AI 原生产品加 B 端开放平台：2026 年上半年收入 1.166 亿美元（同比 +283%），其中开放平台 7390 万美元（+703%，占收入 63.4%），C 端 4260 万美元（+101%）。毛利率从 12.1% 升到 17.9%；GAAP 亏损 3.58 亿美元（收窄 11%），经调整净亏损 2.93 亿美元（仍在扩大），同期研发 2.969 亿美元，账上现金 13.2 亿美元。收入能暴增、经调整亏损仍扩大，是因为研发和算力在提前花——先买下一代的「火」和「锅」。

   交给下一层

   交出：可调用的智能——API、订阅产品或可下载的权重。下一层不再卖「模型」，而卖人愿意反复打开的结果。

9. L8 · 入海口

   应用与分发

   这一层是河口。河水第一次流进具体生活：写一份纪要、改一段代码、回一个客户、剪一条视频。用户付钱给的是结果，不是参数量，也不是你用了哪一家的模型。

   分发比模型更老。操作系统、聊天 App、办公套件、搜索框、应用商店，早就决定了「人每天手会往哪点」。新模型再强，进不了这些入口，就要自己花钱买注意力。所以 L8 的竞争，常常是入口之争，不是榜单之争。

   Agent（智能体）是这一层正在长出来的形态：不只回话，还能调用工具、点按钮、走流程——发邮件、改仓库、下订单。它让「智能」从聊天框走进权限、责任和售后。谁来授权、做错了谁负责、数据能不能出域，都变成产品问题。

   独立应用有两条活法：绑一家模型做到极致，或自己会调度多家、靠工作流和数据赢。风险也清楚：模型厂一旦把同样功能做进官方助手，分发和品牌都会被抽走。行业软件（法务、客服、医疗、工业）则靠数据和流程护城，模型反而更像可替换的引擎。

   为什么必须有这一层

   没有入口，L7 的智能只是实验室分数。没有人愿意反复打开的界面，token 卖不出去。反过来，入口一旦在手，换底层模型像换发动机，用户甚至不一定察觉。

   这也是为什么「模型免费、应用收费」或「模型很贵、应用很便宜」都能成立：钱跟随着结果和习惯走，不自动跟随着参数走。

   关键术语

   分发 / 入口：用户已经在用的通道。聊天软件、办公套件、IDE、操作系统、搜索，都是入口。没有入口，就要买广告或做渠道。

   Agent：能规划步骤并调用工具的 AI，而不只是对话。它接触真实权限，所以可靠、可审计比「会说」更要紧。

   结果付费：用户为写完、修完、回复完付钱，不为「千亿参数」付钱。定价锚在工作价值，不在模型名片。

   工作流护城河：行业软件里真正难搬的是流程、权限和历史数据。模型可以换，流程不容易换。

   怎么卡 / 谁在这层

   入口被操作系统、超级 App 和办公套件占着。独立应用要么成为某个入口里的插件，要么自己变成入口。监管、隐私、行业牌照和「谁为 Agent 的错误买单」，会挡住一些场景。

   通用助手：ChatGPT、Claude、Gemini、国内各家对话产品。专业工具：Cursor 一类编程助手、客服与法务 Agent、搜索广告、影音与办公套件。这一层用户最多，品牌最响，利润也最散。

   交给下一层

   交出：人愿意反复打开的产品，以及一次次被完成的工作。河在这里入海。没有 L9——再往下，就是各行各业自己的故事。

回今日简报 →