走出大模型，解碼AI產業的“分層蛋糕”

2026年進程過半，全球人工智能產業正迎來一場深刻的生態演進。基礎大模型依然是整個AI產業的底座，卻已不再是唯一主角。行業競爭正在從模型能力，延伸到軟件工程、組織協同、產業鏈整合以及現實世界的落地效率，衡量一家AI公司的標準，也開始回歸最樸素的問題：能否持續創造價值。

同樣，在WAIC、BEYOND Expo、SuperAI、InnoEX等亞太前沿科技展會上，AI的敘事早已不再圍繞基礎大模型單線展開。世界模型、物理AI、端側硬件、垂直Agent等新興力量不斷涌現，與底層大模型共同構建起更加豐富的產業生態，推動AI從數字世界走向物理世界，也讓整個行業呈現出“百花齊放”的新格局。

英偉達創始人黃仁勛曾用一個形象的“五層蛋糕”理論描繪AI生態：從最底層的能源（Energy）與芯片（Chips），到中間層的基礎設施（Infrastructure）與基礎模型（Models），再到最上層面向千行百業的應用（Applications），每一層都在獨立演進，也不斷向上下游釋放價值。這個比喻揭示了一個越來越清晰的行業現實：AI不是大模型產業，而是一張不斷延展的價值網絡。

黃仁勛在2026年世界經濟論壇上首次提出“五層蛋糕”理論，來源：NVIDIA

本文借用“五層蛋糕”的視角，并非簡單照搬，而是著眼于AI產業分層演進、協同共生的趨勢下，觀察不同玩家如何創造價值，這些分布于不同層、彼此協同的創新力量，正在拼出2026年AI產業立體、多元、共生的新圖景。

人機交互層：當AI學會“走進人心”

2026年，AI產業最接近用戶的一層，正在經歷一場新的變革。創新的方向，不只是機器人能夠完成多少高難度動作，而是AI能否真正理解人的意圖、感知人的情緒、回應人的需求，在真實世界建立更自然的人機關系，并創造超越功能本身的情緒價值。

這一趨勢，在BEYOND Expo 2026上已有鮮明體現。大會閉幕式終極路演匯聚了來自前沿科技、生命科學、人工智能、機器人等多個領域的800個優質項目。其中，家庭具身智能企業青心意創憑借機器人Amoo摘得BEYOND創新大獎，得到了前NBA傳奇球星慈世平（Metta Sandiford-Artest）、FutureX Capital創始人張倩在內的中外評委一致認可。

BEYOND極限速投總決賽上的Amoo機器人，來源：青心意創、BEYOND expo

區別于傳統工具型機器人，Amoo不會端茶送水，也不會搬箱子，但它會眨眼、轉頭、跳躍，用肢體動作回應人的情緒與互動。正是這樣一款看起來“不干活”的機器人，卻讓這支來自劍橋、伯克利以及華為、字節等全球頂級科技陣地的團隊堅定認為：從家庭陪伴場景切入情緒交互，更有機會率先完成模型能力與真實場景的閉環。

青心意創90后創始人、劍橋大學博士牛騰昦曾任華為自動駕駛核心團隊成員。他在接受數據猿專訪時表示，“當今家庭機器人主要分為兩類：一類是保姆、管家等工具型角色，另一類則承擔陪伴與情緒交互，更像一位伙伴。對于前者，讓機器人干活，在家庭場景里還有很長的路要走，最大的瓶頸之一是數據缺失；因此，我們選擇先從情緒交互切入，率先進入家庭場景。”

在技術底座上，Amoo基于自研跨模態算法與大小腦協同架構，實現了三層核心能力協同運作。“大腦”負責高階決策與多模態理解，“小腦”負責全身關節的精準運動控制與柔性隨動，泛語義推理鏈則將自然語言實時轉化為與情緒和物理動作相匹配的驅動信號。在三層能力協同下，Amoo擺脫機械式移動，每一步的起伏都承載著如人類一般的豐富情感。

牛騰昦解釋道，從心理學角度來看，人們之間的情緒表達只有約7%來自語言，20%左右來自語音語調，其余50~60%則依賴肢體動作。因此，團隊依據大量真人行為數據，訓練端到端多模態模型，讓語言、表情、眼神和肢體動作在時空維度實現統一協調，說話時能夠自然配合相應動作，大幅提升交互體驗。同時，每一臺進入家庭的Amoo都內置人類反饋強化學習機制，在和用戶的長期互動中逐漸形成不同性格，越來越懂用戶。

Amoo身高低于80厘米，采用超迷你腿部設計與超靜音腳底結構，擁有120°至210°超廣角視野。牛騰昦表示，家庭機器人首先不能太高，否則容易給用戶帶來壓迫感。為此，青心意創自研了一系列高響應、超靜音、小型化關節模組，兼顧輕量化與高力矩輸出；首創的軟絨包覆設計，則兼顧彈性與散熱，實現了運動關節全軟質包覆，無棱角、無硬殼，更適合家庭場景的長期交互。

青心意創展臺上的Amoo機器人，來源：數據猿拍攝

商業化方面，牛騰昦透露，公司將采取“B端先行、C端放量”的策略。短期內，已與酒店、養老院、品牌方等多個場景展開合作洽談；長期則逐步面向高凈值C端用戶，并進入北美、日韓等海外市場。目前，Amoo已開放企業定制、IP及場景合作等業務，未來兩年有望進一步推動產品落地。

近期，青心意創完成近億元Pre-A輪融資，由厚雪資本與天際資本聯合領投。與此同時，公司作為戰略合作伙伴簽約入駐香港首個全棧具身智能實驗室，雙方將在“柔性硬件研發、多模態交互智能、社交世界大模型”等方向展開全端深度合作，致力于讓機器人更具“生命感”，并真正理解人類社會中那些隱性的社交規則。

圍繞“讓機器懂你”，這一層正在衍生出更多創新方向。例如，今年獲得高瓴投資的SoulX便從觸覺神經科學切入，認為“大部分睡眠問題并非源于溫度、支撐或睡眠時長，而是神經系統始終處于緊繃和警覺狀態”。基于此，SoulX以柔性機器人為載體，將“觸覺安撫”與“認知卸載”融入首款睡眠安撫機器人MoYa，它通過模擬擁抱、節律拍撫等方式，幫助用戶完成從高喚醒狀態到深度放松的神經切換。

MoYa Pro機器人，來源：SoulX

從家庭陪伴到睡眠療愈，這些探索都指向同一個方向：AI開始從“完成任務”走向“理解人”。人機交互層的競爭邏輯也在悄然變化：從早期追求AI“走出屏幕”、進入物理世界，到如今進一步追求“走進人心”。當AI開始理解人的情緒、意圖與需求，它的價值便不再局限于提升效率，而是進一步延伸到建立人與機器之間的連接。與此同時，更自然的交互與更深層的情感理解能力，也正成為這一層新的競爭高地。

行業應用層：Agent能否持續創造價值

如果說人機交互層解決的是“懂你”，讓AI走進人心、建立情感連接，那么行業應用層回答的就是“幫你”，讓AI真正參與工作、提升效率。這一層的關鍵詞是“落地”。大模型提供了通用智能，而真正讓智能轉化為生產力，則需要Agent深入具體行業，理解業務場景、拆解復雜任務、調用各類工具，并最終完成交付。

Om AI聯匯最新發布的端側視頻創作Agent，OttoBox AI Studio，給出了一個解答：讓Agent直接參與專業工作流，將視頻粗剪時間從8小時縮短至30分鐘。Om AI聯匯融合媒體業務解決方案總監張廣蒙向數據猿記者描述了一個典型場景：視頻記者完成采訪后，往往需要花費大量時間查找素材、篩選鏡頭、完成粗剪；而借助OttoBox，用戶只需通過自然語言下達指令，Agent便能理解全部視頻內容，自動完成素材檢索、鏡頭匹配和粗剪生成。

來源：Om AI 聯匯

支撐這一能力的，是Om AI聯匯自研的VLX端側流式多模態模型。張廣蒙表示，其核心優勢在于真正實現了基于視覺內容的理解，而非依賴傳統文本標簽進行關鍵詞匹配。例如，在同一畫面中同時出現一位中年女性和一位老年男性時，用戶只需輸入“中年女性”，OttoBox即可精準定位所有相關鏡頭，而無需提前完成人工標注。這種跨越文本標簽、直接理解視覺內容，并具備時空關聯與因果推理能力的多模態理解能力，也成為其區別于傳統視頻檢索方案的關鍵。

張廣蒙介紹，OttoBox AI Studio基于自研VLX端側多模態模型，采用AI Drive、AI Finder、AI Agent三位一體架構。其中，AI Drive實現“入庫即理解”，在數據不出域的前提下兼顧低時延與隱私安全；AI Finder將平均約30分鐘的視頻檢索時間縮短至10秒，效率提升180倍；AI Agent則將原本需要8至10小時完成的視頻粗剪壓縮至30分鐘，并可一鍵導出至專業剪輯軟件，進一步融入媒體既有工作流程。

OttoBox只是行業應用層的一個縮影。過去兩年，AI Agent正加速滲透各個垂直行業。越來越多的企業不再執著于打造通用能力，而是深入各自的業務場景，將Agent嵌入工作流，在真實業務中持續釋放生產力。

例如，AppsFlyer將AI Agent引入營銷分析與歸因，幫助品牌實時捕捉用戶信號、優化創意素材與投放策略，讓營銷決策從經驗驅動走向數據驅動；Look AI聚焦時尚設計，通過AI Agent打通從創意草圖到成衣設計的全流程，讓設計師把更多時間留給創意本身；暗殼AI則將這一能力延伸至室內設計領域，從戶型圖到裝修意向圖最快僅需5分鐘，Agent自動接管重復修改與渲染等機械性工作，讓設計師真正回歸設計。

部署你的營銷AI，來源：AppsFlyer

這些案例雖然分屬營銷、時尚、家裝等不同領域，卻指向同一個趨勢：Agent正從輔助工具演變為工作流的執行者。行業應用層的競爭，也不再是誰擁有更大的模型，而是誰能更深入地理解行業流程、更自然地嵌入業務場景，并持續創造可量化的業務價值。

物理執行層：從數字邁向物理世界

隨著人工智能從數字世界加速邁向真實物理世界，世界模型正成為連接多模態感知、因果推理與自主決策的關鍵底座。在物理AI的技術架構中，“大腦”由世界模型、大語言模型等組成，負責認知、推理與決策；“小腦”則由VLA模型、運動控制算法等構成，將高層決策實時轉化為動作規劃；而物理執行層則承擔著“身體”的職責，負責與現實世界直接交互，將每一個動作精準落地。三者協同，構成了物理AI從理解世界到執行任務的完整閉環。

黃仁勛將AI的發展劃分為感知式、生成式、智能體和物理AI四個階段。在他看來，物理AI的意義在于，機器不僅能夠理解語言、生成內容，還能理解重力、摩擦力、慣性等物理規律，在真實世界中完成感知、推理、規劃與執行。正因如此，物理AI被視為AI邁向現實世界的關鍵一步。Coatue Management預計，其潛在市場規模至少可達6萬億美元；黃仁勛則進一步指出，物理AI有望重塑全球價值約50萬億美元的制造與物流產業。

這也是AI從“數字生成”邁向“物理執行”的一次范式躍遷。沒有執行層，再強大的世界模型和推理能力，也只能停留在虛擬世界；只有當認知真正轉化為動作，AI才能創造現實價值。物理執行層所回答的，正是具身智能落地的最后一個問題：當AI已經看懂、想清、規劃完成后，如何以足夠的精度、速度與可靠性，把任務真正完成。

在物理執行層的產業落地中，專注靈巧手核心零部件研發的星際光年，走出了一條差異化路徑。該公司聯合創始人周佳琪在接受數據猿采訪時表示，具身智能操作的核心由兩部分構成：一是作為硬件載體的“手”，二是賦予其操作能力的算法。基于這一判斷，星際光年并未進入整機制造，而是將自身定位于具身智能操作，并且在操作鏈條中最關鍵的環節，全棧自研了靈巧手的核心零部件微型關節模組，打造高壁壘、模塊化的底層能力。

星際光年的靈巧手產品及星際微型關節模組，來源：數據猿

讓機器人像人類一樣在復雜環境中完成抓、捏、擰、旋轉等精細動作，一直是具身智能落地的“最后一厘米”難題。為此，星際光年同步錨定全繩驅（輕量仿生）靈巧手技術路線同時，也布局了電驅直驅靈巧手，并圍繞全棧自研微型關節模組、模塊化快拆設計、驅手分離技術、全自動張緊算法等技術以及靈巧手陣列式高精度控制算法等核心技術持續投入。以Gaia Hand 20系列為例，其模塊化設計精準契合了具身智能研發與規模化量產需求。在人形機器人整機成本中，靈巧手通常占據20~30%的成本，而星際光年的方案將這一部分成本降低至原來的三分之一，實現了性能與成本的雙突破。

另外值得一提的是，具身智能技術積淀向商業化演進初見端倪。今年，星際光年正式發售該系列標準產品，客戶群體既涵蓋機器人整機本體廠商，也深入觸覺、算法、“腦部”研發公司以及各類工業場景客戶。除了提供標準化產品，這家公司還會針對大批量需求提供定制繩驅靈巧手產品，并積極聯合下游本體廠商、機械臂廠商等生態伙伴共同打造完整的行業解決方案。

實際上，星際光年只是物理AI產業鏈中的一個縮影，隨著物理AI加速走向產業化，一批聚焦不同技術環節的企業正沿著各自的方向持續深耕。從世界模型對物理規律的學習，到仿真平臺對真實環境的高保真還原，再到運動控制對執行動作的精準調度，一條完整的物理AI產業鏈正逐步成型。

產業鏈上游，湯元科技聚焦“世界模型+三維重建”，為物理AI提供高保真的虛擬訓練數據；宸境科技則從空間智能切入，致力于為機器人構建“可計算、可預測、可執行”的世界模型。兩家公司分別從數據與空間感知層面，為機器人理解現實世界奠定了基礎。

產業鏈中游，橋介數物專注于通用機器人“小腦”運動控制系統研發，承擔著連接“大腦”決策與物理執行的關鍵角色，為機器人提供精準、穩定的運動控制能力；產業鏈下游，思謀科技依托工業多模態大模型IndustryGPT打造工業AI智能體，將數字世界的智能決策延伸至真實生產現場，加速AI 深度參與工業制造。

來源：橋介數物

縱觀整個物理AI產業鏈，這些企業雖然分布于數據、感知、控制、執行等不同環節，卻共同構建起從認知到行動的完整閉環。從世界模型負責“理解世界”，到運動控制負責“協調動作”，再到物理執行層完成最終操作，AI正逐步打通“觀察—推理—行動”的全鏈路，具備走進現實世界、創造真實價值的能力。

數字基座層：讓AI擁有“糧倉”

無論是走進人心的人機交互，還是深入行業的AI Agent，抑或是邁向現實世界的物理AI，其持續演進都離不開最底層的數據基座。智能從何而來，又靠什么持續進化？算力構筑訓練與推理的基礎設施，高質量數據提供持續迭代的養分，而數據治理、算力安全與合規能力，則共同守護著這座AI時代的“智能糧倉”。

在企業級AI落地過程中，一個長期存在的難題正逐漸顯現：醫療、金融、制造等行業掌握著大量高價值私有數據，卻因數據安全、隱私保護和合規要求，難以直接接入中心化公有大模型。企業最有價值的數據資產因此長期沉睡，既無法轉化為模型能力，也讓AI失去了持續進化最重要的私有“糧倉”。

如何讓私有數據既“用得起來”，又“守得住”，正成為企業級AI邁向規模化應用的關鍵命題。瞄準這一痛點，由香港理工大學楊紅霞教授聯合創立的InfiX.ai，依托香港理工大學及香港特區政府的科研資源支持，探索出了一條兼顧數據安全與模型訓練的新路徑。

InfiX.ai聯合創始人兼副總裁陳海青在接受數據猿采訪時表示，公司的核心競爭力在于基于分布式AI架構的低精度訓練技術，使企業能夠在私有環境中安全完成從預訓練、監督微調（SFT）到推理部署的全流程。在保障數據不出域的同時，大幅降低算力成本，為企業訓練專屬垂直大模型提供了現實可行的基礎設施。

陳海青介紹，目前主流模型訓練普遍采用FP16或BF16精度，而InfiX.ai已實現端到端穩定支持FP8，并正向FP4持續演進。“低精度訓練本質上是對硬件算力潛力的進一步釋放，這一定會成為未來的重要方向。”在保證模型性能基本不受影響的前提下，其訓練能效可提升30~50%，企業僅需更少的算力和存儲資源，便可訓練出同等質量的私有垂直大模型。目前，InfiX.ai已與制造、教育、醫療等行業頭部機構展開深度合作，并同步布局東南亞市場。

InfiX.ai聯合創始人兼副總裁陳海青，來源：數據猿拍攝

在數據基座層的產業版圖中，算力、數據與安全三大能力正共同夯實AI時代的數字底座。

·算力方面，趨動科技通過GPU池化技術將離散算力虛擬化為統一資源池，破解GPU利用率長期偏低的行業難題； Cloudwise（云智慧）則以“AI for AI Infrastructure”為核心理念，構建覆蓋電力底座、算力中樞到智能運維的全鏈路可靠性體系，保障萬卡級AI集群穩定運行，兩者分別從算力效率與基礎設施可靠性兩個維度夯實算力底座。

·數據方面，NineData（玖章算術）則以AI驅動的全鏈路數據管理為核心，打造7×24小時數據庫AI智能體，實現多云、多源數據統一管理，該公司已服務全球超過1000家企業客戶；

·安全方面，信流智能聚焦AI安全與合規領域，在多項安全和隱私保護基準測試中達到國際領先水平，為企業數據治理和模型應用筑起安全防線。

我們看到，三者共同構成了AI持續進化所需的底層支撐，也讓數據基座從單一資源能力，演變為支撐整個AI生態運轉的關鍵基礎設施。

今天AI沒有贏家通吃

每一層都有創新的機會

當我們重新審視AI產業鏈，一個更加清晰的趨勢正在浮現：AI的競爭，已經不再局限于基礎模型能力，而是在向人機交互、行業應用、物理執行、數據與算力基座等多個層面展開。不同企業選擇扎根不同環節，共同構成了一張協同演進的產業網絡，也讓AI商業化呈現出更加多元的路徑。

這也意味著，AI產業并不是一場贏家通吃的零和競爭。模型能力仍然是生態發展的重要基礎，但真正推動產業價值釋放的，是圍繞真實需求不斷創新的各個環節。從理解人的情緒，到深入行業工作流；從讓機器人具備感知與行動能力，到為智能系統提供可靠的數據與算力支撐，每一層都孕育著新的機會，也都有可能誕生影響行業的創新企業。

AI的產業化進程，正在從單點技術突破走向多層次、多環節的協同演進。而“五層蛋糕”并非一張固定的產業地圖，它更像一個持續生長的生態系統。未來，隨著技術突破與場景拓展，新的需求、新的入口、新的產業環節仍會不斷涌現，AI產業的邊界也將在持續演進中不斷延展。