最终给的结论是约350亿至400亿美元，跟之前的那个报告的数据差不太多。
AI机柜拆解
Bernstein估算，几种新一代AI系统的成本分别为：
- Nvidia GB200 NVL72：约413万美元
- Nvidia Vera Rubin NVL72：约752万美元
- AMD MI455X Helios：约733万美元
- Google TPU v7 Ironwood：约269万美元
- OpenAI Jalapeno：约503万美元
这些数字不仅包括GPU或ASIC，也包括CPU、HBM、DRAM、NAND、网络、供电、制冷和机箱。
不同架构的成本构成差异很大。
Nvidia的价值量主要集中在GPU；AMD虽然GPU价格较低，但内存、存储和网络投入更高；Google和OpenAI则通过自研ASIC和新的互联方式，重新分配了整个系统的价值量。
Vera Rubin为何从910万美元降至750万美元？
Bernstein此前估算，一套Vera Rubin NVL72系统需要约910万美元。这次下调至752万美元，更接近供应链流传的700万至800万美元区间。
下调主要有三个原因。
首先，机柜内NAND容量假设从约2.2PB降至576TB，并将机柜外存储从系统BOM中剥离。
其次，HBM4价格假设从48美元/GB下调至30.6美元/GB。Rubin配置约20.7TB HBM4，考虑Nvidia加价后，整套系统的HBM价值量约为69.7万美元。
最后，报告重新校准了网络、液冷和供电成本。
在752万美元的Rubin系统中，GPU本身约396万美元，CPU及内存约176万美元，网络约117万美元。计算硬件仍占大头，但网络已经成为第二大价值板块之一。
AMD不是“便宜版Nvidia”
AMD MI455X Helios的成本约为733万美元，与Vera Rubin相差不大，但成本构成完全不同。
报告估算，MI455X GPU单价约3.5万美元，低于Rubin GPU约5.5万美元。不过，AMD系统配置约31.1TB HBM，高于Rubin的20.7TB，CPU内存和本地存储容量也可能更大。
AMD在网络上的投入同样更高。
由于每颗GPU最多可以配置3张NIC，Helios系统的网卡、交换机和光模块成本明显增加。其网络价值量约为147万美元，高于Rubin的117万美元。
因此，AMD节省的GPU成本，一部分转移到了内存、存储和网络。
如果AMD的市场份额提升，受益的不只是AMD本身，网卡、交换机、光模块和存储供应商也可能获得更高价值量。
自研ASIC不会让基础设施消失
Google TPU和OpenAI自研ASIC的系统价格明显低于Nvidia方案。
其中，Google TPU v7 Ironwood约269万美元；OpenAI Jalapeno约503万美元。Jalapeno实际上是一套双机柜系统，主要针对推理场景优化。
OpenAI的思路是扩大scale-up互联域，将更多数据保留在HBM和CPU DRAM中，同时减少传统scale-out网络和NAND依赖，并使用光路交换器OCS。
这意味着，自研ASIC不会简单地消灭网络和存储价值量，而是改变这些价值量出现的位置。
传统交换机可能减少，但scale-up交换、铜连接、背板和OCS需求会上升；NAND用量可能降低，但HBM和DRAM容量可能增加。
更准确地说：ASIC改变的是AI产业链的利润分配，而不是让基础设施投入消失。
为什么每GW投资都在350亿至400亿美元？
虽然不同系统的价格相差数倍，但换算成1GW数据中心后，差距明显缩小：
- Nvidia GB200：约365亿美元/GW
- Nvidia Vera Rubin：约395亿美元/GW
- AMD MI455X Helios：约357亿美元/GW
- Google TPU v7 Ironwood：约390亿美元/GW
- OpenAI Jalapeno：约346亿美元/GW
原因是，便宜的系统不一定拥有更高的功率密度。
例如，Google TPU系统本身较便宜，但单套系统功耗也较低。建设1GW容量需要采购更多Pod，最终总投资并未显著低于Rubin。
此外，服务器之外还有大量固定投入。Bernstein估算，每GW数据中心的供电、制冷及其他机电设施需要约75亿至82亿美元，土地和建筑还需要约45亿美元。
所以，无论采用哪一种芯片，变电、配电、液冷、厂房和土地都很难省掉。
最大的成本可能不是电费
市场经常把电价视为AI算力经济性的核心变量，但报告显示，真正的大头可能是硬件折旧。
假设电价为0.15美元/kWh，运行1GW数据中心一年的电费约为13亿美元。
相比之下，Vera Rubin数据中心即使按6年折旧，每年资本开支折旧也约为66亿美元。
因此，决定AI算力成本的关键因素是：
- GPU和ASIC采购价格
- 硬件折旧年限
- 设备利用率
- 单位功耗下的有效算力
- 模型的实际吞吐量
在40%利用率假设下，Bernstein估算每颗加速器的小时成本约为：
- GB200：1.77美元
- Vera Rubin：3.18美元
- AMD MI455X：3.23美元
- Google TPU v7：1.29美元
- OpenAI Jalapeno：1.27美元
不过，这些数字不能直接用来判断芯片性价比，因为不同芯片的性能、软件生态和适用模型并不相同。
它真正说明的是：提高昂贵硬件的利用率，可能比降低电价更加重要。
AI价值链正在向外扩散
Bernstein预计，全球AI硬件对应的电力容量将从2025年的约27GW，增加至2026年的35.5GW和2027年的43.3GW。
随着AI数据中心继续扩张，价值量将从GPU向更多环节扩散：
- HBM、DRAM和企业级NAND
- scale-up与scale-out交换机
- 网卡、光模块和铜连接
- 液冷、供电和高压直流设备
- 数据中心土地、建筑和电力资源
所以，最关键的问题还是在于谁能用更低的全生命周期成本，把昂贵的芯片转化为持续、稳定且高利用率的算力
知识星球
