TA的每日心情 | 擦汗 2026-3-17 22:01 |
|---|
签到天数: 1133 天 [LV.10]大乘
|
沙发

楼主 |
发表于 2026-2-26 21:43:21
|
只看该作者
后来想了想,我让龙虾爬了一个分析全球AI数据中心建设和运营成本的报告,内容如下:8 J$ D1 {! p; x% `% a1 m' o5 w
4 b9 B1 f/ P8 K' O' P
一、总体分析框架与核心结论2 S8 N* L* `8 N/ I# X9 @4 _
1.1 分析框架概览
8 E. m3 K6 M% o% q+ f拆分维度: }* w7 R+ `2 |% L* k7 u- a
: Y9 {; l r8 y+ e$ i阶段:1 ?5 y$ Y. j0 n; j; u# b8 V3 j
建设期(CAPEX):土地/建筑、供电与配电、制冷、IT 硬件(GPU/TPU/加速卡)、网络与其他基础设施
- d" s2 y& B6 t# }2 G3 n8 e* ]运营期(OPEX):电力、水、运维人员、场地/托管、维护与更新、网络带宽等4 r5 v; K( o1 t6 d5 R4 i, [9 P
区域:
' z9 T; u( [/ D" J中国、美国、欧洲、中东(以海湾地区/UAE 为代表)
1 e, E' ]( u7 A+ t0 f技术方案:
; n. [* k; f7 z; L6 I6 ONVIDIA(H100 / H200 / B200 / GB200 NVL72 等)% C4 I+ @) J, Q; d- K/ x( ]5 T
Google TPU(v5e/v5p/Trillium 等)) ~& {! `5 N( Y9 }" b0 [9 _
中国芯片:华为昇腾 910B / 910C 系列、阿里平头哥真武 810E(PPU)
7 e% |6 u+ n o3 P1 g; h9 n" j算例基准8 S/ r4 l! U9 ]+ u6 m
: ]+ {+ L" {" J7 R9 T3 T4 }) m以400 MW 级 AI 数据中心为统一标尺(与 ChinaTalk BOTEC 分析保持一致)[1]:. @' _2 x9 x" S
其中 IT 有效功率约 360 MW:GPU/AI 加速约 312 MW,CPU/存储约 48 MW) J. g/ w* H) d1 l6 m
PUE 假设约 1.11(高效液冷场景)[1][29]
" C/ y* h8 U- `' i; y* U4 c. J时间窗口:3–5 年运营期(与行业 TCO 分析和硬件折旧相匹配)[28]
2 x+ R9 R/ W: P关键指标8 {0 s+ m! d5 g! `
/ g; w4 j( x; }7 t8 t) @. j; J. m# {( `
$/MW 建设成本(含/不含 IT 硬件)
" M1 H' ^- ?1 e0 b u6 |$/kWh 电力成本、L/kWh 水耗
. N$ @2 G# X0 k/ _' z$/token 或 $/百万 token 的综合成本# S* K, w+ l& n% Y
Token-per-watt / Joule-per-token 作为能效基准[17][18][26]
/ x' l5 h1 m- X: ^# i项目 IRR/回收期、吨位级 TCO 对比(自建 vs. 云租)
" B- j. a6 c4 E! k" I! Z4 T1.2 高层结论(供决策快速参考)
) G+ ?5 y: s# f% O0 o) h% O/ r建设成本:AI 数据中心相对传统云数据中心成本翻倍: K3 k' y( j5 L! `0 H
! @1 f* \$ Z$ t# Q" j; [% o
传统云数据中心壳体+机电平均约 $10.7M/MW (2025),预计 2026 升至约 $11.3M/MW[2][41]。
0 z! E, l* A1 k, m9 k$ }3 Q: H/ mAI 优化数据中心(高功率密度 + 液冷)壳体+机电可高达 $20M/MW 甚至更高[41]。
# U3 R) w F( q按 Accenture/Soben 研究,传统云 DC 为 $8–10M/MW,而 GW 级 AI 数据中心可达 $17M/MW(仅壳体+机电,不含 GPU)[3]。" [$ H/ ^% M+ v
区域 CAPEX:中东≈中国 < 美国≈欧洲 < 高端 AI 园区
9 _8 t Z) j- K7 v: N" S: D. ?9 L& H, C7 l: I. b
中国:$5.5–6.5M/MW,400 MW 约 $2.4B[1][13]/ o' M, j" g* y% u
美国:$8–12M/MW,400 MW 约 $4.0B[1]
t; H& Z+ s* }# }! q. ^& D8 E3 j欧洲:接近全球平均 $10.7–11.3M/MW[2][41]" P" `: |6 c9 p7 r5 T
中东(UAE Stargate 5 GW):总投资超 $30B,约 ≥$6M/MW[20]! s9 M/ L y4 x8 i5 r3 u
结论:中国与中东的壳体+机电 CAPEX 明显低于美国/欧洲,同等规模下节省约 30–40% 构筑成本。
/ U. W; Q8 {" \7 VOPEX:电价与人工决定区域优势
0 B p, z/ R: D; h. E1 @+ B5 y4 j1 l) d2 C! Z/ U4 e x
电价(2025–2026 工商业大致区间):
7 N C4 P. U! t, ]9 M1 A9 M9 W中国:约 0.8–1.1 元/kWh ≈ $0.08–0.11/kWh,部分算力基地可通过长协拿到 ≈3 美分/kWh[12][73]
1 g% K* P* m/ v k& [美国:工业用电约 $0.085–0.09/kWh[44]
. R4 L0 B8 \/ }4 X; U; t欧洲:非居民平均 €0.19/kWh ≈ $0.20+/kWh[45]
- V, R Z7 w" c( [中东/UAE:工业用户 $0.07–0.13/kWh[47]
6 e" F* M0 o1 j2 l# L) l/ |人工:, a. t8 Q- Y% F7 a7 h/ W: y8 g
中国数据中心运维:约 $22k/人/年) N7 y2 ?7 H1 w4 t( V/ A& F
美国数据中心运维:约 $120k/人/年[1]
: W( a8 Y6 W ~4 h% _结论:电价上中国西部/北部与中东有显著优势,人工成本上中国远低于美欧。+ y0 y4 N/ Q9 ]9 F: q# t
能耗与每 token 能源成本:能效差异远大于电价差异
f4 D/ K" H, ^' H6 y1 e3 N: Q& C {! D! X/ h
IEA:2022 全球 DC+AI+加密耗电 460TWh,2026 可能至 620–1050TWh[86][90];AI 专用服务器约 90TWh 量级[30][90]。2 H# R6 ~3 Q- u
大规模 LLM 推理能耗估算:H100 集群训练 GPT-3 175B 约 2.46–3.63 J/token(训练)[10][16];经推理优化后,Inference 端典型可做到 0.4–1.0 J/token 级别[17][26]。
' L- c, M* w6 q! A将 token 能耗约化为统一口径:
7 A1 A) C& n5 J* K) [. B, Q" P! ^粗略取 1 J/token = 2.78×10⁻⁴ Wh/token。若电价为:
9 W* [5 @$ @8 z" ~2 e' t4 U中国 0.3 元/kWh ≈ $0.042/kWh:电费 ≈ 1.17×10⁻⁸ $/token ≈ $0.0117/百万 token5 r6 d6 X; Y5 y, `! I3 F' j
美国 $0.30/kWh(题设):电费 ≈ 8.34×10⁻⁸ $/token ≈ $0.0834/百万 token
7 M) a% x6 d# c' `8 @5 N$ m对比:OpenAI GPT‑4.1 / GPT‑5.2 系列对外 API 输出侧价格 $8–168/百万 token[62],电费占比 远低于 1%,真正决定成本差异的是硬件 TCO 和利用率,而非电价本身。
& |* k+ `( h' n: I: j6 v' s不同芯片方案的核心差异& x3 q& D* v5 s
~) y! e( P- Q" @% d1 Q
NVIDIA Blackwell/B200 & GB200 NVL72:
, D5 H4 e) n$ ?. S( E单 B200 GPU 峰值 ~4.5 PFLOPS FP4/FP8,功耗 600–1000W[68][69]。
) }& F8 o$ `& M$ j% X6 |GB200 NVL72 整机架售价约 $3.0–3.35M,72 GPU[34][69],GPU 约占整个 AI 数据中心总 CAPEX 的 39% 左右[36]。
5 r+ m* i* u% ~# a6 Z$ s8 s5 r5 |Google TPU v5e/v5p/Trillium:
. u( Q6 @! D9 N; TTPU v5e 8 芯推理:约 2,175 tokens/s(Llama2‑70B,INT8)[67];功耗显著低于 H100,同负载下能耗可降约 5 倍[67][52]。
& h7 u+ ?. o4 c0 Y! I" h1 PGoogle 内部披露 TPU v5 能效约为 H200 的 1.46×,Trillium/TPU v7 更高(约 2× 甚至以上)[52][65]。
* Z$ [, A: b% \6 K: |( j华为昇腾 910B:* k# G1 ]3 ]+ k1 P' U0 U3 J
FP16 算力 320–376 TFLOPS,INT8 640 TOPS,TDP ≈ 310W[80][81][82];能效接近甚至超过 A100,在长序列推理上 token-per-watt 可超 H200[71]。7 i4 u: P+ a# c" X
单芯片成本约 5 万元人民币 ≈ $7k[60],显著低于受限版本 H20/H100。
" a+ ^$ ?* q% f; `阿里平头哥真武 810E(Zhenwu PPU):8 U6 {6 W/ N9 [# K
96GB HBM2e、700 GB/s 互联带宽[59][111],功耗约 400W 级别[102],整体性能对标 NVIDIA H20/A800,并已形成万卡集群部署[59][111]。
n) \: c5 u. j- H- B0 ]结论:
' E) f, n6 C5 |能效(tokens/J 或 tokens/W)排序大致为:Google TPU v7/Trillium > NVIDIA B200/GB200 > TPU v5e/H200 ≈ 华为 910B ≈ 阿里真武 > H100/A100。 R7 u- |0 F6 n2 Z( P: h2 j
单芯片/整机价格排序:华为/平头哥 < TPU 自用成本(Google 内部) < NVIDIA 公版(H100/B200/GB200)。! l Q' c5 r3 [
对中国市场,在算力性能足够的前提下,昇腾 + 真武 方案的 CapEx/每 token 成本有 30–60% 的价格优势。
$ h# {( {, \( n: I- [7 T自建 vs 云租的 TCO 与 token 成本+ ]. y. _ S0 l
* F& E* @# B4 E8 H3 ?/ d5 r
LenovoPress 对 8×H100/H200/B200/B300 本地 vs AWS/Azure/GCP 的 5 年 TCO 对比[28]:
$ X/ j+ w+ P4 X9 t8×B300(Config D)自建 5 年 TCO ≈ $1.01M;
5 ?! k, x U5 d等价 AWS p6‑b300.48xlarge(24/7)5 年 ≈ $6.24M,节省 83.8%。
' {) S$ O$ v3 q0 H8 _: ~8×H100(Config A)自建对 Azure On‑Demand,回本点约 2,720 小时(~3.7 个月),对 1/3/5 年保留分别约 4,423/6,800/7,591 小时(~6/9.3/10.4 月)[28]。2 i& H( }/ n! [1 ^
Token 成本对比示例(LenovoPress 场景)[28]:
1 \* |8 ?+ N9 F: RLlama‑70B 推理,8×H100 本地:约 $0.11/百万 token+ p6 L$ Q9 @2 h# `. Q& g" R
vs Azure H100 On‑Demand:$0.89/百万 token → 自建 ~8× 便宜。 e1 `# K+ @5 E% Y! L! T" X! h: R
同样 70B 模型,自建 vs GPT‑5 mini API(约 $2/百万 token):自建便宜约 18×。 t l1 [$ E6 j. z( C& R, ]
Llama‑405B,8×B300 自建:$4.74/百万 token,AWS B300 On‑Demand:$29.09/百万 token → 节省 ~84%。) s5 R, m( N! Q) q3 S2 n
结论:9 {3 @7 p( r, T# }3 V% m
高利用率、长周期推理负载下,自建 AI 数据中心的每百万 token 成本可比公有云或高端闭源 API 低 1–2 个数量级。9 A- I! G% K- q) h3 d: b6 I' |* M
Token 电费占比极低,自建 vs 云租的差异几乎全部来自 硬件折旧 + 云溢价 + 运维与利用率。7 a- d7 F# ^4 e2 V- r& @3 N# y
二、建设期成本分布:区域对比
/ f% t2 A2 i( K2 ^/ q0 T以下重点讨论 壳体+机电(不含 GPU) 与 全栈(含 GPU) 两层。7 R- H- ^, _& L7 V4 r7 j
4 H; n# g* |- P. c$ H6 l* s3 Q6 S7 n
2.1 全球/通用结构(以 1 MW 为单位)( G4 O' l$ {8 M4 p1 G/ u7 l
综合 JLL、ConstructElements 等[2][41][40]:
! N; p b6 F5 Y- K8 W+ T
( ?% r i7 W4 m; i壳体+机电(Shell & Core)7 a! V/ T4 q. @1 X% _0 c- [8 K
l7 f2 y- e) f; [% b @全球传统 DC 平均(2025):$10.7M/MW,2026 约 $11.3M/MW[2][41]
% L8 N. l* R8 C2 S8 c# N, t) M其中按成本构成[40]:
$ I; H# Y+ o+ R6 F* Q; _; i" M6 P电力系统(变电、配电、UPS、母线等):40–50%
. d' N) i- f3 |# G机械与冷却(冷机、冷却塔、管路、CRAC/液冷):15–20%
* D1 g7 l: U1 x. v' Q% ?建筑与土地、结构:约 15–20%4 R1 y# b2 Y, q0 x1 F
其他(消防、安防、楼宇管理等):约 10–15%
3 i" L- X* V' NIT 内装与 AI 基础设施(不含芯片)
& u& i8 E4 S, u+ I
+ `/ @2 o0 U4 m, n1 c! |高密 AI 集群内部装修(高密布线、机架、液冷板/浸没舱等)会在每 MW 额外增加 $25M/MW 量级[40],对 GW 级园区影响巨大。
, D9 D$ v- x7 h: i# h' gGPU/加速卡硬件 CAPEX l1 I# V! Z1 ^6 |& f5 Z
! y. G2 o' o/ W6 n- @多数分析认为 GPU 占 AI 数据中心总 CAPEX 的 30–40%,其中 NVIDIA 单家毛利约等于整个行业 CAPEX 的近三成[36]。0 I* K; d5 x4 |6 G6 Y" \# ?
2.2 中国 vs 美国 vs 欧洲 vs 中东:1 MW 建设 CAPEX
: @2 y5 L5 D8 `8 F结合 ChinaTalk、JLL、UAE Stargate 等[1][2][20][13](仅壳体+机电):
0 K% L9 N+ G7 ~, |# `: q# z8 S
) s& V* ?) e% J4 k, Q l% @9 |区域 典型建设成本(壳体+机电,$M/MW) 备注! T6 N6 B. j. |: \$ A3 I
中国 $5.5–6.5M/MW 以西部算力基地为主,400MW ~ $2.4B[1][13]+ L* t% |7 \! f# M3 e) `
美国 $8–12M/MW 典型超大算力园区 400MW ~ $4.0B[1]
/ u. U2 l* x1 c$ e) Y5 D0 ]欧洲 $10.7–11.3M/MW 接近全球平均,部分核心城市更高[2][41]
+ \; X' l2 c k$ e中东 ≥$6M/MW UAE 5GW Stargate >$30B → ≥$6M/MW[20]7 Z5 E, p& b$ w$ U/ S' z& w
结论:. n& y) E" {! g( G1 ], T4 r
8 j, u5 b# o2 Y9 N; a单位 MW 壳体+机电 CAPEX:中国 ≈ 中东 < 美国 < 欧洲。 J/ E# t+ R( h% ?
若考虑土地、电网接入和许可周期,中东(特别是 UAE/沙特)在电力可得性和政府补贴方面往往优于欧洲,趋近美国甚至中国。
" l7 O$ X$ ~* ~2.3 引入 GPU 后的全栈 CAPEX(以 400MW 集群为例)
6 q; A3 e$ h7 O5 N5 t6 A6 G以 ChinaTalk 的 400MW NVIDIA GB200 NVL72 集群为例[1]:
, z, G3 ]/ J' i" y7 u" z" b3 J/ D: C. o6 J; K; P
假设:PUE=1.11,电力侧 400MW,中约 360MW 投入 IT;, b# `% W" ^! F# z% j; A
GPU 配置:, I+ ^/ m; s* P
有效 312MW 用于 GB200 NVL72,约可容纳 2,154 racks(每 rack 144 GPUs,对应功耗 ~145kW/rack);* `7 R6 P4 x$ w+ x8 N
每 rack 成本 ≈ $3.0–3.35M[34][69];
; O$ P. S$ g4 }1 p) TGPU 总 CAPEX ≈ $6.5–7.2B 量级(ChinaTalk 抽样约 $5.6B 略保守[1])。
5 a3 O2 |1 h M4 ^6 I. x2 W与不同区域壳体+机电组合:
, a/ [* }/ n- V6 M% O& _- z' N9 }- G2 e( X1 ^
以中值估算:
; E- o5 A! z5 {" W- p E9 k& A) [9 q" E' a* \
中国 400MW:壳体+机电 $2.4B + GPU $5.6B ≈ $8.0B
. D5 s9 Z; r' U$ j美国 400MW:壳体+机电 $4.0B + GPU $5.6B ≈ $9.6B
* I2 P0 G$ ~; I" l4 ?( _7 O欧洲 400MW:壳体+机电 $4.5B + GPU $5.6B ≈ $10.1B; s4 R4 Q3 P( u3 A- ~3 j3 B- e
中东 400MW:壳体+机电 $2.4–2.8B + GPU $5.6B ≈ $8.0–8.4B
- A2 G4 F/ t7 m0 F0 H+ y4 d可见:
$ Z# o3 r! k% S4 K9 W! e y0 r" `" z2 @9 ~
GPU 成本在各区域大致相同,决定区域 CAPEX 差异的主要是壳体+机电与土地/电力接入。( k' a8 N' ?3 \1 {, K. `
相比美国/欧洲,中国和中东可在 400MW 级别节省约 $1.6–2.1B CAPEX,这对 IRR 有直接影响。
/ u9 I" s. x' I6 D3 r4 g: n三、运营期成本结构与区域对比6 b; z2 o e1 R- R5 u0 E
3.1 通用 OPEX 结构(高密 AI DC)
$ L, K0 T4 r# X8 k5 \2 ?结合 ConstructElements、IEA、Microsoft/Google 披露[40][86][103][104]:
" o+ U" [& b' l+ D7 P9 q# j2 `7 L7 v! O( C/ V
电力:约占总 OPEX 的 20–30%(传统 DC),对于 AI DC 因 GPU 负载密度提升,可达 30–40%。% P! O' T, D7 ?- b) Z( q2 [- q# z3 b
冷却与水资源:
* U/ ]. C- `9 h3 \+ s: R能耗:传统风冷约占总功耗 30–40%[39];液体冷却可将 IT 与制冷合并大幅降 PUE 至 1.1 左右[29][115]。
! e7 q" l, V, U8 [& a, x# z4 _水耗:典型 DC 约 1.9 L/kWh 水用量[105],每日用水可达 300,000–5,000,000 加仑 规模[100][101]。5 c4 g' T8 n: k$ j
人工:视地区而定,在中国/印度/东南亚占比 5–10%,在美欧可达 15–20%。
6 G, T" }' u- q; R4 E. G4 R$ I托管/物业与维护:2 G6 D i0 l, w m* S9 V- |
托管:高密机架约 $1,500/机架/月,标准机架约 $600/月[40][28]; T0 d \% H* ]
硬件维护:LenovoPress 模型中按设备价 12%/年[28]。- Q( Q0 K) W! I
3.2 区域差异(以 400MW / 3 年期为例)/ }3 L1 `# D/ P! }9 r- f8 K
使用 ChinaTalk 的电费与人工估算[1]:
7 J8 _6 S/ b( H* I# A8 Y% h# F2 \( l7 t) C
电费(3 年) – 假设 GPU 利用率 60%,IT 360MW,PUE=1.11:, w# L, |. `3 U9 P [. ]# ]
中国:约 $0.06/kWh → 3 年电费 ≈ $350M
/ g: o( c1 E# D0 y3 {' E美国:约 $0.09/kWh → 3 年电费 ≈ $600M. _- F3 N2 l4 W* C5 `8 w* ~) o
中东:约 $0.07–0.10/kWh → $400–550M
/ L: \' _4 t* D& V" D% Q$ Y欧洲:约 $0.20/kWh 以上 → 电费 > $1B(显著劣势)
% A7 y* z: ]& R0 g水费(3 年) – 以 MS Fairwater 站点 280 万加仑/年为参照[1][103]:
3 V3 O U, `, L# ]; G; W美国水价约 $5.18/千加仑,中国约 $2.57/千加仑[1]6 f8 _8 \* m8 \( n6 a
三年水费级别:
8 ~- I! a( }* r美国:$40k+
9 J5 w: }) U8 `( Q中国:$20k+
4 W6 P' @; Y8 l! D9 c9 F结论:水费是数量级上可忽略的小项,真正的约束是水资源总量与选址,而非成本。
3 J& Z5 g L0 |) @, }人员成本(3 年) – 假设 500 名全职运维:
$ `1 ]" m" n: j, I9 u美国:500 × $120k × 3 = $180M+; r* H! i7 h) H+ T; g& c
中国:500 × $22k × 3 = $33M+
R" w0 q% t$ x9 {; o3 d. j. b$ y差异约 $150M,规模与 3 年电费差不多,是中美间第二大成本差异来源。
2 |" U2 U% ]* j5 i整体 OPEX 粗算(3 年) – 400MW 场景下:
# a+ B2 Y" N) [& z1 A' r- v4 d9 |" ^" s. }4 F
项目 中国 美国
$ o" ]5 M$ C. {电费 $350M $600M
6 k* H9 m- ?' p: q' @' i8 c r水费 <$0.05M <$0.05M6 s# w. J# D1 H. y% g7 ?5 [- ^
人员 $33M $184M0 d7 L0 I2 n' i# J9 d! \; J |0 }
其他维护/托管 同比例估算,地区差异主要体现在人工与地价 ! M5 W5 K( E# Y7 w" y5 K; K& M
结论:
6 ?. g* N. o6 N" z9 n: N+ n; G8 y% v- o; S/ m {/ C M/ w/ d
就 3 年期而言,中国与中东在 电价+人工 两项合计可比美国/欧洲节省 数百百万美元级,与整体 CAPEX(数十亿美元)相比不算决定性,但对净现值和现金流有实质贡献。$ k7 X' J' n) l2 S! V0 ]
对大模型服务商而言,更核心的是 GPU TCO 与 token 单价之间的剪刀差,而电价更多影响“边际利润率”而非“能不能赚钱”。
4 Y6 j) o# C% w! y* ^ r3 e四、基于 token 的成本与利润推演2 L( \2 u# y" ~! Y6 |
4.1 能源维度的 token 成本(题设 0.3 美元 vs 0.3 元)
! z" c+ C- O, }: V, M+ {6 ]" {0 Y" U统一假设:
* I1 F: k' v5 q0 U2 F' W7 N$ ^7 r1 B) z! u" B$ A# r
典型大模型推理能耗:约 1 J/token(考虑 FP8/BF16 优化、Batch=256–512 时的能耗甜点[26][17][18])
2 n) u1 ~0 X8 O' b$ j R e7 m6 D1J = 2.78×10⁻⁴ Wh → 每个 token 约 2.78×10⁻⁴ Wh$ l/ j/ R! m% Q' T" z9 d! ?$ R3 q
1 百万 token:278 Wh = 0.278 kWh
3 y) o! y" Y, o3 a# a& \场景 A:美国电价 $0.30/kWh9 L& u+ P5 ]0 h
电费/百万 token = 0.278 kWh × $0.30/kWh
3 Z9 f4 D* B2 X. D≈ $0.0834 / 百万 token4 _! E, L+ g; ]) V
场景 B:中国电价 0.3 元/kWh ≈ $0.042/kWh# o% m+ T3 j9 q) [, U/ B- ]9 G
电费/百万 token = 0.278 kWh × $0.042) \. P# O8 c7 l2 I* Z
≈ $0.0117 / 百万 token
) @! i* g# _- j" P对比当前 API 价格(OpenAI 2026Q1)[62]
5 w! z! b& y$ i以输出侧为主(成本最敏感):* R6 {* }* O" U Y( t8 s
# o+ }& T% \8 U. f s3 `模型 输出价 ($/百万 token)
9 \; w: l- Z" Q& KGPT‑5.2 $148 n {9 O: v! I& o& c: C' ~' H
GPT‑5.2 Pro $168
$ n O; `( s0 v' e2 r: }) kGPT‑4.1 $82 C1 |8 m: V5 e5 A* R
GPT‑4o $10; {0 A0 `$ e" I6 _$ I. s
GPT‑4o mini $0.60
# a( H; C/ Q4 p0 ]则:. ]+ p6 n; g% k: }
& J/ T; S; @! b3 ^* I6 H在美国 $0.30/kWh 的极端高电价下,电费占 GPT‑4o mini 收入的 ~14%(0.083/0.60),占 GPT‑4o 仅 0.8% 左右。
' B$ |! B3 M& d在中国 0.3 元/kWh 下,电费占 GPT‑4o mini 收入的 ~2%,占 GPT‑4o 的约 0.1%。
: ?$ m# F% ?1 Y* f" C) G8 H( v- }1 M相比之下,GPU 折旧+云溢价+开发/运维成本才是主导。: l9 ^( ~ _' q% O+ K, D
结论:
8 x+ r3 F# k0 n: Q* h即便在“美国 $0.30/kWh vs 中国 0.3 元/kWh” 的极端对比下,每百万 token 电力成本差异约 $0.07,与主流 API 价格($0.6–$168/百万 token)相比仍属“小数点后两位”的影响。区域电价主要调节“利润率边际”,而不会改变“项目能否盈利”的结论。4 G1 Z* R9 Z" D) i+ U
0 \! L2 m' Q, X+ O4 H4.2 全成本 per token:自建集群视角(基于 LenovoPress TCO): o6 F6 x! y D9 f/ x) H
以 LenovoPress 的 8×H100 Config A 为例[28]:
& R j) k- X, }+ c1 f
% c1 D M5 X: m7 k4 }5 年摊销下,8×H100 本地推理 70B 模型:
# n- T0 ?. h4 m$ I8 ]3 J+ j9 A小时综合成本(CapEx摊销+Opex):$12.08/h
% \6 k9 [# |; N3 B1 g吞吐:30,576 tokens/s → 每小时 ≈ 110M tokens8 w0 L. t+ P& f1 n. Q _- Q0 ~( n
成本/百万 token ≈ 12.08 / 110 ≈ $0.11/M token7 U# m3 q T- ~" q. D
电费在其中的占比:0 I/ u$ e" g! c* C
Opex 6.37$/h 中电力+冷却约 $0.87/h[28]2 c2 r$ P$ t" J2 J* V' W. q8 ?
电费/百万 token ≈ 0.87 / 110 ≈ $0.0079/M token: R) u" e% Y# Z! [3 D
电费占 总 token 成本 ~7% 左右。
4 b& Q# ^: n* N* u* [0 {4 }9 T" k若将美国电价从 ~$0.12/kWh 提高到 $0.30/kWh,则电费约增 2.5 倍,对总 token 成本影响约 +10–15%。0 f+ A3 y9 c* i' l5 U
若迁至中国西北 0.3 元/kWh 或中东低价长协,电费可再降 40–60%,总 token 成本再降低约 5–10%。/ V( Y! l" w4 S M
2 f3 K. M- g" G4 x
因此:4 J }- W0 c$ l& H0 n7 f+ q$ z
$ M3 V) U# Z1 t7 _在自建集群场景下,电价对 token 成本有可见但非决定性的影响(变化量级在 ±10–20%)。
" J! U9 `" y1 _在云租和 API 模式下,电价影响则被进一步摊薄,绝大多数利润被云厂商的溢价和 GPU 供应链吸走。
' p6 B8 J' Q$ h8 `8 Z五、不同芯片方案的建设与运营成本对比
; R T- N6 o4 j/ N8 l1 a) t: W5.1 NVIDIA 方案(H100/H200/B200/GB200)
) w% l+ @7 E& E4 ~0 bCAPEX:
1 v9 q) K* m" W/ N% Z$ z- c& ?5 I: t5 @& i7 X
H100:单卡市价 $25k–35k,8 卡服务器约 $250k+(Lenovo 配置价 $250k 左右)[9][28]。$ y3 u b/ r3 t
H200:显存提升,单卡价更高,8 卡节点约 $280k[28]。7 c' q7 A( o: L; u' o
B200:Blackwell 代 GPU,8 卡服务器约 $338k[28]。. W- a9 l7 n, u% s% x
GB200 NVL72:
' M& i: S7 Y* a$ ?每 rack 带 72 GPU + 36 Grace CPU,售价约 $3.0–3.35M[34][69]。
2 D6 x2 U- _( s+ j( q2 f冷却系统每 rack 额外 $50–56k[35]。1 a ?, o- Z, c6 c
在 400MW 场景中,GPU 总 CAPEX 约 $5.6–7B,占总体 CAPEX 近 40%。: `$ m0 i2 c; A- }
OPEX & 能效:: N4 p( e4 u( h% o
0 o5 }4 u6 D* \: L
单 GPU 功耗:4 U0 G5 ?- M$ [0 c
H100:TDP 700W;集群实际单 GPU 含服务器/网络开销可到 ~1,500W[16]。
) Z1 `% k% ?3 N+ WH200:功耗类似或稍高,但性能/W 提升[9][10]。
D6 z) J" q/ K, z# H JB200:标称 1,000W TDP,但实测约 600W 左右[68][69]。
Q0 O! ?4 u% V6 V* tToken 性能:
7 v- I5 u# d9 ~* gB200:官方推理基准中,可达 60,000 tokens/s/GPU 级别(gpt‑类模型)[68]。# C3 g9 u8 Y" f
NVIDIA 的优势:
7 t4 ?$ {/ e: Q1 A0 V+ g: a: K
- C7 N% w; T8 n% P8 {* S O* t软件栈成熟(CUDA/TensorRT‑LLM),易于榨干硬件性能,batch 与多 GPU 并行调度成熟 → 在同等 PUE 与模型条件下可达更高 tokens per Watt。7 O7 T: B$ P4 a. G: E" g
但硬件价格与毛利极高,从 TCO 角度,“谁买单 GPU 溢价”是关键——云厂商多半将成本转嫁给 API 用户。
# P6 X% L7 }2 `: D/ u4 Q5.2 Google TPU 方案
5 W6 ^3 E9 B6 ~CAPEX:" \7 G t: D N+ B& Y
7 I' ~& D) H* k% _* Y! t# N# E
单 TPU v4 定价约 $3.22/芯片小时,v5/v6 在云端按实例小时定价对外[52][54]。
( r1 m3 x. r a0 A. W |& b1 d# ~/ Y6 ^GSR 估算:TPU 的出厂 ASP 约 $4,500–5,000/片(Google 内部成本)[54]。" l& u$ J; [1 ^; r+ {2 \) ^
8 TPU v5e 实例约 $11/h,而 8×H100 云价可高达该数值的 5–10 倍[52][54]。
2 M; k1 V- W% h能效:
: n6 A4 e x2 H4 x# i2 Y4 j+ u" X
0 P F6 r( A, b5 I0 @TPU v5e vs H100:" y0 B/ `9 X5 i" @: h }/ ] X4 Y4 M
同级推理场景下,8×TPU v5e ≈ 2,175 tokens/s(Llama2‑70B,INT8)[67],H100 需更高功耗才能匹配。9 |! o' D$ Y% a( ~# Y
测试表明 v5e 功耗约为 H100 的 1/5 左右[67][52]。5 ]- G- J$ \1 b8 u* a# C' S& u
新一代 Trillium/TPU v7:
: x% }* S0 Y3 J. C8 c7 L能效比 TPU v5p 提升 ~67%,对 H200 或 B200 整体上能实现 2–3×性能/W 优势[52][65]。0 @7 O" u5 k- v# |* S
Google 方案的特点:& A( J8 _2 m- I5 K
6 \$ O$ [ K* H0 r# S
自用闭环——Google Cloud + TPU + Gemini,利润来自整体云栈,而非单个芯片; L, F" z6 }* V- M
对外公布的 API 价格较为激进,TPU 方案在 tokens/W 与 tokens/$ 上具有显著优势,尤其在内部工作负载。% q/ |+ n' ~! D5 R
5.3 华为昇腾 910B / 910C 方案0 w8 {2 S6 ` r' h! a
CAPEX:
! i! ^1 [( n' H: m7 J _* X0 ~" t$ e1 }# ^: {
单 910B 芯片成本约 50,000 元人民币 ≈ $7k[60];910C 约 110,000 元[60]。
& y& Z" L# D: A! E7 H% j2 {与 A100 对比:
5 C$ L. v, I. ?! A# @+ b3 `; cFP16 算力 320–376 TFLOPS,功耗 310W,性能接近甚至略高于 A100(400W)[80][81][82]。' N, v4 k1 D- L- ~; l/ z6 a! [" v
市场报道中,NVIDIA H20 在中国售价约 10 万元/片,而 910B 更便宜 30–40%[61][72]。& J3 @+ Y* H1 G+ A( n' X' z3 a
使用昇腾构建类似 400MW 级别集群,总 GPU CAPEX 相较 NVIDIA 可节省 30–60%,视集群规模与供货条件而定。. d6 W# e& o* r$ }+ i
OPEX & 能效:
& K" z4 M# {6 L+ g5 _0 C4 n4 D8 o5 Q
910B 功耗 310W,FP16 320–376 TFLOPS → 性能/W 与 A100/H20 接近或更优[80][81][82]。2 B1 s, L7 m/ D' j8 x
部分推理 benchmark 显示,长上下文(>4k token)推理时,910B 在 tokens-per-watt 上可超过 H200[71]。/ D2 a/ V; N1 K9 {9 Z( p- @# m
在中国电价(0.3–0.4 元/kWh)环境下,昇腾方案在 TCO/tokens 维度有明显优势,但生态与软件栈仍在追赶 CUDA。( m- P- R8 e: T5 R# w
5.4 平头哥真武 810E(PPU)方案% U- o: L7 X$ ^" P3 H8 `
CAPEX:6 U* P6 l- E7 d
9 b2 Z$ b, D" s. o/ s% _# v4 w技术参数:
6 k% }- u+ T$ T- f3 J; f96GB HBM2e,片间互联带宽 700GB/s,自研 ICN 互联,PCIe 5.0 ×16,400W 功耗级别[59][102][111]。
8 M& S. f; w8 [5 \( _3 r性能:官方宣称整体性能超过 A800 与主流国产 GPU,与 NVIDIA H20 大致相当,升级代际可逼近/超过 A100[59][110]。
' x/ W# i1 ]; c5 ~2 Z价格:
) j: [/ [/ R( x& F* O7 ?未公开详细单价;多个媒体报道指出“单位算力成本可下降 ~40%”,与英伟达 H20 有 3–4 成价差[74][112]。
* s; j( O( u1 x1 z/ z结合国内报道:
( }) S2 A! v. l$ j2025 年出货量数十万片,已在阿里云实现多个万卡集群部署,服务 400+ 客户[59][111]。+ W$ ^, O5 H6 O) q
数量规模与生态成熟度迅速提升,使得 真武+昇腾 成为中国公有云/算力租赁的主力基础。
- ?3 J4 s$ [( }. h8 M) cOPEX & 能效:3 p) @4 t: d! q" T7 e$ |
' P% ]9 W: {4 v! p
400W TDP、96GB HBM2e,使其在 高上下文、RAG、大模型训练+推理一体化场景 中具有良好性能/能效平衡;
# Y" p9 {0 }7 l. {$ N在中国低电价 + 低人工成本环境下,真武方案可将 AI 推理服务的综合 token 成本进一步压缩 —— 对标 NVIDIA H20,本地算力提供商可在保持 ~8–9 成性能的前提下降价 30–40% 仍保持毛利[74][112]。
$ R* Z2 Q) f2 w- o" J& o六、综合比较与策略建议
/ G7 } d" _9 e5 k* y# P6.1 区域维度:在哪里建 AI 数据中心?, S! j0 F/ w- B4 K3 s) j$ u
纯经济性(TCO/tokens)排序(假设无政策/合规约束):
# q8 S1 ^ P9 W, d& v
% R3 t* W6 s0 B中国西部/北部(电价低、人力低、建设成本低)
. i& o- G4 v$ B% I/ c中东(UAE/沙特)(电价中等偏低、土地与电力可得性好、政策支持)% p! |' X+ L0 _* k8 d+ d8 w- Q
美国电价低但人工高;东海岸/加州电价上涨压力大
5 `- l# y d# i( y: Z欧洲电价高、审批严格,但接近高价值企业客户和数据主权要求
* D% E, @* C: p& @( ]+ g5 `若以“美国 $0.30/kWh vs 中国 0.3 元/kWh”极端场景比较:5 K. m' A; ]. W& h7 J- R$ [
6 M& c# m/ V* c& x! x; [: ]& O. J- ~
纯电费/百万 token 差异:约 $0.083 vs $0.012 → 差别 ~$0.07/M tokens;
6 f2 E1 G- X. @& l; C对比 API 价格:差异对整体利润率的影响远小于是否使用 NVIDIA vs 国产芯片、自建 vs 云租的差异;9 n# ]* ]- n2 d& q
但在极高利用率的 自建超级集群 场景,电价仍然能在 5 年 TCO 上带来 10–20% 的边际优化,是选址决策的重要考虑。
. `0 O: ]7 @8 v3 J3 Z$ h0 U6.2 技术栈维度:选哪家芯片/云栈?
1 \7 I# ~; W; Z' v0 L若目标是全球最优 tokens/$ 且不受出口管制:+ c% ~* o$ K) O* M' [5 X
5 | D6 y, M s& Y" V( |
Google TPU v7/Trillium + 自建 on-prem:性能/能效与成本的综合最优,但前提是可以直接获得 TPU 硬件与软件栈授权(现实中仅限 Google 内部和极少数大客户)。
a! B- |* m( Q! a若在美国/欧洲,能自由采购 NVIDIA:
6 d/ {% n& [8 A9 `8 U
$ E C3 ^; ^& q! K& }短中期内,NVIDIA B200/GB200 NVL72 仍是最佳实践:
% h& ?* e& X4 {8 ~1 Z+ D7 S% P0 l4 y成熟的软件栈与生态,极高的 tokens/s/GPU;
. Y* ~( r' q2 u: v, L" p在云厂商/超大规模自建模式下,配合液冷与 PUE~1.1,可取得较低的 token 成本;( _, q: c8 t1 g
但要谨慎评估 GPU CAPEX≈总投资 40% 的集中风险。$ j: R, K# }# g5 v% G& U
若在中国或存在出口管制约束:# t$ W# _6 ~9 x% K4 ~: N5 k
* G3 [- C+ O5 s" H5 \& z- N1 U( X昇腾 910B/910C + 平头哥真武 810E 是现实可行的主力组合:0 A6 ^1 g7 q: z2 }0 |
性能上已能覆盖大部分 GPT‑4 类推理需求;
, V: `) w2 p" X2 ]8 r单片成本显著低于 H20/H100,集群 CAPEX 明显更友好;0 X; s: Z, V' R+ w
软硬件全栈国产(CANN + MindSpore + 通义/Qwen 等),可避免制裁风险;
+ T* h3 y; z1 a, H/ v9 \, n1 R S+ s9 {建议配合:
4 k4 u$ F+ Y, i& l. B0 ~高效液冷(PUE~1.1)、, M0 H+ Y' C; m4 o0 X9 I5 v% i
大 batch、路由(浅层任务走小模型/低成本芯片)、/ |: I8 U" W0 O4 f0 a2 b
强量化(FP8/INT4)与分层缓存策略,进一步摊薄 token 成本。6 \' P6 O. F/ Y% L( o" v5 W
长远看,“tokens-per-watt / PCE” 取代单纯 PUE/FLOPS 成为核心 KPI:$ V9 T5 }, }( e
1 Y/ N* \& u. g0 D) p+ h数据中心运营者应从“PUE 1.5→1.1”的设施思维,转向“每瓦输出多少有价值 token”的AI 工厂思维[29][118];
3 ]1 G8 r2 p# p7 o, `$ N( b2 ~这意味着:
- ^% ^# o5 G3 b" {8 a# m, d8 u$ \优先选择 更高 tokens/J 的芯片架构(例如 TPU v7、B200、后续国产芯片);
' V3 P7 K# S' ]# v5 g9 I* {4 _3 u精细化调优 batch size、路由策略、CoT 深度,将“energy-per-token”作为最优先指标来优化[17][26]。8 A6 i& J6 u* u; k1 L! x+ k
6.3 针对你关心的具体问题的简要回答
! J& m2 j5 S# G/ O/ W) bAI 数据中心建设 vs 运营成本的大体比例?
' |- g" c6 r; c8 d( C: h% {3 r z! b& h9 n
在 5 年期 TCO 视角下,CAPEX(尤其 GPU)约占总成本 50–70%,运营成本(电力+冷却+人工+维护)约 30–50%。
) Z& X9 V; D9 @5 U: l3 g& H F4 T其中 GPU 自身 CAPEX 占到总 CAPEX 的 30–40%[36]。; F- Y8 A7 k( O+ c
中国、美国、欧洲、中东的成本结构区别?
# w1 t) H |3 L7 C5 B Y( t) }8 H! H# F3 a
建设期:
$ e- \8 e8 s+ C' O中国/中东的壳体+机电成本明显低于美欧(约 5–7 vs 8–12 vs 10–11M $/MW)[1][2][20]。
0 j! G% Z) e) O8 Z8 _: g2 q" J9 \( G运营期:7 P9 i8 z! K0 w8 b- ]% [
电价:中东 ≈ 中国西部 < 美国平均 < 欧洲9 R- C) P& ]6 H/ Z( u/ g9 x
人工:中 国 ≪ 美 欧,中东居中。3 ~8 T1 V# d$ F
在美国 $0.3/kWh 与中国 0.3 元/kWh 下 token 成本与利润率?
( b* k& n- H" {9 u* @ L) V A
对于典型 1 J/token 推理负载: k: Q3 V$ U4 P9 D
美国 $0.30/kWh:电费约 $0.083/M token, M8 O% \/ z3 a7 L
中国 0.3 元/kWh:电费约 $0.012/M token. U8 q! J* O: S1 R& B
对比 OpenAI 等对外价格($0.6–168/M token),电费无论在中国还是美国都只是利润表里的“小头”,主导因素是 GPU TCO 和平台溢价。
. v! d6 o# c2 T/ j8 I不同技术方案(NVIDIA / Google / 昇腾 / 平头哥)的建设与运营成本谁更有利?8 e. o1 \- S7 s
( |8 [% }' y$ F c在可获得 TPU 的前提下:Google TPU v7 在 tokens/W 和 tokens/$ 上最优;
. L% s( k( F8 f. ~全球通用方案:NVIDIA Blackwell 全家桶(B200/GB200)+ 液冷,但 CAPEX 巨大;# H! P, g, C- m3 W+ ?1 f( q
中国/被管制市场:昇腾 + 真武 是当前最有经济性与可持续性的路线,综合来看能把 token 成本压到 NVIDIA 方案的 40–70%。 |
评分
-
查看全部评分
|