近期，沐曦在行業(yè)分享中披露的一組數(shù)據(jù)中心成本分析圖表，引發(fā)了業(yè)內人士的廣泛關注。

這張圖拆解了一座1GW數(shù)據(jù)中心的成本賬——總擁有成本達550億美元，按四年折舊周期分攤后，GPU芯片占250億，供電散熱110億，網(wǎng)絡50億，存儲40億。而電費僅27.5億，占比5%。

這組數(shù)據(jù)推翻了圈內流傳兩年的“美好敘事”：此前不少人認為中國電價低于歐美，是AI時代的核心優(yōu)勢，畢竟大模型耗電巨大，低電價能帶來持續(xù)競爭力。但沐曦的圖表揭示了真相：在超大規(guī)模算力中心的成本結構中，電費在整體TCO（總擁有成本）里占比極低，對總成本影響有限，真正的成本大頭是繞不開的GPU芯片。

01 一座550億美元數(shù)據(jù)中心的成本流向

我們先細化這筆賬。

圖表中的550億美元，是基于1GW數(shù)據(jù)中心的全周期測算，周期設定為四年。選擇四年的原因是GPU折舊周期通常為四年，部分互聯(lián)網(wǎng)大廠甚至縮短至三年或兩年半——這并非會計保守處理，而是技術迭代的現(xiàn)實：新一代GPU推出后，老一代的單位算力成本與能效比會迅速失去競爭力。

550億總成本中，GPU采購占250億，占比45%，這還僅是芯片采購費用。供電和散熱系統(tǒng)110億，占比20%，這部分看似是“基礎設施”，實則大半成本由GPU功耗倒逼產生——一顆H100功耗達700瓦，下一代B系列更是突破1000瓦，數(shù)萬張卡集中部署時，供電與散熱系統(tǒng)的復雜程度遠超傳統(tǒng)數(shù)據(jù)中心。

網(wǎng)絡成本50億，存儲成本40億，兩者合計90億，占比16%。超大規(guī)模集群的網(wǎng)絡并非家用路由器，而是由數(shù)百公里光纖、幾十層交換機構成的“毛細血管網(wǎng)”，成本與復雜度隨GPU數(shù)量呈指數(shù)級增長。

四大硬件板塊（GPU、供電散熱、網(wǎng)絡、存儲）合計450億，占總成本的82%。電費僅27.5億，占比5%；其他運維成本7.5億，占比不足1.5%。

可見，電費便宜在這個賬本里幾乎可忽略不計。即便電價打五折，省下的十幾億美元在550億總盤子里掀不起水花。真正決定成本高低的，是GPU的選型、用量、集群互聯(lián)方式及供電散熱方案——這些都無法靠“低價”解決。

在AI算力的成本方程中，資源稟賦的權重遠低于預期，技術與供應鏈才是核心決定因素。

02 GPU價格為何“難下降”

那么，GPU價格能否下降？若能，是否就能解決大半成本問題？

答案是：能降，但短期內難有大幅下降，且降價空間不在中國手中。

AI芯片的成本構成遠比想象復雜。首先是制程，當前旗艦AI芯片均采用4nm或5nm工藝（如臺積電N4P、N5），單次流片費用3-5億美元起步，這是給代工廠的沉沒成本——流片失敗則資金打水漂，成功后還需幾個季度爬坡良率。

其次是HBM（高帶寬內存）。一顆H100配備80GB HBM3，僅內存成本就占芯片總成本的40%以上。HBM市場高度集中，海力士占大半份額，三星緊隨其后，美光追趕。HBM產能擴張遠跟不上AI芯片需求，近兩年價格持續(xù)上漲。即便GPU設計出色，若HBM拿貨難或成本高，整體芯片成本仍難下降。

還有先進封裝。當前AI芯片幾乎都采用CoWoS技術，該技術被臺積電壟斷。過去兩年，CoWoS產能緊張是AI芯片供應鏈的最大瓶頸，臺積電擴產速度直接決定英偉達、AMD及自研AI芯片廠商的出貨節(jié)奏。

先進制程、HBM、先進封裝這三大環(huán)節(jié)，占據(jù)AI芯片BOM成本的大頭，且每個環(huán)節(jié)都被少數(shù)供應商壟斷。本土GPU設計公司即便設計能力追上，也需面對相同供應鏈現(xiàn)狀：流片依賴臺積電、三星或國內追趕中的先進產線，HBM短期依賴韓國廠商，先進封裝也以臺積電為主。這意味著，國產GPU的物料成本短期內難低于英偉達，甚至可能因采購量小、議價能力弱而更高。

更關鍵的是，英偉達GPU不僅是芯片，更是完整系統(tǒng)。從NVLink互聯(lián)到InfiniBand網(wǎng)絡，從CUDA軟件棧到開發(fā)者生態(tài)，英偉達用十幾年構建了“軟硬一體”壁壘。購買英偉達GPU，部分費用是為“確定性”買單——確保能用、性能達標、快速部署，這種溢價初期難以避免。

03 窗口期已至，但挑戰(zhàn)更嚴峻

國產GPU是否就此無機會？

恰恰相反，2025-2026年是國產GPU的關鍵機遇期，核心原因是美國對華出口管制持續(xù)加碼。

這種壓力客觀上為國產GPU打開了“被迫導入”窗口：過去國內AI公司選英偉達是性能與生態(tài)的最優(yōu)解，如今最優(yōu)解被人為切斷，國產GPU從“備選”變?yōu)椤氨剡x”。

2025年下半年起，國內頭部互聯(lián)網(wǎng)公司與運營商加速部署國產算力集群：華為昇騰910B及后續(xù)型號在部分場景規(guī)模化落地；沐曦、壁仞、天數(shù)智芯等積極推動產品進入生產環(huán)境；百度昆侖、阿里平頭哥自研芯片也在內部大規(guī)模應用。

但挑戰(zhàn)同樣突出：

第一是性能差距。國產GPU單卡算力快速追趕，但集群效率、互聯(lián)帶寬、軟件棧成熟度仍落后英偉達。3000卡的國產集群，有效算力可能僅為同規(guī)模英偉達集群的60%-70%，完成相同訓練任務需更多卡、更長周期、更復雜并行優(yōu)化，最終轉化為成本。

第二是軟件生態(tài)的“隱形門檻”。CUDA經(jīng)十幾年積累形成龐大開發(fā)者生態(tài)，算法工程師從校園開始學習CUDA，開源模型默認適配CUDA，算子庫、調優(yōu)工具、分布式框架均以CUDA為基準。國產GPU廠商雖推出自有軟件棧（華為CANN、沐曦MXMACA、壁仞B(yǎng)IRENSUPA），但生態(tài)建設需時間與投入，還需用戶“多走一步”。

第三是供應鏈“天花板”。國產GPU制造依賴國內先進制程產線，而國內產線在產能、良率、成熟度上與臺積電有差距；HBM方面，國內尚無HBM2E以上產品量產能力，短期仍依賴韓國供應商。即便設計能力提升，供應鏈自主可控程度仍有限。

回到沐曦的成本拆解圖，還有一個隱藏信息：成本優(yōu)化空間不僅在GPU本身。供電散熱占110億（20%），若壓縮30%可節(jié)省33億美元，遠超電費總額。液冷是當前最確定的優(yōu)化路徑。

傳統(tǒng)風冷數(shù)據(jù)中心PUE（電源使用效率）為1.4-1.5，液冷可降至1.1以下，不僅降低電費，還能大幅縮減供配電與散熱系統(tǒng)的初始投資。隨著GPU功耗突破1000瓦，風冷接近物理極限，液冷正從“可選”變“必選”。2025年下半年，國內運營商與云廠商新建智算中心的液冷滲透率明顯提升，有望將供電散熱占比從20%降至15%甚至更低。

網(wǎng)絡占50億（9%），超大規(guī)模集群中網(wǎng)絡成本隨GPU數(shù)量超線性增長——GPU需高速互聯(lián)，傳統(tǒng)以太網(wǎng)在“大象流”“多打一”場景效率低。英偉達NVLink與InfiniBand的壁壘，很大程度源于集群互聯(lián)優(yōu)勢。但2025年，基于以太網(wǎng)的超大規(guī)模互聯(lián)方案逐漸成熟，Ultra Ethernet Consortium（UEC）的推進為降低網(wǎng)絡成本帶來希望，若路徑走通，網(wǎng)絡占比有望進一步壓縮。

存儲占40億（7%），AI訓練要求海量小文件讀寫與高帶寬吞吐，傳統(tǒng)分布式文件系統(tǒng)效率低。2025年以來，國內存儲廠商在AI原生存儲上的探索值得關注——通過軟硬協(xié)同優(yōu)化，可在同等性能下降低存儲節(jié)點配置需求，壓縮成本。

這些系統(tǒng)級優(yōu)化有一個共同邏輯：需對GPU集群有深入理解與掌控能力，并非簡單堆砌GPU，而是從芯片到系統(tǒng)、硬件到軟件的垂直整合。

這也是英偉達、谷歌、亞馬遜向“云-芯-端”一體化發(fā)展的原因：谷歌TPU為自家TensorFlow框架設計，亞馬遜Trainium和Inferentia深度綁定AWS服務，微軟雖大量采購英偉達GPU，仍自研芯片并與英偉達在系統(tǒng)層面深度合作。

國內情況類似：華為昇騰的優(yōu)勢之一是同時擁有芯片設計與通信技術積累，能在芯片互聯(lián)與集群組網(wǎng)層面深度優(yōu)化；阿里平頭哥、百度昆侖與各自云業(yè)務深度協(xié)同，也是同樣邏輯。

04 沒有捷徑可走

那張成本拆解圖的價值，不僅在于拆解成本結構，更在于打破思維慣性。

“靠電價優(yōu)勢實現(xiàn)AI算力賽道突破”的說法有市場，是因為符合“資源換優(yōu)勢”的舊邏輯——過去部分產業(yè)靠資源稟賦實現(xiàn)追趕。但AI算力本質是技術密集、資本密集、系統(tǒng)密集型產業(yè)，資源稟賦的權重被大幅稀釋。

真正的競爭優(yōu)勢來自：GPU核心技術突破能力、先進封裝與HBM等關鍵環(huán)節(jié)的供應鏈掌控力、軟件生態(tài)的長期積累、系統(tǒng)級架構創(chuàng)新能力，以及商業(yè)模式與運營效率的持續(xù)進化。

這些都非易事，也無法靠“低價”獲得。

過去兩三年，國內智算中心建設迅速，但不少項目延續(xù)傳統(tǒng)IDC模式——以園區(qū)建設、硬件部署、算力租賃為核心。然而AI算力與傳統(tǒng)IDC商業(yè)邏輯差異明顯：GPU硬件迭代快、折舊周期短，項目收益高度依賴算力利用率。若僅將GPU作為標準化租賃資源，缺乏底層算法優(yōu)化、集群調度與運營能力，高昂硬件投入可能難以轉化為持續(xù)穩(wěn)定收益，還會帶來較大資產壓力。

好在產業(yè)界正回歸理性。2025年下半年起，互聯(lián)網(wǎng)大廠與運營商在算力投資上更務實——不再單純“堆卡”，而是關注實際有效算力、單位算力成本及軟硬協(xié)同的優(yōu)化空間。

沒有捷徑可走。這句話雖老套，但在AI算力賽道上，仍是殘酷且真實的底層邏輯。

本文來自微信公眾號 “半導體產業(yè)縱橫”（ID：ICViews），作者：方圓，36氪經(jīng)授權發(fā)布。

本文僅代表作者觀點，版權歸原創(chuàng)者所有，如需轉載請在文中注明來源及作者名字。

免責聲明：本文系轉載編輯文章，僅作分享之用。如分享內容、圖片侵犯到您的版權或非授權發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com