电费只占5%,谁在真正吃掉算力成本?

一座550亿美元的数据中心，钱都花哪儿了

　　我们先把这个账算细一点。图里的550亿美元，是基于一座1GW的数据中心做的全周期测算，周期是四年。为什么是四年？因为GPU的折旧周期就这么长，甚至很多互联网大厂实际折旧周期更短——三年甚至两年半。这不是会计上的保守处理，而是技术迭代的现实：新一代GPU出来，老一代的单位算力成本和能效比就立刻失去竞争力。

　　在这550亿里，GPU采购250亿，占比45%。这还只是买芯片的钱。供电和散热系统110亿，占比20%。这部分听着像是“基础设施”，但实际上一大半成本是被GPU的功耗逼出来的——一颗H100功耗700瓦，B系列下一代直奔1000瓦以上，几万张卡堆在一起，供电和散热系统的复杂程度远超传统数据中心。

　　网络50亿，存储40亿。这两块加起来90亿，占比16%。超大规模集群里的网络，不是咱们家里用的路由器，而是几百公里光纤、几十层交换机构成的“毛细血管网”，成本和复杂度随着GPU数量呈指数级增长。

　　四大硬件板块加起来450亿，占了总成本的82%。电费呢？27.5亿，占比5%。其他运维成本7.5亿，占比不到1.5%。

所以你看，电费便宜这件事，在这个账本里几乎可以忽略不计。你电价打五折，省下来的钱也就十几亿美元，在550亿的总盘子里连个水花都翻不起来。真正决定你成本高低的，是你用什么GPU、用多少GPU、怎么把这些GPU连成集群、怎么给它们供电散热——而这些，没有一样是靠“便宜”能解决的。

　　在AI算力的成本方程里，资源禀赋的权重远没有想象中那么高，真正起决定作用的，是技术和供应链。

GPU价格为什么“降不动”

　　那问题来了：GPU能不能降下来？如果能，是不是成本问题就解决了一大半？

　　答案是：能降，但短期内很难降太多，而且降价的空间不在中国手里。

　　一颗AI芯片的成本构成，远比一般人想象的要复杂。先说最直观的制程。