大摩建模“AI推理工厂”：无论是英伟达还是华为芯片，都能盈利，平均利润率超50%

AI推理，是一门利润惊人的生意。

摩根士丹利最新发布的重磅报告，首次通过精密的财务模型，给全球AI算力竞赛的回报率算清了经济账。结论是：一座标准的“AI推理工厂”，无论采用哪家巨头的芯片，其平均利润率普遍超过50%。

其中，英伟达GB200以近78%的利润率毫无悬念地封王，而谷歌和华为的芯片也“稳赚不赔”。然而，被市场寄予厚望的AMD，其AI平台在推理场景下却录得严重亏损。

盈利榜单：冰火两重天

大摩的模型测算结果，折射出AI硬件巨头们在真实商业场景下的盈利能力分化，谱写出一首清晰的“冰与火之歌”。

火焰，属于英伟达、谷歌、亚马逊和华为。

报告显示，采用英伟达旗舰产品GB200 NVL72的“AI工厂”，盈利能力达到了恐怖的77.6%，一骑绝尘。这不仅源于其无与伦比的计算、内存和网络性能，还得益于其在FP4精度等领域的持续创新和CUDA软件生态的深厚壁垒，展现了绝对的市场统治力。

谷歌自研的TPU v6e pod则以74.9%的利润率紧随其后，证明了顶级云厂商通过软硬件协同优化，完全有能力构建起极具经济效益的AI基础设施。

同样，AWS的Trn2 UltraServer也以62.5%的利润率，华为的昇腾CloudMatrix 384平台也取得了47.9%的利润率。

冰水，则意外地泼向了AMD。

报告最具颠覆性的结论，莫过于AMD在推理场景下的财务表现。大摩测算数据显示，采用其MI300X和MI355X平台的“AI工厂”，利润率分别为-28.2%和-64.0%。

亏损的核心原因在于高昂成本与产出效率的严重失衡。报告数据显示，一个MI300X平台的年度总拥有成本（TCO）高达7.74亿美元，与英伟达GB200平台的8.06亿美元处于同一水平线。

这意味着，运营AMD方案的前期投入和持续开销是顶级的，但在模型所模拟的、占未来AI市场85%份额的推理任务中，其token产出效率所能创造的收入，远不足以覆盖其高昂的成本。

“100MW AI工厂模型”：建模AI工厂，量化投资回报

支撑上述结论的，是摩根士丹利首创的一套标准化分析框架——“100MW AI工厂模型”。它将不同技术路径的AI解决方案，置于同一商业维度下进行量化评估，其核心在于三大支柱：

1. 标准化的“算力单元”：模型以100兆瓦（MW）的电力消耗作为“AI工厂”的基准单位。这是一个中等规模数据中心的典型功耗，足以驱动约750个高密度AI服务器机架。

2. 精细化的“成本账本”：模型全面核算了总拥有成本（TCO），主要包括：

• 基建成本：每100MW约6.6亿美元的资本开支，用于建设数据中心及配套电力设施，按10年折旧。

• 硬件成本：总额可高达3.67亿至22.73亿美元的服务器系统（含AI芯片），按4年折旧。

• 运营成本：基于不同冷却方案的电源使用效率（PUE）和全球平均电价计算得出的持续电费。

综合估算，一座100MW“AI工厂”的年均TCO在3.3亿至8.07亿美元之间。

3. 市场化的“收入公式”：收入与token产出直接挂钩。模型基于各硬件的公开性能数据计算TPS（每秒处理token数），并参考OpenAI、Gemini等主流API定价，设定了每百万token 0.2美元的公允价格。同时，考虑到现实中70%的设备利用率，使得收入预测更贴近商业现实。

未来战场：生态之争与产品路线图

盈利能力的背后，是更深层次的战略博弈。报告揭示，未来的AI战场，焦点将集中在技术生态的构建和下一代产品的布局上。

在非英伟达阵营，一场关于“连接标准”的战争已经打响。以AMD为首的厂商力推UALink，强调其对低延迟的严格规定对AI性能至关重要；而以博通为代表的力量则主张采用更开放、灵活的以太网方案。这场争论的胜负，将决定谁能建立起一个可与英伟达NVLink抗衡的开放生态。

与此同时，英伟达正以清晰的路线图巩固其领先地位。报告提到，其下一代平台“Rubin”正按计划推进，预计2026年第二季度进入大规模量产，同年第三季度相关服务器就将开始放量。这无疑给所有竞争者设定了一个不断移动的、更高的追赶目标。

总而言之，摩根士丹利的这份报告，为狂热的AI市场注入了一剂“商业理性”。它雄辩地证明，AI推理不仅是一场技术革命，更是一门可以被精确计算且回报丰厚的生意。

对于全球的决策者和投资者而言，前文两张盈利图表，将对AI时代算力投资提供相当大的参考价值。