人工智能行业GenAI系列报告之五十四：AI云计算新范式规模效应+AIInfra+ASIC芯片_60页_2mb

AI云计算新范式：规模效应+AIInfra能力+算力自主化

核心观点

AI云计算正形成新的范式，主要由以下三大方向驱动：

1. 规模效应：通过多租户和内部负载的削峰填谷，提升算力利用率，降低单位计算成本。
2. AIInfra能力：优化算力与应用之间的“桥梁”角色，提升计算性能，包括硬件组网、算力调度、模型优化等。
3. 算力自主化：借鉴海外ASIC芯片趋势，云厂商通过自研芯片实现降本增效，提升长期盈利能力。

主要内容

1. AI云计算新范式：规模效应+AIInfra能力+算力自主化

AI云计算相比传统云计算，对算力需求更高，同时对资本密集度、产能利用率、技术能力、工具生态和自研芯片布局提出了更高要求。云厂商需通过多租户、内部负载调度和AIInfra优化，实现更高的ROI。

2. 规模效应：资本密集度+多租户+内部负载削峰填谷

• 资本密集度：AI云建设成本显著增加，尤其IT设备占比更高，折旧压力更大。
• 多租户：通过多租户模式，云厂商可提升算力利用率，实现负载的稳定性和高效利用。
• 内部负载均衡：利用内部AI工作负载（如大模型训练、推荐系统迭代）来填补夜间算力空闲，提升整体利用率。

3. AI Infra：实现计算性能挖潜

AI Infra位于算力与应用之间，是实现性能提升的关键。主要包括：

• 硬件层：优化集群组网、算力资源调度、通信效率等。
• 模型层：提供丰富的开发工具和框架，帮助云客户高效调用大模型。
• 应用层：通过定向优化，提升特定应用的推理效率和成本控制。

云厂商在AIInfra能力上存在明显差距，主要体现在优化工具的丰富度和开发效率上。

4. 算力自主化：海外ASIC芯片趋势启示

ASIC芯片通过定制化设计，具备更高的性价比，但受限于开发生态的不成熟，云厂商需依赖外部IC设计公司（如博通、迈威尔）进行开发。

• 架构差异：GPU采用通用并行计算架构，而ASIC（如TPU）采用脉动阵列架构，专为矩阵计算设计。
• 生态发展：XLA、Triton等软件生态逐步成熟，为ASIC芯片提供支持。
• 成本优势：ASIC芯片在特定任务中具备成本优势，但需考虑开发和使用成本。

5. 重点标的：互联网云厂+ASIC芯片

• 互联网云厂：腾讯、阿里巴巴、谷歌、微软、Meta、亚马逊等具备庞大内部工作负载和AI应用，有助于实现规模效应和AIInfra优化。
• ASIC芯片：博通具备较强的辅助设计能力，是算力自主化的重点标的。

6. 重点公司估值表及风险提示

• 估值：重点关注腾讯、阿里巴巴、谷歌、微软、Meta、亚马逊等互联网云厂商及博通等ASIC芯片公司。
• 风险提示：
  • 内容和互联网平台监管环境变化；
  • 大模型性能进步不及预期；
  • AI应用落地进展不及预期。

AI云计算趋势与挑战

• AI应用：AI Agent、视频生成、3D模型生成等新应用对算力需求量级提升，未来算力消耗将显著增加。
• Capex增长：云厂商资本开支持续增长，2024年谷歌、微软、亚马逊、Meta等主要云厂商Capex增速均超过30%。
• 利润率提升：AI云计算的高需求带来营业利润率提升，但随着GPU供应趋于平衡，利润率将更依赖产能利用率和AIInfra优化。

云厂商与大模型厂商的协同

• 闭源与开源并存：闭源大模型（如Grok、GPT、Gemini）仍为主要模式，但开源模型（如Llama、DeepSeek）逐渐繁荣，推动云厂商优化AIInfra。
• 内部负载优化：云厂商通过内部AI工作负载（如推荐系统、搜索引擎、大模型训练）实现算力利用率提升，降低成本。
• AI Infra成果：字节、腾讯、阿里巴巴、DeepSeek等在AIInfra领域已有显著成果，如高效训练框架、算力调度系统、定制化优化工具等。

芯片对比与成本测算

• GPU vs ASIC：GPU具备成熟的开发生态（如CUDA），而ASIC（如TPU、Trainium）在特定任务中具备性价比优势，但受限于生态发展。
• 成本测算：基于存储容量、制程、性能等指标，测算各芯片的制造和使用成本，ASIC芯片在特定场景下具备成本优势。
• 性能与效率：不同芯片在训练大模型时的性能和效率差异显著，如DeepSeek R1模型在特定优化下实现高效率。

未来展望

AI云计算正进入新的发展阶段，云厂商需在规模效应、AIInfra能力和算力自主化三大方向持续投入，以应对日益增长的算力需求和激烈的市场竞争。