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_3mb

AI云计算新范式：规模效应+AIInfra+ASIC芯片

核心内容

AI云计算正在形成新的范式，主要体现在规模效应、AI基础设施（AIInfra）能力和算力自主化三个方面。云计算在AI的推动下，营收增速回暖、Capex增长加速已成为市场共识。然而，AI云时代的竞争格局和云厂商利润率仍存在分歧，本报告重点分析了AI云的盈利模式与竞争格局。

主要观点

1. 规模效应：AI云具有更高的资本密集度，同时通过多租户、多场景和内部负载的削峰填谷，提高算力利用率，降低单位成本。
2. AIInfra能力：作为连接算力与应用的桥梁，AIInfra涵盖硬件组网、算力调度、模型优化和应用定向优化。不同厂商的AIInfra能力差异显著，影响推理成本。
3. 算力自主化：ASIC芯片成为算力自主化的方向，其在特定任务中具备性价比，但受限于生态不成熟和使用场景的局限性，目前仍难以完全替代GPU。
4. 云厂商竞争格局：大型互联网云厂商（如腾讯、阿里、谷歌、Meta等）因具备庞大的内部负载和AI应用，具有显著的成本优势，有望在未来AI云市场中占据主导地位。

关键信息

1. 规模效应

• 资本密集度：AI云的建设成本高，但通过多租户和内部负载的调度，可以实现更高的算力利用率。
• 多租户与内部负载：云厂商可通过多租户模式和内部AI应用的负载调度，平抑算力需求的波动，提高ROI。
• 算力利用率：通过多租户、大规模AI应用和内部非实时负载，AI云可实现更高效的算力使用。

2. AIInfra能力

• 定义与作用：AIInfra是算力与应用之间的“桥梁”，通过优化算力资源的使用，提高计算效率。
• 主要功能：
  • 硬件层面：组网、算力资源调度。
  • 模型层面：提供丰富的工具库和框架库，优化模型推理效率。
  • 应用层面：定向优化，提升特定应用的性能。
• AIInfra差异：不同厂商在AIInfra工程能力上存在明显差距，影响推理成本和整体效率。

3. 算力自主化

• ASIC芯片趋势：ASIC芯片具备更高的性价比，但其开发和生态仍不成熟，对通用性有一定牺牲。
• 海外启示：谷歌、AWS、Meta等已开始布局ASIC芯片，并基于特定架构（如脉动阵列）进行优化。
• 国内进展：DeepSeek、阿里云、腾讯云等厂商在ASIC和自研芯片方面有所尝试，但整体仍处于探索阶段。

4. 重点标的

• 互联网云厂商：腾讯、阿里巴巴、谷歌、微软、Meta、亚马逊等具备庞大的内部负载和AI应用，有望在AI云市场中占据优势。
• ASIC芯片厂商：博通在ASIC辅助设计方面具备优势，是算力自主化的重要参与者。

重点公司估值与风险提示

• 估值表：报告提供了重点公司（如腾讯、阿里、谷歌、微软、Meta、亚马逊、博通）的估值信息。
• 风险提示：
  • 内容和互联网平台监管环境变化风险；
  • 大模型性能进步不及预期；
  • AI应用落地进展不及预期。

附图与数据

• 图1：云计算按服务方式的分层。
• 图2：AI云与传统云在资本开支、产能利用率、技术能力等方面的要求。
• 图3：AI云的ROI由规模效应、AIInfra优化和算力自主化共同推动。
• 图4：主要AI算力芯片分类。
• 图5：英伟达GPU与谷歌TPU、亚马逊Trainium2等的架构对比。
• 图6：谷歌TPU/亚马逊Trainium基于XLA的开发生态。
• 图7：MTIA v2软件堆栈基于Triton编程语言。
• 图8：Pytorch使用无CUDA的Triton编译语言实现较高的GPU调用效率。
• 图9：DeepSeek应用理论收入及成本对比，理论利润/成本比达545%。
• 图10：字节在2024年提出的MegaScale训练框架的MFU优化效果。

表格数据

表1：主要云厂商2023年与2024年云收入及利润率

表2：主要云厂商Capex同比增速

表3：主要大模型性能排名

表4：主要云厂商AI芯片布局与AI应用

表5：主要云厂商AIInfra能力对比

表6：GPU/ASIC芯片成本对比

表7：典型训练场景下各芯片成本与性能对比