Bernstein、AIデータセンターのコストは1GW当たり395億ドルに到達――しかし、より大きな警告は減価償却
Bernsteinによると、NvidiaのVera RubinアーキテクチャにおけるAIデータセンターのコストは、現在1ギガワット当たり推定395億ドルに達する。ただし、この巨額投資そのものが分析の最も重要な部分ではない。ハードウェアが経済的価値を失う前に、サーバー、ネットワーク機器、メモリー、電力システムに投じた数十億ドルを減価償却していく継続的な負担こそが問題となる。
この試算では、異なるアクセラレータアーキテクチャのコストは1ギガワット当たり346億ドルから395億ドルの範囲に収まる。報じられているOpenAIのJalapenoカスタムASIC設計は下限に近く、NvidiaのVera Rubin NVL72プラットフォームは上限に達する。この比較的狭い差は、より安価なアクセラレータを選べば施設全体の採算を劇的に変えられるという考えに疑問を投げかける。
Bernsteinは以前、AI容量1ギガワットのコストを約350億ドルと見積もっており、Nvidia自身の500億〜600億ドルという推計を下回っていた。最新の計算ではコンポーネントに関する前提を精緻化したが、戦略上の対立構造は変わらない。テクノロジー企業はより多くのコンピューティング能力を追求する一方、機器が稼働に入った瞬間から会計上のコストが積み上がり始める。
Bernstein、AIデータセンターのコストは1ギガワット当たり395億ドルに到達
Bernsteinの最新推計は、アクセラレータの選択がコスト構成を変えても、ギガワット規模のAIインフラを安価にはしないことを示している。
10月10日に要約されたレポートでは、1ギガワットの容量に必要な総投資額を346億ドルから395億ドルとしている。この計算対象は、送電網に接続された空の建物だけではない。アクセラレータ、サーバー、メモリー、ストレージ、ネットワーク、冷却、バックアップ電源、さらに高密度コンピューティングラックを支えるための電気システムが含まれる。
上限の試算は、Nvidiaが計画するVera Rubin NVL72アーキテクチャに適用される。Bernsteinは、Rubinラック1台当たりの推定コストを910万ドルから752万ドルへ引き下げたと報じられている。これは同社の従来モデルから約17％の低下に当たる。
公表されたinfrastructure estimateによると、この改定は高帯域幅メモリーとNANDストレージ容量に関する前提を引き下げたことを反映している。一般にHBMと略される高帯域幅メモリーは、高速メモリーをアクセラレータの近くに配置し、モデルが低速なストレージを待たずにデータを移動できるようにする。
メモリーは各AIサーバーのコストにおいて大きな比重を占めるようになっているため、この引き下げは重要だ。しかし、メモリーに関する前提が下がっても、周辺コストがなくなるわけではない。ラックが増えれば、スイッチ、ネットワークインターフェースカード、電力変換ハードウェア、冷却設備、変圧器、発電機も引き続き必要となる。
報じられているOpenAIのJalapenoアーキテクチャは、Bernsteinのレンジの下限に位置する。Jalapenoは、汎用アクセラレータよりも限定的なワークロード向けに設計されたカスタムの特定用途向け集積回路、すなわちASICと説明されている。カスタムチップは、一部のサプライヤーマージンを削減し、選定されたタスク向けの性能を最適化できる。
それでも、最安構成と最高構成の総額差は1ギガワット当たり50億ドル未満にとどまる。これは上限推計の15％を下回る。結果として、チップの選択は投資額の規模を変えるというより、資金の配分先を変えることを示唆している。
この点は、BernsteinによるNvidiaのGB200システムに関する以前の分析でもすでに明らかだった。その分析では、建設総額を1ギガワット当たり約350億ドルとし、グラフィックスプロセッサーが資本支出の約39％を占めるとした。ネットワークは約13％を占め、機械・電気システムは約3分の1に達した。
したがって、アクセラレータは依然として最大の単独カテゴリではあるが、データセンターのすべてではない。アクセラレータ価格が下がっても、電力を供給し、熱を排出し、数千基のプロセッサーを接続するための機器は不要にならない。
Bernsteinは以前、GB200 NVL72ラックのコストを約590万ドルと試算していた。このうち約340万ドルがコンピューティングハードウェア、250万ドルが関連する物理インフラに充てられた。以前のcost breakdownで報じられたこれらの数値は、チップ価格だけに基づく比較が投資家を誤導しかねない理由を示している。
この単位についても慎重な解釈が必要だ。1ギガワットは、一般的なサーバールームではなく、巨大な継続的電力負荷を表す。フル稼働時には、このプロジェクトは地域インフラ上の懸念事項となるほどの電力需要を生む。
そのため、Bernsteinのデータセンター試算は、競合するシステムを比較するための共通基準を提供する。Nvidia、カスタムASIC開発企業、クラウド事業者、インフラ供給企業はいずれも優れた効率性を主張できる。しかし投資家は、完成した1ギガワットの設備ごとに、どれだけの生産的コンピューティングと収益が得られるのかを問い続ける必要がある。
この問いが中心的な緊張を生む。業界は長年、アクセラレータと電力へのアクセスを最大の制約として扱ってきた。Bernsteinの分析は、次の制約が、導入済み機器が財務的・技術的に陳腐化する前に事業者が十分な収益を得られるかどうかにあることを示唆している。
電力ではなく減価償却が最も重い継続的負担を生む
電力は世間の注目を集めるが、AIインフラが持続的な収益をどれほど早く生み出さなければならないかを決めるのは減価償却だ。
減価償却とは、資産の取得費用を予想耐用年数にわたって配分する会計処理である。四半期ごとに新たな現金支出を必要とするものではない。しかし、報告利益を減少させ、実際の資本で購入した機器が消費されていくことを表す。
Bernsteinの以前のVera Rubinモデルは、その規模をよく示している。電力料金を1キロワット時当たり0.15ドルとした場合、1ギガワットの施設では年間約13億ドルの電力費が発生する。一方、同じモデルでは、ハードウェア耐用年数を6年と仮定した年間減価償却費は約79億ドルとなった。
これらの数値は、Vera Rubinインフラ全体を当時1ギガワット当たり470億ドルと試算した6月の分析に基づく。Bernsteinはその後ラックの試算を引き下げており、正確な減価償却費も変化する。それでもこの関係は同社の警告を説明している。ギガワットの電力を消費する施設であっても、所有コストは電気料金を上回り得る。
基となるRubin cost modelでは、1台当たり220キロワットのラックを3,557台想定した。約320億ドルをラック関連機器に、さらに150億ドルを物理インフラに配分している。この6年の償却スケジュールによって、初期投資は継続的な利益上の費用へと転換される。
会計上の耐用年数が6年であっても、すべてのアクセラレータが6年間競争力を保つことを保証するものではない。新しいシステムがワット当たりの性能向上や推論コストの低下を実現した後も、サーバー自体は動作し続ける可能性がある。物理的寿命と経済的有用性の隔たりこそが、本当のリスクである。
次世代ハードウェアがAI応答を生成するコストを大幅に下げた場合、旧世代システムの所有者はレンタル価格の引き下げ圧力に直面する。企業が耐用年数を延長するか、減損損失を計上しない限り、減価償却スケジュールは残り続ける。どちらを選んでも、旧設備への需要が増えるわけではない。
耐用年数を延長すれば年間の減価償却費が減り、短期的な利益を支えられる。しかし、それは機器がより長く生産性を維持することを前提としている。この調整を過度に積極的に行う企業は、経済性悪化の認識を先送りする可能性がある。
減損は逆の道を取る。資産が将来キャッシュフローを通じて帳簿価額を回収できないことを認める処理だ。計上時点では非現金費用だが、過去の資本支出が予想より少ない収益しか生まないことを明らかにする。
この仕組みは、AIの減価償却費を通常の電気料金と区別する。電力使用量は稼働量に応じて増えるため、利用率の低いクラスターは消費電力も少ない。これに対して減価償却は、サーバーが顧客、ソフトウェア、あるいはネットワーク容量を待っている間も続く。
そのため、利用率が決定的に重要になる。フル稼働のクラスターは、より多くのトレーニング実行、生成トークン、クラウド契約に減価償却費を配分できる。利用率の低い施設は、収益が少ないにもかかわらず、ほぼ同じ所有負担を抱える。
タイミングの問題も同様に重要だ。企業は通常、完成したクラスターが顧客へのサービス提供を始める前に、土地、電気設備、チップ、建設へ資金を投じる。遅延が生じれば、対応する収益がないまま資本が拘束され、その間にも一部の導入済み資産は老朽化を始める。
AllianceBernsteinは、これに関連する危険を情報の「エアポケット」と表現している。減価償却サイクルより短い期間では、収益に関する証拠が不十分なままとなり得る。投資家は、導入が十分に速く拡大するかを知らないまま、長期にわたる支出を評価しなければならない。
この懸念は、支出が無駄だと結論づけるものではない。AIトレーニングと推論への需要は急速に伸びる可能性があり、新しいシステムははるかに多くの処理を実行できる。ただしこれは、収益成長、利用率、ハードウェア効率が同時に実現しなければならないことを意味する。
減価償却は、クラウドの利益率の読み方も変える。プロバイダーはAI需要の増加を報告していても、新たな資産が稼働に入るにつれて利益率の圧力に直面する可能性がある。キャッシュフロー、営業利益、調整後利益は、資本投資をそれぞれ異なる形で扱うため、異なるストーリーを示し得る。
負担は消えるのではなく、企業間で移転し得る。コンピューティング能力を借りるモデル開発企業はすべてのサーバーを所有せずに済むが、そのクラウドプロバイダーは減価償却費と資金調達コストを契約価格に織り込む。クラウド事業者は特別目的会社やリースを利用できるが、それでも別の投資家が資産を所有することになる。
したがって中心的な問題は、誰かが次のクラスターに資金を供給できるかではない。次のハードウェア世代が競争基準を塗り替える前に、連鎖全体が十分な経済的成果を生み出せるかどうかである。
NvidiaとカスタムAIチップは同じ資本の現実に直面する
主要な競争はNvidiaと1つのカスタムチップの対決ではない。拡大するコンピューティング能力への期待と、減価償却されるインフラという現実の対立である。
Nvidiaの立場は、同社をこの支出拡大の波における最も目立つ受益者にしている。同社のアクセラレータ、ネットワーク製品、ソフトウェア、ラックスケールシステムは、導入の複数の層を取り込む。顧客がモデルのトレーニングや提供までの時間を重視する場合、より高いシステム性能は高価な構成を正当化することもできる。
カスタムASICは異なる価値提案を持つ。Google、Amazon、Microsoft、Meta、AI研究所は、自社のワークロード向けに設計されたチップを追求してきた。これらのシステムは、一部の市販チップのマージンを省き、ハードウェアを社内ソフトウェアにより密接に適合させることができる。
Bernsteinの推計は、どちらの道も広範なコストからは逃れられないことを示唆している。カスタムアクセラレータの価格は低くなる可能性があるが、事業者は利用可能な予算でより多くのラックを導入するかもしれない。各ラックには依然として、メモリー、ネットワーク、配電、冷却、物理的な設置場所が必要となる。
その結果は、効率性が資源利用コストを下げ、それによって追加の消費を促すJevons paradoxに似ている。ドル当たりの性能向上は、1つのワークロードのコストを下げる一方で、開発者がより大規模なモデルを実行し、より長いコンテキストを使用し、より多くのリクエストを処理することを促す可能性がある。
その力学はインフラ供給企業に有利に働く一方、効率化が自動的に必要資本を減らすという見方を複雑にする。業界は効率向上を総支出の削減ではなく、より多くのコンピューティングに振り向けることができる。
Nvidia自身の推計も、こうした計算が依然としてどれほど不確実かを示している。同社は以前、1ギガワット当たり500億〜600億ドルというレンジを示した一方、Bernsteinの過去の分析では、同等の能力は約350億ドルとされていた。この差は、ハードウェア世代、定義、そして含めるインフラに関する前提の違いを反映している。
BroadcomとAMDは、1ギガワット当たりおよそ150億〜200億ドルの、対応可能なアクセラレーター市場機会があると説明している。この数値は、完成したデータセンター全体のコストを表すものではない。より広範なプロジェクトにおける半導体の市場機会を示したものだ。
これらの指標は、あたかも同じ問いに答えているかのように繰り返し引用される。しかし実際にはそうではない。ある推計はアクセラレーターを対象とし、別の推計はラック全体を対象とし、さらに別の推計は発電や資金調達まで含める可能性がある。
最新のBernsteinのレンジが有用なのは、同一の手法で完全なアーキテクチャを比較しているためだ。ただし、これは普遍的な建設見積もりではない。土地価格、送電網への接続、エネルギーシステム、稼働率目標、資金調達、地域の労働コストはいずれも最終結果を変えうる。
アーキテクチャの比較では、有用なアウトプットも考慮しなければならない。より高価なクラスターでも、モデルの学習を早めたり、著しく多くのリクエストを処理したりできるなら、経済的になり得る。より安価なクラスターは、ソフトウェア支援、信頼性、顧客需要が稼働率を制限すれば、期待を下回る可能性がある。
Vera Rubinは、NvidiaのBlackwell世代と比べて計算性能を大幅に改善すると見込まれている。Bernsteinの以前のモデルでは、RubinのラックはFP8で2,520ペタフロップス、Blackwellは720ペタフロップスと推計された。FP8は8ビットの数値形式であり、より大きな形式より精度を抑える代わりに、AI計算を高速化する。
生のスループットが、そのまま請求可能な仕事量に結び付くわけではない。モデルのアーキテクチャ、メモリ容量、通信オーバーヘッド、ソフトウェア最適化、稼働時間は、広告される性能のうちどれだけが顧客に届くかに影響する。
カスタムチップという選択肢は、別のトレードオフをもたらす。運営企業はハードウェア設計の主導権を得て、供給企業のマージンを抑えられる可能性がある。一方で、開発リスク、ソフトウェア統合作業、競争力のあるロードマップを維持する難題も引き受けることになる。
Nvidiaはこうしたコストを多くの顧客に分散し、成熟したソフトウェア環境で自社ハードウェアを支えている。購入価格が高くても、導入リスクを低減できる場合がある。十分な内製需要を持つハイパースケーラーは、逆の選択を正当化できる。
したがって、Bernsteinのデータセンター推計は単純な勝者を示すものではない。どちらのアーキテクチャも、必要な投資規模の桁を変えないことを示している。財務上の結果は、稼働率、収益、ハードウェア更新の速度により強く左右される。
だからこそ、主要な対立軸はNvidia対カスタムASICではなく、コンピューティング拡張対資本回収として捉えるのが適切だ。NvidiaとカスタムASICは、同じ圧力を乗り切る異なる経路を表している。どちらも、減価償却が期待収益を食い尽くす前に、十分に価値ある仕事を生み出さなければならない。
395億ドルの推計が証明しないこと
Bernsteinの試算はコスト構造を明らかにするが、将来の稼働率、耐用年数、投資収益を確立することはできない。
この推計は、完全に閲覧可能なエンジニアリング上の部材表ではなく、独自調査の要約を通じて公開されている。読者は主要な前提を確認できるが、各構成要素や供給企業の価格を独自に監査することはできない。
この制約は重要だ。モデルは変化している。Bernsteinの6月の分析では、Vera Rubinのインフラは1ギガワット当たり約470億ドル、1ラック当たり910万ドルとされた。10月の要約では、ラックの推計は752万ドル、総投資額は395億ドルへと引き下げられた。
数カ月の間に17%もラックの推計が改定されたことは、モデルがメモリ、ストレージ、構成に関する前提にどれほど敏感かを示している。新たな推計を無効にするものではないが、395億ドルをAIインフラの固定的な法則として扱うべきではないことを示している。
この低い数値は、投資収益が改善したことの証明でもない。市場のレンタル料金がハードウェアコストとともに下落すれば、運営企業はその節約分を顧客に還元する可能性がある。競争は、コスト削減を利益率の上昇ではなく、より安価な推論処理へと転換し得る。
耐用年数の推計も別の不確実性を生む。6年は便利な減価償却スケジュールを提供するが、AIアクセラレーターははるかに速い製品サイクルで競争している。古いシステムの一部は、推論、ファインチューニング、要求の低いワークロード向けとして価値を維持するだろう。一方で、エネルギー消費やソフトウェア要件のため、より早く採算が合わなくなるものもある。
企業は、旧世代のハードウェアをワークロード階層の下位へ移すことで延命できる。最大級のフロンティアモデルを学習しなくなったクラスターでも、小型モデルやバッチ処理には使える可能性がある。そうしたタスクに対する残存需要と価格は、依然として不確実だ。
電力コストにも大きな差がある。Bernsteinの以前の年間13億ドルという推計は、1キロワット時当たり0.15ドルを用いていた。より安価な契約電力を確保した施設の支出は少なくなる一方、制約のある地域では電力料金や送電網増強のコストが高くなる可能性がある。
接続容量1ギガワットが、常に継続的なIT負荷1ギガワットを意味するわけではない。保守、冗長性、冷却オーバーヘッド、電力使用効率、立ち上げスケジュールが消費量に影響する。比較には、電力会社からの供給電力、クリティカル負荷、アクセラレーター負荷について一貫した定義が必要となる。
資金調達は状況をさらに複雑にする。設備が同一の2つのプロジェクトでも、一方が企業の手元資金に依存し、もう一方が高コストの負債を利用するなら、異なる収益を生む可能性がある。利息は減価償却とは別だが、最終的にはどちらも収益によって支えられなければならない。
支出が最も強力な企業のバランスシートを超えて広がるにつれ、資金構成の重要性は増している。AllianceBernsteinのより広範なAI設備投資分析は、負債とベンダーファイナンスの増加が資金の質を低下させる可能性があると警告した。
同じ分析では、2025年のデータセンター建設支出を約4,000億ドルと見積もった。また、2027年までのハイパースケーラー投資予測は1兆ドルを超えるとした。これらの総額は、稼働率や資産寿命の小さな変化がセクター全体の収益に影響し得る理由を示している。
需要は依然として、決定的に欠けている変数だ。契約締結済みの案件は予測より確実性を提供するが、契約であっても評価が必要である。契約期間、解約権、顧客集中、前払い、信用補完によって、約束された収益が資産のリスクに見合うかどうかが決まる。
一部の運営企業は、電力やその他の運営コストをテナントに転嫁する長期リースを通じて、自らを保護できる。この構造は不動産所有者にとっての見通しを改善する。しかし、テナントがコンピューティング能力から十分な収益を得られることを保証するものではない。
この分析は、AI導入がどこまで拡大するかも判断できない。モデル開発企業は、コーディングシステム、研究ツール、メディア生成ツール、広告製品、ビジネスエージェントを開発している。ユーザー当たりの収益とタスク当たりのコストは、なお定まっていない。
企業の購入者にとって、推論コストの低下は導入を加速させ得る。より多くの組織が、AIシステムを実験段階から日常的なワークフローへ移行できるようになる。それでもチームは、それらのシステムが労働力を節約するのか、成果を改善するのか、新たな収益を生むのかを測定する必要がある。
ナレッジワーカーにも同様の規律が求められる。より多くのコンピューティングへアクセスできても、それだけでより良い意思決定が生まれるわけではない。組織には、信頼できる情報、実用的なプロセス、成果を保持する手段が必要だ。検索可能なAIナレッジベースは文脈の保持に役立つが、インフラの経済性を変えるものではない。
懐疑的な結論は限定的だが重要である。Bernsteinはもっともらしいコストの枠組みを示したのであって、AIバブルの証明でも、カスタムチップがNvidiaを上回るという証明でもない。この推計は、将来の収益が乗り越えなければならないハードルを明らかにしている。
投資回収の可否を示す3つのシグナル
次の段階は、追加ギガワットの発表ではなく、減価償却、稼働率、収益の質によって評価される。
第1のシグナルは、ハイパースケーラーの減価償却費の伸びだ。Amazon、Microsoft、Alphabet、Meta、Oracleは、財務諸表や決算説明を通じて減価償却費を開示している。投資家はこれらの費用を、クラウド収益および営業利益と比較すべきである。
建設ラッシュの間に減価償却費が増加することは想定されている。警告サインは、減価償却費が新規資産に支えられる収益よりも継続的に速く増加する場合に現れる。このパターンは、資本回収が主要な制約になったという見方を強めるだろう。
耐用年数の変更にも同等の注意が必要だ。サーバーの耐用年数を延長すれば、現在のキャッシュフローを変えずに年間費用を抑え、報告利益を押し上げられる。企業は、旧世代のアクセラレーターがなぜ生産性を維持するのか、またどのように再配置されているのかを説明すべきである。
第2のシグナルは、新しいRubinおよびカスタムASICクラスターの実現稼働率だ。受注発表は設備への需要を示すが、完成した能力が収益を生むかどうかは、稼働率とワークロード量によって明らかになる。
クラウドプロバイダーは、受注残の収益化、AIサービス収益、導入スケジュール、マージン動向を通じて証拠を示せる。モデル企業は、登録ユーザー数や生成トークン数といった大まかな指標ではなく、有料利用を通じてより強い証拠を提示できる。
Rubinシステムが高い稼働率と、有用なアウトプット1単位当たりの低コストで運用開始されれば、Bernsteinのレンジ上限はより擁護しやすくなる。能力の立ち上がりが遅ければ、減価償却が投資仮説に逆風として働き始める。
カスタムチップも同じ試練に直面する。ソフトウェアと需要がハードウェアを十分に稼働させる場合にのみ、施設コストの低下は役に立つ。高い稼働率は、垂直統合が持続的な節約を生むという主張を支える。低い稼働率は、部品コストの低下だけでは未使用の能力を補えないことを示すだろう。
第3のシグナルは、契約収益と資金調達上の義務との関係だ。業界では、リース、負債、特別目的会社、顧客からの前払い、供給企業との取り決めを用いて、インフラに資金を供給する動きが増えている。
これらの構造は建設を加速し、リスクを分散できる。一方で、経済性を追跡しにくくする可能性もある。投資家は、契約期間、顧客集中、利息コスト、解約条項、支払いと資産引き渡しの時期の差に注目すべきだ。
AllianceBernsteinは、減価償却サイクルが見通しを上回る前に、このセクターには幅広い収益成長の証拠が必要だと主張している。同社の懸念は、単にAI企業の評価総額にあるのではない。支出は確実である一方、収益の軌道が不透明な期間にある。
より強い結果には、減価償却費の増加にもかかわらず拡大するクラウドマージン、完成したクラスターの利用増加、より長期の契約収益カバレッジが含まれるだろう。こうした進展は、設備投資の拡大が需要を先行したという見方を弱める。
より弱い結果は、導入の遅延、耐用年数の延長、レンタル価格の下落、受注残の収益化の鈍化を組み合わせることになる。この組み合わせは、企業が新規プロジェクトを発表し続けたとしても、Bernsteinの警告を強めるだろう。
より広い教訓は、電力の確保は入口の条件にすぎないということだ。企業は土地、電力、冷却設備、アクセラレーターを確保した後、第二の問題を抱える。その能力を、投資を回収できるほど迅速に、継続的な経済的アウトプットへ転換しなければならない。
BernsteinのAIデータセンター費用は、その期限を明確に示している。346億ドルと395億ドルの差は重要だが、決定的な変数ではない。ハードウェアが経済的価値を失う前に得られる収益こそ、次のギガワットが生産的なインフラとなるのか、それとも高価な会計上の負担となるのかを左右する。
読者はいま、発表される各キャンパスの規模だけに目を向けるべきではない。四半期決算における減価償却、新システム稼働時の利用率、そして建設を支える契約の持続性を注視してほしい。この3つのシグナルが、AIインフラブームが永続するコンピューティング基盤を築いているのか、それとも事業モデルより早く老朽化するハードウェアから成長を借りているだけなのかを明らかにする。
