Koszty centrów danych AI według Bernstein sięgają 39,5 mld USD na GW, ale większym ostrzeżeniem jest amortyzacja
Szacunkowe koszty centrów danych AI według Bernstein sięgają obecnie 39,5 mld USD na gigawat w przypadku architektury Vera Rubin firmy Nvidia. Jednak nagłośniona wartość inwestycji nie jest najistotniejszą częścią analizy. Trwałe obciążenie wynika z amortyzacji miliardów dolarów zainwestowanych w serwery, sprzęt sieciowy, pamięć i systemy zasilania, zanim sprzęt utraci swoją wartość ekonomiczną.
Szacunek umieszcza różne architektury akceleratorów w przedziale od 34,6 mld do 39,5 mld USD na gigawat. Zgłaszany projekt niestandardowego układu ASIC Jalapeno firmy OpenAI znajduje się bliżej dolnej granicy, podczas gdy platforma Vera Rubin NVL72 firmy Nvidia osiąga górny pułap. Ten stosunkowo niewielki rozrzut podważa przekonanie, że wybór tańszego akceleratora może odmienić ekonomikę całego obiektu.
We wcześniejszej analizie Bernstein oszacował koszt jednego gigawata mocy AI na około 35 mld USD, poniżej własnego szacunku Nvidii wynoszącego 50–60 mld USD. Najnowsze wyliczenia precyzują założenia dotyczące komponentów, lecz strategiczny konflikt pozostaje ten sam. Firmy technologiczne dążą do zwiększania mocy obliczeniowej, podczas gdy koszty księgowe zaczynają narastać, gdy tylko sprzęt zostaje oddany do użytku.
Koszty centrów danych AI według Bernstein sięgają 39,5 mld USD na gigawat
Najnowszy szacunek Bernstein pokazuje, że wybór akceleratora zmienia strukturę kosztów, ale nie czyni infrastruktury AI w skali gigawatów tanią.
Raport podsumowany 10 października określił całkowitą inwestycję dla jednego gigawata mocy na poziomie od 34,6 mld do 39,5 mld USD. Obliczenie obejmuje więcej niż pusty budynek podłączony do sieci energetycznej. Uwzględnia akceleratory, serwery, pamięć, pamięć masową, sieci, chłodzenie, zasilanie awaryjne oraz systemy elektryczne niezbędne do obsługi gęsto upakowanych szaf obliczeniowych.
Górny szacunek dotyczy planowanej architektury Vera Rubin NVL72 firmy Nvidia. Bernstein miał obniżyć szacowany koszt jednej szafy Rubin z 9,1 mln USD do 7,52 mln USD. Oznacza to spadek o około 17 procent względem wcześniejszego modelu firmy.
Korekta odzwierciedla niższe założenia dotyczące pamięci o wysokiej przepustowości i pojemności pamięci NAND, według opublikowanego szacunku infrastruktury. Pamięć o wysokiej przepustowości, zwykle skracana do HBM, umieszcza szybką pamięć blisko akceleratora, aby modele mogły przesyłać dane bez oczekiwania na wolniejszą pamięć masową.
Obniżka ma znaczenie, ponieważ pamięć stała się istotną częścią każdego serwera AI. Niższe założenia dotyczące pamięci nie eliminują jednak kosztów otoczenia. Większa liczba szaf nadal wymaga przełączników, kart interfejsów sieciowych, sprzętu do konwersji zasilania, urządzeń chłodzących, transformatorów i generatorów.
Zgłaszana architektura Jalapeno firmy OpenAI znajduje się przy dolnej granicy przedziału Bernstein. Jalapeno jest opisywany jako niestandardowy układ scalony specyficzny dla aplikacji, czyli ASIC, zaprojektowany pod kątem węższego zakresu zadań niż akcelerator ogólnego przeznaczenia. Niestandardowe układy mogą ograniczać część marż dostawców i optymalizować wydajność dla wybranych zadań.
Mimo to całkowita różnica między najtańszą a najdroższą konfiguracją wynosi mniej niż 5 mld USD na gigawat. To mniej niż 15 procent górnego szacunku. Wynik sugeruje, że wybór układu bardziej zmienia kierunek przepływu pieniędzy, niż skalę zobowiązania.
Punkt ten był już widoczny w poprzedniej analizie Bernstein dotyczącej systemów GB200 firmy Nvidia. Wskazywała ona całkowity koszt budowy na poziomie blisko 35 mld USD na gigawat, przy czym procesory graficzne stanowiły około 39 procent nakładów kapitałowych. Sieci odpowiadały za około 13 procent, a systemy mechaniczne i elektryczne zbliżały się do jednej trzeciej.
Akceleratory pozostają więc największą pojedynczą kategorią, lecz nie stanowią całego centrum danych. Niższa cena akceleratora nie eliminuje sprzętu, który dostarcza energię, odprowadza ciepło i łączy tysiące procesorów.
Bernstein wcześniej szacował, że szafa GB200 NVL72 kosztowała około 5,9 mln USD. Około 3,4 mln USD przeznaczono na sprzęt obliczeniowy, a 2,5 mln USD pokrywało powiązaną infrastrukturę fizyczną. Te dane, przedstawione we wcześniejszym rozkładzie kosztów, pokazują, dlaczego porównania oparte wyłącznie na cenach układów mogą wprowadzać inwestorów w błąd.
Jednostka ta również wymaga ostrożnej interpretacji. Jeden gigawat opisuje ogromne, ciągłe obciążenie energetyczne, a nie tradycyjną serwerownię. Przy pełnym wykorzystaniu oznacza zapotrzebowanie na energię na tyle duże, że projekt staje się regionalnym zagadnieniem infrastrukturalnym.
Szacunek Bernstein dotyczący centrum danych zapewnia zatem wspólny mianownik dla konkurujących systemów. Nvidia, twórcy niestandardowych ASIC, operatorzy chmur i dostawcy infrastruktury mogą wszyscy deklarować wyższą efektywność. Inwestorzy nadal muszą jednak pytać, ile produktywnej mocy obliczeniowej i przychodów zapewnia każdy kompletny gigawat.
To pytanie tworzy centralne napięcie. Branża przez lata traktowała dostęp do akceleratorów i energii elektrycznej jako ograniczenia wiążące. Analiza Bernstein sugeruje, że kolejnym ograniczeniem będzie to, czy operatorzy zdołają zarobić wystarczająco dużo, zanim zainstalowany sprzęt stanie się finansowo i technicznie przestarzały.
Amortyzacja, a nie energia elektryczna, tworzy największe powtarzalne obciążenie
Energia elektryczna przyciąga uwagę opinii publicznej, ale to amortyzacja decyduje o tym, jak szybko infrastruktura AI musi generować trwałe przychody.
Amortyzacja to proces księgowy rozkładający koszt aktywa na jego oczekiwany okres użytkowania. Nie wymaga nowej płatności gotówkowej w każdym kwartale. Obniża jednak raportowane zyski i odzwierciedla zużycie sprzętu zakupionego za realny kapitał.
Wcześniejszy model Vera Rubin opracowany przez Bernstein ilustruje tę skalę. Przy cenie energii elektrycznej wynoszącej 0,15 USD za kilowatogodzinę obiekt o mocy jednego gigawata poniósłby około 1,3 mld USD rocznych kosztów energii. Ten sam model wskazywał na około 7,9 mld USD rocznej amortyzacji przy sześcioletnim okresie użytkowania sprzętu.
Dane te pochodziły z czerwcowej analizy, która szacowała wówczas całkowitą infrastrukturę Vera Rubin na 47 mld USD na gigawat. Bernstein od tego czasu obniżył swój szacunek dotyczący szaf, więc dokładna kwota amortyzacji uległaby zmianie. Zależność ta nadal wyjaśnia ostrzeżenie firmy: koszty posiadania mogą przewyższać rachunek za energię nawet w przypadku obiektu zużywającego gigawat.
Bazowy model kosztów Rubin zakładał 3 557 szaf o mocy 220 kilowatów każda. Przeznaczał około 32 mld USD na sprzęt związany z szafami oraz kolejne 15 mld USD na infrastrukturę fizyczną. Sześcioletni harmonogram przekształcał to początkowe zobowiązanie w stały koszt obciążający wyniki.
Sześcioletni okres amortyzacji nie gwarantuje, że każdy akcelerator pozostanie konkurencyjny przez sześć lat. Serwer może nadal działać po tym, jak nowsze systemy zaoferują lepszą wydajność na wat lub niższe koszty inferencji. Ta luka między żywotnością fizyczną a użytecznością ekonomiczną stanowi rzeczywiste ryzyko.
Jeśli sprzęt nowej generacji znacząco obniży koszt wygenerowania odpowiedzi AI, właściciele starszych systemów znajdą się pod presją, by obniżyć ceny wynajmu. Ich harmonogramy amortyzacji pozostają w mocy, chyba że firmy wydłużą okresy użytkowania lub ujmą odpisy z tytułu utraty wartości. Żaden z tych wyborów nie tworzy większego popytu na starszy sprzęt.
Wydłużenie okresu użytkowania obniża roczną amortyzację i wspiera krótkoterminowe wyniki. Zakłada jednak, że sprzęt pozostanie produktywny przez dłuższy czas. Firma, która zbyt agresywnie wprowadza taką korektę, może odroczyć uznanie pogarszającej się ekonomiki.
Odpis z tytułu utraty wartości oznacza przeciwne podejście. Potwierdza, że aktywo nie odzyska swojej ujętej wartości poprzez przyszłe przepływy pieniężne. Odpis nie ma charakteru gotówkowego w chwili ujęcia, ale ujawnia, że wcześniejsze nakłady kapitałowe przyniosą mniejsze zyski, niż oczekiwano.
Mechanizm ten odróżnia koszty amortyzacji AI od zwykłego rachunku za energię. Zużycie energii rośnie wraz z wykorzystaniem, więc lekko obciążony klaster zużywa mniej prądu. Amortyzacja trwa nawet wtedy, gdy serwery czekają na klientów, oprogramowanie lub przepustowość sieci.
Dlatego kluczowe staje się wykorzystanie zasobów. W pełni zapełniony klaster może rozłożyć amortyzację na większą liczbę procesów treningowych, wygenerowanych tokenów lub kontraktów chmurowych. Niedostatecznie wykorzystywany obiekt ponosi znaczną część tego samego kosztu posiadania, generując przy tym mniejsze przychody.
Równie istotny jest problem czasu. Firmy zazwyczaj angażują środki w grunty, sprzęt elektryczny, układy i budowę, zanim gotowy klaster zacznie obsługiwać klientów. Opóźnienia mogą pozostawić kapitał związany bez odpowiadających mu przychodów, podczas gdy część zainstalowanych aktywów zaczyna się już starzeć.
AllianceBernstein opisał powiązane zagrożenie jako informacyjną „lukę powietrzną”. Dowody dotyczące przychodów mogą pozostać niepełne w okresie krótszym niż cykl amortyzacji. Inwestorzy muszą wówczas wyceniać długoterminowe wydatki, nie wiedząc, czy wdrażanie technologii rozszerzy się wystarczająco szybko.
Obawa ta nie dowodzi, że wydatki są marnotrawne. Popyt na trening i inferencję AI może rosnąć szybko, a nowsze systemy mogą przetwarzać znacznie więcej pracy. Oznacza jednak, że wzrost przychodów, wykorzystanie zasobów i efektywność sprzętu muszą pojawić się jednocześnie.
Amortyzacja zmienia również sposób, w jaki czytelnicy powinni interpretować marże chmurowe. Dostawca może raportować rosnący popyt na AI, a mimo to odczuwać presję na marże, gdy nowe aktywa zostają oddane do użytku. Przepływy pieniężne, zysk operacyjny i skorygowane zyski mogą przedstawiać różne obrazy, ponieważ każdy z nich inaczej traktuje inwestycje kapitałowe.
Obciążenie może przenosić się między firmami, ale nie znika. Twórca modelu, który wynajmuje moc obliczeniową, unika posiadania każdego serwera, lecz jego dostawca chmury uwzględnia wtedy amortyzację i finansowanie w cenie kontraktu. Operator chmury może korzystać ze spółek celowych lub leasingu, jednak inny inwestor nadal posiada aktywa.
Centralną kwestią nie jest więc to, czy ktoś potrafi sfinansować kolejny klaster. Chodzi o to, czy cały łańcuch może wygenerować wystarczającą wartość ekonomiczną, zanim kolejna generacja sprzętu zresetuje standard konkurencyjności.
Nvidia i niestandardowe układy AI mierzą się z tą samą rzeczywistością kapitałową
Główna rywalizacja nie toczy się między Nvidią a jednym niestandardowym układem, lecz między obietnicą rosnącej mocy obliczeniowej a rzeczywistością amortyzującej się infrastruktury.
Pozycja Nvidii czyni ją najbardziej widocznym beneficjentem fali wydatków. Jej akceleratory, produkty sieciowe, oprogramowanie i systemy w skali szafy obejmują kilka warstw wdrożenia. Wyższa wydajność systemu może także uzasadniać droższe konfiguracje, gdy klienci cenią czas potrzebny do trenowania lub obsługi modelu.
Niestandardowe ASIC oferują inną propozycję. Google, Amazon, Microsoft, Meta oraz laboratoria AI rozwijają układy zaprojektowane dla własnych obciążeń. Systemy te mogą wyeliminować część marż producentów standardowych układów i lepiej dopasować sprzęt do wewnętrznego oprogramowania.
Szacunki Bernstein sugerują, że żadna z tych dróg nie pozwala uniknąć szerszego rachunku. Niestandardowy akcelerator może kosztować mniej, lecz operator może wdrożyć więcej szaf w ramach dostępnego budżetu. Każda szafa nadal potrzebuje pamięci, sieci, dystrybucji zasilania, chłodzenia i fizycznej lokalizacji.
Rezultat przypomina paradoks Jevonsa, w którym wzrost efektywności obniża koszt korzystania z zasobu i stymuluje dodatkową konsumpcję. Lepsza wydajność w przeliczeniu na dolara może obniżyć koszt pojedynczego zadania, jednocześnie zachęcając programistów do uruchamiania większych modeli, stosowania dłuższych kontekstów lub obsługi większej liczby zapytań.
Ta dynamika sprzyja dostawcom infrastruktury, ale komplikuje tezę, że efektywność automatycznie obniży potrzeby kapitałowe. Branża może zamieniać wzrost efektywności na większą moc obliczeniową zamiast na niższe łączne wydatki.
Własne szacunki Nvidia pokazują, jak niepewne pozostają te kalkulacje. Firma wcześniej wskazywała przedział od 50 mld do 60 mld dolarów na gigawat, podczas gdy starsza analiza Bernstein wyceniała porównywalną moc na blisko 35 mld dolarów. Różnica odzwierciedla odmienne generacje sprzętu, definicje i założenia dotyczące uwzględnionej infrastruktury.
Broadcom i AMD opisywały możliwą do obsłużenia szansę na rynku akceleratorów na poziomie około 15–20 mld dolarów na gigawat. Liczba ta nie oznacza kosztu całego ukończonego centrum danych. Opisuje możliwości dla segmentu półprzewodników w ramach szerszego projektu.
Te miary są często powtarzane tak, jakby odpowiadały na to samo pytanie. Tak nie jest. Jeden szacunek może obejmować akceleratory, inny kompletną szafę rack, a kolejny może uwzględniać wytwarzanie energii lub finansowanie.
Najnowszy przedział Bernstein jest użyteczny, ponieważ porównuje kompletne architektury według jednej metodologii. Nie stanowi jednak uniwersalnej wyceny budowy. Ceny gruntów, dostęp do sieci, systemy energetyczne, docelowe wykorzystanie, finansowanie i lokalne koszty pracy mogą zmienić ostateczny wynik.
Porównania architektur muszą również uwzględniać użyteczny rezultat. Droższy klaster może być opłacalny, jeśli szybciej wytrenuje model lub obsłuży znacząco więcej żądań. Tańszy klaster może rozczarować, jeśli wsparcie programowe, niezawodność lub popyt klientów ograniczą jego wykorzystanie.
Oczekuje się, że Vera Rubin znacząco poprawi wydajność obliczeniową względem generacji Blackwell firmy Nvidia. Wcześniejszy model Bernstein szacował 2 520 petaflopów FP8 na szafę Rubin, wobec 720 petaflopów dla Blackwell. FP8 to ośmiobitowy format numeryczny, który przyspiesza obliczenia AI kosztem mniejszej precyzji niż w większych formatach.
Surowa przepustowość nie przekłada się bezpośrednio na pracę, za którą można wystawić rachunek. Architektura modelu, pojemność pamięci, narzut komunikacyjny, optymalizacja oprogramowania i czas działania wpływają na to, jaka część deklarowanej wydajności trafia do klientów.
Ścieżka oparta na niestandardowych chipach wprowadza kolejny kompromis. Operatorzy zyskują kontrolę nad projektem sprzętu i potencjalnie ograniczają marże dostawców. Przejmują jednak również ryzyko rozwoju, pracę nad integracją oprogramowania oraz wyzwanie utrzymania konkurencyjnego planu rozwoju.
Nvidia rozkłada te koszty na wielu klientów i wspiera swój sprzęt dojrzałym środowiskiem programistycznym. Może to zmniejszać ryzyko wdrożenia, nawet gdy cena zakupu jest wyższa. Hyperscaler dysponujący wystarczającym wewnętrznym popytem może uzasadnić wybór odwrotny.
Szacunek Bernstein dotyczący centrum danych nie wskazuje zatem prostego zwycięzcy. Pokazuje, że żadna architektura nie zmienia rzędu wielkości. Wynik finansowy zależy bardziej od wykorzystania, przychodów i tempa wymiany sprzętu.
Dlatego głównego przeciwnika najlepiej rozumieć jako ekspansję mocy obliczeniowej kontra odzyskanie kapitału. Nvidia i niestandardowe ASIC-i reprezentują różne ścieżki pod tą samą presją. Obie muszą wygenerować wystarczająco wartościową pracę, zanim amortyzacja pochłonie oczekiwany zwrot.
Czego nie dowodzi szacunek 39,5 mld dolarów
Kalkulacja Bernstein ujawnia strukturę kosztów, ale nie może ustalić przyszłego wykorzystania, okresu użyteczności ani zwrotów z inwestycji.
Szacunek trafia do opinii publicznej za pośrednictwem streszczeń zastrzeżonych badań, a nie w pełni dostępnego inżynieryjnego zestawienia materiałów. Czytelnicy mogą sprawdzić główne założenia, ale nie mogą niezależnie zweryfikować każdego komponentu ani ceny dostawcy.
To ograniczenie ma znaczenie, ponieważ model się zmienił. Analiza Bernstein z czerwca wyceniała infrastrukturę Vera Rubin na blisko 47 mld dolarów na gigawat, a jedną szafę rack na 9,1 mln dolarów. Październikowe podsumowanie obniżyło szacunek dla szafy do 7,52 mln dolarów, a całkowitą inwestycję do 39,5 mld dolarów.
17-procentowa korekta kosztu szafy w ciągu kilku miesięcy pokazuje, jak wrażliwy jest model na założenia dotyczące pamięci, pamięci masowej i konfiguracji. Nie unieważnia nowego szacunku. Stanowi jednak argument przeciw traktowaniu 39,5 mld dolarów jako niezmiennego prawa infrastruktury AI.
Niższa liczba nie dowodzi też poprawy zwrotów. Jeśli rynkowe stawki najmu spadają wraz z kosztami sprzętu, operatorzy mogą przekazywać oszczędności klientom. Konkurencja może zamienić obniżkę kosztów w tańsze wnioskowanie zamiast wyższych marż.
Szacunki okresu użyteczności tworzą kolejną niepewność. Sześć lat zapewnia wygodny harmonogram amortyzacji, ale akceleratory AI konkurują w znacznie szybszym cyklu produktowym. Niektóre starsze systemy pozostaną wartościowe dla wnioskowania, dostrajania modeli lub mniej wymagających obciążeń. Inne mogą wcześniej stać się nieopłacalne z powodu zużycia energii lub wymagań programowych.
Firmy mogą przedłużać życie starszego sprzętu, przesuwając go na niższy szczebel obciążeń. Klaster, który nie trenuje już największego modelu granicznego, może nadal obsługiwać mniejsze modele lub zadania wsadowe. Pozostały popyt i ceny dla tych zadań pozostają niepewne.
Koszty energii także znacznie się różnią. Wcześniejszy roczny szacunek Bernstein na poziomie 1,3 mld dolarów zakładał 0,15 dolara za kilowatogodzinę. Obiekt z tańszą zakontraktowaną energią wydałby mniej, podczas gdy regiony o ograniczonej dostępności mogą mierzyć się z wyższymi kosztami energii elektrycznej i modernizacji sieci.
Gigawat podłączonej mocy nie zawsze oznacza gigawat ciągłego obciążenia IT. Konserwacja, redundancja, narzut chłodzenia, efektywność wykorzystania energii i harmonogramy rozruchu wpływają na zużycie. Porównania wymagają spójnych definicji mocy z sieci, obciążenia krytycznego i obciążenia akceleratorów.
Finansowanie dodatkowo komplikuje obraz. Dwa projekty z identycznym wyposażeniem mogą przynosić różne zwroty, gdy jeden opiera się na gotówce korporacyjnej, a drugi wykorzystuje kosztowny dług. Odsetki są odrębne od amortyzacji, lecz oba koszty muszą ostatecznie zostać pokryte przychodami.
Struktura finansowania staje się coraz ważniejsza, gdy wydatki wykraczają poza najsilniejsze bilanse korporacyjne. Szersza analiza nakładów inwestycyjnych na AI AllianceBernstein ostrzegała, że rosnące zadłużenie i finansowanie przez dostawców mogą obniżyć jakość finansowania.
Ta sama analiza szacowała wydatki na budowę centrów danych w 2025 roku na około 400 mld dolarów. Wskazywała również, że prognozowane inwestycje hyperscalerów do 2027 roku przekroczą 1 bln dolarów. Te sumy pokazują, dlaczego niewielkie zmiany w wykorzystaniu lub okresie życia aktywów mogą wpływać na zyski całego sektora.
Popyt pozostaje decydującą brakującą zmienną. Podpisane kontrakty zapewniają większą pewność niż prognozy, ale nawet kontrakty wymagają oceny. Okres obowiązywania, prawa do rozwiązania umowy, koncentracja klientów, przedpłaty i zabezpieczenie kredytowe decydują o tym, czy obiecane przychody odpowiadają ryzyku aktywów.
Niektórzy operatorzy mogą chronić się poprzez długoterminowe umowy najmu, które przenoszą koszty energii elektrycznej i inne koszty operacyjne na najemców. Taka struktura poprawia widoczność dla właściciela nieruchomości. Nie gwarantuje jednak, że najemca zarobi wystarczająco dużo na mocy obliczeniowej.
Analiza nie może również określić, jak bardzo rozszerzy się adopcja AI. Twórcy modeli tworzą systemy do programowania, narzędzia badawcze, generatory mediów, produkty reklamowe i agentów biznesowych. Przychód na użytkownika i koszt na zadanie pozostają nieustalone.
Dla nabywców korporacyjnych niższe koszty wnioskowania mogą przyspieszyć wdrażanie. Więcej organizacji może przenieść systemy AI z eksperymentów do regularnych procesów pracy. Zespoły nadal będą musiały mierzyć, czy systemy te oszczędzają pracę, poprawiają wyniki lub tworzą nowe przychody.
Pracowników umysłowych obowiązuje podobna dyscyplina. Dostęp do większej mocy obliczeniowej nie prowadzi automatycznie do lepszych decyzji. Organizacje potrzebują zaufanych informacji, użytecznych procesów i sposobów zachowywania rezultatów. Przeszukiwalna baza wiedzy AI może pomóc zachować kontekst, ale nie zmienia ekonomiki infrastruktury.
Sceptyczny wniosek jest wąski, lecz istotny. Bernstein przedstawił wiarygodne ramy kosztowe, a nie dowód na bańkę AI ani dowód, że niestandardowe chipy przewyższą Nvidia. Szacunek wskazuje próg, który muszą przekroczyć przyszłe przychody.
Trzy sygnały pokażą, czy inwestycja może się zwrócić
Kolejna faza będzie oceniana na podstawie amortyzacji, wykorzystania i jakości przychodów, a nie ogłoszeń o dodatkowych gigawatach.
Pierwszym sygnałem jest wzrost amortyzacji u hyperscalerów. Amazon, Microsoft, Alphabet, Meta i Oracle ujawniają amortyzację w sprawozdaniach finansowych i komentarzach do wyników. Inwestorzy powinni porównywać te koszty z przychodami z chmury i dochodem operacyjnym.
Rosnąca amortyzacja jest spodziewana podczas fali budowy. Ostrzeżenie pojawia się, gdy amortyzacja konsekwentnie rośnie szybciej niż przychody wspierane przez nowe aktywa. Taki wzorzec wzmocniłby tezę, że odzyskanie kapitału stało się głównym ograniczeniem.
Zmiany okresu użyteczności zasługują na równie dużą uwagę. Wydłużanie życia serwerów może obniżyć roczne koszty i podnieść raportowane zyski bez zmiany bieżących przepływów pieniężnych. Firmy powinny wyjaśniać, dlaczego starsze akceleratory pozostają produktywne i w jaki sposób są ponownie przydzielane.
Drugim sygnałem jest rzeczywiste wykorzystanie nowych klastrów Rubin i niestandardowych ASIC-ów. Ogłoszenia o zamówieniach pokazują popyt na sprzęt, ale wskaźniki zajętości i wolumeny obciążeń ujawniają, czy ukończona moc generuje pieniądze.
Dostawcy usług chmurowych mogą dostarczać dowodów poprzez konwersję portfela zamówień, przychody z usług AI, harmonogramy wdrożeń i trendy marż. Firmy tworzące modele mogą przedstawić mocniejszy dowód poprzez płatne wykorzystanie, a nie szerokie miary zarejestrowanych użytkowników czy wygenerowanych tokenów.
Jeśli systemy Rubin wejdą do eksploatacji przy wysokim wykorzystaniu i niższym koszcie na jednostkę użytecznego wyniku, górny kraniec przedziału Bernstein będzie łatwiejszy do obrony. Jeśli moce będą uruchamiane powoli, amortyzacja zacznie działać przeciwko tezie inwestycyjnej.
Niestandardowe chipy podlegają temu samemu testowi. Niższy koszt obiektu pomaga tylko wtedy, gdy oprogramowanie i popyt utrzymują sprzęt w ciągłej pracy. Silne wykorzystanie potwierdziłoby tezę, że integracja pionowa zapewnia trwałe oszczędności. Słabe wykorzystanie pokazałoby, że niższe koszty komponentów nie mogą zrekompensować niewykorzystanej mocy.
Trzecim sygnałem jest relacja między zakontraktowanymi przychodami a zobowiązaniami finansowymi. Branża coraz częściej wykorzystuje najem, dług, spółki celowe, przedpłaty klientów i porozumienia z dostawcami do finansowania infrastruktury.
Te struktury mogą przyspieszać budowę i rozkładać ryzyko. Mogą też utrudniać śledzenie ekonomiki. Inwestorzy powinni obserwować okres obowiązywania umów, koncentrację klientów, koszty odsetkowe, postanowienia dotyczące rozwiązania umowy oraz różnicę w czasie między płatnościami a dostawą aktywów.
AllianceBernstein twierdzi, że sektor potrzebuje dowodów na szeroki wzrost przychodów, zanim cykl amortyzacji wyprzedzi widoczność. Obawa nie dotyczy po prostu łącznej wyceny firm AI. Dotyczy okresu, w którym wydatki są pewne, lecz trajektoria przychodów pozostaje niejasna.
Silniejszy scenariusz obejmowałby rosnące marże chmurowe mimo wyższej amortyzacji, większe wykorzystanie ukończonych klastrów oraz dłuższe pokrycie zakontraktowanymi przychodami. Takie zjawiska osłabiłyby pogląd, że rozbudowa wyprzedziła popyt.
Słabszy scenariusz łączyłby opóźnienia wdrożeń, wydłużanie okresu użyteczności, spadające stawki najmu i wolniejszą konwersję portfela zamówień. Taka kombinacja wzmocniłaby ostrzeżenie Bernstein, nawet gdyby firmy nadal ogłaszały nowe projekty.
Szersza lekcja jest taka, że dostępność energii stanowi jedynie warunek wejścia. Gdy firma zabezpieczy grunt, energię elektryczną, chłodzenie i akceleratory, zyskuje drugi problem. Musi wystarczająco szybko przekształcić tę moc w powtarzalny wynik ekonomiczny, aby odzyskać inwestycję.
Koszty centrów danych AI według Bernstein wyraźnie pokazują, jak istotny jest ten termin. Różnica między 34,6 mld a 39,5 mld dolarów ma znaczenie, lecz nie jest zmienną rozstrzygającą. O tym, czy kolejny gigawat stanie się produktywną infrastrukturą, czy kosztownym obciążeniem księgowym, zdecydują przychody uzyskane zanim sprzęt straci wartość ekonomiczną.
Czytelnicy powinni teraz patrzeć dalej niż na skalę każdego ogłaszanego kampusu. Warto śledzić amortyzację w wynikach kwartalnych, poziom wykorzystania nowych systemów po ich uruchomieniu oraz trwałość kontraktów wspierających budowę. Te trzy sygnały pokażą, czy boom na infrastrukturę AI tworzy trwałą platformę obliczeniową, czy pożycza wzrost od sprzętu, który starzeje się szybciej niż model biznesowy, który ma go uzasadniać.
