--- author: Best Partners TV date: '2026-05-08' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=zTMT1pA1H8k speaker: Best Partners TV tags: - token-economics - value-capture - ai-labs - gpu-pricing - supply-chain-constraints - agentic-ai - hardware-innovation - profitability-analysis title: 谁在收割AI价值红利？ | SemiAnalysis | Anthropic收入暴涨 | 英伟达和台积电保守 | 智能体AI | Token价值提升 | 毛利率暴涨 | 供给端约束 summary: 本视频深入分析了AI行业价值分配的转移逻辑，重点探讨了从基础设施层向AI实验室的价值集中趋势。内容涵盖了智能体AI如何重塑Token经济学，导致Token价值飙升而成本断崖式下跌，AI实验室因此成为价值中心。同时，视频解析了英伟达（NVIDIA）和台积电（TSMC）的定价策略，以及Vera Rubin等新硬件带来的价值捕获机会。分析还触及了内存供应链瓶颈、算力供给约束、市场竞争动态及监管压力对行业价值分配的影响，最终揭示了AI产业链的核心价值逻辑。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - NVIDIA - TSMC - Anthropic - Google - Amazon - SemiAnalysis products_models: - Blackwell - TPUv7 - Trainium 3 - H100 - Vera Rubin NVL72 - SOCAMM - GB300 - Opus - Claude Code - Mythos - Kimi K2.6 media_books: [] status: evergreen --- 大家好，这里是最佳拍档，我是大飞。 2026年，在我们不知不觉中，AI行业的价值分配可能已经完成了一次彻底的洗牌。2023到2025年，整个AI产业链的价值几乎全被基础设施层拿走。但是仅仅过了一年，所有的价值都开始向AI实验室集中。这种转变的速度和幅度，在科技产业发展史上是极为罕见的。而这一切变化的背后，却藏着一个大家都搞不清楚的问题：那就是AI创造的海量价值，到底流向了谁呢？是终端用户、新云厂商、超大规模云厂商、AI实验室、内存供应商，还是我们熟知的GPU巨头英伟达呢？ 今天，我们就结合SemiAnalysis最新的深度报告，来拆解一下AI价值捕获的核心转移逻辑，看看当前AI产业链背后的商业真相是什么。 ### 终端用户与效率红利 首先，终端用户是这场变革最直接的受益者。AI带来的生产力红利已经突破了想象边界。过去需要几十个小时、花费数千美元才能完成的工作，现在只需要几分钟、几美元的Token就能搞定。这种极致的效率提升，直接引爆了终端对Token的需求，而这份需求的爆发，目前还仅仅处于初期阶段。 最直观的数据是，**Anthropic**的ARR（年经常性收入）从年初的90亿美元暴涨到了如今的440亿美元以上。同期，它的推理基础设施毛利率直接从38%飙升到了70%以上。 ### 硬件进步与价值重估 硬件端的进步，同样在为这场价值革命推波助澜。新一代**Blackwell**芯片在运行前沿任务时，每秒生成的Token数量是一年前**Hopper**芯片的30倍。谷歌的**TPUv7**、亚马逊的**Trainium 3**这类ASIC芯片，也实现了同等幅度的性能提升。 推理服务厂商比如**Fireworks**、**Baseten**和**Fal**，在收入高速增长的同时，毛利率也在持续扩大。就连硬件产业链的细分环节，都迎来了价值重估。内存价格在过去一年暴涨了6倍，新云厂商的GPU租赁价格也水涨船高。2025年10月触底的**H100**一年期租赁合约，价格已经上涨了40%。 ### 定价权与战略克制 但是在全行业都在享受AI红利的时候，有两家拥有绝对定价权的公司，却表现得异常冷静，甚至可以说是保守。它们就是**台积电（TSMC）**和**英伟达**，完全没有跟上AI模型价值爆发的节奏。它们把海量的价值让渡给了产业链的每一个垂直环节。这也是我们今天要深入分析的核心矛盾：作为AI算力的核心提供者，英伟达和台积电为何主动放弃了短期的价值捕获呢？AI实验室又凭什么成为了整个产业链的价值中心？ 带着这些问题，我们先回溯过去三年，看看AI价值池的演变轨迹。 ### AI价值池的演变 (2023-2025) 在2023到2025年这三年里，AI行业的价值利润池，完全被基础设施层垄断。 2023年5月，英伟达发布了史上最轰动的财报电话会议，财报后股价暴涨25%，正式拉开了AI产业投资的大幕。2024年，电力成为AI算力的核心瓶颈，**Vistra**、**GE Vernova**这两家电力厂商，成为标普500指数中表现最好的股票，涨幅分别达到265%和146%。到了2025年，舞台交给了内存厂商：**闪迪（SanDisk）**、**西部数据（Western Digital）**、**希捷（Seagate）**、**美光（Micron）**全年涨幅全部超过200%。 当然，这只是宏观层面的概括。得益于AI资本支出的大幅增加，大量基础设施相关企业都实现了远超行业平均的业绩增长。而在基础设施层赚得盆满钵满的同时，所有模型厂商和推理服务商的毛利率都处于极低的水平。当时的AI实用价值仅仅停留在比谷歌搜索稍好一点的对话界面，或者是吉卜力工作室风格的自拍生成。怀疑论者们甚至公开宣称，AI永远无法兑现数万亿美元的资本支出规划。整个行业都在为算力买单，却看不到模型端的实际价值。这就是2025年之前AI产业链最真实的写照。 ### 智能体AI的颠覆 打破这个僵局的，是2025年12月正式落地的**智能体AI（Agentic AI）**。从这一刻开始，AI行业的游戏规则被彻底改写。 **SemiAnalysis**以自己为例：现在SemiAnalysis的分析师每天都在用智能体完成各类工作，比如把Excel模型转换成可视化仪表盘、为研究报告制作图表、搭建财务模型、分析企业财报等等。这些工作要么是之前根本无法完成的，要么需要初级分析师花费几个小时。目前SemiAnalysis的年化Token支出，已经占到了员工薪酬的30%。每位员工每月的Token消耗量接近50亿个，是Meta员工消耗量的5倍以上。而且这种消耗呈现幂律分布，也就是说，部分团队成员每月的Token消耗甚至超过1000亿个。 而SemiAnalysis认为，这还仅仅是智能体AI普及的开始，未来所有白领企业都会全面拥抱它。 ### Token价值飙升与成本断崖式下跌 过去几个月，每一个Token的实际价值都在大幅提升。以**Opus 4.7**为例，它的标价是每百万输入Token 5美元、输出25美元。但是在智能体任务中，实际的混合成本仅为每百万枚0.99美元。这是因为智能体的输入输出比极高，比如**Claude Code**的输入输出比达到了300:1，同时缓存命中率超过90%，而缓存输入Token的成本仅为每百万枚0.5美元。绝大多数Token都落在了最低成本区间。 这也就解释了，为什么**Anthropic**的ARR能实现爆炸式的增长。在Token价值飙升的同时，Token的生产成本却在断崖式下跌。这是推理服务商价值累积的核心驱动力，也是大型AI实验室毛利率暴涨的关键原因。 ### 硬件迭代与软件优化 Token生产成本大幅下降的核心逻辑，是加速器的代际定价涨幅，完全被吞吐量的指数级提升所抵消。过去几个月，推理毛利率从不足40%，飙升到了70%以上。 硬件的迭代是成本下降的基础，而软件优化则把效率推向了极致。根据**InferenceX**的实测数据，同样是B300芯片，在8k输入Token、1k输出Token的场景下运行**DeepSeek R1**模型，如果开启wideEP+分离部署+多token并行MTP，吞吐量能达到每秒每GPU 14000个Token；如果开启wideEP+分离部署，吞吐量为每秒每GPU 8000个Token；如果不开启任何优化，吞吐量仅为每秒每GPU 1000个Token。仅凭软件优化，就能让硬件吞吐量提升14倍。 这种进步是颠覆性的。如果把硬件优化也计算在内，差距会更加惊人。最优化配置的**GB300 NVL72**，在FP8精度下的吞吐量，是最优化**H100**配置的17倍。如果切换到Hopper芯片原生不支持的FP4精度，这个差距直接扩大到了32倍。而更关键的是，**GB300**的GPU总拥有成本（TCO）仅比**H100**高出了70%。投入小幅增加，性能数十倍提升。Token的生产成本自然被压到极低。 ### Anthropic定价与产品升级 很多人对**Anthropic** 2025年11月底发布的**Opus 4.5**定价感到困惑。它的输入Token定价为每百万 5美元，输出Token为每百万25美元，而前代**Opus 4**、**4.1**的定价是它的3倍，达到每百万输入15美元、输出75美元。但是行业数据显示，即便降价，Anthropic在Opus Token上的毛利率反而提升了。核心原因就是**Trainium**和**英伟达**GPU的软件优化，以及**Blackwell**替换**Hopper**带来的硬件成本下探。 同时，Anthropic的产品结构升级，进一步拉动了整体毛利率。尽管Opus降价，但是大量用户从Sonnet系列转向Opus系列，使得单个Token的平均售价（ASP）反而上涨。未来，即便XPU厂商大幅提价，Anthropic依然有足够的利润来调节空间，持续向高毛利的高端SKU导流。 目前，前沿Token的定价与它能创造的经济价值之间的差距，达到了历史最大值。Anthropic要么上调基础版Opus的定价，要么推出更高端的新品。而它的选择是后者：**Opus fast**的定价是普通Opus的6倍，**Mythos**定价更是达到了每百万输入25美元、输出125美元，是普通Opus的5倍。这两款产品的毛利率都远高于普通Opus。但是重度AI应用企业依然愿意支付溢价，因为生产力提升的收益远高于成本。**SemiAnalysis**甚至表示，即便Anthropic把**Mythos fast**的定价拉到每百万输入150美元、输出750美元，他们依然会选择购买。这意味着，前沿模型厂商低毛利率的时代，已经彻底结束。智能体AI永久抬高了Token的市场出清价格，行业再也回不到过去的低价时代。 ### AI实验室的高利润护城河 看到这里，很多人会提出一个核心疑问：AI实验室的高利润，难道不会被行业竞争侵蚀吗？毕竟充足的竞争会压低利润，这是商业的基本逻辑。但是结合行业现状来看，AI实验室的高利润具备极强的护城河，短期根本不会被打破。核心原因有两点： 第一，前沿模型拥有绝对的定价权。开源模型无法形成有效竞争。无论基准测试数据如何，在真实的知识工作场景中，开源模型的表现远不如闭源前沿模型，而且这种差距短期内不会缩小。以**Kimi K2.6**为例，它的定价仅为每百万输入0.95美元、输出4美元，却无法对Opus的定价形成任何下行压力，核心就是实用价值的差距无法弥补。 第二，算力供给的结构性约束，让没有任何一家前沿实验室能满足整个市场的需求。Anthropic已经开始通过100美元以上的月订阅制来锁定Claude Code，屏蔽OpenClaw等第三方工具，逐步放弃部分市场用户。在可预见的未来，Token的需求会远远超过供给。这就意味着，所有能提供真正前沿模型质量的实验室，都可以按照Token创造的经济价值定价，而不是通过价格战瓜分利润。 ### 英伟达与台积电的定价克制 当AI实验室、推理厂商、新云厂商都在疯狂收割价值的时候，**英伟达**和**台积电**的表现却让整个行业意外。即便黄仁勋在最新一届GTC主题演讲中反复强调智能体AI的重要性，英伟达和台积电依然没有完全意识到过去几个月Token经济学发生的颠覆性变革。此前英伟达就曾经低估了Blackwell芯片的性价比，现在它又低估了前沿Token的价值上涨速度。 英伟达依然在沿用过去的定价框架，认为单位算力的支付意愿会随时间下降。但是这个假设在智能体AI时代已经彻底失效。智能体工作负载的爆发，让单个工作流的Token消耗大幅增加，市场需求已经从线性增长变成了复合增长。需求的增速远超供给的承载能力。 Anthropic的ARR从之前的300亿美元增长到440亿美元以上，**GLM**、**Kimi**等开源权重模型持续在扩大算力需求。AI实验室和新云厂商的融资，则直接转化为GPU的增量部署。而算力的供给端，却存在永久性的结构约束。内存和先进晶圆的上游瓶颈，持续限制算力供给。2026年下半年，台积电N3工艺的产能利用率将超过100%，DRAM晶圆厂的利用率已经超过90%。供给端没有任何缓解的迹象。 台积电完全有能力大幅提价，但是它没有这么做，这是明显的战略失误。即便不直接提价，它也可以要求更高比例的预付款，锁定更多的利润。 ### 英伟达的价值捕获新空间 从当前的算力市场动态来看，如果趋势持续，AI Token由终端需求所创造的价值，会持续流向AI实验室、超大规模云厂商、推理服务商、新云厂商和内存供应商。其中，AI实验室捕获的价值比例最为夸张。核心驱动力就是强劲的终端需求、持续提升的Token货币化能力，以及不断优化的单体经济模型。 而英伟达的硬件，依然是价值创造的核心基石，只是它的定价框架没有跟上行业的结构性转变。目前英伟达全系产品的需求都极为旺盛，采购方愿意签订长期合约、接受更高的价格来锁定算力。即便有替代的硬件方案，英伟达在生态成熟度、软件栈和部署可靠性上依然拥有绝对优势。绝大多数前沿工作负载，都没有可完全替代的方案。 2026年下半年即将发布的**Vera Rubin NVL72**芯片，将会是这场行业变局的核心。它在性能上实现了阶跃式的提升，同时搭载了更大容量的内存子系统，而内存正是当前供应链最紧张的环节。DRAM价格已经大幅上涨，未来会持续维持高位。内存将成为系统成本的核心驱动因素。 在这种背景下，英伟达完全有提价空间，尤其是Vera Rubin这类实现性能阶跃提升的产品，系统层面创造的增量价值，将远高于增量成本。无论是按每FLOP成本还是终端工作负载的经济模型计算，都是如此。这就形成了一个清晰的行业矛盾：市场已经出现了结构性的转变，需求增速远超供给增速，但是英伟达的定价框架依然锚定过去的假设，没有匹配硬件创造的增量价值。 简单来说，即便英伟达提高服务器的定价，然后基础设施厂商提高算力定价，市场需求依然不会减弱。当前采购方的核心目标是锁定算力，终端用户的核心目标是获取更多Token，边际成本优化已经不是首要的考量了。这就为英伟达的价值捕获打开了巨大空间。 ### SOCAMM模块化内存与双定价框架 那么英伟达如果要提价，最有效的环节在哪里呢？答案是系统层面的内存，也就是**Vera Rubin**系列搭载的**SOCAMM（System-On-Chip Attached Memory Module）**模块化内存。SOCAMM翻译过来就是片上附加内存模块，是英伟达为机架级系统设计的内存方案，具备高容量、模块化和高能效的特性，同时能实现算力与内存的独立定价。这也是理解英伟达定价策略的核心变量。 系统最终定价的关键，取决于英伟达拿到的SOCAMM采购价，以及转售给客户时的加价幅度。SemiAnalysis的内存模型显示，2026年第一季度，英伟达的SOCAMM合约采购价大约为每GB 8美元，较2025年第四季度大幅上涨，核心原因是2026年第一季度的移动版LPDDR5X价格暴涨以及整体内存供给紧张。SOCAMM的开发复杂度更高、周期更长，定价本身就比移动版LPDDR5X大约每GB 6到7美元的价格有溢价。而消费级和服务器级内存共用LPDDR5X与DRAM供给，移动版内存的涨价会直接传导至SOCAMM。 行业消息显示，英伟达已经通过长期协议，为**GB300 NVL72**和**VR NVL72**锁定了大量SOCAMM产能。作为当前唯一规模化的SOCAMM客户，英伟达在内存供应链中拥有绝对的话语权，能拿到优先供货权和优惠价格。但是DRAM的整体价格趋势，依然会传导到SOCAMM。未来几个季度移动版LPDDR5X的继续涨价，会成为SOCAMM定价的核心参考。2026年底，SOCAMM的价格有望超过每GB 13美元。英伟达的SOCAMM成本按每GB 10美元估算，是行业公认的合理水平。 对于客户是否接受英伟达的SOCAMM涨价，行业普遍认为，英伟达在SOCAMM上实现60%的毛利率是完全合理的。核心逻辑有三点： 第一，当前内存供给全球紧张，英伟达相比客户和竞争对手，锁定了最多的SOCAMM产能，供应链优势无可替代。 第二，Vera Rubin NVL72依然是市场上TCO性价比最高的平台，复杂且成熟的供应链支撑了系统量产，客户为了最大化算力投资，几乎没有选择，只能接受英伟达的新定价方式。 第三，英伟达作为SOCAMM2的采购方，本身就面临大幅成本上涨，在此基础上向客户收取毛利，是符合商业逻辑的。 ### Vera Rubin NVL72成本与性能分析 我们再从资本支出的角度，对比**GB300**和**Vera Rubin NVL72**的每瓦成本差异。GB300的DRAM集成在电路板上，毛利率大约75%，与Blackwell系统的隐含毛利一致。但是Vera Rubin的SOCAMM2是插槽式模块，而GB300的LPDDR5X是焊接在板卡上的。这就意味着内存可以与基础系统分离定价，英伟达可以把内存作为独立项目报价，而不是嵌入板卡定价。这种设计让英伟达可以在保持板卡毛利不变的前提下，单独调整SOCAMM2的毛利。即便英伟达在初期承担部分内存涨价的成本，后续也可以通过提高系统级毛利转嫁给客户。 按照行业规律，从**GB300**升级到**Vera Rubin NVL72**，每瓦资本支出应该大幅上升。但是实际数据仅从GB300的每瓦37.4美元，略微增加到了每瓦38.1美元。要知道，Vera Rubin的热设计功耗（TDP）从**GB300**的1400W翻倍到了2300W，FLOP算力也大幅提升。这种每瓦成本的停滞，在服务器行业是极为反常的。更关键的是，Vera Rubin的每瓦性能提升超过一倍，成本却没有同步增长。这进一步印证了英伟达的定价过于保守。 ### 网络设备价格歧视与监管压力 除此之外，英伟达还在网络设备上实施价格歧视，挖掘额外价值。目前英伟达在同一层级的GPU定价上，对所有客户都保持一致，无论是超大规模云厂商、新云厂商、主权云还是企业客户，核心组件的定价都基本统一。这就形成了GPU和内存的标准化定价结构，即便客户的支付意愿差异极大。但是在网络设备上，英伟达一直实施的是差异化的定价。新云厂商等中小云厂商的采购价，远高于超大规模云厂商。 行业调研数据显示，英伟达SN5610交换机卖给新云厂商的价格，是卖给超大规模云厂商的2倍。超大规模云厂商的议价权更强，但是这并不是因为它们的采购量更大，而是因为它们拥有自研网络工程团队，能直接与原始设计制造商、原始设备制造商合作，部署更具成本效益的非交钥匙方案。而新云厂商缺乏规模和网络技术，只能选择英伟达的交钥匙解决方案，成本自然更高。 不过从集群总资本成本来看，网络设备的价差影响被大幅稀释。两个配置相当的集群，新云厂商的网络成本比超大规模云厂商高94%，但是整机柜服务器的TCO仅增加了10%。如果再把电力、公用事业和运营等变量算进去，网络定价的差异会进一步缩小。这也意味着，英伟达通过网络设备价格歧视捕获价值的空间，已经非常有限。 ### 英伟达的战略考量 英伟达之所以保持定价的克制，核心原因是监管压力与战略考量。它的角色已经变成了所谓的“AI央行”。英伟达在GPU、网络互联和软件领域的绝对主导地位，已经面临越来越严格的反垄断审查。在算力供给短缺的背景下，如果激进提价，最大化的攫取价值，可能会引来更严厉的监管。同时下游AI实验室已经获得了高额利润，英伟达的极端提价会加剧行业矛盾。 而如果效仿台积电的长期策略，维持相对温和的定价，既能平衡利润扩张、监管风险和生态稳定，也能同时避免客户加速转向替代的算力平台。 ### 台积电的价值让渡策略 台积电的策略与英伟达高度相似。它也是在产能饱和的情况下，主动让渡价值。目前台积电N3产能的紧张程度已经达到历史峰值。所有主流加速器厂商的路线图，都在2026到2027年聚焦N3工艺节点。**英伟达**、**博通（Broadcom）**、**安纳普尔纳（Annapurna）**、**联发科（MediaTek）**、**AMD**都在争抢N3晶圆的产能。但是即便N3产能是行业最核心的瓶颈，台积电的定价依然保持稳定。 台积电的定价策略，核心是通过下行周期保护利润，上行周期则放弃部分溢价。这种策略让所有晶圆设计客户都获得了超高毛利率，而这些价值本可以转移到台积电自身。台积电本来完全可以采取更激进的定价策略，客户不仅会接受，甚至会欢迎。英伟达就曾经公开表示，希望台积电提高晶圆价格，以此将竞争对手挡在产能门外。未来台积电更可能的路径，是通过长期协议、产能承诺和预付款，来替代直接涨价，从而兼顾利润与生态稳定。 ### 英伟达的生态枢纽地位与定价潜力 而英伟达，正在一步步成为和台积电一样的行业核心枢纽。它最大的优势是供应链采购能力，锁定了台积电大量的先进产能，能满足其他厂商无法覆盖的需求。所以**Anthropic**这类AI实验室，只能被迫留在英伟达的生态里，因为TPU和Trainium的替代算力，同样受限于上游产能瓶颈。 但是即便拥有这种结构性优势，英伟达依然没有在定价上完全体现。目前英伟达的定价依然锚定的是成本框架。但是SemiAnalysis认为这种状态不会持续太久。随着推理服务商的投资回报率越来越清晰，行业会全面转向价值定价。一旦这个转变完成，英伟达就可以大幅提高定价，捕获系统层面创造的更多价值，分享AI行业增长的更大蛋糕。 ### Vera Rubin NVL72的双定价框架：成本与价值 为了更清晰地理解英伟达的定价逻辑，我们需要详细拆解一下**Vera Rubin NVL72**的双定价框架：分别是成本定价与价值定价。 成本定价的核心逻辑是，新云厂商的GPU部署必须满足最低的投资回报率门槛，低于这个门槛，厂商就不会部署新的算力，直到价格调整到达标。目前行业项目的IRR（内部收益率）普遍在15%-18%。GB300部署项目的5年期内部收益率为15.6%，预付款比例15%。新云厂商部署Vera Rubin NVL72时，会追求相同的内部收益率。这就决定了Vera Rubin的基础GPU租赁价格。结合Vera Rubin NVL72的全栈服务器成本、5年期合约、以及15%预付款的前提下，要实现15.6%的内部收益率，GPU租赁价格至少需要达到每小时4.92美元。 价值定价的核心逻辑，是基于现有产品的每FLOP成本，推算客户能接受的理论最高价格。这个价格是客户在Vera Rubin与前代GPU之间无差异选择的上限，也是GPU租赁价格的天花板。我们以训练工作负载为例，基于**GB300**的FP8密集型每PFLOP的租赁成本约为0.7美元，从而可以推算出，Vera Rubin的理论最高租赁价格约为每小时12.25美元。 Vera Rubin的核心特点，是成本定价与价值定价之间存在巨大的价差，这是前代**GB300**不具备的。即便保守选择趋势线下方的价格，比如每PFLOP 0.55美元，对应的GPU租赁价格为每小时9.63美元，几乎是成本定价底线4.92美元的两倍。这个巨大的价差，就是英伟达未来价值捕获的核心空间。 ### “统御一切的图表”与定价博弈 SemiAnalysis提出了一个核心分析框架，叫做“统御一切的图表（One Chart to Rule Them All）”。这个框架整合了成本定价底线、价值定价天花板，以及新云厂商在不同租赁价格下的投资回报率，完美解释了AI产业链的竞争动态与定价权。 我们回到视频开始的核心问题：AI需求爆发的红利，到底流向了谁呢？答案就藏在新云厂商的GPU租赁价格与项目内部收益率的关系中。沿着曲线向右上方移动，代表新云厂商的议价权更强，能收取更高租金，获得远超门槛的内部收益率。如果英伟达提高Vera Rubin NVL72的定价，曲线会向左上方移动，因为需要更高的租赁价格才能抵消系统成本，维持相同的内部收益率。这代表英伟达等系统供应商的议价权提升。 图表左上角是价值定价天花板与新云厂商最低内部收益率的交点，这是AI集群的理论最高定价。超过这个价格，客户会直接选择GB300。当前定价曲线与左上角的差距越大，英伟达等系统供应商的提价空间就越大。 按照当前Vera Rubin的系统定价，新云厂商按每小时4.90美元出租GPU，5年期合约就能获得与GB300相同的15%内部收益率。对客户而言，每PFLOP的租赁成本仅为0.28美元，较GB300 NVL72下降60%，远低于行业趋势。这意味着英伟达可以将服务器价格提高约40%，依然能让每FLOP成本保持趋势内的优化，同时给新云厂商留下足够的提价空间，获得更高的内部收益率。即便新云厂商将价格提升到每小时8美元，内部收益率达到38%，每PFLOP成本0.46美元，依然低于行业趋势。 ### Vera Rubin NVL72的TCO与精度优势 最后我们再来看看Vera Rubin NVL72与GB300的TCO对比。首先，Vera Rubin的系统成本更高，每GPU每小时成本从GB300的2.69美元，升到4.18美元，核心驱动因素是内存涨价。 性能层面：BF16密集型算力从2500 TFLOPS升至4000 TFLOPS；FP8从5000 TFLOPS升至17500 TFLOPS；FP4密集型算力从15000 TFLOPS升至35000 TFLOPS。英伟达还推出了FP4稀疏算力，可以达到50000 TFLOPS。如果能有效利用稀疏算力，每PFLOP TCO将从0.12美元降至0.08美元，优化幅度达到33%。 在TCO层面，BF16的优化幅度最小，每PFLOP每小时成本从1.07美元微降到1.04美元。低精度算力的优化幅度极大：FP8从0.54美元降到0.24美元；FP4密集型从0.18美元降到0.12美元。这种差异源于架构设计：Vera Rubin的BF16单SM每时钟FLOP与Blackwell基本持平，FP8、FP4则翻倍，性能重心彻底转向低精度算力，这也是它TCO优势的核心来源。 当然，实际性能还取决于模型的FLOP利用率（MFU）。不同工作负载、不同技术熟练度的利用率差异极大。Vera Rubin初期部署的MFU会偏低，要等软件支持与工程技术成熟后，才能完全实现价值定价的潜力。 ### 算力竞争与替代方案的制约 不过，算力行业的竞争，最终决定了企业的盈利能力。激烈的竞争会让价格趋近于成本，毛利率走低；垄断格局则能让企业按价值定价，获得高毛利。英伟达向Anthropic这类高毛利推理厂商供给稀缺算力，虽然客户的支付意愿远高于当前定价，但是算力领域的竞争，依然限制了英伟达的极端提价。 去年行业里最核心的变化，无疑是Anthropic成功实现了算力的多元化。Mythos模型并非基于英伟达芯片训练。除了谷歌之外，英伟达一直是全球厂商的首选GPU供应商，但是Anthropic已经大幅转向亚马逊**Trainium**和谷歌**TPU**。这类替代算力的硬件和软件虽然性能不如英伟达，但是成本优势明显。亚马逊、谷歌向Marvell、Alchip、博通、联发科等设计伙伴支付的毛利，远低于英伟达的定价，转售算力时能有效降低每Token和每FLOP的训练成本。这也是制衡英伟达毛利扩张的核心竞争因素。因此，即便英伟达保持性能领先，低成本替代方案的存在，也会阻止它过度提价，从而避免客户加速多元化采购。 ### 英伟达定价权与未来展望 最终的核心问题，是英伟达能否利用性能优势转化为定价权。而行业的最终判断是，英伟达应该抓住当前的行业窗口期，利用内存定价、产能和性能的长期优势，最大化捕获属于自己的价值。 总结来看，AI行业的价值捕获已经完成了从基础设施到模型实验室的核心转移。智能体AI的落地彻底改写了Token经济学。软硬协同的进步让Token价值飙升、成本暴跌。AI实验室成为产业链最核心的价值中心。英伟达与台积电的定价克制，为下游释放了海量价值。而Vera Rubin的推出、SOCAMM模块化内存的应用，为英伟达打开了价值定价的大门。未来随着行业从成本定价转向价值定价，英伟达将逐步捕获更多的产业链价值。而算力供给的结构性短缺，会让AI实验室的高利润持续维持。这就是当前AI产业链最核心的价值逻辑，也是我们理解AI行业未来发展的关键。 感谢大家收看本期视频，我们下期再见。