编者摘要：本文聚焦 AI 底层物理基础设施栈，梳理 AI 算力承载实体、成本结构与产业链各环节主体，涵盖数据中心、GPU 集群、电力供给、芯片硬件、云定价、模型训练实测性能，以及产业链建设企业。文中配图 1 追踪四大 AI 大型园区 IT 电力装机规模随时间变化，数据基于已落地设施记录：实线为已实测投产数据，虚线是企业官宣规划，并非实际建成量。
四个重点项目包括 Colossus 1、Meta Prometheus、Anthropic 与亚马逊合作的 New Carlisle 基地、Colossus 2。其中 Colossus 1 建设速度突出，从空建筑到实现 340 兆瓦 IT 供电仅耗时约一年；New Carlisle 公开规划目标，未来 IT 电力规模最高可达 1925 兆瓦。
电力容量是限制大模型训练扩张的核心瓶颈，远不止 GPU 芯片本身。AI 算力集群落地周期长，分为已建成观测容量与远期承诺规划两类，二者不能混为一谈。很多项目官宣巨大电力指标，但只是远期蓝图，尚未完成施工。不同厂商基建节奏差异巨大，Meta、Anthropic 等头部模型厂商都在自建超大规模 AI 园区，不再单纯依赖公有云。
AI 物理栈完整链条：电力供给→数据中心机房→GPU 硬件集群→算力调度与云服务→模型训练。成本结构中，电力与机房基建占比极高，芯片采购只是一部分。大模型军备竞赛本质是电力、土地、冷却、硬件的实体工程竞赛，软件算法进步必须匹配物理硬件扩容。未来几年，各基地电力容量扩张速度，将直接决定大模型迭代上限。
10 个关键问题 Q&A
Q：文章《The Physical Stack Behind AI》的核心研究对象是什么？A：AI 算力的实体基础设施栈，包含数据中心、GPU 集群、电力、芯片、云价格、训练性能以及产业链建设企业。
Q：图 1 中实线与虚线代表的数据有什么区别？A：实线：已落地设施的实测记录；虚线：企业对外公布的远期规划，不是已经建成的容量。
Q：Colossus 1 项目建设亮点是什么？A：仅用约一年时间，从空置建筑完成建设，达到 340 兆瓦 IT 供电能力。
Q：New Carlisle 基地的规划电力规模是多少？A：官宣远期目标 IT 电力容量达到 1925 兆瓦。
Q：限制大模型持续扩容最核心的物理瓶颈是什么？A：电力供给与配套数据中心基建，而不是单纯 GPU 芯片。
Q：为什么不能直接把厂商官宣的电力规划当成当前可用算力？A：规划仅为蓝图，还需要完成施工、调试，属于预期目标，不是已投产算力。
Q：头部大模型企业（Meta、Anthropic）的基建趋势是什么？A：纷纷自建超大规模 AI 园区，减少对公有云的单一依赖。
Q：AI 物理栈由哪几个关键层级组成？A：电力供给、数据中心机房、GPU 硬件集群、云算力服务、模型训练。
Q：AI 算力项目总成本构成有什么特点？A：机房基建、电力成本占比很高，GPU 芯片采购只是成本一部分。
Q：文章提出，大模型竞争本质是什么竞赛？A：实体工程竞赛，比拼电力、土地、冷却系统、硬件集群的落地能力，算法进步受物理基建上限约束。
附录 《The Physical Stack Behind AI》AI 背后的物理栈
一份关于 AI 算力载体及其成本的溯源记录：数据中心、GPU 集群、电力、芯片本身、云定价、实测训练性能，以及搭建每一层的企业。
图 1 横轴：2024–2028，纵轴：IT 电力负荷（兆瓦，基于已归档的设施记录）节点：Colossus 1、Meta Prometheus、Anthropic-Amazon New Carlisle、Colossus 2
图 1：四座大型 AI 园区随时间变化的 IT 电力负荷，数据来自设施存档记录。实线为截至当前快照的实测记录；虚线为已公布规划值，并非已落地建设数据。Colossus 1 在约一年时间内从空楼扩容至 340 兆瓦；New Carlisle 公开规划目标是 2028 年达到 1925 兆瓦。来源：Epoch AI，《AI 数据中心》（知识共享协议 CC-BY）
记录揭示的核心信息
记录中规模最大的设施 Colossus 2，预估电力规模 946 兆瓦。全部 12 座顶级设施的数据均为估算值（图 2）。
存档建设记录显示，超大型算力园区扩张速度极快；部分项目在约一年内就实现数百兆瓦 IT 电力落地，其中一个公开规划项目预计 2028 年电力规模可达 1925 兆瓦（图 1）。
即便同一款加速器，官方报价差异巨大。在 155 条云产品目录样本中，H100 单加速器小时单价区间为 4.57 美元至 18.37 美元，同代硬件价格相差 4 倍（图 4）。
四大基础设施投入企业，最近财年合计资本开支达 4252 亿美元，而折旧总额为 1307 亿美元。当下大量投入，会在资产的使用年限内逐步计入利润表（图 5）。
底层数据集包含 83 处算力园区、482 个 GPU 集群、2935 条价格记录，以及 53 家上市公司的 SEC 披露信息。所有数值均为实测、估算或推导所得，并附带来源。
整套系统的构成逻辑
黄仁勋将 AI 经济描述为五层蛋糕模型：能源、芯片、基础设施、模型、应用。英伟达把基础设施层内部的物理系统称为AI 工厂：专为将数据与电力转化为智能而设计的数据中心。算力园区的建设顺序：土地 → 建筑主体 → 电力 → 冷却系统 → 计算硬件。下文遵循该建设流程展开，再深入机房内部，从芯片到机架、集群，之后介绍虚拟机、工作负载与经济学模型。
第一部分：建设算力园区
AI 园区按顺序建设：土地、建筑主体、电力、冷却，最后部署计算硬件。我们先从电网讲起，因为可用电力往往决定项目推进节奏与最终规模。
01 电网与供电
数据中心建设始于电力接入。发电、输电、变电站与备用系统，共同决定算力园区可用电量。公开的电力指标，可能代表已签约容量、获批容量、已通电容量，或是服务器实际可用负荷；每一项对应项目不同阶段。
-
电网供电：大型园区的耗电量相当于一整座发电厂的输出 -
公用变电站：变压器与开关设备往往是整个项目的瓶颈 -
备用电源：电池与发电机应对电网断电故障 -
AI 算力园区：记录中最大设施的耗电量约等于 78.8 万户家庭用电
吉瓦级算力园区，需要电力供应商提供持续稳定供电。在电力完成签约且可物理交付前，项目其余部分都无法运行。
大型园区的耗电量相当于一整座发电厂的输出
电力以高压形式输送过来，必须降压之后设备才能使用。降压所需变压器、开关设备与输电改造工程，工期甚至长于数据中心主体建设。
变压器与开关设备往往是整个项目的瓶颈
哪怕短暂断电，也会中断模型训练任务。电池与现场发电机在停电期间维持负载稳定，直到电网恢复。
电池与发电机应对电网断电故障
一部分电力会在电能转换过程损耗，还有一部分供给冷却及其他配套设备。因此，签约电力、获批电力、已通电电力、服务器可用 IT 负荷，是项目不同阶段的四个不同指标。
记录中最大设施的耗电量约等于 78.8 万户家庭用电
电网容量转化为园区可用电力的四个状态：签约容量、获批容量、通电容量、IT 负荷；家庭用电量对比采用美国家庭平均 1.2 千瓦负荷估算。
英伟达提出将800 伏直流（800V DC）供电架构下沉至机架侧。该方案可减少电能转换环节，降低能耗损耗，留出更多空间部署计算硬件。这代表一条演进路线：从当前交流供电机房，过渡到混合供电系统，最终落地原生 800V 直流机房。目前绝大多数已投产数据中心尚未采用该架构。
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：9 家企业
02 算力园区本体
一个数据中心园区可包含多个数据机房 —— 用于成排部署机架的大型安全机房。机房会分阶段投产，电力、冷却、安防与网络系统验收完成后才会启用。计算硬件消耗的电能几乎全部转化为热量，因此冷却系统决定单机房可部署机架数量，以及机架能否长时间满功率运行。
-
电气场区：这套设备决定园区电力上限，无法通过增加服务器突破 -
冷却站：决定可实现的部署密度与持续算力输出 -
数据机房：分阶段投产；公开规划中包含尚未建造的机房 -
运维调试：测试与验收，决定机架何时可以承载业务负载
电气场区的变压器与开关设备划定园区用电上限。单纯增加服务器无法突破这个上限。
这套设备决定园区电力上限，无法通过增加服务器突破
芯片消耗的电能几乎全部变成热量。冷却系统决定机架部署密度上限，以及硬件能否持续满额输出算力。
决定可实现的部署密度与持续算力输出
数据机房是安放成排机架的安全空间。园区分批次启用机房；一个 900 兆瓦的规划项目，可能先上线 300 兆瓦算力，其余机房仍为毛坯状态。
分阶段投产；公开规划中包含尚未建造的机房
机房承载正式业务前，运维团队需要测试所有电力链路、冷却回路与故障切换机制。验收调试，是把完工建筑转化为可用算力的关键一步。
测试与验收，决定机架何时可以承载业务负载
园区整体结构：电气场区、冷却站、分阶段建设的数据机房、运维体系。同一个算力园区，可在不同时期承载多个集群，由多家运营商运营。
图 2：12 座规模最大算力园区（预估电力规模）
单位方块代表 25 兆瓦预估设施电力
-
Colossus 2（SpaceXAI）：946 MW -
Anthropic-Amazon New Carlisle（亚马逊）：910 MW -
Microsoft Fairwater Atlanta（微软）：636 MW -
Meta Prometheus（Meta）：562 MW -
Google New Albany（谷歌）：453 MW -
OpenAI Stargate Abilene（甲骨文）：421 MW -
Microsoft Fairwater Wisconsin（微软）：369 MW -
Colossus 1（SpaceXAI）：340 MW -
Google Columbus（谷歌）：303 MW -
Amazon Madison Mega Site（亚马逊）：284 MW -
Google Bristow（谷歌）：279 MW -
CoreWeave Denton TX（CoreWeave）：262 MW
图 2：按预估电力规模排序的 12 座顶级算力园区。全部数值均为设施记录估算值；规划容量、获批容量、已通电 IT 负荷属于不同口径。Colossus 2 规模约等于一座中型城市用电量。来源：Epoch AI，《AI 数据中心》（CC-BY）
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：12 家企业
第二部分：组装计算系统
计算硬件从内向外组装：芯片部署在机架级系统内，搭配内存、网络、供电、冷却；多机架互联构成集群。
03 芯片
单个机架内部，GPU 与 CPU 承担不同任务。GPU 负责模型大规模并行计算，推理吞吐量通常以 token 衡量。CPU 处理串行任务：工具调用、代码执行、浏览器会话。智能体完成一次任务，会在两者之间来回切换数百次。
-
GPU：并行数学运算；输出指标：token -
CPU：串行任务；输出指标：每秒任务数 -
智能体循环：单个智能体可在两者之间来回跳转数百次 -
衡量指标：GPU 看 token；CPU 看任务与智能体并发量
GPU 内部成千上万个小核心，同时对多份数据执行相同运算。高带宽内存（HBM）把模型权重与激活值放在处理器旁；推理吞吐量一般用 token 计量。
并行数学运算；输出指标：token
CPU 核心数量更少、单核性能更强，处理必须按顺序执行的任务：调用工具、打开浏览器、执行生成代码。英伟达 Vera CPU 专为这类控制密集、低延迟需求的智能体 AI 场景设计，搭载 88 个核心。
串行任务；输出指标：每秒任务数
智能体运行流程：GPU 执行模型推理 → 把步骤交给 CPU 执行 → CPU 返回结果 → 模型再判断下一步动作。该流程多次分支，一旦工具调用、浏览器操作变慢，昂贵的 GPU 就会处于等待状态。
单个智能体可在两者之间来回跳转数百次
GPU 性能常用单位：每瓦 token、每美元 token、每用户 token、每座 AI 工厂 token。面向智能体场景，CPU 性能更适合用完成任务数量、并发智能体数量衡量。目前行业还没有标准化的公开基准测试，用来评估这类工作负载。
GPU 看 token；CPU 看任务与智能体并发量
一块计算载板上的 GPU 与 CPU，以及智能体在两者间循环工作的流程。GPU 参数参考英伟达 Blackwell 文档；CPU 参数参考英伟达 Vera CPU 文档（88 颗 Olympus 核心、LPDDR5X、NVLink-C2C 互联）。
芯片性能衡量口径
GPU 吞吐量一般以 token 计量。对于智能体 AI，CPU 性能更适合用完成任务数、并发智能体数量衡量。指标分母决定指标含义：能源、成本、服务负载，或是整座算力园区总产出。
输出单位
GPU 运行模型，CPU 执行模型触发的工具调用，结果回传给 GPU 用于下一步推理。浅色线条代表模型可选的其他分支路径。本轮已完成 1 次往返。真实任务可能需要数百次往返。角色与指标参考英伟达 Blackwell 架构、Vera CPU、Omniverse DSX 蓝图公开文档。本文不提供智能体工作负载基准测试成绩。
GPU 输出就是 token，由数千核心并行计算生成。CPU 输出是任务：模型周边的串行步骤，例如工具调用、代码、浏览器交互。
token 指标必须搭配分母才有意义：
- 每瓦 token
能源维度。扣除电能转换、冷却、芯片本身损耗之后，模型净产出，由电力层决定。 - 每美元 token
商业成本维度。token 除以实际计费单元，可以是虚拟机小时、加速器小时，或是自有硬件折旧。同一块芯片，不同计费口径结果不同。 - 每用户 token
单用户吞吐量。系统可承载并发用户数，同时满足延迟要求；批处理、KV 缓存、延迟目标之间互相取舍。 - 每 AI 工厂 token
把整座园区视为一台整机。英伟达用于描述吉瓦级一体化算力园区，DSX 蓝图作为参考设计。
CPU 指标：每秒任务数、单 CPU 可承载智能体数量。token 吞吐量描述 GPU 上运行的模型；任务吞吐量描述模型周边的串行工作。面向完整智能体工作负载的公开基准才刚刚起步，因此本文不给出 CPU 性能数值。
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：7 家企业
04 机架
现代 AI 机架远不止 GPU。参考架构机架集成 CPU、GPU 与配套 HBM、网络、本地存储、管理硬件、供电母线、液冷系统。每一个部件都会影响机架性能、成本和部署速度。
-
计算载板：单机柜内置 72 块 GPU、36 颗 CPU -
GPU 配套内存：每颗 GPU 旁部署 HBM；整机 13.4TB HBM3e，带宽是普通笔记本数千倍 -
NVLink 互联背板：72 块 GPU 如同单块设备协同工作 -
供电与冷却：整机约 120 千瓦，液冷散热
机架包含 18 块计算载板。每块载板是一套完整计算机，搭载 4 颗 Blackwell GPU + 2 颗 Grace CPU，可单独维护，无需拆解整个机架。
单机柜内置 72 块 GPU、36 颗 CPU
GPU 需要就近高速数据。高带宽内存部署在处理器旁，整机 HBM3e 总容量 13.4TB，带宽远超普通服务器内存。
每颗 GPU 旁部署 HBM；整机 13.4TB HBM3e，带宽是普通笔记本数千倍
9 块交换载板通过铜背板连接所有计算载板。NVLink 让 72 块 GPU 可互相高速访问显存，使机架作为单一计算系统运行。
72 块 GPU 如同单块设备协同工作
8 个电源模块向机架底部公共母线供电。液冷回路带走 CPU 与 GPU 热量，整机功耗上限约 120 千瓦。
整机约 120 千瓦，液冷散热
机架配置与参数来自英伟达 DGX GB200 NVL72 参考文档：18 块计算载板、9 块 NVLink 交换载板、72 Blackwell GPU、36 Grace CPU、13.4TB HBM3e，功耗约 120kW，液冷。
机架正成为行业竞争的核心单元。CPU、GPU、HBM、网络、存储、供电、管理与液冷，共同决定系统性能。英伟达 DSX 蓝图将这种协同设计延伸到整座 AI 工厂，整合参考系统、仿真、运维软件、园区建设指南与合作伙伴技术。英伟达定义并验证参考架构，合作伙伴负责建设与运营站点。
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：9 家企业
05 集群
集群把大量机架连接成一套统一计算系统。高速网络同步机架，共享存储供给数据，调度软件分配任务。只有全部组件验收完成、工作负载稳定运行，集群才算正式投产。
-
单加速器：满负载功耗约等于一台满载游戏主机 -
单计算载板：4 块 GPU，功耗约等于两台电暖器 -
单机架：72 块 GPU，耗电量约等于 100 户家庭 -
单集群：记录中最大集群耗电量约等于 29.4 万户家庭
加速器完成模型数学运算，依靠配套高带宽内存。但它仍依赖系统其余部分供电、传输数据、接收指令。
满负载功耗约等于一台满载游戏主机
一块计算载板集成 4 颗加速器、2 颗宿主机 CPU、网络与本地存储，本身就是一台可独立运行软件的服务器。
4 块 GPU，功耗约等于两台电暖器
18 块计算载板加 9 块交换载板组成参考机架。NVLink 把机架内 72 块 GPU 接入统一高速显存域。
72 块 GPU，耗电量约等于 100 户家庭
高速互联网络连接大量机架，共享存储提供数据，调度器分配任务。整套系统验收完成后，集群可承载生产业务。
记录中最大集群耗电量约等于 29.4 万户家庭
载板、机架配置参考英伟达 GB200 NVL72 参考设计（18 计算载板、9 交换载板、72 GPU，约 120kW）；规模仅示意。集群数据取自当前最大记录 xAI Colossus Memphis 三期；家庭用电对比采用美国平均每户 1.2kW。
从单台设备放大到大规模算力：2016 至今，所有标注首次投产时间与规模估算的集群记录。纵轴对数坐标向上攀升，代表算力持续扩建。
图 3
纵轴：H100 等效算力（对数刻度）；横轴：2016–2026分类：早期英伟达芯片、A100、H100/H200、非英伟达芯片、芯片型号未披露
xAI Colossus Memphis 三期：等效 275796 块 H100图 3：447 条 GPU 集群记录，按首次投产时间、H100 等效算力估算（省略 7 条早期记录）；纵轴对数坐标。H100 等效算力为模型估算规模，不等于物理硬件库存。来源：Epoch AI，《GPU 集群》（CC-BY）
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：14 家企业
第三部分：算力投产落地
集群验收完成后，客户可租用算力，运营商可衡量产出。工作负载与资源利用率，决定巨额投入能否产生回报。
06 虚拟机
云客户通过虚拟机租用硬件。云厂商将硬件封装为不同实例规格，按使用时长计费。报价通常包含 GPU、宿主机 CPU、系统内存、本地存储、网络与平台服务。两份同小时报价，背后硬件配置可能差异巨大。
-
宿主机系统：云实例底层硬件 -
加速器：GPU 及其内存，负责模型计算 -
宿主机：CPU、内存、存储、网络，为 GPU 提供数据 -
虚拟机：同型号 H100 单价区间 4.57–18.37 美元 / 小时
云实例底层是宿主机系统，包含加速器、宿处理器、内存、存储、网络。客户几乎看不到底层硬件细节。
云实例底层硬件
GPU 与配套内存执行模型计算。服务器其余组件负责供给数据、协调任务、传输结果。
GPU 及其内存，负责模型计算
宿主机 CPU 读取数据、运行操作系统、跨网络收发结果。只要链路任一环节拖慢速度，GPU 就会等待，计费仍持续。
CPU、内存、存储、网络，为 GPU 提供数据
云厂商将硬件切分为不同规格虚拟机，按时长收费。同一款加速器，根据配套服务器、地域、合同不同，定价不同。
同型号 H100 单价区间 4.57–18.37 美元 / 小时
虚拟机是宿主机硬件之上，面向计费的云层。实例配置、地域、优惠方案共同决定价格。
云算力成本：2935 条官方云目录价格记录
仅统计按需付费、明确标注加速器数量的价格，换算为单加速器小时价格对比。每一代硬件上线时定价更高；同一款加速器，随地域、虚拟机规格不同，价格跨度可达 4 倍（H100）。目录标价是公开挂牌价，不等于客户实际采购均价。
图 4
纵轴：单加速器小时价格（美元，对数刻度）芯片型号：T4、L4、P4、RTX PRO 6000、P100、V100、A100、H100、H200、B200
图 4：各加速器官方按需目录单价（对数坐标）。每一个点代表一条目录记录（地域 × 实例规格）；黑色短划线为中位数。样本少于 3 个对比项的加速器未列入。来源：微软 Azure、谷歌云官方价格目录
模型推理：一次请求完整流程
推理开始前，模型权重必须加载进加速器显存。每生成一个 token，请求都要重复一套流程。下面拆解硬件执行逻辑；后文工作负载部分从流量入手，估算支撑业务所需算力规模。
推理分步流程
一条请求：从存储读取模型权重，到流式输出结果，共 6 步。前 3 步每条请求只执行一次；后 3 步每生成一个 token 循环执行。示例提示词：“What is HBM?”，回复逐 token 流式返回。本轮已流式输出 5 个 token。
训练得到的参数就是模型。参数以文件形式保存在存储；推理前，参数必须以指定精度载入加速器显存。HBM 容量决定硬件最低部署门槛：大模型需要拆分到多块加速器；推理系统显存还要预留运行开销与持续增长的 KV 缓存，只按权重大小估算是下限。
请求被拆分为 token 序列。分词把文本转为数字 ID；提示词长度会影响计算量，占用活跃请求对应的显存。每一个 token 调用模型权重：加速器执行多层矩阵运算，经常跨设备通信。显存带宽、互联速度、批处理策略与软件，共同决定硬件有效产出。
KV 缓存保存上下文注意力状态。已经处理过的上下文保留在加速器显存，模型无需为每一个新 token 重新计算全部对话历史。更长上下文、更多并发用户，需要更多显存。推理循环逐 token 生成：模型输出概率分布，挑选 token，追加进上下文，再次运行。token/s 吞吐率与资源利用率，决定租用算力的产品经济性。
内部构成：6 大组件，配套供应商与来源 | 市场参与主体：7 家企业
07 工作负载
基准测试衡量系统完成指定任务的速度。训练与推理性能取决于模型、数据、加速器、网络、存储、框架、精度与软件。测量耗时或吞吐，代表整套系统在固定规则下的能力。
-
任务定义：模型 + 数据 + 目标质量 -
训练运行：数千块 GPU 同步计算、同步结果 -
故障与检查点：保存中间进度，故障只损失几分钟工作量，而非全部 -
性能测量：达到目标质量所需时间
训练任务由三点定义：模型、数据集、需要达到的质量目标。所有后续工作都服务于达成目标。
模型 + 数据 + 目标质量
每块 GPU 计算自身分担任务，之后所有 GPU 同步汇总结果，再进入下一轮迭代。一块 GPU 拖慢，整套集群都会等待。
数千块 GPU 同步计算、同步结果
系统定期把进度写入存储，对应坐标轴上的标记点。节点中途故障时，任务回退到最近检查点，不用从头开始训练。
保存中间进度，故障只损失几分钟工作量，而非全部
训练在指标曲线达标时结束。本记录中一条实测结果：64 颗 Blackwell Ultra GPU 完成目标训练耗时 12.45 分钟。
达到目标质量所需时间
一次实测训练流程：输入模型与数据，分布式系统执行，输出达标耗时。只有同一工作负载、同一基准版本下，结果才可对比。
工作负载成本测算
同一套基础设施，可以做模型预训练、对齐调优、对外推理服务、视频生成。预训练与视频生成场景基于假设算力预留；推理场景从业务流量出发，结合公开系统吞吐，反推所需集群规模。全部为可调整估算模型，不是企业真实账单。
算力成本模型
-
预训练：基座模型训练 -
后训练：调整模型行为 -
推理：持续对外服务用户 -
视频生成：生成完整视频输出
假设你是前沿实验室，训练下一代前沿大模型大规模语料做分词，送入分布式训练系统。每台加速器反复更新模型权重，直到任务达标；或故障触发部分任务回滚重算。流程：语料清洗 + 分词 → 分布式任务分发 → 参数更新（梯度计算） → 效果评估 + 故障恢复计算公式：加速器数量 × 运行时长 × 单价
计算结果示例
总加速器小时：2.16 亿小时算力账单：9.72 亿美元
计算式：10 万加速器 × 2160 小时 × 4.5 美元 / 小时 = 9.72 亿美元
这是可调整的零售等效算力模型，不等于实验室真实预算。前沿实验室可能自建基础设施，或拿到大幅优惠的商务价格。
20 套公开 MLPerf 系统，覆盖 5 项实测训练工作负载，可通过 API 查询。推理估算参考英伟达 Llama3.1 优化文档与 AWS EC2 容量块定价。
内部构成：3 大组件，配套供应商与来源 | 市场参与主体：9 家企业
08 经济学模型
企业需要先投入基础设施，之后才能获得收入。采购承诺与建设支出最先体现为现金流出，之后计入固定资产，再逐年折旧。投资回报取决于算力投产时间、资源利用率、客户付费价格，以及系统总产出。
-
资本开支：4252 亿美元，在收入回流前投入 -
资产负债表：完工设备计入固定资产 -
折旧：每年确认 1307 亿美元成本 -
投资回报：资产生命周期内，收入必须覆盖折旧、电力与运维成本
四大算力建设企业最近财年资本设备总投入 4252 亿美元。大量投入发生在算力正式对外可用之前。
4252 亿美元，在收入回流前投入
会计上将完工设备记为资产，而非当期费用。体现在资产负债表的不动产、厂房与设备科目，总额 1.18 万亿美元。
完工设备计入固定资产
成本分期计入利润表：在资产预估使用年限内分摊，每年约 1307 亿美元折旧。
每年确认 1307 亿美元成本
这笔投资能否盈利，取决于资产生命周期内，算力带来的收入能否覆盖折旧、电力与运维开销。
资产生命周期内，收入必须覆盖折旧、电力与运维成本
基础设施如何影响利润表：资本开支转化为固定资产；折旧在资产年限分摊；回报取决于利用率与定价。
53 家上市公司标准化 SEC 披露数据，展现算力扩建的时间特征。资本开支远高于当期折旧，也就是说今天大量投入，要在未来数年才逐步体现在企业盈利中。
图 5
纵轴：金额（美元，对数刻度）；企业：亚马逊、微软、谷歌、甲骨文、Meta、美光、CoreWeave、杜克能源、Nebius蓝色：最新财年资本开支；红色：折旧与摊销
图 5：头部基建企业最新财年资本开支（蓝色）对比折旧摊销（红色），对数坐标。不动产、厂房设备与资本开支包含非 AI 资产，不能直接等同于 GPU 库存。来源：SEC EDGAR 公司 XBRL 财报数据
从资本投入到 token 产出
GPU 小时代表硬件租赁成本，但不能衡量硬件实际完成工作量。实际产出取决于吞吐、利用率、延迟、可用率、能效。资本投入换来可通电算力；软件与运维决定算力中有多少是有效产能；有效产能最终产出 token。
兆瓦是功率单位（单位时间能耗），因此每兆瓦 token 对比，必须附带时间口径。模型同时给出每秒每兆瓦 token与每兆瓦时 token。所有对比必须固定模型、工作负载、精度、延迟与质量目标。
图 6：链路模型
资本投入（建设园区 + 算力硬件）→ IT 算力容量（通电兆瓦，设备可用电力）→ 资源利用率（有效工作负载，包含可用率、调度、软件）→ 产出（在指定模型与服务水平下交付 token）
公式：资本投入 ÷ 资产全生命周期总 token
可调输入项：资本投入（十亿美元）、IT 算力容量（兆瓦）、有效利用率（%）、满负载吞吐（token / 秒 / 兆瓦）、资产使用年限（年）
计算结果示例
平均总吞吐：120 万 token / 秒产出密度：4320 万 token / 兆瓦时年度总产出：37.8 万亿 token单位资本成本：每百万生命周期 token 投入 5.28 美元
仅为资本成本示意模型，不含运营成本。来源：https://intelligence.mts.now/compute#factory-methodology
内部构成：4 大组件，配套供应商与来源 | 市场参与主体：9 家企业