文章核心观点 - 当前超大规模云服务商对AI数据中心的巨额资本支出已超出正常增长投资范畴，演变为一场难以回收成本的“军备竞赛”，投资本身可能已经“破产”[2][6][7] - AI数据中心的成本结构（GPU、HBM、电力）高昂且缺乏规模经济，而服务价格却在快速下滑，导致传统投资回收模式失效，行业面临“崩溃临界线”[6][18][23] - AI投资的可持续性不仅受限于经济回报，更受到电力等国家基础设施供给能力的物理制约，崩溃可能以非线性方式骤然发生[31][42][45] 根据相关目录分别进行总结 投资规模与实态 - 四大超大规模云服务商（Microsoft、Google、Amazon、Meta）的数据中心投资总额在2024年约为2050亿美元，预计到2026年将超过7550亿美元（约120.8万亿日元），超过2025年日本国家预算规模[2][3] - Microsoft的2025财年资本支出达645亿美元，并预计以AI为中心的投资将超过800亿美元，占其云业务销售额1680亿美元的38%至48%，折旧费用已达220亿美元[10][11] - Alphabet/Google的2025年全公司资本支出达914亿美元，即便假设其中一半用于Cloud业务（457亿美元），也相当于Google Cloud销售额588亿美元的约80%，是其营业利润139亿美元的约3.3倍[9][12] AI数据中心成本结构 - AI服务器核心GPU价格高昂：NVIDIA Blackwell架构单块GPU（B200）价格在30-50千美元（500万-800万日元），搭载8块GPU的服务器（DGX B200）价格在250-500千美元（4000万-7000万日元），单台AI机架（GB200 NVL72）价格达2-10百万美元（数亿至10亿日元级别）[4][5] - 高带宽内存（HBM）成本占比高：每块GPU通常搭载6-8栈HBM，每栈价格约1000-1500美元，使每块GPU的HBM成本达约1万美元，且尖端HBM市场由SK海力士（份额超50%）、三星、美光垄断，供应集中[16] - 电力消耗巨大：以1万个GPU集群为例，仅GPU部分功耗约10MW，加上冷却和网络等，总设施负荷达20MW，年耗电量约175.2 GWh，年电力成本约2500万至3500万美元[16][18] 投资回收模型与临界线 - 传统云基础设施的规模经济在AI数据中心失效，因其成本随规模加速增长，缺乏成本削减空间[19] - 以一个初始投资7亿美元、包含1万个GPU的集群为例，按5年摊销，年折旧费1.4亿美元，加上电力和运营费各3500万美元，年总成本达2.1亿美元[20][21][22] - 在70%的稼动率前提下，每GPU每小时需产生至少3.43美元的收益才能回收成本，此即“崩溃临界线”[22][23][30] - 然而现实是生成式AI的API价格在2023至2025年间急剧下降（有案例降至十分之一以下），与高昂的固定成本形成结构性矛盾[23] 崩溃情景模拟 - 软性崩溃：计费单价降至2.90美元/GPU小时且稼动率降至65%时，年亏损约4490万美元[35][36] - 硬性崩溃：计费单价3.00美元/GPU小时、稼动率55%且物理成本上升时，年亏损扩大至约8170万美元[35][36] - 金融崩溃：计费单价3.20美元/GPU小时、稼动率60%且摊销期缩短至4年并考虑资本成本时，年亏损达约1.33亿美元[35][36] - 崩溃具有非线性特征：稼动率从70%降至60%，所需计费单价从3.43美元跳升至近4美元；降至50%时，则跳升至近5美元[39][41] 电力与基础设施制约 - AI数据中心的电力需求呈指数级增长：1万GPU集群需20MW，10万GPU需200MW，100万GPU需2GW[42][44] - 电力需求已上升到国家基础设施层面：1万GPU集群年耗电175.2 GWh，相当于0.022座1GW级核电站的发电量；一座核电站仅能支撑约45个此类集群[27][28][44] - AI投资的扩大直接转化为对电力、土地、建设等国家供给能力的挑战[42][45] 投资驱动逻辑与风险 - 投资并未因回报问题而减速，因公司持有巨额未履行合同（如Microsoft有约3680亿美元在手订单），且担心停止投资会被淘汰出竞争[25] - AI投资已从追求利润最大化异变为“规避出局”的消耗战，内部持续积累无法收回投资的风险[25] - 投资可能对东道国造成负担，例如欢迎外资建设数据中心可能消耗本国电力与资本，却无助于国家利益[46]