本文來自微信公眾號： 海豚研究 ，作者：海豚君，頭圖來自：AI生成

在海豚君此前《“AI 拉胯” 亞馬遜：會上演逆襲大戲嗎？》的分析中，我們從幾個角度探討了AWS在AI上的布局，從其自研芯片、和Anthropic的合作、其模型能力多角度看到亞馬遜在AI上的綜合能力有不小的提升，距離優(yōu)等生Google的差距已明顯縮窄。

從中海豚君對兩個點比較好奇，一是云廠商們的AI業(yè)務利潤率似乎比預期中要好，二是云廠商們目前對其模型合作方的依賴非常大，云廠商的收入增長相當依賴于AI模型用量的增長。

因此本篇中，海豚君進一步從更細致的定量視角，深入探討了：

1、云廠商們利潤率提升背后的邏輯是什么？潛在的提升幅度有多大？

2、模型商們的算力需求，到底對云廠商的收入有多大的帶動作用？過度依賴模型商對云廠會有什么潛在？

3、從上述視角，對AI產業(yè)鏈中的行業(yè)投資偏好選擇有什么指導意義？

以下為具體分析：

一、一探AI云的毛利率的變化和背后原因

根據我們上篇的梳理，目前一個讓AI云業(yè)務的利潤率并沒那么差的原因，是營收結構上，更高毛利率的MaaS/TaaS型業(yè)務部分取代了低毛利率的“裸金屬”IaaS型業(yè)務。

從第一性原理來看，影響云廠商利潤率的決定性的因素，顯然是云廠商在整個AI產業(yè)鏈中的議價能力。

或者說以下幾個可量化的定價因素 --終端用戶使用AI大模型的價格，AI Lab使用算力的價格，云廠商提供算力的成本（能進一步分為相對固定的電力等運營成本和彈性較大的硬件價格）。后文就從單位Token經濟性的角度，觀察下以上三個定價的變化趨勢，以及對云廠商和整個產業(yè)鏈利潤率的影響。

1.1、模型，云，芯片，三者的價格分別如何變化？

a. 大模型定價既不通脹、也沒通縮：首先在大模型的使用價格上，僅考慮按量計費模式（剔除訂閱模式），那么無論是Anthropic官方的定價，還是三方機構統(tǒng)計的真實Token價格指數（由多種不同等級模型的Input/Output/Cache-hit使用價格混合得出），都能看到AI模型的價格，并沒有并沒有跟隨著模型的迭代和能力提升，呈現(xiàn)去趨勢性的走高，而是呈區(qū)間震蕩或者干脆是一條直線。

b.算力的單位成本的明顯通縮：不同于模型的單位Token定價在迭代中大體保持不變，單位Token的生成成本隨著時間迭代呈現(xiàn)明顯的通縮趨勢。（注：這里采用的指標是Semi analysis提出的TCO，指算力的總成本，包括建設的Capex部分和維持運營的Opex兩部分）

根據以Qwen 3.5模型為例的測試，可以看到單位Token生成成本明顯隨著芯片代際提升而下降。例如最新的GB200 NVL72的每百萬Token生成成本大約只有H100/200的1/3~1/4。

這種成本通縮背后的原因是，芯片隨著代價提升，其價格的提升幅度遠遠小于其產出Token效率的提升幅度。且這種產出效率的巨大提升是由軟硬件的共同提效貢獻的。

硬件層面，以DeepSeek R1為例，相同工程編排方式下，GB300每秒輸出Token的效率大致能達到H200的4~10倍。軟件/工程層面，以DeepSeek V4為例，在都基于GB300同一硬件，但工程編排不同下，輸出效率也能差到2~4倍。

在最高達10x的巨大效率差異下，雖然單顆GB300明顯貴于H200，但價差也不超過2倍。芯片性能暴漲而價格溫和上漲，兩者影響對沖下，通縮效應還是占據主導。

c.根據以上信息做一個簡單測算，按Qwen 3.5模型的綜合價格是$1每百萬Tokens，僅考慮芯片單位Token生成成本的下降這單一因素-- 從$0.2（H200）下降到約$0.05（GB300），單位Token產生的毛利率就能有月15個百分點的提升。

這一現(xiàn)象背后的核心邏輯小結來說，就是AI時代芯片行業(yè)依然基本維持著“科技的通縮效應”，即每一代的芯片價格變化不太大的情況下，性能在不斷顯著提升。換種方式，也可以說每一代芯片性能提升的相當一大部分是被讓渡給了下游。而AI（頭部）模型的定價卻并沒有把性能提升的利益繼續(xù)讓渡給終端用戶，而是留存為了自身的利潤。

1.2、云廠商漲價了？

但如前文提到的，在“終端用戶定價”和“硬件運行成本”之間的利潤，是由云廠商和AI模型公司所共享的。而這些利潤如何在云廠商和AI模型公司之間分配，則就主要由云廠商門店的算力租賃價格來決定的--若云算力的定價大體持平，則“額外的毛利率”近乎全部由AI Lab拿走；若云算力定價呈走高趨勢，則云廠商也同樣能分到一部分“額外的毛利率”。

那么現(xiàn)實情況如何？從多個渠道整理的云租賃實時標準價格（on-demand price），都能看到同一個的趨勢--云算力的定價從25年底開始確實進入了明顯的上行周期，由此可以推斷在算力顯著供不應求的情況下，云廠商的議價能力確實有所提升，因此在收入結構變化的利好之外，即便是“裸金屬”出租的IaaS業(yè)務的毛利率應當也有提升。具體來看：

a. 近芯片價格上漲幅度最大：分代際視角，最新幾代的GPU（如B200或更新）云租賃價格上漲最為明顯，根據不同數據源，其定價自25年底到目前上漲了約1/4~1/2。

b. 老舊的主流芯片也在漲價：而目前市場內實際的主流GPU芯片（H200或更早的產品）的租賃價格自25年底以來也有一定幅度、約15%~20%左右的上漲。

邏輯上，這些前幾代芯片的租賃價格，應當是隨著技術和時間的迭代，逐步降價。而近期包括已上市3~5年的老芯片在內，云租賃價格近期的逆勢上漲，一方面驗證了目前算力的嚴重供不應求（愿意加價租已相對落后的老舊芯片），另一方面實際已體現(xiàn)出云廠商們的議價權和利潤率在提升。

只有比A100更老舊、更低性能的芯片（2000年之前的）才呈現(xiàn)出被“逐步替代”的情況，平均租賃價格從24年底至今下降了約1/3，但也并非完全報銷，仍能以較低的價格繼續(xù)貢獻收入。

另一個比較關鍵的信號是，老舊芯片并不會隨著新芯片能力大幅加強，而失去使用場景變成“閑置資產”，能繼續(xù)貢獻現(xiàn)金流。

二、云廠商AI收入的毛利率改善了多少？

2.1、軟硬件技術提升的共同利好

以上我們得出模型商和云廠商AI算力業(yè)務的毛利率都正在提升的結論（注意這不等同于AI算力業(yè)務的毛利率追上或超過了傳統(tǒng)算力租賃的利潤率），但主要是從定性和趨勢判斷的視角。接下我們從定量視角，測算下模型商和云廠商的毛利率可能具體變化了多少。

為了簡化問題，我們以下測算的是“推理毛利率”，只考慮推理產生收入和其直接算力成本這兩個因素，其他如訓練/研發(fā)成本等都不考慮在內。另外，因后續(xù)測算是只基于Qwen3.5模型進行的，因而測算出的利潤/利潤率的絕對值未必反映真實情況。但由于模型保持不變，利潤率的變化趨勢和相對高低仍是有意義的。

以下我們通過控制變量的方法，進行了兩種比較，一種是從縱向角度，控制底層硬件一致，從時間角度，看軟件/工程能力進步帶來Token產出效率提升和云租賃價格漲價，這兩個因素影響下毛利率的變化情況。

另一種是橫向角度，都基于當前最新的定價和技術，比較采取不同芯片情況下，毛利率的變化情況。（注意，以下所有數據都是基于單GPU的角度測算的）

直接上結論：

a. 在硬件都選擇H200不變，只考慮隨著時間演變，軟件技術進步帶來約20%+Token產出效率提升，同時H200租賃價格在25年9月后上漲約20%，這兩個變化下AI Lab的推理毛利潤從$1.2提升到$1.4了，由于單位營收同樣走高，毛利率變化不大。

云廠商的毛利潤從$0.8提升到了$1.7（單GPU每小時產生的毛利，這一部分的是基于該口徑），毛利率從31%提升到了38%。

這里需要注意，由于AI Lab和云廠商間一般簽有長協(xié)，其之間的實際租賃價格未必會雖實時價格一同走高。

b. 在都基于最新的軟件技術和云租賃價格，但硬件上以B300對比H200，由于B300產出效率的爆發(fā)式提升（約為H200的8倍），但B300單位租賃價格僅為H200不到2x的情況下，AI Lab的單位毛利潤（每GPU時貢獻的）從$1.4大幅提升到了約$11.6，對應毛利率從35%提升到了69%。

而云廠商的單位毛利率則從$1.7提升到$3.6，毛利率從38%提升到42%。

c. 結合以上比較，以GB300對比舊技術下的H200，軟硬件技術的共同進步帶來的綜合單位毛利潤提升相當夸張，從不到$2提升到超$14。即便其中絕大部分增量利潤都被模型商拿走，云廠商雖只是“喝湯”但同樣能享受超10pct的毛利率提升。

但需要注意，以上測算并未考慮到近期存儲等芯片之外硬件的價格提升，由于這些硬件屬于性能沒太多提升下的純漲價，對云廠商的毛利率會有侵蝕。

2.2、Trainium芯片能帶來更高的利潤率嗎？

然而可以注意到，以上對利潤率改善的測算都是基于英偉達的芯片，但云廠商們的一大核心優(yōu)勢就在于自營芯片的能力。憑借軟硬件都由內部一體化研發(fā)、能定向優(yōu)化，因而自營芯片普遍能給云廠商帶來更好的利潤率。

那么定量來看，基于目前最新的Trainium 3芯片，能幫助AWS AI算力租賃業(yè)務的毛利率再提升多少？要回答問題，需要先測算出兩個關鍵指標，即Trainium3芯片生成Token的效率（每秒多少Token），以及Trn3的TCO是多少。

a.生成Token效率：雖缺乏實測數據，但按此前整理的紙面參數，F(xiàn)P8精度下Trn3的算力是2.5 PFLOPs，比H200高出約25%，是B300的約50%。因此Trn3的每秒Token產出量大約是在2600~4300之間，我們認為應更接近下邊界，就假設為3000 Tokens/s（使用于Qwen3.5模型的情況下）。

b. TCO成本：芯片運行的總成本可以大體拆分成兩個部分，一是芯片和其所有配套硬件設備所需總投入對應的折舊費用，這部分根據芯片的不同有比較大的變化；另一部分則是像數據中心庫房、供電/散熱等通用設施的折舊，和日常運行的電力和人員等成本，這部分成本應當是相對固定的，即便芯片不同也不會有很大變化。

那么根據Semi analysis的統(tǒng)計，Trn3芯片的All-in-capex是$17~$19每w，大約只有GB300每w所需Capex的一半。（注，海豚君認為此處的Capex是只包括設備Capex的，例如廠房等固定資產Capex應當不包含在內）按5年折舊期，可測算Trn3的折舊成本大約是$0.41每GPU時。

至于庫房折舊和電力等變化不大的類固定成本部分，根據我們對近10款芯片的測算，每千瓦時的成本區(qū)間集中在$0.44~$0.51左右。由于自營芯片可以專門優(yōu)化，我們就假設Trn3的成本貼近區(qū)間下限，換算后為$0.45每GPU時。

加總以上兩部分，我們測算出的Trn3芯片的TCO成本為$0.86每GPU時，比H200的$1.41還要低近40%。

c.Trainium3芯片的綜合毛利率接近B300：根據以上測算，因此Trn3芯片的綜合能力高出H200越30%~40%，同時綜合成本確要低40%，使用Trn3芯片產生的綜合毛利率也高達85%（由云廠商和模型商共享），和目前性能最強芯片之一的B300能貢獻的毛利率接近一致。

這代表著，在用于中小模型的推理時，Trn3近乎可以等效替代B300，如此能效比下，只要AWS愿意在Trn3的云租賃定價上做出一定讓步，完全有能力吸引客戶把推理負載從其他硬件上切換到Trn3芯片上。

至于云廠商和模型商之間的利潤分配，如果AWS愿意把Trn3的云租賃價格定為H200的70%（注意Trn3的性能是明顯強于H200的），云廠商和模型商的毛利率和B300情景下完全一致。若Trn3的租賃價格定為H200的80%，那么云廠商自身的毛利率就能提高到約46% vs. B300情景下的42%。

小結以上分析，可以看到在軟硬件技術進步帶來Token產出效率大幅提升，但單位Token定價并未明顯下降，同時云租賃價格也小幅走高，這三個因素的共同作用下，云廠商的AI業(yè)務毛利率能有明顯的提升。

且我們此處測算的本就是低毛利的“裸金屬”出租業(yè)務，再疊加上更高毛利的MaaS/PaaS業(yè)務，云廠商的AI業(yè)務整體利潤率會更高。

三、算力的供給和需求分別有多少

以上我們從定性和定量的角度，詳細論證了云廠商們AI業(yè)務利潤率提升的核心邏輯 -- 云和模型公司對上游芯片公司議價權的走高。

接下來我們就討論另一個對云計算行業(yè)和其中公司至關重要的因素 --AI帶來的云需求增量規(guī)模到底有多大，且和目前計劃中的算力供應增長速度是否匹配。這里有兩個角度，一是行業(yè)層面上的供需比較，這決定了之后行業(yè)競爭格局、以及產業(yè)鏈內的議價權會如何變化。

另一個視角是個體云廠商公司層面，目前的云收入預期是否充分反應了對該云廠的AI算力需求，而公司的算力供應有是否足夠支撐收入的釋放。

為了解答以上兩個問題，海豚君這里要解決的痛點是-- 算力需求端的主要驅動力是AI模型公司的ARR，而供給端則是是云廠商們的Capex，而ARR和Capex之間不能直接比較高低，無法從中直觀看出之后的算力供需情況會是持續(xù)供不應求，還是會有供過于求的跡象。

因此，我們將把需求和供給都統(tǒng)一到統(tǒng)一指標—即算力規(guī)模上（多少GW），進而一探上述問題的答案。注意，雖然之后的預測會做到30年，但重點只關注到28年，再往后的可見性太低，已基本沒有意義了。

3.1、需求端的測算

根據我們上篇的分析，目前AI云的增量需求絕大部分都是源自兩家頭部AI Lab的訓練和推理需求，少部分來自云廠商們自用需求或其他大型科技公司。因此AI云計算的需求大體等效于AI Lab的需求。

但因為AI技術升級和相關需求的增長非線性，很難判斷之后技術發(fā)展是會陷入瓶頸，還是突然涌現(xiàn)一次巨大的升級。因次接來下更多是一種情境假設，即假如模型商的收入達到一定規(guī)模時，等效對云算力的需求有多少，以下是具體測算邏輯：

a. 兩大模型獨角獸收入預測--30年收入都達$2500億量級。雖然AI技術發(fā)展的速度相當難以預測，但假設參考OpenAI自身曾給出的到30年實現(xiàn)約2800億營收的愿景，我們出于保守將預期略微下降到2500億左右。

這里的一個關鍵假設是從28年開始，兩家模型巨頭的營收增速會從此前3位數的暴力增長，快速回歸增速在50%以下的“平穩(wěn)增長期”。這對后續(xù)的結論很重要。

另一個關鍵假設是，考慮到近期無論是GPT基模能力、還是Codex這一入口和Claude Code的差距已基本抹平，我們認為OAI的收入在26年往后應當會快速向Anthropic看齊。

b. 云算力支出：這里分為兩個部分--訓練支出和推理支出。

對推理支出的關鍵假設是，我們認為一方面隨著芯片單位能效的進一步提升，推理毛利率仍有上升空間。但一個對沖因素是，目前模型商保持單位Token定價不降價很難長期持續(xù)（總歸要進入量增價減的階段），因此預期推理毛利率只會從當前的約65%小幅提升到70%上下。

訓練支出則未必隨收入增長等比例提升，更取決于后續(xù)模型的進化速度。也出于保守，我們假設訓練支出在27年仍將高增（近100%的同比增速），但自28年開始將快速滑落到30%以下。

基于以上假設，我們測算到28年兩家模型巨頭的云算力總支出會達到約$2500億，占當年收入的約71%。

c.AI算力總需求到28年可達26GW：根據比較復雜的轉換邏輯（訓練和推理需要不同的GPU\ASIC\CPU用量，不同芯片類型對應的單GW收入也各不相同，文中就不具體展開了），再假設其他AI Lab算力需求（不包括云廠商們自身的需求）的是兩大巨頭的約15%，測算出到28年AI算力需求對應的規(guī)模在25.6 GW，相比25年增加了近23 GW。

d. 傳統(tǒng)云需求

另外，傳統(tǒng)云計算需求雖然已然是“昨日黃花”增長不高，但其絕對體量仍占多數，我們也需要考慮傳統(tǒng)需求對應的增量算力規(guī)模。

對此的測算邏輯相對簡單，考慮到24年云廠商的近乎100%的云收入和算力都仍用于傳統(tǒng)需求，可以用24年已上線的算力和收入規(guī)模為基礎，按后續(xù)傳統(tǒng)云收入的增長，等比例的計算所需的算力規(guī)模即可。

考慮到近期各云廠商都表示，AI尤其是AI Agent同時也會帶動對傳統(tǒng)算力的需要，因此我們預期26~27年間傳統(tǒng)云收入能保持20%上下的相對高增速。但也考慮到企業(yè)整體的IT支出預算并沒有多少增增長，AI投入和傳統(tǒng)IT投入之間有此消彼長的關系，就保守預期28年之后傳統(tǒng)云需求增速會明顯放緩。

基于以上假設，我們測算到28年傳統(tǒng)云計算需要的算力規(guī)模將達到約31GW，相比25年增長約10 GW。

3.2、供需比較，28年開始將供過于求？

a. 云廠商整體算力供給會增加多少？算完需求，下一步就是看目前幾大頭部云廠商（不包括Meta）未來計劃上線的算力供給。這里需要注意，除了Oracle給了到30年的長期目標外，其他云廠商對算力規(guī)模的指引普遍只到27年（大多是較25年規(guī)模翻倍），因此我們對27年之后的算力供應上線節(jié)奏的測算，是基于多家投行的預測優(yōu)化得出的。

那么結論是，到28年幾大頭部云廠商的總算力規(guī)模將達到約100 GW，踢除需保留給內部業(yè)務使用的部分，可對外部出租的算力規(guī)模約為73 GW，相比25年增長約47 GW。

b. 算力將供過于求？而根據我們前文的測算，到28年AI+傳統(tǒng)需求對應的算力規(guī)模大約是53 GW，已然明顯低于總算力供給。

按我們的測算，供需缺口上24~26年之間，供需呈現(xiàn)趨緊的態(tài)勢（需求占供給比重從87%上升到93%），到27年供需關系就將恢復到24年水平，從28年開始就將明顯呈現(xiàn)供過于求的態(tài)勢，且缺口會越發(fā)巨大。

c. “可能發(fā)生的”算力供過于求影響是什么？

但是，如海豚君此前反復強調的，以上測算只是一種情境假設，畢竟實際上對26年之后的AI需求和27年之后的算力供給到底有多少，沒人知道。真正有價值信息是，目前假設的AI收入增長預期（到30年兩大頭部AI Lab能產生約5000億年收入），不足以支持目前市場對新增算力供給和Capex在28年及之后仍維持高位、不會下降的線性外推預期。

準確的說，我們并不是認為未來算力會供過于求，畢竟AI應用場景和需求再度大幅提升是絕對有可能的?？梢允荗AI和Anthropic的模型能力再度有跨越式的提升，也可以是之后AI應用的方向在Coding之外有了其他同樣巨大的應用和變現(xiàn)場景等。

真正的問題是，市場目前的預期中已提前計入了 “我不知道是什么，但我相信一定存在的巨大增量空間或AI的新應用場景”，并反映到了算力建設和Capex的預期中。

這意味著，一旦之后1~2年內AI的發(fā)展沒有那么迅速，算力的建設和云廠商們的Capex投入，可能在27年就會見頂。即便之后發(fā)現(xiàn)了新的場景會再重新提高。

小結：總結前文，海豚君的兩條核心推論是：a. 在硬件（芯片為主）、云廠商和模型商這三個AI產業(yè)鏈中的角色中，硬件方的議價權在向下游的云廠商和模型商專業(yè)，其中模型上拿到了大頭，云廠商拿到小頭；

b. 目前來，市場線性外推了算力的建設和云廠商的Capex會一直維持高位，在27~28左右達峰后，也不會明顯下降，提前計價了“未必不存在，但目前尚不可見的AI增量需求”。

至于對投資邏輯的影響，海豚君認為這對上游硬件是雙重利空，但對云廠商則是有好有壞。

a. 首先硬件商（主要指芯片，目前存儲仍是主要瓶頸）的議價權降低，核心原因是云廠商們自研芯片的絕對性能已顯著追趕上旗艦級別的GPU芯片，相對能效可能已反超。從多個信號都可見，云廠商對外部芯片供應商的依賴已明顯下降，芯片商為了留住客戶，必須要讓渡利潤。

b. 而算力建設和Capex可能在27年達峰掉頭向下（即便只是階段性的），對上游硬件商的影響更大。畢竟上游硬件商的收入是取決算力建設的增量，Capex達峰意味著收入的同比下滑，而對云廠商的收入是基于算力的存量，建設放緩只是意味收入增長的放緩。

并且從目前的市場情緒看，大幅降低Capex，恢復現(xiàn)金流的利好，可能比云收入增速下降的利空更重要。

c. 但這并不意味著云廠商們毫無負面影響，顯而易見，之后若算力供應階段性的超過需求，云廠商們的競爭格局會有所惡化，需要去爭奪有限的需求，因此表現(xiàn)可能會有明顯的分化。不排除有云廠商因能強勢綁定AI Lab、拿到算力訂單大頭的，自身的云收入增速反能進一步上調。

不過，因競爭加強、且云廠商需要爭奪模型商的訂單合同，意味著云廠商整體的議價權也會走低（除非云廠商自身的模型能力大幅提高，減少了對外部模型的依賴），云租賃價格大概率會從現(xiàn)在的溢價轉為折價，對云業(yè)務的利潤率會有拖累（但部分可能被芯片效率提升的利好所對沖）。