AI 芯片行业是否出于泡沫中？
by Bayfamily 2024/7/16
我们先从最底层开始算起。
用英伟达H100为例，成本是3000美元，批量售价是30000美元，电耗功率是700W，考虑到机房制冷和附属设施用电等因素。实际电耗是1000W。再按照全年使用率是60%计算，全年电耗是5000度电左右，按照每度电0.2美元计算，全年电费为1000美元。
英伟达的H100芯片，应该是5-10年后被淘汰。我们取中间值，7.5年被淘汰。这7.5年的总成本是 30000+7500= 37500美元。考虑到建设机房的费用，考虑到运营和管理机房公司的利润。我们把这个数字乘上一倍，一个H100的全生命周期的成本就是 7.5万美元左右。就是H100芯片本身的2.5倍。
我们看一下英伟达2024年财年的GPU销售数据。差不多是800亿美元，总共卖了这么多的芯片。
这些芯片大部分被大厂，比如，亚马逊，Meta, Google这些公司买走了，当然也包括抖音腾讯等中国公司。
按照前面2.5倍的估算，这些芯片全生命周期的总成本是2000亿美元。在未来可见的几年里，这些大公司会每年持续买入这么多芯片，这是现在英伟达股票估值的基础。
因为每年英伟达都销售这么多芯片。大厂不是只买一次。每年新售出的芯片全生命周期成本是2000亿。大厂还要每年买这个量才能支撑住英伟达股价。
一个公司，增添了2000亿CapExp，花了这么多钱，那么他们期待多少回报呢？通常至少是2-3倍，我们取中间值2.5倍。那就是5000亿美元。
也就是说这些大公司，需要依赖这些GPU，未来每年能够提供5000亿左右的额外销售增长，那么这笔账才能算的过来。否则，大厂没有道理会持续每年投入买入GPU。
那么我们看看AI 行业到用户末端，总的销售是多少？
目前，AI领域收入最高的公司是OpenAI, 销售收入为34亿美元。当然，这个数字在快速增长。可能不用几年就会突破每年100亿美元。但是即使到了100亿美元，那对于5000亿美元的期待值也是杯水车薪。
其他AI公司相关的收入呢？我们看一下七个巨头，扣除英伟达，他们的总营业额1.75万亿美元。
Apple: $381.62 billion
Microsoft: $236.58 billion
Amazon: $590.74 billion
Alphabet (Google): $318.15 billion
Tesla: $94.75 billion
Nvidia: $79.77 billion
Meta Platforms: $142.71 billion
如果AI能给给他们的销售额每年带来额外的28%的提升。那么新增的销售额正好是5000亿，的确可以补偿GPU的投入，GPU的买入也是可持续的。如果带来的额外销售只有10%，那么这些投入就是不可持续的。
根据这些公司的体和体量和规模，额外每年增长28%的销售恐怕很难。七个巨头几十年超高速成长才做了1.75万亿销售。一下子就想塞进来一个5000亿新增销售额很难。外部市场没有这么大的容量。额外带来5~10%的收益可能是可以持续的。但是注意这是持续的每年因为AI带来的销售增长。不是全部的销售增长。
如果不能带来持续的额外收益，那么这些大公司就会削减在GPU的投入，等到下一代B100大量推出的时候，市场不会大量购买。
根据上面的计算，总结一下，我感觉AI芯片市场处在中度泡沫中。但似乎比当年互联网泡沫巅峰的时候要轻一些。
最后决定的因素还是AI到底能给我们带来什么样生活的变化，会不会有新兴的产业或者服务能够给公司带来每年5000亿美元额外的收入？目前来看还是一场豪赌。因为除了openai，因为我们没有看到各大公司出现杀手机的应用。似乎大公司都是因为FOMO情绪而大笔够入GPU。
如果大家最终意识到这些购入的GPU不能改变什么，对公司也没有带来年增长10%以上的好处，那么GPU的价格就会下跌直到成本价才能稳住，股票市场就会出现严重的回调。
转自贝版微信公众号2024/7/16
想想NVDA就是在生产‘人’，创造劳动力，NVDA市值会是前无古人。当然，最近有些文章说好像语言和思维是两吗事，预测想从语言模型达到逻辑思维这条路可能不通。
微软办公软件大大提高了生产效率，一个职工可以完成过去几个人的任务，干得又快又好。
Internet也是大大提高了生产效率，信息流动更快更方便。过去需要去图书馆查的资料数据，现在就在手边，而且资料更多更广。
AI也会大大提高生产效率。信息收集变得更精准高效。编程变得更容易。许多专业知识技能会更普及更高效。
一句话：效率决定生存。市场竞争，会自动筛选，将低效的公司淘汰掉，生存下来的是那些生产效率越来越高的公司。不是什么”显弱显落后“，而是实打实的效率落后。
计算机的出现是这样，互联网的出现是这样，AI的出现也会是这样。
短期=1～5年，长期=10～30年。
AI 芯片行业是否出于泡沫中？
by Bayfamily 2024/7/16
我们先从最底层开始算起。
用英伟达H100为例，成本是3000美元，批量售价是30000美元，电耗功率是700W，考虑到机房制冷和附属设施用电等因素。实际电耗是1000W。再按照全年使用率是60%计算，全年电耗是5000度电左右，按照每度电0.2美元计算，全年电费为1000美元。
英伟达的H100芯片，应该是5-10年后被淘汰。我们取中间值，7.5年被淘汰。这7.5年的总成本是 30000+7500= 37500美元。考虑到建设机房的费用，考虑到运营和管理机房公司的利润。我们把这个数字乘上一倍，一个H100的全生命周期的成本就是 7.5万美元左右。就是H100芯片本身的2.5倍。
我们看一下英伟达2024年财年的GPU销售数据。差不多是800亿美元，总共卖了这么多的芯片。
这些芯片大部分被大厂，比如，亚马逊，Meta, Google这些公司买走了，当然也包括抖音腾讯等中国公司。
按照前面2.5倍的估算，这些芯片全生命周期的总成本是2000亿美元。在未来可见的几年里，这些大公司会每年持续买入这么多芯片，这是现在英伟达股票估值的基础。
因为每年英伟达都销售这么多芯片。大厂不是只买一次。每年新售出的芯片全生命周期成本是2000亿。大厂还要每年买这个量才能支撑住英伟达股价。
一个公司，增添了2000亿CapExp，花了这么多钱，那么他们期待多少回报呢？通常至少是2-3倍，我们取中间值2.5倍。那就是5000亿美元。
也就是说这些大公司，需要依赖这些GPU，未来每年能够提供5000亿左右的额外销售增长，那么这笔账才能算的过来。否则，大厂没有道理会持续每年投入买入GPU。
那么我们看看AI 行业到用户末端，总的销售是多少？
目前，AI领域收入最高的公司是OpenAI, 销售收入为34亿美元。当然，这个数字在快速增长。可能不用几年就会突破每年100亿美元。但是即使到了100亿美元，那对于5000亿美元的期待值也是杯水车薪。
其他AI公司相关的收入呢？我们看一下七个巨头，扣除英伟达，他们的总营业额1.75万亿美元。
Apple: $381.62 billion
Microsoft: $236.58 billion
Amazon: $590.74 billion
Alphabet (Google): $318.15 billion
Tesla: $94.75 billion
Nvidia: $79.77 billion
Meta Platforms: $142.71 billion
如果AI能给给他们的销售额每年带来额外的28%的提升。那么新增的销售额正好是5000亿，的确可以补偿GPU的投入，GPU的买入也是可持续的。如果带来的额外销售只有10%，那么这些投入就是不可持续的。
根据这些公司的体和体量和规模，额外每年增长28%的销售恐怕很难。七个巨头几十年超高速成长才做了1.75万亿销售。一下子就想塞进来一个5000亿新增销售额很难。外部市场没有这么大的容量。额外带来5~10%的收益可能是可以持续的。但是注意这是持续的每年因为AI带来的销售增长。不是全部的销售增长。
如果不能带来持续的额外收益，那么这些大公司就会削减在GPU的投入，等到下一代B100大量推出的时候，市场不会大量购买。
根据上面的计算，总结一下，我感觉AI芯片市场处在中度泡沫中。但似乎比当年互联网泡沫巅峰的时候要轻一些。
最后决定的因素还是AI到底能给我们带来什么样生活的变化，会不会有新兴的产业或者服务能够给公司带来每年5000亿美元额外的收入？目前来看还是一场豪赌。因为除了openai，因为我们没有看到各大公司出现杀手机的应用。似乎大公司都是因为FOMO情绪而大笔够入GPU。
如果大家最终意识到这些购入的GPU不能改变什么，对公司也没有带来年增长10%以上的好处，那么GPU的价格就会下跌直到成本价才能稳住，股票市场就会出现严重的回调。
转自贝版微信公众号2024/7/16
更多我的博客文章>>> AI 芯片行业是否出于泡沫中？ 特朗普遇刺，投资的乐趣是什么？ 被追赶的经济体 比特币破新高之前夜 2024比特币价格知多少？
想想NVDA就是在生产‘人’，创造劳动力，NVDA市值会是前无古人。当然，最近有些文章说好像语言和思维是两吗事，预测想从语言模型达到逻辑思维这条路可能不通。
微软办公软件大大提高了生产效率，一个职工可以完成过去几个人的任务，干得又快又好。
Internet也是大大提高了生产效率，信息流动更快更方便。过去需要去图书馆查的资料数据，现在就在手边，而且资料更多更广。
AI也会大大提高生产效率。信息收集变得更精准高效。编程变得更容易。许多专业知识技能会更普及更高效。
一句话：效率决定生存。市场竞争，会自动筛选，将低效的公司淘汰掉，生存下来的是那些生产效率越来越高的公司。不是什么”显弱显落后“，而是实打实的效率落后。
计算机的出现是这样，互联网的出现是这样，AI的出现也会是这样。
短期=1～5年，长期=10～30年。