برآورد سود CapEx مورگان استنلی: از اجاره GPU تا فروش توکن، زیرساخت‌های هوش مصنوعی چگونه ۲۵٪ تا ۵۰٪ بازدهی کسب می‌کنند؟

TL;DR > · مورگان استنلی تخمین می‌زند که زیرساخت‌های GenAI در سناریوی پایه می‌توانند حدود ۲۵٪ تا ۵۰٪ بازده سرمایه کسب کنند. > · فرضیات کلیدی شامل ۷۵٪ نرخ استفاده از GPU، اجاره GB300، نرخ پردازش توکن و قیمت‌گذاری API است. > · مایکروسافت، آمازون، گوگل و متا بیشتر از این وضعیت بهره‌مند می‌شوند، اما جنگ قیمت و مدل‌های متن باز می‌تواند سود را کاهش دهد.

مورگان استنلی در گزارشی که در ۲۷ ژوئیه منتشر شد، به بررسی بازگشت سرمایه در هزینه‌های سرمایه‌گذاری AI پرداخت: اگر نرخ استفاده از GPU، اجاره، نرخ پردازش توکن و قیمت‌گذاری API به فرضیات پایه برسد، زیرساخت‌های هوش مصنوعی و کسب‌وکار API مدل‌ها می‌توانند حدود ۲۵٪ تا ۵۰٪ بازده سرمایه داشته باشند.

این موضوع به طور مستقیم به نگرانی‌های بزرگ بازار در مورد شرکت‌های فناوری بزرگ پاسخ می‌دهد. مایکروسافت، آمازون، گوگل و متا به طور مداوم در حال افزایش سرمایه‌گذاری در GPU و مراکز داده هستند و سرمایه‌گذاری‌ها به طور فزاینده‌ای بزرگ‌تر می‌شوند. سرمایه‌گذاران می‌خواهند بدانند که آیا این پول به سود تبدیل می‌شود یا فقط هزینه‌های استهلاک، انرژی و تحقیق و توسعه را افزایش می‌دهد.

این محاسبه، تبدیل GenAI به سه مسیر را تجزیه می‌کند: اجاره قدرت محاسباتی GPU به عنوان IaaS، ارائه API مدل با زیرساخت‌های خود و اجاره قدرت محاسباتی شخص ثالث و سپس ارائه API مدل. دو مسیر اول بیشتر برای پلتفرم‌های بزرگ فناوری که دارای مراکز داده، ورودی‌های مشتری و توانایی توزیع محصول هستند مناسب است، در حالی که مسیر سوم بیشتر تحت فشار اجاره GPU قرار می‌گیرد.

مقایسه بازده سه مدل کسب‌وکار GenAI: GPU IaaS حدود ۳۱٪، API مدل با زیرساخت‌های خود بیش از ۴۰٪، API مدل با زیرساخت‌های شخص ثالث حدود ۲۵٪.

۱۴ تریلیون دلار هزینه، کلید فقط خرید GPU نیست

زمینه این محاسبه، ورود به مرحله‌ای با هزینه‌های سرمایه‌گذاری بیشتر در ساخت مراکز داده AI است. آمار منتشر شده نشان می‌دهد که مورگان استنلی پیش‌بینی می‌کند که هزینه‌های سرمایه‌گذاری hyperscaler تا سال ۲۰۲۸ به بیش از ۱۴ تریلیون دلار برسد و ظرفیت محاسباتی ممکن است از سال ۲۰۲۵ تا ۲۰۲۸ چهار برابر شود و به حدود ۱۲۰GW برسد.

این ظرفیت‌ها به طور فوری به درآمد تبدیل نخواهند شد. آموزش مدل‌های پیشرفته، نگهداری مدل و تکرار مدل‌ها در مقیاس‌های مختلف همچنان به مقدار زیادی قدرت محاسباتی نیاز دارد. آموزش به خودی خود هزینه‌ای ندارد، اما باید هزینه‌های استهلاک، انرژی و عملیات را تحمل کند.

آنچه واقعاً بر بازده تأثیر می‌گذارد، این است که آیا قدرت محاسباتی باقی‌مانده می‌تواند به طور کامل توسط استنتاج، API، نرم‌افزارهای شرکتی و خدمات ابری جذب شود. به زبان ساده‌تر، یک GPU در یک سال چند ساعت می‌تواند فروخته شود، هر ساعت چقدر می‌تواند درآمد داشته باشد، هر ثانیه چند توکن می‌تواند پردازش کند و هر میلیون توکن چقدر می‌تواند فروخته شود، تعیین می‌کند که آیا هزینه‌های سرمایه‌گذاری AI می‌تواند بازده نقدی ایجاد کند یا خیر.

این نیز یکی از جنبه‌های خبری این گزارش است. در گذشته، بازار بیشتر به اعداد Capex توجه می‌کرد که به طور مداوم افزایش می‌یافت، اما اکنون مورگان استنلی یک مجموعه محاسبات اقتصادی واحد ارائه داده است: در صورت تحقق فرضیات پایه، زیرساخت‌های AI می‌توانند فشار استهلاک بالا را پوشش دهند و به سطح بازدهی نزدیک به کسب‌وکارهای ابری با کیفیت بالا یا کسب‌وکارهای نرم‌افزاری برسند.

اجاره GPU: در ۷۵٪ نرخ استفاده، بازده IaaS حدود ۳۱٪ است

اولین مسیر این است که ارائه‌دهندگان بزرگ ابری قدرت محاسباتی GPU را به عنوان IaaS اجاره دهند. فرضیات سناریوی پایه نشان می‌دهد که ظرفیت ۱GW تقریباً معادل ۴۱۰ هزار واحد GPU GB300 انویدیا است، با نرخ استفاده ۷۵٪ و اجاره ساعتی ۸.۵ دلار.

در این مجموعه فرضیات، کسب‌وکار اجاره GPU هر GW درآمد سالانه حدود ۲۲.۹ میلیارد دلار دارد، حاشیه EBIT افزایشی حدود ۶۷٪ و بازده سرمایه حدود ۳۱٪. به شرطی که عرضه GPU بتواند با تقاضای کافی پر شود، IaaS دیگر یک اجاره سخت‌افزاری با حاشیه پایین نیست، بلکه به کسب‌وکار زیرساخت با نرخ استفاده بالا نزدیک‌تر است.

تجزیه و تحلیل بازده اجاره GPU و تحلیل حساسیت: در نرخ استفاده ۷۵٪ و اجاره ۸.۵ دلار در ساعت، بازده پایه IaaS حدود ۳۱٪ است.

این مزیت از قدرت فروش، مراکز داده، روابط مشتری و توانایی فروش پلتفرم ابری موجود ارائه‌دهندگان بزرگ ابری ناشی می‌شود. اگر ظرفیت GPU جدید به نیاز مشتریان موجود گنجانده شود، تبدیل درآمد مستقیم‌تر خواهد بود.

اما این مسیر به قیمت و نرخ استفاده بسیار حساس است. کاهش اجاره GPU، نرخ استفاده ناکافی و افزایش هزینه‌های انرژی، همه می‌توانند بازده را کاهش دهند. با افزایش تعداد بازیگران جدید، ASIC و نسل بعدی GPU نیز ممکن است قیمت واحد قدرت محاسباتی را کاهش دهند و اینکه آیا اجاره ۸.۵ دلار در ساعت می‌تواند به طور پایدار حفظ شود، نامشخص است.

API مدل سود بیشتری دارد، شرط بر مصرف توکن

دومین مسیر استفاده از زیرساخت‌های خود برای ارائه API مدل است. فرضیات سناریوی پایه نشان می‌دهد که ۶۵٪ از ظرفیت برای استنتاج استفاده می‌شود، هر GPU می‌تواند در هر ثانیه حدود ۲۷۵۰ توکن پردازش کند و قیمت‌گذاری ترکیبی برای هر میلیون توکن ۱.۷۵ دلار است.

در این سناریو، حاشیه EBIT افزایشی API مدل حدود ۷۵٪ و بازده سرمایه بیش از ۴۰٪ است. در آمار مختلف، این بازده حدود ۴۰٪ تا ۴۶٪ تخمین زده شده است، اما جهت‌گیری یکسان است: قدرت محاسباتی خودی به همراه خدمات مدل، بازدهی بالاتر از اجاره ساعتی ساده GPU دارد.

دلیل این موضوع پیچیده نیست. ارائه‌دهندگان ابری و مدل‌ها چیزی جز یک ساعت GPU نمی‌فروشند، بلکه توانایی مدل، خدمات استنتاج و فراخوانی API را می‌فروشند. درآمد با مصرف توکن مرتبط است و فضای سود بیشتری دارد.

تجزیه و تحلیل سناریوی API مدل با زیرساخت‌های خود: در نرخ ۲۷۵۰ توکن در ثانیه برای هر GPU و قیمت‌گذاری ۱.۷۵ دلار برای هر میلیون توکن، بازده بیش از ۴۰٪ است.

این همچنین توضیح می‌دهد که چرا شرکت‌های بزرگ فناوری در حالی که تراشه می‌خرند، ویژگی‌های هوش مصنوعی را در جستجو، نرم‌افزارهای اداری، تبلیغات، توصیه‌های تجارت الکترونیک و ابزارهای توسعه‌دهنده قرار می‌دهند. آن‌ها واقعاً نمی‌خواهند فقط قدرت محاسباتی بلااستفاده را اجاره دهند، بلکه می‌خواهند استنتاج را به یک جریان درآمدی با فرکانس بالا، قابل محاسبه و قابل گنجاندن در محصولات موجود تبدیل کنند.

ریسک‌ها نیز در سطح توکن متمرکز است. نرخ پردازش توکن نه تنها به تراشه بستگی دارد، بلکه به مقیاس پارامترهای مدل، پشته نرم‌افزاری، نسبت ورودی به خروجی و توانایی بهینه‌سازی استنتاج نیز بستگی دارد. اگر مدل کارآمدتر باشد، هر GPU می‌تواند توکن‌های بیشتری پردازش کند و بازده افزایش می‌یابد. اگر مدل‌های متن باز و جنگ قیمت، درآمد هر میلیون توکن را کاهش دهند، حاشیه سود تحت فشار قرار می‌گیرد.

اجاره قدرت محاسباتی شخص ثالث برای API، سود بیشتر به راحتی می‌تواند از بین برود

سومین مسیر این است که شرکت‌های مدل از زیرساخت‌های شخص ثالث اجاره می‌کنند و سپس API مدل را به مشتریان ارائه می‌دهند. در سناریوی پایه، اجاره GPU حدود ۷.۷۵ دلار در ساعت است، حاشیه EBIT افزایشی حدود ۳۱٪ و بازده پس از مالیات یا حاشیه سود حدود ۲۵٪ است.

این مسیر هنوز هم می‌تواند سودآور باشد، اما به اندازه پلتفرم‌هایی که زیرساخت‌های خود را دارند، سودآور نیست. طرفی که GPU را اجاره می‌کند ابتدا باید اجاره قدرت محاسباتی را پرداخت کند و سپس هزینه‌های آموزش مدل، استنتاج، خدمات و فروش را تحمل کند که فضای سود خود را باریک‌تر می‌کند.

تجزیه و تحلیل سناریوی API مدل با زیرساخت‌های شخص ثالث: اجاره GPU ۷.۷۵ دلار در ساعت، قیمت‌گذاری توکن، نرخ پردازش و هزینه‌های اجاره به طور مشترک حدود ۲۵٪ بازده پس از مالیات را تعیین می‌کند.

این نیز دلیل برتری نسبی مایکروسافت، آمازون، گوگل و متا است. آن‌ها دارای قدرت سرمایه، مراکز داده، ورودی‌های مشتری و توانایی توزیع محصول هستند و می‌توانند بین IaaS و API گزینه‌های مناسب‌تری برای تبدیل درآمد انتخاب کنند. شرکت‌های مدل خالص یا برنامه‌های میانی اگر قدرت قیمت‌گذاری کافی نداشته باشند، بیشتر تحت فشار هزینه‌های قدرت محاسباتی قرار می‌گیرند.

این به این معنا نیست که شرکت‌های مدل شخص ثالث فرصتی ندارند. مدل‌های با کیفیت بالا، صحنه‌های عمودی، سفارشی‌سازی شرکتی و توزیع در لایه‌های کاربردی هنوز می‌توانند تفاوت ایجاد کنند. اما از منظر بازده سرمایه، طرفی که دارای قدرت محاسباتی با هزینه پایین و زیرساخت‌های با نرخ استفاده بالا است، بیشتر می‌تواند سود را حفظ کند.

نتیجه‌گیری در مورد چهار پلتفرم بزرگ فناوری، اما بازده بالا هنوز محقق نشده است

مورگان استنلی در این محاسبات همچنان به مایکروسافت، آمازون، متا و گوگل خوشبین است. مزیت مشترک آن‌ها این است که هم می‌توانند زیرساخت‌های AI را گسترش دهند و هم محصولات و ورودی‌های مشتری آماده‌ای برای پاسخ به نیازهای استنتاج داشته باشند.

مایکروسافت به رتبه Overweight داده شده و هدف قیمت ۶۰۰ دلار تعیین شده است. هدف قیمت شرکت مادر گوگل، Alphabet، ۴۰۰ دلار است و متا به عنوان انتخاب برتر با هدف قیمت ۷۷۵ دلار معرفی شده است. آمازون نیز به عنوان یکی از پلتفرم‌های بزرگ AI در نظر گرفته شده، اما هدف قیمت خاص آن در منابع عمومی متفاوت است و نمی‌توان یک عدد واحد را به عنوان نتیجه‌گیری در نظر گرفت.

این نقاط هدف نمی‌توانند به عنوان نشانه‌ای از تحقق هزینه‌های سرمایه‌گذاری AI در نظر گرفته شوند. گزارش‌های مالی کوتاه‌مدت این چهار شرکت هنوز ممکن است تحت فشار استهلاک، هزینه‌های انرژی، تعویض تراشه و هزینه‌های تحقیق و توسعه قرار گیرد. اینکه آیا سرمایه‌گذاری‌های AI می‌تواند به بازده سهامداران تبدیل شود، در نهایت به این بستگی دارد که آیا رشد درآمد استنتاج می‌تواند از گسترش هزینه‌ها پیشی بگیرد یا خیر.

بازده ۲۵٪ تا ۵۰٪ نیز فقط یک محاسبه سناریویی است و نه نتیجه مالی که قبلاً اتفاق افتاده است. نرخ استفاده ۷۵٪ یک آستانه بالا است و اگر کاربردهای AI شرکتی کندتر از حد انتظار به نتیجه برسند، GPU‌های بلااستفاده به طور مستقیم بازده را کاهش می‌دهند. قیمت‌گذاری توکن نیز پایدار نیست و مدل‌های متن باز، مدل‌های کوچک‌تر با کارایی بالاتر و جنگ قیمت بین ارائه‌دهندگان ابری می‌تواند درآمد هر میلیون توکن را کاهش دهد.

این گزارش بیشتر شبیه یک خط‌کش است: به شرطی که شرکت‌های بزرگ فناوری بتوانند زیرساخت‌های AI را در نرخ استفاده بالا حفظ کنند و از طریق API مدل، خدمات ابری و محصولات موجود، مصرف توکن را به درآمد تبدیل کنند، هزینه‌های سرمایه‌گذاری AI دیگر فقط یک حفره هزینه نخواهد بود. برعکس، اگر اجاره، نرخ استفاده و نرخ پذیرش استنتاج به استاندارد نرسد، بازده ۲۵٪ تا ۵۰٪ به سرعت در جداول مدل باقی خواهد ماند.