1、 迄今为止，价值在生成式 AI 中集中在哪里？
尽管距“AI 的 iPhone 时刻” [1] 已有 18 个月，但发展速度从未减缓。我一直在思考的一个关键问题，无论是现在还是将来，生成式 AI 的价值究竟集中在哪个环节。
如今，生成式 AI 堆栈的价值分配似乎呈 A 型结构，而非云计算 [2] 的 V 型结构：
我将整个堆栈分为三个层级：半导体 、基础设施和应用 。以下是对生成式 AI 收入的估算：
- 半导体：英伟达在上一报告季度（截至 2024 年 1 月）的数据中心收入约为 180 亿美元。鉴于其 95%+ 的市场份额，我们保守估计这一层级的年化收入约为 750 亿美元。
- 基础设施：这一层级包括超大规模云服务商（AWS, GCP, Azure）和主要的推理云（Coreweave, Lambda, 等）。我们宽泛地估计，该层级的年化收入约为 100 亿美元。
- 应用：包括大语言模型（OpenAI, Anthropic, xAI, 等）、图像模型（Midjourney 等）以及其他纯粹的生成式 AI 应用。部分生成式 AI 用例的收入可能被计入“软件”收入，因此目前我们宽泛地估计该层级的年化收入约为 50 亿美元。
相比之下，云计算经济则呈现出一种更“直观”的价值分布，即最贴近最终用户的应用环节赚取了最多的价值。
总结： 如今，半导体层在生成式 AI 堆栈中占据了约 83% 的收入（总收入 900 亿美元中的 750 亿美元）。这远高于半导体层在当前云计算中所占据的约 10%！
2、 迄今为止，利润在生成式 AI 中集中在哪里？
在盈利能力方面，我们也看到了一个倒金字塔式的结构，其中半导体层如今攫取了最高的份额 [3]：
以下是利润估算：
应用： Anthropic 估计毛利率约为 50-55%。我们假设整个应用层级的毛利率也处于这一水平。
基础设施： 我估计基础设施服务商赚取约 65% 的毛利率（不含 GPU 折旧）。若计入折旧，这一数字将降至 25-30%。
半导体： NVIDIA 估计其生成式 AI 数据中心产品的毛利率高达 85% 以上。
云堆栈的研究已相当透彻，但超大规模云服务商的毛利率数据除外。据估计，Azure 的毛利率约为 63%，我们假设所有基础设施层级的毛利率均接近这一数字。
综合来看，毛利润显着集中在半导体层，该层级攫取了 640 亿美元（总额 730 亿美元 中）。下图展示了这一情况（收入 x 毛利率 %）：
有必要通过条形图来直观呈现这些惊人的相对比例。图中 100% 代表系统中的总毛利润。
半导体层占据了生成式 AI 生态系统中所有毛利润的约 88%（相比之下，半导体层在云堆栈中仅占 5%）。
3、 我们将何去何从？
我们正处于平台转变的早期阶段，大部分价值被半导体捕获。我不认为生成式 AI 收入的当前结构（倒金字塔）会永远持续下去。我预计应用层将在适当的时候，占据价值链中类似的高比例份额。
以下是移动互联网浪潮中价值如何集中的案例研究。在过去的十年中，移动领域的价值依次集中在半导体、基础设施层级，最后是软件层：
类似地，在云计算中，我们首先经历了数据中心的建设，随后是云服务提供商的崛起。AWS 始于 2004 年，并在 2010 年至 2012 年间获得了首批客户（Amazon 自己在 2010 年切换到 AWS，Netflix 在 2012 年加入）。
我预计生成式 AI 将以类似的方式发展。我们目前正处于第 1 局（半导体），我预计我们将在本十年末达到第 3 局（应用）。（注：这是借鉴棒球比赛的阶段性比喻。）由此可见，鉴于我们从一个低基数起步，我认为最大的开放机会在于应用堆栈！
在这场过渡过程中，有几个关键问题是我正在思考的：
A) 英伟达会继续攫取 85%+ 的毛利率吗？
我认为不会。英伟达的毛利率似乎已达到顶峰，并正处于下降轨道。来自 SemiAnalysis 的观点是：“我们相信英伟达的毛利率已达到顶峰。我们预计 B100 和未来的系列产品将有略低的毛利率。此外，由于 H200 和 H20 的推出，H100 的毛利率在接下来的几个季度中也会有所下降。”
我追踪的关键问题，作为衡量英伟达霸主地位的先行指标，包括：
GPU 供应的交货时间？目前约为 6 周
GPU 租赁价格的趋势？
B) 云应用赚取 75-80% 的毛利率，但 AI 应用赚取 0-50% 的毛利率，这将如何演变？
我相信 AI 应用的盈利能力会随着时间的推移而改善。有几个驱动因素将有助于未来推动更好的盈利能力：
- 更好的定价 / 价值对齐： 众所周知，在某些情况下，AI 应用根本无法盈利。特别是对于超级用户而言，因为销售成本 (COGS) 与使用量直接挂钩。
- 定制芯片 → 降低总拥有成本 (TCO)： 所有超大规模云服务商和 Meta 都在研发自己的半导体版本（Google, Microsoft, Amazon, 和 Meta）。随着时间的推移，这应该会降低总拥有成本。原因不仅在于它能消除中间环节的利润叠加，还在于它能让他们专注于自身的工作负载 (workloads)。
- 模型架构的改进： 我看到各种非 Transformer 的方法，例如状态空间模型（适用于长上下文窗口的用例，如代码编写）、JEPA（适用于视频模型）等。
- 模型成本的降低： 受益于批处理、蒸馏、量化、专家混合等各种技术驱动，模型的成本正以快速的速度变得更便宜。正如 Bill Gurley 所指出的：
C) 消费领域的生成式 AI 呢？
我预计消费领域也会有类似的转变，从硬件层开始。与数据中心类似，消费设备将被升级为 AI PC / 智能手机 / 新颖的外形（例如 Meta glasses, Humane Pin, Rabbit R1）。消费应用有三个细分市场：信息（搜索）、娱乐（游戏、媒体）和交易（旅游、电子商务等）。正如我的同事 Vivek 计算的，搜索查询正日益从信息性搜索转向基于大模型的搜索：
类似地在娱乐领域，无论是游戏还是媒体，我们都期望价值从创作者/制作者转向技术推动者。
1、Source: Jensen Huang
2、Sources: 1) Semi layer revenue based on Q4’24 NVIDIA data center revenues of $18.4B annualized. 2) Infra and App layer revenue based on internal estimates. 3) Cloud stack revenue based on Coatue analysis
3、Sources: 1) AI Semi source, 2) AI Infra layer GM based on internal estimates (65% does not include depreciation), 3) AI app source 4) Cloud Semi GM based on Intel + AMD CY2023 results, 5) Cloud Infra GMs source, 6) Cloud apps Meritech analysis
本文转载编译自https://apoorv03.com/｜原文地址：https://apoorv03.com/p/the-economics-of-generative-ai｜（编译：Katerina）