AI算力光速革命

（來源：尺度商業）

來源：尚雅投資

作者：石波

一、傑文斯悖論：效率提高10X資源消耗100X，算力10年1000X空間

傑文斯悖論（Jevons Paradox）是指：技術進步提高了某資源的利用效率，反而可能導致該資源的總消耗量增加，而非減少。

這一理論由英國經濟學家威廉·斯坦利·傑文斯（William Stanley Jevons）在1865年提出，最初用於分析「蒸汽機效率提升后，英國煤炭消耗量反而激增」的現象，核心邏輯可拆解為兩點：

1. 效率提升降低了資源的「單位使用成本」（比如煤炭發電成本下降），會刺激更多行業（如工廠、鐵路）擴大對該資源的需求，形成「需求擴張效應」。比如大模型價格降低1/10需求會增加20X反而算力增長2X。

2. 算力需求Tokens擴張的速度正以1年10倍十年十萬倍增長，超過效率提升帶來的「單位消耗減少效應」，最終導致算力總消耗量上升1000倍。

二、黃氏定律：GPU性能每年提升1X以上超越摩爾定律（12-18個月）：算力翻倍速度跟不上需求（tokens3.4個月翻倍）增長速度導致算力通漲GPU一直漲價

黃氏定律是以英偉達首席執行官黃仁勛的名字命名的定律，其預測GPU將推動AI性能實現逐年翻倍。

IEEE Spectrum最先以黃仁勛的名字將這一驚人的性能提升命名為「黃氏定律」，后來《華爾街日報》的一篇專欄文章又讓該定律廣為流傳。英偉達首席科學家兼研究高級副總裁Bill Dally表示，從2012年11月到2020年5月，英偉達芯片在重要的AI計算領域的性能提升了317倍，平均每年提升一倍以上。

黃氏定律的提出源於黃仁勛對摩爾定律的否定，他認為GPU受益於架構、互連、存儲技術、算法等多方面的同步進步，架構升級優於單卡算力提升。

1、GPU加速度是從堆集成電路到堆GPU:第一代DGX-1集成8塊GPU到現在GB300最多集成576塊GPU，把機櫃做成一個大的GPU集羣和超級計算機。

2、ASIC單卡效率不如GPU就要堆更多XPU，卡效率不足架構補，谷歌用OCS堆嵌9000多卡光網聯結。

3、中國卡效率更不足光通訊補，華為集成384卡超節點服務器要用6912個光模塊。

三、算力就是生產力：算力需求指數性上升，Token數3.4月翻倍，一年十倍十年100萬倍

每投1元錢增加GDP3-4元

OpenAI CEO奧特曼認為AGI將是一個巨大的生產力驅動因素，可能會使全球GDP翻倍，這一過程大概需要10年時間。

• AI智能體可成為虛擬同事：AI智能體可以取代頂級公司的軟件工程師，能夠在1-2天內完成他們的大部分工作。未來會有1000個，甚至100萬個智能體遍佈工作的各個領域，成為人們的虛擬同事。

• 智能增長帶來超指數級社會經濟價值：奧特曼指出人工智能模型的智能大致等於用於訓練和運行該模型的資源的對數，使用一定水平的人工智能的成本每12個月就會下降約10倍，而線性增長的智能的社會經濟價值具有超指數性質，這意味着AGI有望為社會帶來巨大的經濟收益。

• AGI能解放人類勞動力：AGI將提升生產效率，讓人們從重複性工作中解放出來，並組建個人AI團隊，從而有更多時間去從事其他更有價值的活動。

木頭姐凱瑟琳·伍德（Catherine Wood）對AGI生產力的進步持有非常樂觀的態度，她認為AGI將帶來指數級的增長，並極大地推動全球經濟發展。以下是其主要觀點：

• AGI將推動全球經濟增速大幅提升：木頭姐認為當前技術創新處於「棋局的后半段」，AI算力已經完成了前48次翻倍，接下來的16次翻倍將在2030年之前完成，會引發爆炸性增長。她預測，五大技術平臺（AI、區塊鏈、能源存儲、機器人、基因測序）的交叉融合，將推動全球經濟增速從3%躍升至7.3%。

• AGI將使AI算力大幅提升且成本降低：到2030年每花費一美元買來的AI算力，會比現在高出1000倍，同時訓練最先進的AI大模型的成本將暴跌到現在的1%。這將使得AI的應用廣泛普及，從而極大地提高生產力。

• AGI在各領域的應用將顯著提高效率：在自動駕駛領域，特斯拉自動駕駛技術的算力水平不斷提升，機器人出租車將以低成本大規模取代人類。在新葯研發領域，算力水平的提高使研究員的研發效率大幅提升，新葯研發時間將從過去的平均10年縮短到2 - 3年，甚至幾個月，研發成本將從數十億美元降至百萬美元。在AI軟件工程領域，AI解決任務的正確率大幅提高，將替代絕大部分碼農編寫代碼，並能自動糾錯，大大提高軟件的交付效率。

四、算力即國力

scalinglaw大力出奇跡

Scaling Law通常指縮放定律或規模定律，是描述系統性能或特性隨規模變化呈現規律性關係的理論模型，在人工智能領域被廣泛研究和應用。

在機器學習和人工智能領域，Scaling Law的核心是模型性能與模型規模、數據集大小和計算資源之間的冪律關係。具體而言，當模型參數數量增加、訓練數據集擴大以及計算資源增多時，模型性能會提升，但邊際收益遞減。例如OpenAI的研究表明，模型的損失函數與模型規模的負冪次方成正比，即模型規模增大時，損失函數會以冪律下降，大模型只能靠大算力，GPT3是千卡集羣，GPT4是萬卡集羣，GroK模型是十萬卡集羣，隨着模型從訓練階段迭代到agent推理階段算力消耗將增加100X

軍備競賽

AGI是一場生死時速

AGI 即通用人工智能（Artificial General Intelligence），其核心定義是：具備與人類相當甚至超越人類的綜合認知能力，能夠在任意領域自主學習、理解、推理，並靈活解決各類未知複雜問題，AGI相當於人類的大腦，誰訓練出了人類社會的大腦誰就控制人類社會的生產力，沒有算力就沒有大模型，沒有大模型就沒有智能駕駛，就沒有智能機器人、汽車、手機、無人機等智能終端，搶佔AGI對國家來説是生死之戰，對頭部企業是生死時速：

1、星際之門：OpenAI聯手Orocle投5000億美金建10GW數據中心。

2、Meta眾神之門：6000億美金建15GW數據中心，第一個就是20萬卡集羣，第二個50萬卡集羣。

3、谷歌和Anthropic建9GW集羣數據中心。

4、馬斯克要建15GW數據中心，己建好10萬卡集羣基礎上往20萬卡躍進。

5、微軟維斯康辛要建成幾十萬卡最大數據中心，光光纖的用量就可以繞地球4.5圈。

現在一個GPU的價格超過汽車，一臺AI服務器的價格超過房子，算力投資即將超過房地產業投資成為國家基礎設施投資和最大產業，各國爲了數據安全也要建立主權AI，美國未來五年要投3-4萬億美金建67GW數據中心，準備用上億塊GPU保障AGI時代的到來。

中國在用算力中心標準機架達1085萬架，算力總規模位居全球第二。隨着自主可控芯片的推出，加上中國在5G和光通訊組網的優勢，華為超節點服務器的推出，阿里未來3年投資3000億人民幣於AI算力中心，我國即將迎來主權AI算力投資的光速時期。

五、算力即貨幣：1、算力具有稀缺性；2、算力成為價值尺度：能耗決定智能成本；3、算力平權：人手一個agent 個人算力將上升萬倍

六、算力通脹：供給跟不上需求增長

GPT推出以來，GPU芯片價格一直在上漲，從第一臺8卡服務器DGX-1價格13萬美元，到GB-300價格300萬美元，到明年Rubin架構服務器450萬美元。

由於系統架構升級，附加在芯片上面的零部件價格也進入通脹模式：PCB價格從375美元/GPU提升至1521美元/GPU,上游電子布和CCL也開始漲價，光模塊價格從800G500美金漲到1.6T1000美元，上游FAU價格也從400G7美元800G15美元漲到1.6T20美元。

七、超級計算機：指數型擴張的產業鏈

1、從芯片（2萬美元）到機架（450萬美元）到數據中心（萬卡4億美元）主權AI(1GW300億美元）投資強度，數據中心將超越房地產業成為人類歷史最大基礎設施（10萬億美元市場）。

2、AI服務器架構越來越複雜：從DGX3.5萬到現在120萬個零部件

scaleup相當於櫃內提高容積率：PCB增加5倍

光模塊增加50倍

scaleout相當於建數字小區（光模塊增加3-18X）

scaleacross相當於建數字城市（光纖環繞地球）

八、中國供應鏈再次偉大

由於組網架構越來越複雜，GPU卡只是一個個磚頭，要建成算力機櫃房子，PCB水泥要從10層堆到到100層（5-10x空間），磚頭要聯結光模塊有3-18倍的空間，房子建好要后要有電源和液冷空調，機櫃房子到小區數據中心要靠交換機（OCS），數據中心再聯網要靠光通訊（相干光模塊和空心光纖），英偉達用的零部件己經從DGX-1的3.5萬個零部件上升到現在的120萬個零部件，請問全世界還有誰有這麼大配套能力？中國佔全世界1/3的電子行業產業鏈，PCB佔60%，光模塊佔70%，特別是中國在5G通迅技術和組網能力上領先全球，未來十年數據中心基礎設施的投資總量超過房地產，Agent的總量超過手機，機器人的數量超過汽車，所以只要美國頭部企業有了1，中國零組件企業就會加個零乘以10，整個供應鏈體系就有34倍空間，如果過去5年是納斯達克的春天，未來五年就是中國供應鏈的秋天！

數據中心價值鏈重構

1、GPU佔50%未來五年14X空間（今年銷量700萬片到2030年1億片）

2、CPU佔10%

3、存儲芯片佔18%

4、服務器佔45%

5、交換機佔20%

6、網絡佔12%

7、光模塊佔15%未來5年至少42X空間（比芯片數多3-18X）

8、PCB5%取代銅纜價值量增長4X-5X

9、電源10-15%

10、液冷佔3%

11、光通信

九、光速革命：只有光能追上光速

1、光進銅退：光比銅具有更高的帶寬更低的時延。

2、光模塊（英偉達1:3到華為1:18）：光電轉換的高速公路和神經網絡，比芯片數有3-18倍的彈性，scaleup櫃內光模塊增加48X倍空間。

3、OCS光路交換機：比電交換機效率提升30%功耗降40%，2018年有20億美元空間。

4、硅光子技術：採用Comos工藝將光電器件集成到硅基上，減少50%光器件和EML芯片，降低成本30%，硅光800G超50%滲透率，1.6T開始全用硅光芯片。

5、LPO去DSP線性驅動方案比硅光還便宜20%，功耗降低40%。

6、CPO光電共封裝：3.2T性能提高3.5倍。

7、OIO全光網：光芯片光互聯效率提升百倍。

8、數據中心聯網：市場堪比5G投資規模，光通訊、相干光模塊和空心光纖有巨大空間。

9、光耦合設備堪比ASML。

十、商業模式和壁壘問題

1、黃氏定律開創了一個新的商業模式：以快打慢（集成速度超摩爾定律）、效率革命（比同業速度快3X），永不降價（算力提升10X價格只漲1倍），扶持供應鏈（有錢大家賺）、系統制勝三大壁壘：GPU壟斷、Cuda軟件生態（20年）、UVLink組網協議（10年）。

2、供應鏈公司：效率第一（只有中國公司24小時生產6個月產能翻番才能追上AI光速發展）、工程師隊伍（超過全世界之和）、產業鏈優勢和配套能力（120萬個零組件）、供應鏈認證壁壘（3年）、技術良率材料和設備壁壘。

3、從內卷商業模式到供應鏈生態建設：從蘋果到英偉達開創了供應鏈生態建設，通過技術進步產業升級提高產品價值，而不是壓榨供應鏈，在AI時代光速發展時代供應鏈的地位不斷得到提升，他們看重的是供應鏈的保供能力和交貨品質，一般一個零部件只選兩家供應商，供應鏈的集中度是在提高的，由於光速發展快速響應使供應鏈進入加速淘汰賽，在指數型增長時期差6個月就會有十倍的差距，黃氏定律決定企業一旦進入AI供應鏈體系產品升級速度比同行快3X，同時產品價格進入價升量增通漲模式。

十一、AI算力產業鏈具備乘數效應：從GPUscale

到機櫃逐次放大供應鏈企業價值

按照1:3和1:5芯片附着比，供應鏈公司的漲幅和市場空間具備乘數效應，美國公司負責0-1，中國公司負責1-10

1、英偉達23年開啟3X業績成長。

市值超過蘋果：GPU單價2萬美金高於蘋果手機1000美元的價格，而且產品迭代速度快於蘋果，全球80億人口己經接近74億手機，而對算力和Agent的需求沒有上限。

2、光模塊企業24年開啟3X業績增長。

3、PCB龍頭企業25年開始3X業績增長。

未來將有更多的企業開始加速增長期，電子行業的市值己經超越金融行業，這場由AI帶動的算力革命正以前所未有的速度帶動中國產業升級和技術突破，試看將來的環球，必是AI的世界。