来源：市场资讯
（来源：猫哥读研报）
如果说过去两年市场最关心的问题是AI需求到底有多大，那么伯恩斯坦最新半导体研报试图回答另一个更重要的问题，那就是为了支撑下一代AI模型训练，人类究竟需要投入多少钱。
伯恩斯坦给出的答案非常震撼，一个采用英伟达Vera Rubin架构、拥有1GW算力容量的AI数据中心，总投资成本可能高达470亿美元。
这个数字不仅远超传统数据中心，也意味着全球AI资本开支正在进入一个前所未有的超级扩张周期。
更重要的是，伯恩斯坦发现很多投资者都低估了AI数据中心的真实成本，市场普遍认为一套Vera Rubin NVL72机柜价格约800万美元，但伯恩斯坦经过产业链调研后认为，真实成本已经接近910万美元，而且未来还有继续上涨空间。
这份报告实际上释放了几个极其重要的信号，包括AI基础设施投资远未结束、AI资本开支仍在持续升级、存储和网络及电源正在成为新的受益方向、AI算力需求增长速度依然超过供给增长速度，以及AI产业链的价值重心正在从GPU逐步向整个数据中心扩散。
换句话说，市场过去关注的是英伟达，而未来市场需要关注的是整个AI基础设施生态。
第一部分、为什么一个AI机柜就要910万美元？
伯恩斯坦拆解了Vera Rubin NVL72机柜的完整成本结构，最终得到的结论是单个机柜成本约909万美元。
很多媒体此前报道的数字是800万美元左右，而差异主要来自一个关键变量，那就是HBM。
GPU仍然是最大成本来源
在整个机柜中，GPU成本约505万美元，CPU成本约98万美元，仅计算芯片部分就达到603万美元。
其中Rubin GPU单价约5.5万美元，每个机柜配置72颗GPU，仅GPU采购成本就接近400万美元。
这意味着即使进入Rubin时代，GPU依然占据AI服务器成本的大头，英伟达仍然是整个产业链价值捕获能力最强的公司。
真正被低估的是HBM
伯恩斯坦认为市场最大的误判来自HBM价格，因为很多机构仍然按照历史价格计算，但伯恩斯坦预计2027年HBM4价格可能上涨至53美元/GB，而Rubin单机柜需要20.7TB HBM4，因此HBM成本将从34万美元直接膨胀到109万美元。
这也是为什么伯恩斯坦的机柜成本比市场高出100多万美元的重要原因。
报告认为，未来几年AI产业最大的瓶颈之一，很可能不再是GPU，而是HBM供应。
DRAM也在疯狂增长
更值得关注的是CPU配套内存，Blackwell时代CPU内存约17TB，而Rubin时代直接提升至54TB，增长超过3倍，对应成本达到80万美元。
伯恩斯坦特别强调，未来AI服务器中DRAM增速甚至可能超过HBM，因为推理阶段大量KV Cache需要更大容量内存。
这意味着未来受益最大的可能不仅是SK海力士、美光，还包括整个DRAM产业链。
第二部分：AI投资逻辑已经从芯片扩散到整个机房
过去市场总觉得AI投资等于买GPU，但伯恩斯坦认为这种理解已经过时，随着机柜功率不断提升，数据中心越来越像一座发电厂。
网络设备成本已经超过120万美元，在Rubin架构下，单机柜网络成本达到126.7万美元，主要包括NVLink交换机、Spectrum X交换机、光模块、高速铜缆以及背板连接器。
网络成本已经接近整个机柜成本的14%，而且比例还在提升，这意味着未来AI投资逻辑已经不只是GPU，光模块、交换机、连接器等环节同样会持续受益。
电源系统正在成为最大增量市场
这是报告里一个非常重要但容易被忽略的细节。
Blackwell时代单机柜电源价值量约5万美元，而Rubin时代已经达到15万美元，增长超过200%。
原因很简单，因为功率越来越高，H100时代机柜功率约41kW，Blackwell约132kW，而Rubin已经达到220kW。
这意味着未来AI数据中心最大的受益者之一可能不是芯片厂商，而是电源厂商，伯恩斯坦明确看好台达电等电源供应链企业。
第三部分：1GW AI数据中心到底有多贵？
这是整篇报告最震撼的部分，单GW成本已经达到470亿美元
伯恩斯坦测算，Rubin机柜成本约323亿美元/GW，而土地、建筑、电力系统和冷却系统等基础设施还需要150亿美元，最终总投资达到473亿美元/GW。
作为对比，Blackwell时代约405亿美元，H100时代约370亿美元，也就是说，每一代AI平台升级都在推动数据中心资本开支持续上升。
AI资本开支远未见顶
很多投资者担心科技巨头的AI投入是不是快到顶了，但伯恩斯坦的答案恰恰相反。
报告认为单位GW成本仍在增长，即使未来新增电力容量增长放缓，总资本开支依然可能保持增长。
换句话说，未来几年AI行业可能出现一种现象，那就是新增机房数量增长变慢，但每座机房越来越贵，因此整体资本开支仍然持续扩张。
第四部分：AI真正的成本不是电费，而是折旧
很多人以为AI最大的成本来自电力，但伯恩斯坦认为完全不是。
电费只占很小一部分
按照每度电0.15美元计算，1GW数据中心全年电费约13亿美元，听起来很多，但与之相比，470亿美元投资按照6年折旧计算，每年折旧约79亿美元，是电费的6倍以上。
这意味着AI行业真正的成本核心并不是能源，而是设备更新。
AI行业进入设备军备竞赛
由于GPU更新速度太快，服务器折旧周期通常只有4至6年，远低于建筑和机房寿命，因此未来数据中心运营商最重要的问题不是如何节省电费，而是如何更快获得最新GPU，因为谁拥有最新一代算力，谁就拥有竞争优势。
最后总结一下
这份伯恩斯坦报告最大的价值，并不是解释机柜值多少钱，而是揭示了AI产业下一阶段最重要的投资逻辑，那就是AI已经从芯片故事升级为基础设施故事。
过去大家只盯着英伟达，而未来真正的赢家将遍布整个产业链，从HBM、DRAM、NAND，到ABF载板、PCB、交换机、光模块、电源系统、液冷设备，再到数据中心运营商，所有环节都在分享AI资本开支扩张带来的红利。
而更重要的是，伯恩斯坦测算的470亿美元/GW成本告诉市场，AI基础设施建设并没有进入尾声，反而正在迈向一个投入规模更大、产业链更广、持续时间更长的新阶段。
如果过去两年市场交易的是英伟达，那么未来三到五年，市场很可能交易的是整个AI数据中心价值链。
本篇研报原文和更多外资观点已整理在知识星球
热门跟贴