Bernstein gắn mức giá cho cuộc đua xây dựng AI
TREE NEWS đưa tin: Theo một báo cáo nghiên cứu mới từ Bernstein, việc xây dựng một trung tâm dữ liệu AI công suất 1 gigawatt đòi hỏi khoảng 34,6 tỷ USD đến 39,5 tỷ USD chi phí đầu tư (capex), tùy thuộc vào kiến trúc tăng tốc (accelerator) được triển khai. Phân tích cho thấy kiến trúc Vera Rubin của Nvidia có chi phí xây dựng cao nhất, trong khi thiết kế ASIC Jalapeno nội bộ của OpenAI nằm ở mức thấp nhất trong khoảng này.
Bernstein cũng hạ ước tính chi phí cho một rack Nvidia Rubin NVL72 xuống còn 7,52 triệu USD từ mức 9,1 triệu USD — giảm khoảng 17% — phản ánh các giả định đã điều chỉnh về giá HBM và dung lượng lưu trữ NAND.
Vì sao sự giao thoa giữa crypto và compute lại quan trọng
Những con số này nằm ngay trung tâm cuộc tranh luận về các mạng lưới compute phi tập trung. Các giao thức tập hợp GPU nhàn rỗi và bán năng lực suy luận (inference) hoặc huấn luyện (training) trên chuỗi từ lâu đã tự quảng bá là lựa chọn thay thế rẻ hơn so với việc xây dựng của các hyperscaler. Cách đặt vấn đề của Bernstein — rằng gánh nặng kinh tế chủ đạo không phải là điện năng mà là khoản capex ban đầu khổng lồ cùng mức khấu hao mà nó tạo ra — làm sắc nét hơn luận điểm đó, bởi khấu hao chính xác là khoản mục mà một mạng lưới phân tán có thể đẩy ra bên ngoài cho các node operator.
Đồng thời, việc điều chỉnh giảm chi phí rack lại tác động theo hướng ngược lại. Nếu kinh tế học trên mỗi đơn vị của Nvidia được cải thiện và chi phí HBM hạ nhiệt, khoảng cách chi phí giữa hyperscale tập trung và các lựa chọn thay thế phi tập trung sẽ thu hẹp, gây áp lực buộc các marketplace compute dựa trên token phải cạnh tranh bằng tỷ lệ sử dụng và độ trễ chứ không chỉ bằng mức giá danh nghĩa.
Gánh nặng khấu hao
Thông điệp cốt lõi của báo cáo là hóa đơn tiền điện chỉ là mối quan tâm thứ yếu. Một cơ sở trị giá hàng tỷ USD phải được khấu hao trong vòng đời hữu ích có thể ngắn hơn lịch trình trả nợ vay, do các thế hệ accelerator thay đổi quá nhanh. Sự lệch pha đó chính là rủi ro thực sự đối với bất kỳ nhà vận hành nào — dù tập trung hay phi tập trung — đang tài trợ phần cứng bằng nợ hoặc bằng phát hành token.
Đối với các mạng lưới compute gốc crypto, hàm ý là con dao hai lưỡi. Ưu đãi token có thể trợ cấp capex ban đầu, nhưng bản thân chúng lại hoạt động như một dạng khấu hao tăng tốc, và thị trường đã nhiều lần trừng phạt các giao thức có mức phát hành vượt xa doanh thu thực.
Những điều cần theo dõi
- Liệu giá HBM và NAND có tiếp tục giảm, càng nén chi phí rack và thu hẹp lợi thế chi phí của phi tập trung hay không.
- Hiệu năng thực tế của ASIC Jalapeno từ OpenAI ra sao — một lựa chọn thay thế chi phí thấp đáng tin cậy sẽ định hình lại toàn bộ chuỗi cung ứng.
- Liệu các giao thức compute phi tập trung có thể chuyển cường độ capex thấp thành tỷ lệ sử dụng có thể kiểm chứng và tạo doanh thu, thay vì chỉ là trợ cấp dựa trên phát hành token hay không.
Cuộc đua hạ tầng AI đang ngày càng là một câu chuyện của thị trường vốn, và lĩnh vực compute của crypto sẽ được đánh giá dựa trên việc liệu nó có thể mang lại một đường cong chi phí rẻ hơn về mặt cấu trúc — chứ không chỉ là một câu chuyện rẻ hơn.
