生成式AI产业经济学：价值分配与利润结构

处在生成式人工智能（GenAI）技术变革的浪潮上，人们对这一将降低成本和产生利润的强大工具充满了期待。

然而，ChatGPT爆火一年后，GenAI产业还没有形成像当前云服务产业那样的价值结构，后者的上层应用占据价值链中的大部分比例，并获取了大部分利润，基础设施软件层的利润次之，而硬件层分到的“蛋糕”最少。

与之相反，在GenAI领域，硬件层却占据了近90%的利润率。蓦然回首，大家发现，整个产业链基本都在给GPU厂商英伟达“打工”。

那么，当前这种GenAI经济模式是否还会持续下去？该领域未来的价值会在哪些方面累积，又该如何实现？本文对GenAI领域的当前的产业价值分层和利润分配进行了解读，并对未来发展作了预测。

（本文作者Apoorv Agrawal是Altimeter资本的投资人，此前是Palantir的工程师。本文经授权后由OneFlow编译发布，转载请联系授权。原文：https://apoorv03.com/p/the-economics-of-generative-ai）

作者｜Apoorv Agrawal

OneFlow编译

翻译｜张雪聃、宛子琳、杨婷

1

GenAI的价值累积在哪些方面？

距“AI的iPhone时刻（2023年Nvidia创始人黄仁勋在GTC大会演讲中所述）”已经过去了18个月[1]，但其发展的步伐并未放缓。我一直在思考一个重要的问题：当下以及未来，GenAI领域的价值累积在哪些方面？

目前，GenAI的技术栈价值累积呈现出A字型的结构，而云服务则呈现V型[2]：

我将技术栈分为三层：半导体层、基础设施层和应用层。以下是关于GenAI的收入统计：

• 半导体层：Nvidia上个季度（截至2024年1月）的数据中心收入约为180亿美元，鉴于其拥有95%以上的市场份额，这部分的年收入预计约为750亿美元。

• 基础设施层：这一层包括超大规模计算供应商（AWS、GCP、Azure）和主要的推理云（Coreweave、Lambda等）供应商，粗略估算这一层的年收入约为100亿美元。

• 应用层：语言大模型（OpenAI、Anthropic、xAI等）、图像模型（Midjourney等）以及其他单纯的生成式AI应用。部分GenAI用例可能会将收入伪装成“软件”收入，因此我大胆估算这一层的年收入约为50亿美元。

相比之下，云经济展现出一种更符合“直觉”的价值分配——更靠近终端客户的应用能够赚取更多的价值。

半导体层目前已经占据了GenAI技术栈年收入的约83%（900亿美元收入中的750亿美元），这远高于半导体在云技术栈中目前所占的约10%年收入！

2

GenAI的利润累积在哪些方面？

如下图，我们同样可以看到利润率的倒置结构，半导体层目前占据的份额最高[3]：

以下是统计数据：

• 应用层：据估计，Anthropic的毛利率约为50-55%。我假设整个应用层的毛利率相同。

• 基础设施层：我估计基础设施供应商的毛利率约为65%（不包括GPU折旧）。如果包含折旧率，这一数字将下降到25-30%。

• 半导体层：据估计，NVIDIA在其GenAI数据中心产品上的毛利率超过85%。

云技术栈的情况已经得到了深入研究，除了超大规模的毛利率。据估计，Azure的毛利率约为63%，我们假设这个数字适用于所有基础设施层。

综合来看，总毛利润主要集中在半导体层，赚取了640亿美元（总计730亿美元）的利润。见以下图表（收入 x 毛利率 %）：

很有必要用条形图直观地展示这一惊人的相对比例。此处我们假设100%代表系统中的总毛利率。

结论：半导体层目前已经占据了GenAI生态系统中约88%的全部毛利率（而在云技术栈中，半导体的毛利率仅占5%）。

3

未来发展方向是什么？

我们正处于一个平台转型的早期阶段，其中半导体产业获取了大部分价值，但我并不认为GenAI当前的收入结构（倒金字塔）会保持不变，我预计，应用层将在适当的时间内占据价值链中类似的高比例。

以下是移动浪潮中关于价值积累的案例研究。在过去的十年里，移动智能领域的价值首先在半导体层积累，然后在基础设施层，最后在软件层：

类似地，在云计算领域，我们首先见证了数据中心的建设，随后是云服务供应商的崛起。AWS始于2004年，并于2010-2012年获得了第一批客户（亚马逊在2010年转向了AWS，2012年Netflix加入了他们）。

我预计，GenAI也会如此发展。我们当前处于第一阶段（半导体），预计将于2030年进入第三阶段（应用）。由此可推出，由于当前的基数较低，我认为，未来在应用层技术栈中存在的机会最多！

在这一过渡阶段，几个关键问题值得考虑：

A) NVIDIA的毛利率能否继续维持在85%以上？

我认为不会。显然，NVIDIA的利润率已经达到峰值，并且呈下降趋势。据SemiAnalysis的分析：“我们认为，NVIDIA的利润率已经达到顶峰，预计B100和未来产品系列的毛利率会略微下降，并且在未来几个季度内，由于H200和H20的推出，H100的毛利率也将下降。”

我关注的重要问题，也是NVIDIA占据主导地位的关键指标：

• GPU供应的交货时间？目前约为6周

• GPU租金价格的趋势？

（CoreWeave GPU Cloud Pricing）

B) 云应用的毛利率为75-80%，而AI应用的毛利率为0-50%，未来将如何演变？

我相信，AI应用的盈利能力会随着时间的推移而提高。以下几个因素将帮助AI应用在未来更好得盈利：

• 更好的定价/价值对齐：众所周知，在某些情况下（https://news.ycombinator.com/item?id=37827955），AI应用根本不盈利——尤其对于重度用户来说，因为销售成本（COGS）与使用量挂钩。

• 通过定制芯片降低TCO：所有超大规模的云服务供应商都在研发自己的半导体体系（包括谷歌、微软、亚马逊和Meta）。这应该会降低总体拥有成本（TCO），因为它不仅能消除利润率叠加，还能让他们专注于工作负载。

• 改进模型架构：现在有很多非Transformer的架构，如状态空间模型（适用于长上下文窗口的用例，如编码），以及JEPA（适用于视频模型）等等。

• 降低模型成本：通过批处理、蒸馏、量化、混合专家（MoE）等技术，模型的成本正迅速降低。正如Bill Gurley提到的：

C）消费级GenAI的表现如何？

我预计，在消费级领域也会出现类似的转变，这会从硬件层开始。与数据中心一样，消费者设备也会升级为人工智能技术含量更高的产品，如AI PC、智能手机和其他新型的设备形态（如Meta眼镜、Humane Pin、Rabbit R1等）。消费者应用可分为三类：信息（搜索）、娱乐（游戏、媒体）和交易（旅行、电子商务等）。正如我的同事Vivek所分析的，搜索查询正逐渐从信息搜索转向基于LLM的搜索。

娱乐行业也是如此：无论是游戏领域还是媒体领域，我们预计，价值创造的中心将从创作者/制造商转移到技术支持者。对此，Vivek的预测如下：

感谢 Brad Gerstner、Sud Bhatija、Sanjiv Kalevar、Cobi B-Gantz、Omar Shaya、Jamin Ball、Vivek Goyal和Shreya Bhargava 对本文的贡献。

参考资料：

[1] https://www.youtube.com/watch?v=3O4OujSFwt8

[2] 1）根据英伟达2024财年第四季度数据中心收入（年化为184亿美元）计算的半导体层收入。2）基于内部估算的基础设施和应用层收入。3）https://www.coatue.com/blog/perspective/ai-the-coming-revolution-2023

[3] 1)，https://x.com/firstadopter/status/1691638727951397012

2）基于内部估算的人工智能基础设施层毛利率（65%不包括折旧费）

3）https://www.theinformation.com/articles/anthropics-gross-margin-flags-long-term-ai-profit-questions?rc=5h8vss

4）基于英特尔+ AMD CY2023结果的云计算半导体毛利率

5）https://www.cnbc.com/2022/12/21/google-leaked-doc-microsoft-azure-losing-money-on-29-bln-in-revenue.html，

6）https://www.meritechcapital.com/benchmarking/comps-table#/public-comparables/enterprise/valuation-metrics

【语言大模型推理最高加速11倍】SiliconLLM是由硅基流动开发的高效、易用、可扩展的LLM推理加速引擎，旨在为用户提供开箱即用的推理加速能力，显著降低大模型部署成本，加速生成式AI产品落地。（技术合作、交流请添加微信：SiliconFlow01）

SiliconLLM的吞吐最高提升2.5倍，时延最高降低2.7倍

数据中心+PCIe：SiliconLLM的吞吐最高提升2.8倍；消费卡场景：SiliconLLM的吞吐最高提升1.7倍

System Prompt场景：SiliconLLM的吞吐最高提升11倍；MoE模型：推理 SiliconLLM的吞吐最高提升5倍

其他人都在看

• 800+页免费“大模型”电子书

• LLM推理的极限速度

• LLaMA 3：大模型之战的新序幕

• Stable Diffusion XL优化终极指南

• LLM推理入门指南②：深入解析KV缓存

• 仅需50秒，AI让你的通话彩铃变身短视频

• OneDiff 1.0发布！稳定加速SD/SVD模型