Mengapa Pemanfaatan GPU Penting? Metrik Utama di Sebalik Keuntungan Pusat Data AI

Penggunaan GPU adalah penting kerana aset utama pusat data AI bukanlah bangunan itu sendiri, tetapi berapa lama GPU yang mahal digunakan secara berkesan, boleh dicaj, dan pada tahap kualiti yang tinggi. Membeli lebih banyak GPU hanya bermakna perbelanjaan modal meningkat; menggunakan GPU dengan baiklah yang mungkin menunjukkan bahawa latihan, inferens, contoh awan, dan perkhidmatan AI perusahaan sedang bertukar menjadi hasil. Memahami penggunaan GPU boleh membantu anda menilai sama ada CAPEX AI menjana pulangan, mengapa margin kasar awan berada di bawah tekanan, dan apakah andaian yang terdapat di sebalik penilaian NVIDIA, Microsoft, Alphabet, Meta, AWS, CoreWeave, dan syarikat infrastruktur AI yang lain.

Perkara Utama

• Penggunaan GPU mengukur sama ada komputasi yang mahal sedang menjadi beban kerja yang bermanfaat.
• Penggunaan yang tinggi tidak semestinya bermakna keuntungan yang tinggi; kependaman, kuasa, susut nilai, dan penetapan harga turut penting.
• Latihan lebih menyerupai pembinaan berpusat, manakala inferens lebih hampir dengan per satu realisasi pendapatan berulang.
• ROI pusat data AI bergantung pada CAPEX, OPEX, permintaan pelanggan, dan kitaran hayat cip.
• Pelabur harus menganalisis penggunaan GPU bersama-sama dengan pendapatan awan, margin, dan aliran tunai.
• Perusahaan yang mengoptimumkan penggunaan GPU tidak seharusnya mengorbankan kestabilan, SLA, atau pematuhan.

Apakah Itu Penggunaan GPU, dan Mengapa Ia Bukan Sekadar Soal Sama Ada GPU "Sibuk" atau Tidak?

Penggunaan GPU tidak boleh dijelaskan secara mudah sama ada kad grafik sedang beroperasi pada beban penuh. Persoalan yang lebih bermakna ialah sama ada unit pengiraan sedang menjalankan pengiraan yang berkesan, sama ada memori digunakan dengan cekap, sama ada pemindahan data berjalan lancar, sama ada penggunaan kuasa terkawal, dan sama ada beban kerja tersebut pada akhirnya menyumbang kepada latihan, inferens, atau tugasan yang dibayar oleh pelanggan. Jika hanya melihat satu peratusan penggunaan GPU semata-mata, anda mudah tersilap menganggap "perkakasan sedang sibuk" sebagai "aset itu menjana keuntungan."

Dalam pusat data AI, penggunaan GPU harus dipecahkan kepada beberapa lapisan. Yang pertama ialah penggunaan pengiraan, seperti sama ada Streaming Multiprocessors terlibat secara berterusan dalam operasi matriks. Yang kedua ialah penggunaan memori, terutamanya kerana KV cache, panjang konteks, dan permintaan serentak dalam inferens model besar boleh menggunakan jumlah memori GPU yang besar. Yang ketiga ialah lebar jalur memori dan komunikasi rangkaian, memandangkan latihan teragih, model MoE, dan inferens berbilang nod semuanya mungkin terhad oleh bottleneck NVLink, InfiniBand, PCIe, atau Ethernet. Yang keempat ialah kuasa dan penyejukan, kerana beban GPU yang tinggi meningkatkan kos elektrik dan haba.

Itulah sebabnya pembekal awan dan pengendali pusat data tidak hanya melihat satu metrik sahaja. NVIDIA DCGM merangkumi aktiviti GPU, aktiviti Tensor Core, memori, kuasa, suhu, dan kesihatan perkakasan, menunjukkan bahawa operasi sebenar memerlukan pengiraan, memori, tenaga, dan kestabilan dinilai bersama-sama.

Latihan, inferens, penjanaan imej, dan sistem cadangan juga mempunyai keperluan berbeza bagi penggunaan GPU. Latihan model besar biasanya berjalan dalam tempoh panjang, secara berkelompok, dan teragih, dengan matlamat memastikan seluruh kekalungan kekal aktif berterusan. Perkhidmatan inferens lebih hampir dengan perniagaan dalam talian: ia perlu mengendalikan permintaan pengguna sambil mengawal latensi token pertama, latensi p95/p99, dan daya pemprosesan. Tugasan cadangan, penarafan iklan, dan peningkatan carian sering menekankan latensi rendah dan output yang stabil berbanding memastikan GPU sentiasa digunakan sepenuhnya pada 100%.

Ringkasan: Penggunaan GPU ialah titik masuk untuk memerhatikan kecekapan aset pusat data AI, tetapi ia tidak boleh dipermudahkan semata-mata kepada sama ada GPU sibuk atau tidak. Penggunaan yang bermakna mesti merangkumi unit pengiraan, memori, lebar jalur memori, rangkaian, kuasa, kependaman, dan kualiti beban kerja. Bagi pelabur, satu peratusan tunggal tidak dapat membuktikan sama ada pusat data AI menguntungkan. Bagi perusahaan, penggunaan yang tinggi tidak sepatutnya datang dengan mengorbankan kestabilan dan kelajuan tindak balas. Penggunaan GPU hanya mempunyai makna komersial apabila GPU sentiasa diduduki oleh beban kerja bernilai tinggi yang diterjemahkan kepada hasil, kecekapan, atau pengalaman produk yang lebih baik.

Mengapakah Penggunaan GPU Mempengaruhi Keberuntungan Pusat Data AI Secara Langsung?

Penggunaan GPU memberi kesan langsung kepada keuntungan pusat data AI kerana GPU, pelayan, rangkaian, kuasa, dan sistem penyejukan semuanya memerlukan pelaburan awam yang besar. Setelah pusat data dibina, susut nilai, kos pembiayaan, perbelanjaan operasi, dan bil elektrik terus terkumpul. Jika GPU dibiarkan terbiar untuk tempoh yang lama, kos-kos tersebut tetap muncul dalam penyata kewangan. Jika GPU digunakan secara berterusan oleh pelanggan berkualiti tinggi, susut nilai boleh diagihkan merentasi kerja latihan, permintaan inferens, dan hasil perkhidmatan awan.

Model perniagaan pusat data AI secara asasnya ialah "melabur modal terlebih dahulu, kemudian menjual masa pengkomputeran, keupayaan model, dan output inferens." McKinsey menganggarkan bahawa pembinaan pusat data global mungkin memerlukan hampir $7 trilion perbelanjaan modal menjelang 2030, dengan pusat data berkaitan AI merangkumi majoritinya. Skala ini menunjukkan bahawa pasaran tidak lagi hanya bertanya "siapa yang mempunyai GPU," tetapi "sama ada GPU ini boleh mendapatkan pulangan dalam tempoh hayat ekonominya."

Kitaran hayat cip amat penting. GPU naik taraf dengan pantas, dan rangka kerja latihan serta inferens juga berkembang pesat. GPU lama mungkin masih boleh menjalankan beban kerja, tetapi kos setiap token, kecekapan tenaga, kapasiti memori, dan keupayaan rangkaiannya mungkin ketinggalan berbanding sistem yang lebih baharu. Dalam analisisnya mengenai pembinaan AI, Goldman Sachs juga menganggap hayat cip, kos pusat data, dan kekangan kuasa sebagai pemboleh ubah penting yang mempengaruhi perbelanjaan modal AI.

Penggunaan GPU mempengaruhi keuntungan terutamanya melalui lima saluran:

1. Menyebarkan susut nilai: Semakin banyak jam GPU yang sama beroperasi, semakin rendah kos perkakasan yang diperuntukkan setiap jam.
2. Mengurangkan kos token seunit: Daya keluaran inferens yang lebih tinggi menurunkan kos bagi setiap jawapan, setiap permintaan, atau setiap juta token.
3. Meningkatkan margin kasar awan: Pembekal awan dapat melayan lebih ramai pelanggan dengan sumber yang kurang terbiar, membantu meringankan tekanan margin.
4. Memendekkan tempoh pulangan modal: Penggunaan berkualiti tinggi mempercepatkan penukaran CAPEX kepada aliran tunai.
5. Meningkatkan kepastian pengembangan: Jika kluster sedia ada digunakan dengan intensif dan pelanggan sanggup membayar, pembinaan pusat data baharu mempunyai sokongan yang lebih kukuh.

Tetapi terdapat satu syarat penting: kadar penggunaan mesti merupakan kadar penggunaan yang boleh dituntut bayaran. R&D dalaman, percubaan percuma, permintaan pengisi pada harga rendah, dan pengiraan berulang semuanya boleh meningkatkan kadar penggunaan di permukaan tanpa menambah baik keuntungan. Keadaan ideal bagi pusat data AI ialah kadar penggunaan yang tinggi, harga yang kukuh, penggunaan tenaga yang terkawal, SLA yang stabil, dan pembaharuan pelanggan semuanya berlaku secara serentak.

Ringkasan: Pusat data AI tidak menjana wang dengan memiliki GPU; mereka menjana wang dengan menukar jam GPU kepada hasil latihan, inferens, tawan awan, dan pendapatan perkhidmatan AI perusahaan yang boleh dicaj. Semakin rendah penggunaan GPU, semakin sukar pendapatan untuk menampung kos susut nilai, tenaga, penyelenggaraan, dan pembiayaan. Penggunaan yang lebih tinggi hanya boleh meningkatkan keuntungan apabila syarat penetapan harga, kualiti pelanggan, kependaman, dan pembaharuan turut dipenuhi. Untuk menilai sama ada pusat data AI boleh menjana wang, jangan hanya lihat berapa banyak kemudahan yang dibina atau berapa banyak cip yang dibeli. Lihat sama ada cip-cip tersebut berkhidmat secara berterusan, stabil, dan menguntungkan kepada permintaan sebenar.

Apakah Perbezaan Latihan dan Inferens dari Segi Keperluan Penggunaan GPU?

Latihan dan inferens kedua-duanya memerlukan GPU, tetapi keperluan penggunaannya adalah sangat berbeza. Latihan lebih menyerupai "pembinaan berpusat": satu sesi latihan model boleh berlangsung selama beberapa hari, beberapa minggu, atau lebih lama lagi, dan tumpuannya adalah mengekalkan kluster GPU yang besar agar beroperasi selari dengan cekap. Inferens pula lebih menyerupai "operasi perniagaan berterusan": setiap carian, perbualan, penjanaan imej, pelengkapan kod, dan panggilan API perusahaan mesti diselesaikan dalam kependaman yang boleh diterima, jadi tumpuannya adalah throughput, kestabilan, dan kos setiap permintaan.

Peringkat latihan memberi tumpuan kepada keupayaan model dan kecekapan R&D. Latihan model besar memerlukan pemprosesan data yang besar, penyegerakan parameter, checkpointing, toleransi kerosakan, dan komunikasi teragih. Penggunaan GPU yang rendah mungkin menunjukkan pemuatan data yang perlahan, overhead komunikasi yang berlebihan, penjadualan kluster yang lemah, atau paralelisasi yang tidak mencukupi dalam tugas latihan itu sendiri. Bagi sebuah syarikat AI, kecekapan latihan yang tinggi boleh mempercepatkan lelaran model; walau bagaimanapun, latihan tidak semestinya menjana pendapatan secara langsung melainkan ia diterjemahkan kepada produk yang lebih kuat, penukaran berbayar yang lebih tinggi, atau kos inferens yang lebih rendah.

Peringkat inferens lebih hampir kepada realisasi komersial. Setiap permintaan pengguna mempengaruhi sumber komputeran, memori, elektrik, dan rangkaian. Jika produk carian AI, cadangan iklan, Copilot, bot khidmat pelanggan, pembantu kod, dan penjanaan imej mempunyai permintaan bayaran yang stabil, kadar penggunaan GPU inferens secara langsung mempengaruhi pendapatan dan margin kasar. Pengoptimuman inferens LLM NVIDIA menjelaskan bahawa pelaksanaan model besar sering dibatasi oleh lebar jalur memori, dan setelah bobot model dimuatkan, kecekapan harus ditingkatkan melalui pemprosesan selari sebanyak mungkin.

Inferens LLM juga merangkumi fasa pra-pengisian (prefill) dan fasa penyahkodan (decode). Fasa pra-pengisian memproses input pengguna dan boleh dikira secara selari, menjadikannya lebih mudah untuk meningkatkan penggunaan pengiraan GPU. Fasa penyahkodan menjana output token demi token dan sering lebih terhad oleh memori, cache KV, dan lebar jalur memori. Dengan kata lain, sesetengah GPU mungkin kelihatan sibuk, tetapi jika peringkat penyahkodan terhad, keseluruhan throughput dan pengalaman pengguna tetap boleh menjadi kurang memuaskan.

Kaedah biasa untuk mengoptimumkan penggunaan inferens termasuk pembatchingan, pelaksanaan model serentak, kuantisasi, penyulingan (distillation), pengoptimuman cache KV, dan penghalaan. NVIDIA Triton menganggap pembatchingan dinamik dan pelaksanaan model serentak sebagai mekanisme penting untuk meningkatkan penggunaan sumber. Logiknya adalah mudah: memproses permintaan yang berselerak satu demi satu membazirkan keparallelan GPU, manakala menggabungkannya ke dalam kumpulan (batch) boleh meningkatkan throughput. Tetapi jika kumpulan terlalu besar, masa menunggu meningkat dan latensi pengguna menjadi lebih teruk.

Ringkasan: Latihan menentukan keupayaan model, manakala inferens menentukan realisasi komersial. Penggunaan GPU semasa latihan terutamanya mencerminkan kecekapan R&D, saluran paip data, dan kualiti pengkomputeran teragih. Penggunaan GPU semasa inferens memberi kesan yang lebih langsung terhadap kos setiap token, margin kasar perkhidmatan awan, dan pengalaman pengguna. Apabila menilai keuntungan pusat data AI, kuncinya adalah sama ada beban kerja inferens berkembang dengan stabil dan sama ada platform dapat meningkatkan throughput tanpa mengorbankan kependaman, kestabilan, atau sempadan keselamatan. Persoalan utama bagi pulangan pelaburan AI bukan sahaja sama ada model boleh dilatih, tetapi sama ada inferens boleh berjalan dalam jangka panjang pada kos rendah dan kualiti tinggi.

Bagaimanakah Penggunaan GPU Mempengaruhi Pendapatan Syarikat Teknologi Besar dan Pulangan CAPEX AI?

Penggunaan GPU biasanya tidak muncul secara langsung dalam laporan pendapatan syarikat teknologi gergasi, tetapi ia kelihatan melalui hasil awan, margin kasar, susut nilai, aliran tunai bebas, dan panduan kapasiti. Bagi pelabur, pertumbuhan CAPEX AI itu sendiri tidak semestinya menguntungkan atau merugikan. Yang penting ialah sama ada perbelanjaan tersebut sepadan dengan permintaan pelanggan yang sebenar dan sama ada ia membawa kepada pertumbuhan perniagaan awan, produk AI berbayar, kontrak jangka panjang, dan kadar perolehan pengiraan yang lebih tinggi.

Microsoft, Alphabet, Meta, Amazon dan yang lain terus mengembangkan pusat data AI, dan tumpuan pasaran telah beralih daripada "siapa yang membelanjakan paling banyak" kepada "siapa yang dapat membuktikan pulangan dengan lebih pantas." Microsoft FY2026 Q3 menyatakan bahawa hasil Azure dan perkhidmatan awan lain berkembang sebanyak 40%, dan berkata permintaan pelanggan terus melebihi kapasiti yang tersedia. Implikasi utamanya ialah kedua-dua beban kerja AI dan bukan AI sedang menggunakan kapasiti awan, jadi penyedia awan memerlukan lebih banyak kuasa pengiraan sambil turut membuktikan bahawa kapasiti baharu tersebut dapat diserap oleh pelanggan.

Meta ialah contoh yang lebih tipikal lagi. Meta Q1 2026 menaikkan panduan perbelanjaan modal 2026 kepada $125–145 bilion, dengan menyebut harga komponen yang lebih tinggi dan keperluan kapasiti pusat data pada masa hadapan. Bagi pelabur, perbelanjaan AI pada skala sebesar ini akhirnya mesti dipulihkan melalui kecekapan iklan, pembantu AI, cadangan kandungan, alat perusahaan, atau perkhidmatan model pada masa hadapan. Jika tidak, ia akan membebankan aliran tunai bebas dan fleksibiliti penilaian.

Alphabet menghadapi logik yang serupa. Pertumbuhan hasil Google Cloud sebanyak 63% dan pengembangan simpanan pesanan menunjukkan permintaan cloud yang kukuh, tetapi pelaburan dalam infrastruktur AI juga membawa tekanan susut nilai dan perbelanjaan modal. Dalam erti kata lain, semakin cepat hasil cloud berkembang, semakin penting untuk melihat sama ada penggunaan GPU menyokong margin kasar. Semakin besar CAPEX, semakin penting untuk melihat sama ada kontrak masa depan dan permintaan inferens dapat menampung kapasiti baharu.

Pelabur dapat memerhati penggunaan GPU secara tidak langsung melalui enam isyarat pendapatan:

1. Sama ada pertumbuhan CAPEX AI kekal melebihi pertumbuhan hasil untuk terlalu lama: Jika perbelanjaan terus mengatasi hasil, tekanan pulangan meningkat.
2. Sama ada margin kasar awan ditarik ke bawah oleh susut nilai AI: Susut nilai GPU, rangkaian, dan pusat data menjejaskan keuntungan.
3. Sama ada pihak pengurusan menyebut kekangan kapasiti: Permintaan yang melebihi bekalan biasanya bermakna kapasiti masih ada ruang untuk diserap.
4. Sama ada produk AI perusahaan menjana hasil berasaskan penggunaan: Copilot, Gemini, API, dan pengiklanan AI semuanya memerlukan penukaran kepada pembayaran.
5. Sama ada RPO, tunggakan, dan kontrak jangka panjang berkembang: Permintaan jangka panjang meningkatkan kepastian pengembangan.
6. Sama ada aliran tunai bebas kekal tertekan: CAPEX yang besar menguji keupayaan syarikat untuk menjana tunai.

Jika anda mengikuti peluang saham A.S. yang berkaitan dengan infrastruktur AI, anda perlu melihat bukan sahaja pesanan cip, hasil awan, dan pengembangan pusat data, tetapi juga kos perdagangan sebenar. Kos perdagangan saham A.S. sering merangkumi lebih daripada komisen; ia juga mungkin merangkumi yuran platform, yuran institusi luaran, dan yuran aktiviti perdagangan. Biaya mengenakan komisen US$0 untuk perdagangan saham A.S., manakala yuran platform, yuran institusi luaran, dan yuran lain adalah tertakluk kepada pusat yuran dan paparan pesanan. Sebelum berdagang, anda harus menyemak yuran perdagangan saham A.S. dan menilai ketersediaan perkhidmatan berdasarkan lokasi anda, hasil pengesahan identiti, peraturan platform, serta undang-undang dan peraturan yang berkenaan.

Ringkasan: kadar penggunaan GPU bukanlah metrik kewangan yang kebanyakan syarikat dedikasikan secara langsung, tetapi ia dicerminkan dalam hasil awan, margin kasar, susut nilai, aliran tunai bebas, kekangan kapasiti, dan kontrak jangka panjang. Semakin besar CAPEX AI, semakin banyak pasaran akan bertanya sama ada GPU-GPU ini digunakan secara berterusan oleh pelanggan bernilai tinggi dan sama ada ia dapat memulihkan kos dalam jangka hayat ekonominya. Semasa menilai pulangan AI syarikat teknologi gergasi, jangan hanya tengok pengurusan berkata "permintaan sangat kukuh." Periksa juga sama ada pertumbuhan hasil menutup tekanan susut nilai, sama ada produk AI menjana pembayaran sebenar, dan sama ada penilaian telah pun mengambilkadar penggunaan tinggi yang berterusan.

Adakah Kadar Penggunaan GPU Yang Tinggi Sentiasa Baik? Apakah Risiko Yang Boleh Dijana?

Penggunaan GPU yang tinggi bukan sentiasa baik. Penggunaan tinggi yang munasabah menunjukkan kecekapan aset yang kuat, tetapi penggunaan yang terlalu tinggi mungkin bermakna sistem kekurangan redundansi, kependaman semakin teruk, keupayaan pemulihan kegagalan semakin merosot, atau platform menggunakan pesanan murah untuk mengisi kapasiti. Apa yang diperlukan oleh pusat data AI ialah penggunaan tinggi yang mampan, boleh dibilkan dan boleh diservis—bukan penggunaan beban penuh yang mengorbankan pengalaman pengguna dan kualiti keuntungan.

Risiko pertama ialah kependaman dan kestabilan. Perkhidmatan inferens berdepan dengan permintaan pengguna masa nyata, terutamanya dalam carian AI, khidmat pelanggan, pembantu pengekodan, dan API perusahaan. Sekiranya GPU didorong sehingga had untuk jangka masa yang panjang, masa beraturung bagi setiap kelompok mungkin meningkat, dan kependaman p95/p99 mungkin bertambah buruk. Bagi pengguna, purata masa tindak balas mungkin masih kelihatan boleh diterima, tetapi kelambatan pada waktu puncak, tamat masa yang berlaku sekali-sekala, dan output yang tidak stabil boleh merosakkan pengalaman produk. Persekitaran pengeluaran biasanya memerlukan penampan kapasiti dan bukannya menjalankan setiap GPU pada beban maksimum secara berterusan.

Risiko kedua ialah kualiti hasil. Platform sewa GPU boleh menggunakan diskaun, kontrak jangka pendek, atau promosi untuk meningkatkan kadar penggunaan di permukaan, tetapi pesanan berharga rendah mungkin tidak meningkatkan margin kasar. Pembekal awan juga boleh mengisi GPU dengan beban kerja dalaman seperti latihan model, pengoptimuman cadangan, atau ciri AI percuma. Beban kerja ini mungkin mempunyai nilai strategik, tetapi ia tidak semestinya menjana hasil luaran dengan serta-merta. Pelabur perlu membezakan antara "nampaknya digunakan sepenuhnya" dan "sentiasa dibayar oleh pelanggan berharga tinggi."

Risiko ketiga ialah kekangan tenaga, kuasa, dan infrastruktur. IEA menjangkakan penggunaan elektrik pusat data global akan meningkat kepada sekitar 945 TWh menjelang tahun 2030, dengan permintaan kuasa pusat data berkembang jauh lebih pantas berbanding banyak sektor lain. Semakin tinggi kadar penggunaan GPU, semakin besar tekanan kuasa dan penyejukan yang dihasilkan setiap unit masa. Jika akses kuasa tempatan, penyejukan, substesen, atau sumber air terhad, pengembangan pusat data akan dibatasi oleh infrastruktur.

Risiko keempat ialah kebolehpercayaan dan kerumitan operasi. Tinjauan tahunan pusat data Uptime Institute menunjukkan bahawa ketersediaan kuasa, rantaian bekalan, dan permintaan AI telah menjadi kebimbangan utama bagi pengendali. Penemuan Uptime Institute juga mencerminkan bahawa beban kerja AI sedang mengubah keutamaan risiko pengendali pusat data. Bagi pelanggan dalam sektor kewangan, penjagaan kesihatan, dan kerajaan, pengasingan keselamatan, audit pematuhan, dan tahap perkhidmatan mungkin lebih penting berbanding penggunaan maksimum.

Ringkasan: Peggunaan GPU yang lebih tinggi biasanya bermaksud kecekapan aset yang lebih baik, tetapi ia tidak semestinya lebih baik. Konsep yang lebih penting ialah "peggunaan sihat": meningkatkanthroughput, menyebarkan susut nilai, dan menyokong pendapatan sambil mengekalkan latensi, kestabilan, keselamatan dan pematuhan. Jika peggunaan yang tinggi datang daripada pesanan berharga rendah, penggunaan dalaman, atau tekanan berlebihan pada sistem, ia mungkin menyembunyikan risiko margin dan kualiti perkhidmatan. Keuntungan jangka panjang pusat data AI memerlukan keseimbangan antara peggunaan, penetapan harga, SLA, penggunaan kuasa, dan kualiti pelanggan dan bukannya mengejar angka beban penuh yang menarik.

Bagaimana Pelabur Biasa Boleh Menggunakan Peggunaan GPU untuk Menilai Syarikat Pusat Data AI?

Pelabur biasa biasanya tidak dapat melihat secara langsung kadar penggunaan GPU pusat data setiap syarikat, tetapi mereka boleh menggunakan rangka kerja tidak langsung untuk menilai kualiti pusat data AI. Pertama, kenal pasti kedudukan syarikat dalam rantaian nilai pengkomputeran. Kemudian, nilai sama ada penggunaan GPU bertukar menjadi pendapatan yang mampan. Akhir sekali, tanya sama ada penilaian tersebut sudah mengandaikan kadar penggunaan tinggi dalam jangka panjang. Membeli banyak GPU bukanlah benteng persaingan; yang penting ialah menukarkan GPU menjadi pendapatan dan aliran tunai.

Langkah pertama ialah memahami kedudukan syarikat. Syarikat cip mendapat manfaat daripada permintaan untuk GPU, HBM, rangkaian, dan pemecut, tetapi mereka juga berhadapan dengan cip yang dibangunkan sendiri oleh pelanggan, sekatan eksport, dan risiko penggantian produk. Pembekal awan mendapat manfaat daripada hasil awan AI dan kontrak perusahaan, tetapi mereka menanggung perbelanjaan modal yang berat, susut nilai, dan tekanan margin kasar. REIT pusat data, syarikat kuasa, dan pembekal penyejukan mendapat manfaat daripada permintaan kapasiti, tetapi pulangan mereka bergantung pada pajakan, garis masa pembinaan, tanah, kuasa, dan peraturan. Syarikat aplikasi AI mungkin tidak memiliki GPU, tetapi kos inferens secara langsung mempengaruhi margin kasar dan kuasa penetapan harga mereka.

Langkah kedua adalah menilai sama ada penggunaan bertukar menjadi hasil. Penggunaan berkualiti tinggi biasanya sepadan dengan pelanggan perusahaan, kontrak jangka panjang, penggunaan API, hasil langganan, dan kes penggunaan industri. Permintaan yang didorong semata-mata oleh semangat latihan boleh bersifat kitaran, manakala permintaan inferens lebih sesuai untuk memerhatikan pengkomersilan jangka panjang kerana ia datang daripada permintaan carian harian, pengiklanan, produktiviti pejabat, khidmat pelanggan, pengekodan, penjanaan imej, dan permintaan penjanaan video. AWS Trainium menekankan ekonomi latihan dan inferens, manakala AWS Inferentia mengetengahkan inferens pembelajaran mendalam dan AI generatif yang kos rendah, menunjukkan bahawa pembekal awan utama sudah menganggap "kos inferens seunit" sebagai faktor daya saing utama.

Langkah ketiga ialah menilai sama ada penilaian (valuation) telah pun terlalu melampau. Pasaran sering kali mengambil kira kekurangan GPU, pertumbuhan awan AI, dan permintaan inferens yang meningkat mendadak terlebih dahulu. Jika kecekapan model masa depan bertambah baik, harga inferens menurun, pelanggan menambah cip pembangunan sendiri, atau kapasiti baharu dilepaskan serentak, harga sewa GPU dan margin kasar awan mungkin menghadapi tekanan. Sistem seperti NVIDIA GB200 NVL72 meningkatkan dengan ketara keupayaan inferens model besar masa nyata, yang turut bermakna sistem lama mungkin menghadapi persaingan kos dengan lebih cepat.

Pelabur biasa boleh mengemukakan tujuh soalan:

1. Adakah syarikat itu mendedahkan bilangan GPU dan kapasiti pusat data, atau hasil AI sebenar?
2. Adakah CAPEX AI disokong oleh permintaan pelanggan yang jelas dan kontrak jangka panjang?
3. Adakah margin kasar awan menurun kerana susut nilai GPU dan kos kuasa?
4. Adakah inferens telah menjadi hasil yang berulang, boleh dicaj, dan boleh diperbaharui?
5. Adakah jangka hayat ekonomi cip lebih pendek daripada tempoh pulangan modal yang dijangkakan?
6. Adakah kuasa, rangkaian, penyejukan cecair, dan penghantaran pusat data menjadi kesesakan?
7. Adakah penilaian semasa sudah meramalkan bertahun-tahun penggunaan tinggi dan penetapan harga yang tinggi?

Bagi pelaburan individu, penjejakan NVIDIA, Microsoft, Alphabet, Meta, Amazon, Oracle, CoreWeave, storan AI, dan rantaian bekalan pusat data harus merangkumi hasil, penilaian nilai, dan struktur yuran. Jika anda perlu menyemak nama saham A.S., klasifikasi industri, dan maklumat asas pasaran, carian maklumat saham A.S. boleh membantu menyusun senarai pemantauan anda. Jika anda meneruskan perdagangan, anda harus mengesahkan jenis pesanan, yuran perdagangan, toleransi risiko, dan keperluan kawal selia tempatan sebelum membuat sebarang pesanan.

Ringkasan: Pelabur biasa tidak dapat membaca kadar penggunaan GPU secara langsung di dalam setiap pusat data, tetapi mereka boleh menyimpulkan trend melalui bahasa laporan pendapatan dan penunjuk kewangan. Pertumbuhan hasil awan, perubahan margin, CAPEX AI, aliran tunai bebas, kontrak jangka panjang, sekatan kapasiti, dan ulasan pengurusan semuanya merupakan isyarat tidak langsung untuk menilai sama ada GPU digunakan secara berkesan. Soalan sebenar bukanlah siapa yang membeli GPU paling banyak, tetapi siapa yang boleh menukar GPU menjadi hasil perkhidmatan AI yang stabil, berharga, dan boleh diperbaharui. Semakin tinggi penilaian nilai, semakin kuat andaian tertanam mengenai kadar penggunaan dan pulangan, dan semakin berhati-hati pelabur perlu berada.

Jika anda mengikuti pusat data AI, penggunaan GPU, dan pendapatan sektor teknologi, anda boleh memberi tumpuan kepada tiga jenis maklumat pada masa hadapan. Pertama, sama ada pembekal awan terus menyatakan bahawa permintaan AI melebihi kapasiti yang tersedia. Kedua, sama ada pertumbuhan CAPEX mula bertukar kepada pendapatan awan, langganan AI, dan kontrak perusahaan. Ketiga, sama ada margin kasar dan aliran tunai bebas dapat menyerap susut nilai serta kos kuasa. Sebagai dompet dagangan pelab global, Biya menyokong dagangan saham AS, saham Hong Kong, dan mata wang kripto, serta penukaran USDT kepada mata wang fiat utama seperti USD dan HKD. Ketersediaan perkhidmatan bergantung pada lokasi pengguna, hasil pengesahan identiti, peraturan platform, serta undang-undang dan peraturan yang berkenaan.Anda boleh muat turun App untuk terus menjejaki saham yang berkaitan dengan infrastruktur AI, tetapi sebelum membuat sebarang urus niaga, anda harus memahami sepenuhnya struktur yuran, peraturan pesanan, dan risiko turun naik harga. Mana-mana satu metrik tidak patut dianggap sebagai isyarat beli atau jual.

Soalan Lazim

Adakah Pemanfaatan GPU yang Lebih Tinggi Sentiasa Bermakna Keuntungan Pusat Data AI yang Lebih Tinggi?

Tidak semestinya. Pemanfaatan GPU yang tinggi hanya dapat meningkatkan keuntungan apabila harga pelanggan, kependaman, penggunaan kuasa, susut nilai, dan kos operasi semuanya terkawal. Jika pemanfaatan datang daripada pesanan berharga rendah, penyelidikan dan pembangunan dalaman, atau ciri percuma, beban penuh yang ketara mungkin tidak diterjemahkan kepada margin kasar yang lebih baik.

Mengapa Inferens AI Lebih Baik untuk Mengesahkan Pulangan GPU?

Inferens lebih hampir dengan penggunaan berbayar harian. Carian AI, cadangan iklan, Copilot, API, khidmat pelanggan, dan penjanaan imej semuanya menggunakan sumber GPU secara berterusan, menjadikannya lebih mudah untuk melihat sama ada kuasa pengkomputeran menjadi hasil, retensi pelanggan, dan kelebihan kos seunit.

Bagaimana Pelabur Boleh Menyimpulkan Pemanfaatan GPU daripada Laporan Pendapatan?

Pelabur boleh menitihat hasil awan, margin kasar, CAPEX AI, aliran tunai bebas, kontrak jangka panjang, dan ulasan pengurusan mengenai kapasiti. Kebanyakan syarikat tidak mendedahkan kadar penggunaan GPU secara langsung, jadi pelabur perlu membuat kesimpulan daripada sama ada permintaan melebihi kapasiti, sama ada tekanan susut nilai meningkat, dan sama ada pertumbuhan hasil seiring dengan kapasiti.

Bagaimanakah Kadar Penggunaan GPU Berkaitan dengan Permintaan Cip AI?

Kadar penggunaan GPU yang tinggi dapat mengukuhkan permintaan untuk cip tambahan, manakala kadar penggunaan yang rendah meningkatkan risiko pelaburan berlebihan. Permintaan pada masa hadapan juga akan bergantung pada kitaran penggantian cip, ASIC yang dibangunkan oleh pelanggan, peningkatan kecekapan inferens, sekatan eksport, dan jadual pembelian pembekal awan.

Apakah yang Perlu Diberi Tumpuan oleh Perusahaan Sebelum Membina Kluster GPU?

Syarikat tidak sepatutnya hanya melihat harga pembelian GPU, tetapi juga jumlah kos pemilikan dan beban kerja sebenar. Saiz model, serentakan permintaan, SLA, kuasa, operasi, keselamatan data, keperluan pematuhan, dan alternatif sewaan awan semuanya mempengaruhi sama ada pembinaan kelompok GPU masuk akal.

Adakah Penggunaan GPU Mempengaruhi Analisis Saham NVIDIA?

Ya, tetapi ia bukan satu-satunya pemboleh ubah. NVIDIA mendapat manfaat daripada permintaan GPU AI, tetapi sahamnya juga bergantung pada CAPEX pelanggan, pengkomersialan inferens, persaingan, sekatan eksport, jangka kasar, kitaran penggantian produk, dan jangkaan penilaian pasaran.