四大 CSP 的 CapEx 依旧乐观，而 2025 年的支出可能达 3200 亿美元。
北美四大 CSP 2024Q4 CapEx 合计达 723.48 亿美元，YoY 达 68.22%，而 2024 年全年合计 CapEx 达 2285.44 亿美元，YoY 达 54.87%。 展望 2025，亚马逊表示公司 2025 年 CapEx 将增至 1000 亿美元；Meta 于电话会 议中申明 2025 年 CapEx 将在 600 亿至 650 亿美元之间，这笔资金将用于推动 AI 战略； 微软则是宣布，FA2025 将在 AI 数据中心方面开支 800 亿美元用于建设能够处理人工智 能工作负载的数据中心；谷歌方面预期 2025 年资本开支 750 亿美元，YoY+43%。综合 预计 2025 年北美四大 CSP 合计 CapEx 有望超过 3200 亿美元，按此估算 YoY 也在 40% 以上。
DeepSeek 成本极低、算力有限实际上并不意味着全球算力需求萎缩。DeepSeek 通过高细粒度的 MoE（Mixture of Experts，混合专家）架构、MLA（Multi-head Latent Attention，多头潜在注意力）、FP8 混合精度训练、减少通信开销的 DualPipe 算法等算 法层面的优化，实现了仅用 278.8 万个 H800 的 GPU 小时就训练出了 V3 模型，即按照 2 美元每小时租赁费用来算，训练成本仅为 557.6 万美元。与其它国际主流模型对比， DeepSeek 的训练成本极低，因此产生了部分认为未来 AI 研发算力需求将会大幅减少的 观声音。 CSP 的乐观 CapEx 在一定程度打破了算力需求趋弱的观点。我们认为 CSP 持续 加大投入的主要原因包括以下三方面：第一，DeepSeek 在技术层面上确实提供了降低 模型训练成本的可能，但 AI 军备竞赛具有商业层面的考量，AI 技术领先可以在构建商业生态时获得明显的先发优势；第二，即由于杰文斯悖论的存在，AI 算力需求仍然有较 大的不降反升的可能，所谓杰文斯悖论即当技术进步提高了效率，资源消耗不仅没有减 少，反而激增，例如，瓦特改良的蒸汽机让煤炭燃烧更加高效，但结果却是煤炭需求飙 升，我们认为在 AI 领域也有可能会呈现这种发展趋势；第三，即我们在前面论证的，推 理端算力成为下一阶段 AI 发展的重点，尤其对各大 CSP 而言，推理端实际上才是挂钩 其收入的，因此模型推理效率的提升意味着算力投入的回报率提升，加大算力投入规模 逻辑顺畅。
我们认为 AI 基建的叙事仍在延续，训练 AI 模型的成本或持续增长，AI 服务器需求 仍将持续增长。从服务器看，根据 TrendForce 数据，2024 年整体服务器产值约 3060 亿美元，其中 AI 服务器较通用服务器增长动能更为强劲，产值约为 2050 亿美元，预计 2025 年 AI 服务器需求仍将持续增长，且价端有望提高较大贡献，产值有机会提升至近 2980 亿美元，YoY 达 44.96%，占整体服务器产值比例进一步提升至 7 成以上。从 AI 训 练成本看，根据 Epoch AI 数据，从 2016 年到 2024 年，成本呈现出显著的上升趋势， 前沿模型最终训练运行的摊销硬件和能源成本以每年 2.4 倍的速度快速增长，近年来的 增长尤为明显，尽管技术取得了进步，但对更强大硬件和能源资源的需求继续推高成本， 因此我们认为在不考虑算法优化的情况下，训练成本不断增长的趋势将持续演绎。
不考虑人力成本的支出，芯片在 AI 的训练成本中占比最大，需求空间巨大。根据 Epoch AI 数据，芯片在 AI 训练成本中占据了显著的比例。以 Gemini 1.0 Ultra 和 GPT4 为例，AI 芯片的成本占比均超过 40%，而在 OPT-175B 和 GPT-3 175B 中，这一比例 更是接近 50%，这表明，随着模型规模的增大，AI 芯片在整体训练成本中的重要性愈发 凸显。芯片作为计算的核心部件，直接决定了模型训练的效率和速度，因此 AI 研发团队 对于高性能的芯片需求是天然巨大的，尽管其作为一次性支出的成本巨大，但是高性能 芯片能够显著提升训练过程中的计算能力，从而缩短训练时间，降低单位计算成本。
国产算力产业链受益于 DeepSeek 发布，有望具有更强弹性。对于国内算力供应链 而言，我们认为 DeepSeek 的出现是一剂强心针，标志着国产 AI 实现了比肩全球顶级 模型水准的跨越，DeepSeek 通过算法、架构、工程的软硬件协同优化创新，以有限算 力超低成本实现了性能比肩顶尖国外模型的国产模型，印证了软硬协同这一技术路线对 推动 Scaling Law、突破算力瓶颈的有效性和巨大潜力。我们认为其对国产算力链的影 响包括：第一，从当前国产 AI 生态来看，国产的算力资源仍然稀缺，随着以 DeepSeek 为代表的国产 AI 大模型的持续发展，国产算力缺口依旧较大，因此我们认为当前是软硬 件协同实现国产算力芯片突破，进而实现国产 AI 生态闭环的关键窗口期，可以看到在 DeepSeek-R1 模型发布后国产硬件厂商用极快的速度纷纷接入 DeepSeek，我们判断通 过此次软硬件合力发力的机会为二者未来持续融合夯实了基础；第二，如我们在前文的 分析中指出推理芯片的占比将会持续提升，CSP 出于成本以及可得性考虑，我们判断 ASIC 在算力芯片中的比重将会不断提升，预计将持续为国产算力芯片创造发展动能。
综上，我们认为整个云端 AI 的算力需求扩张在 2025 年仍然值得期待。第一，pretraining 的 Scaling Law 仍在延续的背景下，post-training 和推理侧的 Scaling Law 接棒， 各 AI 研究机构仍有足够动力加大各环节算力投入以追求模型性能的提升；第二，尽管 DeepSeek 的出现成功具象化了提升算法降低成本的路径，但是对各大 CSP 而言，AI 技 术正面临商业化落地的关键窗口，加大投入即意味着提升模型推理能力进而实现云端服 务收入落地；第三，DeepSeek 的出现一定程度上改善了之前仅有大型企业可以参与到 AI 前沿开发的竞争格局，DeepSeek 具有成本低廉、开源、性能强悍等特征，有望激发 部分新生玩家的需求；第四，对于国产厂商而言，DeepSeek 成为了改变 AI 生态环境的 先驱者，受其带动下国产硬件厂商切入参与到 AI 前沿产业链的机会增大。因此我们建议 持续关注国产算力产业链。
