很多人说实话，到目前为止，还不清楚AI产业链，更别提了解浪潮信息在AI产业链中处于什么位置。本文准备对AI产业链上下游进行梳理，进一步明确浪潮信息的角色定位。
一、AI产业链下游
AI产业链的下游就是大家熟知的AI大模型，比如DS、Kimi、豆包、通义千问等。
根据公开资料，OpenAI在新一轮融资中计划筹集400亿美元资金，公司估值有望达到3000亿美元。截至目前，ChatGPT的DAU(日活跃用户数)约为5000万，按照这个逻辑，AI大模型可以按照“6000美元/DAU”估值。
截至2025年1月31日，DS的DAU(日活跃用户数)约为2000万，豆包的DAU(日活跃用户数)约为1700万，按照上述逻辑估值，DS的估值约为1200亿美元。
近期，阿里巴巴股价大涨，市场对阿里巴巴的云智能板块估值抬升1万元港元，换言之，阿里巴巴的通义千问大模型的估值至少也是千亿美元起步。
二、AI产业链中游
AI大模型的训练和提供服务，都需要算力的支撑。
（1）训练需要的算力和成本。OpenAI曾在论文中提出过一个经验公式：C≈6×P×D。其中，C为训练大模型所需的算力，单位是FLOPS（或者浮点运算次数）；P是大模型中参数的数量；D是训练数据集的大小，也就是用多少tokens（可以简单理解为几个字）来训练。
坊间传闻，ChatGPT-4大模型中参数的数量约为0.5万亿个，训练数据集包含约14万亿个tokens。
那么，ChatGPT-4大模型需要的算力C≈6×P×D=4.2×1025 FLOPS。
英伟达A100型号的GPU的实际算力约为150 TFLOPS，即1.5×1014 FLOPS，假设OpenAI使用2.5万张A100型号的GPU集群训练ChatGPT-4，那么，这个GPU集群的算力约为3.75×1018 FLOPS。
根据T=C/r（注：C=4.2×1025 FLOPS，r=3.75×1018 FLOPS），我们可以大致计算出训练一次的用时为130天。
英伟达A100的售价约为15万元，搭建2.5万张A100型号的GPU集群的成本约为37.5亿元。假设英伟达A100的寿命为3年，那么，大模型训练1次的设备折旧成本约为4.45亿元；英伟达A100的功率为300瓦，2.5万张A100型号的GPU集群的功率为7500千瓦，130天的用电量为2340万度，按照电价1元/度，电费为0.234亿元，因此，大模型训练一次的总成本约为4.7亿元。
（2）推理需要的算力和成本
大模型的推理成本和日活、月活用户数量（或者说调用次数）成正相关。以浪潮信息NF5688M7型号服务器为例，搭载了8颗英伟达H20的GPU模组，H20的平均推理速度为400字（tokens）/秒，8颗英伟达H20的GPU模组的平均推理速度为3200字（tokens）/秒。
假设用户平均访问大模型的时间为早8点至晚8点，平均每个用户每天调用服务3次，每次输出1000字（tokens）；同时，需要考虑AI大模型“联网搜索”的输入量，假设为输出量的10倍，即每次输入10000字（tokens）。如果AI大模型的DAU(日活跃用户数)为2000万，那么，AI大模型每天的推理量为6600亿字（tokens），也就是AI大模型的日平均推理速度约为1528万字（tokens）/秒（计算公式：6600亿/10小时）。
假设用户调用服务遵循“二八定律”，20%的时间有80%的用户访问，剩余80%的时间只有20%的用户访问，那么，集中访问的20%的时间里，AI大模型的平均推理速度大约是日平均速度的4倍，即6111万字（tokens）/秒。
一台浪潮信息NF5688M7型号服务器的速度只有3200字（tokens）/秒，要实现6111万字（tokens）/秒，至少1.9万台NF5688M7型号服务器组成AI服务器集群，初始设备投入约为327亿元。按照服务器使用寿命5年计算，每年的设备折旧费用约为65.4亿元（折8.96亿美元）。
之前估算的训练算力的初始设备投资成本约为37.5亿元，当AI大模型的日活达到2000万的量级后，推理算力成本大约是训练算力的10倍。如果日活再上一个台阶，达到2亿日活，那么，推理算力成本将达到训练算力成本的100倍。
以OpenAI为例，根据《The Information》分析及相关消息，OpenAI公司2024年预计亏损高达50亿美元，其收入约为40亿美元，成本约为90亿美元。总成本中，AI大模型训练成本约为30亿美元，推理成本约为20亿美元。
考虑到ChatGPT的DAU(日活跃用户数)约为5000万，因此，它的推理成本20亿美元，恰好是之前估算的2000万日活的AI大模型年折旧成本（8.96亿美元）的2.5倍左右。
这里我们还可以求出ChatGPT-4大模型的训练频率，年训练成本约为30亿美元（折219亿元），每次大模型的训练成本约为4.7亿元，也就是每年大模型的训练次数应该是46至47次，也就是，训练频率大概是每周一次。
简单来说，AI大模型的训练成本是有天花板的，每年30亿美元的训练成本即使不是天花板，至少也离“天花板”不远了；但是AI大模型的推理成本是没有天花板的，5000万日活就需要每年20亿美元的推理算力，100亿美元（730亿元人民币）的初始投入。
如果日活达到5亿，单单算力卡的初始投入就要达到1000亿美元（7300亿元人民币）。
我感觉已经可以看懂美国“星际之门”计划的账本。假设未来推理成本可以减半的情况下，5000亿美元的算力基础设施投资，大概可以支撑AI大模型的DAU(日活跃用户数)约为50亿。
那么，中游的云服务或者AIDC企业，可以从中赚到多少钱？按照GPU寿命5年计算，每年的设备折旧费用为1000亿美元（折7300亿元人民币），考虑到企业的利润需要，每年云服务或者AIDC企业可以从中至少赚到的钱至少万亿起步。
国内的云服务厂商主要是阿里云、华为云、腾讯云以及移动、联通、电信（天翼）三大运营商；代建运营的AIDC中，数据港与阿里巴巴深度绑定，92.47%的收入直接或者间接来自阿里巴巴及其控制企业；润泽科技则抱了字节的“大腿”，66.87%的收入来自字节跳动。
三、AI产业链上游
AI产业链上游主要是AI服务器厂商。
根据“尚普咨询”提供的资料，2023年中国服务器市场的前五大厂商中，浪潮信息稳居榜首，其市占率接近30%，排名第一无可争议；紧随其后的是华为、新华三，市占率介于10%至15%之间；其余席位，戴尔与联想跻身前五，市占率大概5%多一点。
此外，根据济南市政府新闻办2024年7月披露的数据，“浪潮AI服务器全球市场占有率第一、国内市场占有率超过50%”。2025年，国内互联网大厂及运营商的算力开支约为3543.75亿元，假设浪潮信息市占率能够持续保持在50%，那么，浪潮信息至少可以吃下1771.9亿元的销售额。
加上浪潮信息传统服务器的400亿元年收入，浪潮信息作为AI服务器龙头企业，2025年的年收入预计将超过2000亿元，可能达到2200亿元的规模。
三、小结
说实话，这个产业链并没有讲得很透彻，因为AI服务器的上游还有芯片（英伟达的GPU、华为的GPU）、存储等，受篇幅所限，在这里就不展开说了。
对于投资而言，其实把云服务、AIDC和服务器搞明白就差不多了，至于上游的国产AI芯片是个“慢工出细活”的事情，受制于诸多因素，国产化率提升不可能一蹴而就，它是个长期的事情。此外，上游AI芯片的估值普遍偏高，以寒武纪为例，市销率440倍，说实话，不是局内人，根本看不懂。
