浅谈算力中心和Token（词元）供给是否过剩？

本文来自微信公众号： 汇金有道曹博文 ，作者：曹博文

国内很多大模型公司主要是采用租用算力中心的方式，包括我们熟知的KIMI、Minimax、智谱；而千问（阿里）和豆包（字节）、deepseek（深度求索）、元宝（腾讯）是采用的自建AI算力中心，阿里、字节、腾讯也会出租算力，成为其他国产大模型的第三方云服务商。而国外大模型厂家基本都是采用自身

那么从这个角度看上周的Meta出租闲置算力，就会是一个非常自然的事情：而核心原因其实是Meta的大模型性能不行（不如Anthropic、Open AI、谷歌，国内称为御三家），市场不买账，并且Meta自己的Agent研发进展缓慢（可能与国内官方叫停Meta用20亿美元Manus收购有关）。Meta算力中心本来就是为了未来的需求而准备，现在闲置了，自然应该租出去回血，毕竟Meta未来还要继续建算力中心；如果一边算力闲置，一边又建算力中心，可不好跟股东们交代。马斯克的X AI和Meta是同样情况，并且更早地卖出闲置算力。

算力中心的成本

算力中心的成本包括前期的建设，包括土地成本、建设成本、购买AI相关硬件的成本；以及后续的运营维护成本。其中土地成本和建设成本是一次性支出，购买AI相关硬件成本和运营维护成本是不断叠加的；AI相关的硬件成本包括GPU、CPU、存储、管线、网络、供电冷却设备。

很多人认为电费是运行这座算力中心的大头，其实这并不正确。根据沐曦股份的算法，一座1GW的数据中心（总投资是550亿美金），按照4年为一个周期，GPU的采购成本是250亿美金，网络50亿美金、存储40亿美金、供电散热是27.5亿美金，也就是说电费占比只有5%，而大头仍然是英伟达提供的超高利润GPU设备。

GPU的折旧与更新

目前GPU的折旧很多是按照6年左右计算的，像上文提到的4年折旧非但不是激进的，而已经折中，按照激进的计算方式是2~3年；因为我们会看到英伟达原本是2年更新一代GPU服务器，现在按照当前的路线图已经计划一年更新一代；目前已经开始交付的GB300 NVL72服务器价格比上一代GB200 NVL72高出50%，但是各方面性能比GB200高出了1.5~2倍，能耗只增加了15%左右，那大家自然又要买。

那么就要想一个问题，目前数据中心的利润能否支持550亿美金的投资，至少要在4年内赚够资金来购买下一代产品？目前英伟达在今年下半年将要交付的VR200采用了新架构Rubin，价格比GB300又贵了接近一倍。

算力中心能生产多少Token

先来做一个假设，即构建了一个1GW的算力中心，全部采用英伟达GB300，大概是配置7100个GB300机架，一个机架成本大概是400万美元，批量采购可能会便宜些，所以沐曦股份推算的250亿美元是合理成本；那么一天中满负荷、70%、50%负荷下运行能产生多少token，这些token能卖多少钱？

由于GPT5.5是闭源模型，所以我们是没有办法知道它的具体性能、权重、参数量、架构细节，也就导致无法知道其具体产生token量。

因此我选择通过与其性能接近的GLM5.2（参数分别是744B/40B，MoE，NVFP4）来进行大体推算；由于GPT5.5的模型理论上是比GLM5.2更加复杂，因此在使用GPT5.5模型的情况下token产出量会比GLM5.2少一些，但是差距不会太大。再根据GPT5.5的计费方式，就可以通过token量推算出大致的收入（仅是API角度去计算，因为还有包月套餐以及企业用户的折扣）。

但是当事情进行到这一步的时候，出现了一个很有意思的问题：即这1GW的数据中心按照100%的利用率，最大能产生大约200万亿~400万亿的token/天（根据调用模型的复杂程度不同）。

每日Token产出量=511200张GPU（7100个机架，每个机架有72张GPU）*单GPU产出量*86400秒*利用率

单张GPU产出量在SemiAnalysis（真实场景）、MLPerf Server（行业标准测试，要求低延迟）、MLPerf Offline（行业标准测试，只追最大吞吐）三种情况下分别是5250token/秒、8064token/秒、9821token/秒。

Token的市场需求如何

高盛在26年5月5日发布的《Decoding the Agentic Economy:The Coming Inflection in AI Usage and Margins》这篇研报，预计到2030年，全球Token月消耗量将比2026年增长24倍，达到约120千万亿（120 quadrillion）Token/月。那也就是说当前的消耗量应该是5quadrillionToken/月，折算到每天就是166万亿token。

而一个1GW的最先进算力中心在100%利用率情况下，运行先进模型的就能产生200万亿~400万亿的token，即使全部采用精度更高的NVFP8，会导致产出的token量相较于NVFP4精度会减少一半；而目前全球的AI算力中心大概是21GW，仍然是明显的token过剩了？

这也是我从另一个角度去分析，为什么目前算力中心处于闲置，利用率不高，因为当下并没有那么多的需求。前文讨论了市场对某个AI的性能认可度影响了算力中心的利用率。

再一点是国外大模型的计价确实非常高，并且模型差距并不是非常大，C端用户完全可以用便宜的模型来做简单和中等难度的任务，仅使用贵的模型去完成困难、复杂任务，这也进一步降低了算力中心的利用率。

目前的很多使用了Anthropic和Open AI大模型的公司，正在因为token价格过于昂贵，开始收缩支出，使得Anthropic和Open AI的企业端（B端）收入受到影响。

下篇文章会继续从其他角度解析AI泡沫以及泡沫有可能破灭的时间节点。