2万亿美元云资本开支将推动2027年新增算力容量接近20GW

概览

本报告围绕2024-2027年超大规模云厂商约2万亿美元数据中心资本开支，建立自下而上的每GW成本与容量上线模型，评估GPU和自研ASIC带来的AI算力容量、成本差异、前置建设节奏和数据中心组件通胀。报告核心结论是，GenAI进入推理时代后，算力容量仍是产业增长与竞争力的关键瓶颈，未来两年大量资本开支将开始转化为可用容量。

核心观点

报告认为，AMZN、GOOGL、META和MSFT在2026年和2027年将分别新增约14GW和20GW容量。GOOGL在2027年新增容量最高，约7GW，主要服务Gemini训练、GCP增长以及Search和YouTube等核心产品的GenAI功能；AMZN和MSFT各约5GW，META约3.4GW，但若计入外部超大规模云算力采购，META有效新增容量约4GW。芯片层面，NVDA仍是增量容量领导者，2026/2027年约占总新增容量60%，但GOOGL TPU和AMZN Trainium的占比正在提升。

分析框架

报告采用自下而上的容量模型，将各公司预计芯片数量、机架数量、每GW成本、芯片类型和数据中心建设成本拆分结合起来，估算超大规模云厂商当前和未来资本开支对应的GW容量。分析还比较NVDA Blackwell、Vera Rubin与TPU、Trainium等自研ASIC在资本成本、每瓦计算性能、HBM容量、网络和软件优化方面的差异。

方法论与常识提炼

• 容量与资本开支模型每GW成本自下而上模型

  cost per GW

  通过芯片、机架、服务器、网络、供电壳体、内存等成本拆分，估算建设1GW AI数据中心所需资本开支，并据此推导各云厂商未来上线容量。

• 芯片经济性比较GPU与自研ASIC成本/性能对比

  cost/token/watt

  报告不仅比较芯片和机架的资本成本，也强调每瓦计算性能、HBM容量、网络效率和软件优化对推理经济性的影响。

• 前置建设分析forward purchasing/building

  未来容量资本开支占比

  通过区分当期上线容量和为2027年及以后预建的供电壳体、土地、设备、内存和芯片采购，判断未来资本开支二阶增速和执行风险。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• AMZN / AWS

  超大规模云厂商与Trainium自研ASIC使用方

  优势

  2026/2027年容量追赶明显，约50%的2026年资本开支用于未来容量，AWS需求和Trainium路线提供长期支撑。

  劣势

  早期GenAI容量建设较慢，Trainium每年新增约2GW，规模约为TPU一半。

  对比

  2027年新增容量约4.7GW，低于GOOGL但接近MSFT。

  风险

  数据中心延迟、组件通胀、Trainium性能与生态进展不及预期。

• GOOGL / Google Cloud / TPU

  预计2027年新增容量最高的超大规模云厂商

  优势

  TPU采用率提升，2027年新增容量约6.8GW，并服务Gemini、GCP和核心搜索/YouTube GenAI功能。

  劣势

  2026年仅约10%资本开支用于未来容量，前置建设缓冲较少。

  对比

  2027年新增容量领先AMZN、MSFT和META；自研ASIC容量占比高于GPU。

  风险

  执行风险、组件短缺与通胀风险较高，TPU在第三方数据中心和自用之间的分配仍需观察。

• MSFT / Azure

  AI基础设施和NVDA GPU主要需求方

  优势

  约55%的2026年资本开支用于2027年及以后容量，支持Azure、Azure AI和M365长期增长。

  劣势

  相较AWS和GCP，报告认为MSFT几乎完全依赖NVDA，芯片供应和成本弹性较低。

  对比

  2027年新增容量约4.7GW，与AMZN相近。

  风险

  NVDA供应、GPU成本、云需求转化和资本开支持续性。

• META

  大规模AI算力需求方，但无独立超大规模云业务

  优势

  2026/2027年自身加外部交易的有效新增容量约4GW，拥有一方数据和潜在消费者AI代理产品化机会。

  劣势

  缺少云业务收入对冲，投资回报更依赖AI产品化、广告和新收入流兑现。

  对比

  自身2027年新增容量约3.4GW，低于GOOGL、AMZN和MSFT。

  风险

  AI模型产品化不足、外部算力承诺负担、ROIC难以证明。

• NVDA

  AI GPU和增量容量核心供应商

  优势

  2026/2027年约占新增容量60%，每瓦计算性能领先自研ASIC约2-8倍，HBM生态和供应分配能力强。

  劣势

  当前代GPU建设1GW数据中心成本最高可达自研ASIC约2倍，Blackwell/Rubin机架成本高。

  对比

  自研ASIC在资本成本上更低，但NVDA在性能/瓦和生态成熟度上领先。

  风险

  TPU和Trainium追赶、客户直接采购内存降低捆绑价值、下一代GPU成本上升影响采购节奏。

• 自研ASIC / TPU / Trainium

  云厂商降低AI算力资本成本的替代路线

  优势

  每GW建设成本显著低于NVDA GPU，GOOGL和AMZN可通过全栈控制优化系统效率。

  劣势

  当前每瓦计算性能落后NVDA，仍需通过网络、HBM容量和软件优化缩小差距。

  对比

  当前代自研ASIC机架成本约60亿-110亿美元/GW，低于NVDA GB300约200亿美元/GW及Vera Rubin约250亿美元/GW。

  风险

  性能/瓦改善不足、软件生态限制、HBM和先进制程供应约束。

关键数据

• 2024-2027年累计超大规模云资本开支约2万亿美元报告称2027年超大规模云资本开支预计超过1万亿美元，2024-2027年累计约2万亿美元。
• 2025年新增容量约6.7GWGOOGL约2.1GW，AMZN约1.8GW，MSFT约1.4GW，META约1.4GW。
• 2026年新增容量约13.7GWGOOGL约5.6GW，AMZN约3.5GW，MSFT约2.6GW，META约1.9GW。
• 2027年新增容量约19.5GWGOOGL约6.8GW，AMZN约4.7GW，MSFT约4.7GW，META约3.4GW。
• NVDA增量容量占比约60%NVDA仍是2026/2027年超大规模云新增容量的主要供应来源，但TPU和Trainium占比提升。
• NVDA GPU与自研ASIC建站成本差异最高约2倍当前代NVDA GPU建设1GW数据中心的成本最高可达当前代TPU/Trainium等自研ASIC的约2倍。
• NVDA每瓦计算性能优势约2-8倍报告认为NVDA在FLOPs/Watt指标上显著领先当前代自研ASIC。
• AMZN 2026年前置资本开支约900亿美元，约50%用于2027年及以后上线的建筑、壳体、设施、电力和容量。
• MSFT 2026年前置资本开支约1040亿美元，约55%显示AI基础设施预建活动显著，支持未来Azure、Azure AI和M365增长。
• META 2026年前置资本开支约850亿美元，约55%用于2027年及以后上线的芯片、机架和GW容量；同时存在每年约250亿美元外部超大规模云承诺。
• GOOGL 2026年前置资本开支约200亿美元，约10%较低前置比例意味着更高的通胀、短缺和数据中心建设执行风险。
• 网络成本占每GW成本约20%报告将网络列为机架之后最大的投资项之一。

影响与含义

若报告测算兑现，AI基础设施将从资本开支投入期进入容量释放期，云收入增长、AI产品化和ROIC将成为市场验证重点。对NVDA而言，虽然GPU单位成本更高，但性能/瓦优势维持其核心地位；对GOOGL和AMZN而言，自研ASIC有望降低资本成本并提升纵向整合优势；对META而言，由于缺乏独立超大规模云业务，其大额算力投入更依赖AI产品化和增量收入证明投资回报。

风险

• 数据中心建设可能受到电力、土地、劳动力、承包商、电工和管道工等现实约束影响，导致容量上线延迟。
• DRAM和HBM价格或供应紧张可能推升机架成本，尤其在NVDA Blackwell和Rubin周期中影响更大。
• GOOGL前置建设比例较低，可能面临更高的执行、通胀和短缺风险。
• 自研ASIC若无法通过网络、内存带宽和软件优化缩小性能/瓦差距，低资本成本优势可能被推理效率抵消。
• META大额算力投入需要通过AI产品化和增量收入证明ROIC，否则市场可能质疑资本开支回报。
• 超大规模云厂商未来可能更多使用固定利率长期债务或创新融资结构，融资成本和资产负债表压力需要跟踪。

后续跟踪

• 超大规模云厂商每MW/GW收入区间及其对云收入和ROIC的含义。
• Trainium 4和TPU 8在成本/token/watt、性能/瓦、HBM容量和软件优化上的进展。
• GOOGL TPU出货最终有多少留在GOOGL资产负债表，以及多少进入第三方数据中心。
• AMZN是否开始向第三方数据中心销售Trainium，报告当前未纳入该上行情景。
• 电力、土地和劳动力约束是否影响2026-2027年数据中心上线时间。
• Rubin插拔式内存模块是否让云客户更多直接采购获批内存，从而降低NVDA捆绑成本。
• AMZN、MSFT和META前置建设是否带来未来资本开支二阶增速放缓。