Kerwin × Enya · AI InfrastructureBenchmark v0.5.1 · Editorial Rebuild · 2026-08-18
AI CLOUD ECONOMICS · FOUR-LAYER MODEL
AI Cloud（AI云）四层经济模型从 1MW / 1GW 到 GB300 与 Vera Rubin，再到谁拿走下一代算力的利润池
真正要回答的不是“1GW听起来有多大”，而是：1GW 电力最终能转成多少可售算力、需要多少资本、对应多少 Memory BOM（内存与存储物料）、能生产多少 Token（模型处理单位），以及这些效率红利最终由 AI Cloud（AI云）还是模型公司捕获。
核心原子单位：1MW IT Load（IT负载）现实锚：IREN × Microsoft / GB300前瞻锚：Vera Rubin / Token-MW / Value Capture
1MWPOWER → GPU
MEMORY → TOKEN
VALUE CAPTURE
阅读方法：这不是四个并列模块，而是一条因果链：电力 → IT Load → GPU → Memory BOM → Token/MW → 定价制度 → Revenue / ROIC（投入资本回报率）。GPUh Revenue（GPU小时收入）、Token Fee Revenue（按Token收费收入）与 Revenue Share（收入分成）是同一批算力的替代定价制度，不能相加。
01 · RESEARCH QUESTION
先把研究问题说清楚：AI Cloud 到底是一门“租机器”的生意，还是一门“卖智能产出”的生意？
过去研究 AI 基础设施，最容易被“多少GW、多少张GPU、多少亿美元Capex”牵着走。但这些数字只有放进同一条经济链里才有意义。电力不是收入，GPU数量也不是利润；真正决定股东回报的是电力如何转成可计费算力、可计费算力如何转成 Token，以及定价权最终停留在哪一层。
当前阶段，GB300（Blackwell Ultra，Blackwell Ultra代际GPU）给我们现实世界的合同和部署锚；Vera Rubin（下一代Vera CPU + Rubin GPU平台）则迫使估值框架进一步升级：如果同样 1MW 电力能生产数倍 Token，而云服务商仍只按 GPUh（每GPU小时）收费，那么大部分代际效率红利会进入模型公司的毛利率，而不是云服务商的收入/MW。
第一层：先统一 1MW ITGross Power（总电力）必须经过 PUE（电力使用效率）换成真正可用的 IT Load（IT负载）。
第二层：穿透资本去向每1GW不只有GPU，还对应HBM、CPU内存与NAND；Memory BOM是完整Capex的组成部分。
第三层：从GPUh走向TokenRubin最重要的不是多塞多少GPU，而是同一MW能生产多少Token。
第四层：决定估值的是价值捕获同一轮性能提升，可能成为云服务商收入，也可能成为模型公司的成本下降。
因此，这套模型的目标不是给一个“行业标准答案”，而是建立一把可以反复校准的尺子：每出现一个真实合同、一个新GPU代际、一组Token价格或一种新收费方式，就知道应该改哪一项假设，以及结论为什么会变。
02 · WHY 1MW
这套模型为什么从 IREN 开始：真实合同第一次把“MW”与“收入”钉在一起
在没有合同锚之前，“1GW AI算力值多少钱”很容易变成拍脑袋。IREN 与 Microsoft 的合同给了一个很干净的现实样本：$9.7B、5年、200MW Critical IT Load（关键IT负载）。
200MW Critical IT Load不是园区Gross MW，而是可以承载客户计算负载的关键IT容量。
→
$1.94B 年化合同收入$9.7B ÷ 5年，得到满负荷年化收入。
→
≈$9.7M ARR / MW IT这是当前大型长期AI Cloud合同的现实下锚之一。
这一步先解决了一个基本问题：以后看到任何“几百MW、几GW”的AI项目，都不能直接拿Gross Power（总电力容量）乘收入。必须先问清它到底是 Secured Power（已锁定电力）、Energized Power（已通电容量）、Facility Power（设施容量）还是 Critical IT Load（关键IT负载）。
| 口径 | 它回答什么问题 | 能不能直接用于收入估值 |
|---|
| Secured Power（已锁定电力） | 未来最多可能拿到多少电 | 不能，只是远期天花板 |
| Energized Power（已通电容量） | 多少容量已经具备部署条件 | 仍不能，尚未等于IT负载 |
| Gross / Facility Power（总/设施电力） | 数据中心总耗电能力 | 要通过PUE换算 |
| IT Load / Critical IT Load（IT/关键IT负载） | 服务器、GPU、网络真正可使用多少电 | 最适合跨项目比较 |
PUE 把 1GW 电力变成多少 IT Load？
PUE（Power Usage Effectiveness，电力使用效率）= 数据中心总耗电 ÷ IT设备耗电。工作参考带约 1.10–1.25，因此 1GW Gross Power 大约对应 0.80–0.91GW IT Load。换句话说，1MW IT Load 才是这套经济模型真正的“原子单位”。
为什么先做这一步：只有把MW口径统一，后面的GPU数量、ARR/MW、Capex/MW、Memory BOM/MW和Token/MW才有可比性。否则一个公司报Gross MW，另一个公司报Critical IT MW，横向比较从第一步就已经错了。
03 · LAYER 1 · UNIT ECONOMICS
第一层：1MW IT Load 如何变成 GPU、GPUh收入、Capex 与回本期
有了统一的 1MW IT 口径，才可以进入真正的云经济账。GB300 用于校准当前合同和部署；Rubin 用完全相同的尺子做前瞻情景。两个面板不是两篇研究，而是同一套公式在两个硬件代际上的复用。
GB300（Blackwell Ultra）当前主力部署 / 合同现实锚
IT Load—Gross ÷ PUE
GPU Count—按IT功率密度
GPUh ARR—云服务商传统收入
Capex / MW IT—完整资本强度
Project Payback—EBITDA口径
Memory BOM / MW—已包含于全栈Capex
Memory / Capex—存储物料占完整资本支出
—
Vera Rubin下一代平台 / 前瞻工作情景
IT Load—Gross ÷ PUE
GPU Count—功率密度工作值
GPUh ARR—前瞻情景
Capex / MW IT—完整资本强度
Project Payback—EBITDA口径
Memory BOM / MW—HBM4+Vera内存+NAND
Memory / Capex—存储物料占完整资本支出
—
这张面板先回答“资产经济账”：同样的 IT Load，能部署多少GPU、以什么GPUh价格出租、需要多少资本、多久回本。它暂时还没有回答 Rubin 为什么值得单独建模——这个答案要继续往硬件组成和单位电力产出穿透。
先记住一个口径：Memory BOM（内存与存储物料）不是在 Total Capex（总资本支出）之外额外加的一笔钱。它是全栈GPU/服务器资本支出的穿透组成部分，因此 $3.7B 不能再加到约 $43B 上。
04 · LAYER 2 · MEMORY BOM
第二层：当 1MW 已经换成 GPU，下一步就能算每1GW到底有多少资本流向内存与存储
这一层的意义，是把云服务商的Capex继续穿透到上游产业链。物理含量来自系统规格，价格环境再用内存厂商财报和市场价格代理校准。这样才能回答：AI Cloud扩1GW，对 HBM（高带宽内存）、CPU侧内存和 NAND（闪存）的经济含量大约是多少。
| 1GW IT 工作中枢 | GB300（Blackwell Ultra） | Vera Rubin | 为什么重要 |
|---|
| GPU数量 | ≈500K | ≈500K* | 当前先保持可比密度；Rubin真正的核心不是简单“多塞GPU”。 |
| HBM容量 | ≈144PB HBM3E（第三代增强型高带宽内存） | ≈144PB HBM4（第四代高带宽内存） | 容量相近，但带宽、工艺复杂度和价格代理不同。 |
| CPU侧内存 | ≈118PB | ≈375PB LPDDR5X（低功耗内存） | Vera CPU带来的CPU内存池明显扩大。 |
| 本地NAND | ≈4.25EB | ≈4.25EB floor（下限）* | Rubin共享KV Cache（键值缓存）/STX层尚未完全计入。 |
| Memory BOM | ≈$3.7B | ≈$7.2B | 上游经济含量代理；属于完整Capex组成部分。 |
| Memory BOM / Total Capex | ≈8%–9% | ≈13%–14% | 把“新增1GW AI算力”映射成Memory+Storage价值池。 |
因此，GB300 的约 $3.7B/GW 不是“存储成本再加37亿美元”，而是告诉我们：在约 $43B/GW 的完整 AI Factory（人工智能工厂）资本支出里，大约一成的经济价值可以穿透到 HBM、CPU内存和本地NAND这一组Memory/Storage（内存/存储）部件。Rubin由于 HBM4、Vera CPU内存和更复杂的存储体系，这个比例在当前工作模型里上升到约13%–14%。
但更高的 Memory BOM 仍然不是 Rubin 最重要的经济变化。真正决定下一代算力价值的，是同样1MW电力究竟能生产多少Token。这就把研究从“资本投入”推进到“智能产出”。
05 · GENERATION SHIFT
从 GB300 到 Rubin：真正跃迁的是生产函数，而不是“1GW里多装了多少张GPU”
GB300 与 Rubin 都可以先按约450–500张GPU/MW IT做数量级比较，但两代平台的内存带宽、CPU内存池和推理吞吐已经不是同一个生产函数。
| 关键变量 | GB300 | Vera Rubin | 当前模型怎么处理 |
|---|
| HBM / GPU | 288GB HBM3E | 288GB HBM4 | 容量不翻倍；Rubin主要升级带宽与价值含量。 |
| HBM带宽 | 约8TB/s/GPU级别 | 22TB/s/GPU | Rubin内存供给能力显著提高。 |
| CPU侧内存 / GPU等效 | 约236GB | 约750GB | Vera CPU把CPU内存池提高到约3倍量级。 |
| Token Throughput / MW | 2.8M tokens/s/MW特定基准 | Base Case（基础情景）≈3× GB300 | 3×是Kerwin/Enya工作假设，不是NVIDIA官方统一承诺。 |
| GPUh价格 | 默认$4/h | 默认$4.5/h前瞻情景 | 收入涨幅远小于Token/MW潜在涨幅。 |
NVIDIA在特定 DeepSeek-R1、Kimi-K2-Thinking 等场景给出的 Rubin 性能上锚更高，但比较对象、模型与延迟条件并不等同于 GB300 的通用生产环境。因此这套模型不把“10×”直接当成行业事实，而是保守地先用 2.5–5×工作带、3× Base Case，等待真实生产部署验证。
这一节产生了全文最关键的新问题：如果 Rubin 的 Token/MW 真的约为 GB300 的3倍，而云服务商的GPUh价格只从$4提高到$4.5，那么“多出来的Token”并不会自动变成云服务商收入。它首先会变成模型公司的单位Token成本下降。于是下一步必须把Token产能和定价制度放进同一张账。
06 · LAYER 3 · TOKEN ECONOMICS
第三层：从“机器时间”走到“智能产出”——Token产能如何变成收入
当前典型商业关系是：AI Cloud / Neocloud（新型GPU云）按 GPUh 向模型公司出租算力；模型公司再按 Token、API（应用程序接口）或订阅向终端客户收费。因此，云服务商的GPUh收入，正是独立模型公司的Compute Cost（算力成本）。
AI Cloud / Neocloud投入GPU、电力、数据中心、网络与存储；当前主要卖GPUh。
→
模型 / API 公司购买算力，把GPUh转换成Token，再承担模型、软件与产品层成本。
→
终端客户按API、Token、订阅或Agent结果付费，形成最终AI收入池。
因此不能把“GPUh ARR”和“Token Revenue”当成两笔可以相加的收入。它们分别代表同一批算力在不同收费制度下的价值捕获方式。为了把这件事说清楚，模型把两个概念彻底拆开：
终端 API Price模型公司售价用户为模型能力付多少钱；包含模型、软件、品牌、产品与渠道价值。
Infra Token Fee云端Token费云服务商若按Token收费，这是独立的$/百万Token基础设施合同价。
Revenue Share收入分成云服务商直接按模型/API终端收入的一定比例分享价值池。
Token Monetization Inputs终端API收入与云端Token收费分开建模。
Token EconomicsModel/API GMV属于模型公司收入池；Cloud Token Revenue属于云服务商。
Realized API Price—终端综合实现价
Infra Token Fee—云端独立Token收费
GB300 Model/API GMV / GW—终端收入池情景
Rubin Model/API GMV / GW—同一价格篮子情景
GB300 Cloud Token Rev / GW—按Token收费
Rubin Cloud Token Rev / GW—按Token收费
GB300 GPUh Parity Fee—与现有GPUh收入持平
Rubin GPUh Parity Fee—Token/MW越高，平价费越低
—
如何读四个常见数字：GB300约$14.9B/GW GPUh ARR与约$14.8B/GW Token Fee Revenue是两种替代收费方式；Rubin约$16.8B/GW GPUh ARR与约$44.5B/GW Token Fee Revenue同理。它们之间的差额不是“多出来的一笔收入”，而是在衡量下一代GPU的效率红利到底可能被谁拿走。
07 · LAYER 4 · VALUE CAPTURE
第四层：谁拥有额外 Token 的经济权，才真正决定两类公司的估值
当 Token/MW 增长远快于 GPUh 价格时，价值捕获就会从“硬件性能问题”变成“合同定价问题”。同一轮 Rubin 性能升级，在不同收费制度下，可以让云服务商更像重资产租赁公司，也可以让它逐步向平台型基础设施迁移。
Revenue Share Input（收入分成）第三种定价：云服务商直接分享模型/API终端收入。
① GPUh资产租赁云收入主要由GPU数量×小时×租金决定；Token/GPUh提升先进入模型公司毛利。
② Token-based产量定价云收入随Token产量增长；基础设施开始直接分享Rubin的生产率提升。
③ Revenue Share价值定价云服务商按终端AI收入分成，与模型公司成为经济利益共同体。
两个新指标，把利润池迁移量化
GPUh · PERFORMANCE UPSIDE CAPTURE—Rubin性能提升有多少转成云收入增幅
GPUh · COMPUTE EFFICIENCY RETENTION—模型公司保留多少理论算力效率红利
TOKEN FEE · PERFORMANCE CAPTURE—固定Token费下云收入随产量增长
REVENUE SHARE · PERFORMANCE CAPTURE—固定分成率下云端参与终端价值增长
Performance Upside Capture（性能提升价值捕获率）回答：Token/MW提高100%，云服务商收入提高多少；Compute Efficiency Retention（算力效率留存率）回答：硬件带来的理论单位Token成本下降，有多少最终真正留在模型公司。
默认情景下，Rubin Token/MW = 3× GB300，而GPUh只从$4提高到$4.5。此时云端的 Performance Upside Capture 只有约6%，模型公司保留约94%的理论算力效率红利。这个结果不是行业事实，而是一个非常有用的“基准假设”：它告诉我们未来为什么要重点跟踪云合同有没有从GPUh迁移到Token-based或Revenue Share。
1GW IT：三种收费制度下，利润池如何重分配
| 收费制度 | GB300 云收入 | Rubin 云收入 | GB300 Model/API GMV | Rubin Model/API GMV | Rubin扣云算力后的收入 |
|---|
| GPUh（每GPU小时） | — | — | — | — | — |
| Token-based（按Token收费） | — | — | — | — | — |
| Revenue Share（收入分成） | — | — | — | — | — |
—
价值捕获的本质：GPUh、Token Fee 和 Revenue Share 不是三条收入线，而是三种定价权安排。下一代GPU的投资价值，不只取决于“快多少”，更取决于“谁有权把变快后的产出重新定价”。
08 · VALUATION MAP
估值含义：AI Cloud 与模型公司的价值池是一架跷跷板
到这里，前面所有工程参数才真正落到估值。对独立云服务商而言，模型公司的Compute Cost就是自己的Revenue；对模型公司而言，云端定价制度决定了硬件效率提升能否完整转成Gross Margin（毛利率）扩张。
| 公司类型 | GPUh主导时怎么看 | Token / Revenue Share上升后怎么变 | 新增核心指标 |
|---|
| AI Cloud / Neocloud | 更像重资产基础设施：EV/MW、EV/ARR、Project EBITDA、Capex/MW、Payback、ROIC/WACC。 | 收入开始跟随“智能产出”而不只是资产小时数；如果能持续捕获性能红利，收入/MW和ROIC上限提高，估值可能向平台型基础设施迁移。 | Token Revenue/MW、Performance Upside Capture、Revenue Share、Token Revenue/Capex。 |
| 模型 / API 公司 | 固定或相对固定的GPUh成本，让Token/GPUh提升形成强Operating Leverage（经营杠杆）。 | 如果云端按Token/收入抽取更多价值，硬件效率红利不再全部进入模型公司毛利，长期Gross Margin与FCF Margin要重新评估。 | Compute Efficiency Retention、Compute Cost/Token、Compute Cost/API Revenue、长期毛利率。 |
| 垂直整合 Hyperscaler（超大规模云厂商） | 云与模型同集团时，内部GPUh收入/成本在合并报表中抵销。 | 重点转向集团整体每1美元AI Capex创造多少Revenue、EBIT、FCF和ROIC。 | Consolidated AI ROIC、Capex效率、外部客户收入占比。 |
因此，对 IREN、CoreWeave、Nebius 一类独立AI Cloud，未来最值得观察的不是“Rubin租金比GB300贵多少”，而是合同有没有出现 Performance Upside Capture 的提升；对 OpenAI、Anthropic、xAI 等模型公司，则要反过来看 Compute Efficiency Retention 是否被云端重新定价侵蚀。
一句话落地：如果AI Cloud永远只卖GPUh，它更像“GPU房东”；如果它能稳定按Token或收入分成，它开始分享模型层的增长；反过来，模型公司越能锁定长期低价GPUh，越能独享下一代GPU带来的单位Token成本下降。
09 · BENCHMARK & FALSIFICATION
截至 2026-08-18 的工作参考带，以及一个月后应该验证什么
这套框架的价值在于可证伪。下面不是“行业定律”，而是当前快照；新合同、新硬件与新价格出现后，应该逐项上调、下调或推翻。
| 指标 | 当前工作带 / 中枢 | 一个月后最重要的验证点 |
|---|
| PUE（电力使用效率） | 1.10–1.25 / 1.15 | 新建液冷AI园区能否稳定接近1.1。 |
| GPU / MW IT | ≈450–500 | Rubin整架真实功耗公布后重新计算。 |
| 大型客户GPUh | $3–5 / $4 | GB300真实长约与Rubin首批合同价格。 |
| ARR / MW IT | $10M–16M | IREN等新增合同的MW口径是否继续落在区间。 |
| 完整AI Factory Capex / MW | $30M–55M | Rubin全栈采购价、网络和液冷资本强度。 |
| GB300 Token Throughput | 2.8M/s/MW特定基准 | 更多模型/延迟条件下的生产环境数据。 |
| Rubin Token/MW | 2.5–5× / 3× Base | 若真实数据长期低于2×，必须下修整个Rubin经济模型。 |
| Memory BOM / GW | GB300≈$3.7B；Rubin≈$7.2B | HBM4、LPDDR5X与企业级SSD实际价格和容量配置。 |
| Infra Token Fee | 默认$0.24/1M情景 | 是否出现真实按Token计价的基础设施合同。 |
| Revenue Share | 默认20%敏感度情景 | 是否出现云商直接分享模型/API收入的合同证据。 |
以后固定看18个变量，但按四组理解
| 组别 | 变量 | 最终回答的问题 |
|---|
| 物理层 | Secured Power / Energized Power / IT Load / PUE / GPU-MW | 电力资源到底能转成多少可用算力？ |
| 资产经济层 | GPUh / Utilization / ARR-MW / Capex-MW / Payback / Customer-funded Capex | 传统云租赁是否创造足够ROIC？ |
| Memory + Token层 | Memory BOM / Token Throughput-MW / Sellable Utilization / Realized API Price | 1GW对应多少上游价值和多少智能产出？ |
| 价值捕获层 | Token Fee / Revenue Share / Performance Upside Capture / Compute Efficiency Retention | 下一代GPU的经济红利最后归谁？ |
最重要的证伪条件：如果Rubin的真实Token/MW提升远低于3×、Rubin Capex/MW显著高于当前假设，或云服务商始终无法把性能提升重新定价，那么AI Cloud的“平台化估值”逻辑应该弱化；反之，如果真实合同开始出现Token-based或Revenue Share，价值池迁移就需要进入主估值模型，而不再只是情景分析。
10 · SOURCES & RELATED RESEARCH
核心证据锚与阅读路径
相关阅读：从单位经济账回到AI资本循环
Enya · Automated Intelligence
把复杂世界整理成一张投资地图。
底层模型：GPT 5.6 Sol 及 Claude Fable 付费版
这套AI Cloud Economics（AI云经济学）框架的核心不是记住某一个$14.9B、$44.5B或3×，而是保留一条可以不断被新证据校准的因果链：电力能否按时转成IT负载，资本能否转成高利用率算力，算力能否转成更低成本Token，以及下一代GPU创造的价值最终被哪一层定价权捕获。
Enya：香港首个由 OpenClaw 打造的女性投顾 Agent
Kerwin投资问题定义、研究框架、假设选择与最终判断。
Enya数据查验、模型换算、交叉验证、网页交互与持续校准。