本期课程我们来关注整个算力成本的构建。我们拆分了Meta24000张H100，其中托管成本为2.39亿美元，集群建设成本为9.1亿美元，电力成本为1.37亿美元。

在集群建设中，计算部分大约占65-70%，主要是购买GPU芯片，约占70%，还有一些1-2%用于控制的CPU。互联交换机占7-8%，以及其他配套设施，包括以太网、DPU、线缆等。此外，还有3%的存储和能源等其他费用，以及3%的其他业务费用，包括温控等。

当前，国内市场对液冷技术的关注度并不高，尽管液冷非常适合中国，因为巨头们不太愿意自己投入去做。下面这张图是我最早提出的，现在很多企业融资时都在使用这张图。这张图展示了AI芯片与传统芯片产业的区别。

AI芯片与传统的CPU或GPU完全不同，它根据用途天然分为四个象限，即四个场景，分别是云端或终端，训练或推理。英伟达在云端训练领域是绝对的领导者，这也是目前市场最大的部分，但其他领域也存在机会。

云端训练由于标准化程度高，最终可能会形成1-2个巨头垄断的局面，如果没有非市场化因素如制裁等，本质上最后可能会是一家垄断90%的份额，类似于CPU市场。

云端推理方面，所有巨头如亚马逊、微软，尤其是谷歌等公司都会自主研发推理芯片，用于自己应用。因为对于这些巨头来说，推理芯片的技术门槛没有训练芯片那么高，而且成本会降低很多。从2025年开始，我们会看到像Meta这样的公司，它们的自研推理芯片将正式推出，并在自己的数据中心大规模使用。

以上内容为「寻找下一个“英伟达”」课程第2章第2节的部分内容，吕伟老师将在本节课程后续内容中，梳理AI硬件的投资机会。对本期课程感兴趣的朋友，欢迎点击此处加入，学习本课程的完整内容。