原创：王一川
来源：硅基研习社
2023年8月3日，华尔街和硅谷联袂奉上了一件震撼业界的大事：让一家创业公司拿到23亿美元的债务融资，抵押物则是当前全球最硬的通货——H100显卡。
这个大事件的主角叫做CoreWeave，主营业务是AI私有云服务，简单说就是通过搭建拥有大量GPU算力的数据中心，来给AI创业公司和大型商业客户提供算力基础设施。CoreWeave累计融资5.8亿美金，目前是B轮，估值20亿美元。
CoreWeave成立于2016年，创始人是三个华尔街大宗商品交易员。刚开始公司的主营业务只有一个：挖矿，采购大量GPU来组建矿机中心，尤其是在币圈低潮时，公司会逆周期囤大量显卡，也因此跟英伟达建立了铁杆的革命友谊。
CoreWeave三位联合创始人
2019年，CoreWeave开始把这些矿机改造成企业级数据中心，向客户提供AI云服务，刚开始的生意也不温不火，但ChatGPT诞生之后，大模型的训练和推理每天都在消耗大量算力，已经拥有数万张显卡（当然未必是最新型号）的CoreWeave嗖的一下起飞，门口挤满了客户和风投。
但令人感到蹊跷的是：CoreWeave累计一共只融到了5.8亿美金，账面GPU的净值不会超过10亿美元，甚至公司整体估值也只有20亿美元，但为何却能通过抵押借到23亿美元呢？一向精于算计、热衷对抵押物价值膝盖斩的华尔街，为何如此慷慨呢？
原因极有可能是：CoreWeave虽然账上还没这么多显卡，但它拿到了英伟达的供货承诺，尤其是H100。
CoreWeave跟英伟达的铁杆关系已经是硅谷公开的秘密。这种铁杆根源于CoreWeave对英伟达的毫无二心的忠诚和支持——只用英伟达的卡、坚决不自己造芯、显卡卖不动时帮英伟达囤卡。对黄仁勋来说，这种关系的含金量，远超跟微软、Google和特斯拉的那些塑料友情。
因此，尽管英伟达H100十分紧缺，英伟达还是把大量新卡分配给了CoreWeave，甚至不惜限制对亚马逊和谷歌等大厂的供应。黄仁勋在电话会议里夸赞：“一批新的GPU云服务提供商会崛起，其中最著名的是 CoreWeave，他们做得非常好。”
而在喜提23亿美金的一周前，CoreWeave就已对外宣称，将耗资16亿美元在德州建立一个占地面积42,000 平方米的数据中心。仅凭借跟英伟达之间的关系和优先配货权，CoreWeave就可以把建数据中心的钱从银行里借出来——这种模式，让人想起了拿地后立马找银行贷款的地产商。
所以可以这样说：当下一份H100的供货承诺，堪比房地产黄金时代的一纸土地批文。
一卡难求的H100
今年4月在接受采访时，马斯克抱怨道[2]：“现在似乎连狗都在买GPU。”
很讽刺的是，特斯拉早在2021年就发布了自研的D1芯片，由台积电代工，采用7nm工艺，号称能替代当时英伟达主流的A100。但2年过去了，英伟达推出了更为强大的H100，而特斯拉的D1没有后续迭代，因此当马斯克试图组建自家的人工智能公司时，还是得乖乖地跪在黄老爷门前求卡。
H100在去年9月20日正式推出，由台积电4N工艺代工。相较于前任A100，H100单卡在推理速度上提升3.5倍，在训练速度上提升2.3倍；如果用服务器集群运算的方式，训练速度更是能提高到9倍，原本一个星期的工作量，现在只需要20个小时。
GH100 架构图
相比A100，H100的单卡价格更贵，大约是A100的1.5～2倍左右，但训练大模型的效率却提升了200%，这样这算下来的“单美元性能”更高。如果搭配英伟达最新的高速连接系统方案，每美元的GPU性能可能要高出 4-5 倍，因此受到客户疯狂追捧。
抢购H100的客户，主要分成三类：
第一类是综合型云计算巨头，比如微软Azure、谷歌GCP和亚马逊AWS这样的云计算巨头。他们的特点是财大气粗，动辄就想“包圆”英伟达的产能，但每家也都藏着小心思，对英伟达的近垄断地位感到不满，暗地里自己研发芯片来降低成本。
第二类是独立的云GPU服务商，典型公司如前文提到的CoreWeave，以及Lambda、RunPod等。这类公司算力规模相对较小，但能够提供差异化的服务，而英伟达对这类公司也是大力扶持，甚至直接出钱投资了CoreWeave和Lambda，目的很明确：给那些私自造芯的巨头们上眼药。
第三类是自己在训练LLM（大语言模型）的大小公司。既包括Anthropic、Inflection、Midjourney这种初创公司，也有像苹果、特斯拉、Meta这样的科技巨头。它们通常一边使用外部云服务商的算力，一边自己采购GPU来自建炉灶——有钱的多买，没钱的少买，主打一个丰俭由人。
在这三类客户中，微软Azure至少有5万张H100，谷歌手上大概有3万张，Oracle大概有2万张左右，而特斯拉和亚马逊手上也至少拿有1万张左右，CoreWeave据称有3.5万张的额度承诺（实际到货大概1万）。其他的公司很少有超过1万张的。
这三类客户总共需要多少张H100呢？根据海外机构GPU Utils的预测，H100当前需求大概43.2万张。其中OpenAI需要5万张来训练GPT-5，Inflection需求2.2万张，Meta则是2.5万张（也有说法是10万张），四大公有云厂商每家都需要至少3万张，私有云行业则是10万张，而其他的小模型厂商也有10万张的需求[3]。
英伟达2023年的H100出货量大概在50万张左右，目前台积电的产能仍在爬坡，到年底H100一卡难求的困境便会缓解。
但长期来看，H100的供需缺口会随着AIGC的应用爆发而继续水涨船高。根据金融时报的报道，2024年H100的出货量将高达150万张-200万张，相比于今年的50万张，提升3-4倍[4]。
而华尔街的预测则更为激进：美国投行Piper Sandler认为明年英伟达在数据中心上的营收将超过600亿美元（FY24Q2：103.2亿美元），按这个数据倒推，A+H卡的出货量接近300万张。
还有更夸张的估计。某H100服务器最大的代工厂（市占率70%-80%），从今年6月开始就陆续出货了H100的服务器，7月份产能陆续爬坡。一份最近的调研显示，这家代工厂认为2024年A+H卡的出货量会在450万张～500万张之间。
这对英伟达意味着“泼天的富贵”，因为H100的暴利程度，是其他行业人难以想象的。
比黄金更贵的显卡
为了搞清H100有多暴利，我们不妨把它的物料成本（Bill of Materials, BOM）彻底拆解出来。
如图所示，H100最通用的版本H100 SXM采用的是台积电CoWoS的7晶粒封装，6颗16G的HBM3芯片分列两排紧紧围绕着中间的逻辑芯片。
而这也构成了H100最重要的三个部分：逻辑芯片、HBM存储芯片、CoWoS封装，除此之外，还有诸如PCB板以及其他的一些辅助器件，但价值量不高。
H100拆机图
核心的逻辑芯片尺寸是814mm^2，产自台积电最先进的台南18号工厂，使用的工艺节点则是“4N”，虽然名字上是4打头，但实际上是5nm+。由于5nm的下游，手机等领域的景气度不佳，因此台积电在保供逻辑芯片上没有任何问题。
而这块逻辑芯片是由12寸（面积70,695mm^2）的晶圆切割产生，理想状态下可以切出86块，但考虑到“4N”线80%的良率以及切割损耗，最后一张12寸晶圆只能切出65块的核心逻辑芯片。
这一块核心逻辑芯片的成本是多少呢？台积电2023年一片12寸的晶圆对外报价是13,400美元，所以折算下来单块大概在200美元左右。
接下来是6颗HBM3芯片，目前由SK海力士独供，这家起源于现代电子的企业，2002年几乎要委身与美光，凭借着政府的输血以及逆周期上产能的战略，如今在HBM的量产技术上至少领先美光3年（美光卡在HBM2e，海力士2020年中期量产)。
HBM的具体价格，各家都讳莫如深，但根据韩媒的说法，HBM目前是现有DRAM产品的5-6倍。而现有的GDDR6 VRAM的价格大概是每GB3美元，如此推算HBM的价格是在每GB 15美元左右。那一张H100 SXM在HBM上的花费就是1500美元。
虽然今年HBM的价格不断上涨，英伟达、Meta的高管也亲赴海力士“督工”，可下半年三星的HBM3就能逐步量产出货，再加上韩国双雄祖传的扩张血脉，想必到了明年HBM就不再是瓶颈。
而真正是瓶颈的则是台积电的CoWoS封装，这是一种2.5D的封装工艺。相比于直接在芯片上打孔（TSV）、布线（RDL）的3D封装，CoWoS可以提供更好的成本、散热以及吞吐带宽，前两者对应HBM，后两者则是GPU的关键。
所以想要高存力、高算力的芯片，CoWoS就是封装上的唯一解。英伟达、AMD两家的四款GPU都用上了CoWoS就是最好的佐证。
CoWoS的成本是多少呢？台积电22年财报披露了CoWoS工艺占总营收7%，于是海外分析师Robert Castellano根据产能，以及裸晶的尺寸推算出封装一块AI芯片能给台积电带来723美元的营收[6]。
因此把上述最大的三块成本项加总，合计在2,500美元左右，其中台积电占了$1,000（逻辑芯片+CoWoS）左右，SK海力士占了1500美金（未来三星肯定会染指），再算上PCB等其他材料，整体物料成本不超过3000美金。
那H100卖多少钱呢？35000美金，直接加了一个零，毛利率超过90%。过去10年英伟达毛利率大概在60%上下，现在受高毛利的A100/A800/H100的拉动，今年Q2英伟达的毛利率已经站上了70%。
这有点反常识：英伟达严重依赖台积电的代工，后者地位无人撼动，甚至是唯一能卡英伟达脖子的核心环节。但这么一块3.5万美金的卡，制造它的台积电只能拿1000美金，而且只是收入，不是利润。
不过，用毛利率来定义暴利，对于芯片公司意义不大，要是从沙子开始算，那毛利率更高。一张4N工艺的12寸晶圆，台积电卖给谁都差不多是1.5万美金一片，英伟达能加个零卖给客户，自然有其诀窍。
这个诀窍的秘密在于：英伟达本质上，是一个伪装成硬件厂商的软件公司。
软硬一体的护城河
英伟达最强大的武器，就藏在毛利率减去净利率的那一部分。
在本轮AI热潮之前，英伟达的毛利率常年维持在65%上下，而净利率通常只有30%。而今年Q2受高毛利的A100/A800/H100的拉动，毛利率站上70%，净利率更是高达45.81%。
近 3 财年英伟达(NVIDIA)单季度毛利率与净利率
英伟达目前在全球有超过2万名员工，大都是高薪的软硬件工程师，而根据美国猎聘Glassdoor的数据，这些岗位的平均年薪基本都高于20万美元/年。
近十个财年英伟达研发费用率
在过去的十年里，英伟达研发支出的绝对值保持着高速增长，而研发费用率稳态下也维持在20%以上。当然，如果某一年的终端需求爆发，比如2017年的深度学习、21年的挖矿、以及今年的大语言模型，营收的分母骤然抬升，研发费用率就会短暂的跌倒20%，相应地利润也会非线性暴增。
而在英伟达研发的这么多项目中最关键的无疑是CUDA。
03年为解决DirectX编程门槛过高的问题，Ian Buck的团队推出了一款名为Brook的编程模型，这也是后来人们常说的CUDA的雏形。06年Buck加入英伟达，并说服黄仁勋研发CUDA[8]。
因为支持C语言环境下的并行计算，使得CUDA一跃成为工程师的首选，也让GPU走上了通用处理器（GPGPU）的道路。
在CUDA逐渐成熟之后，Buck再次劝说黄仁勋，让英伟达未来所有的GPU都必须支持CUDA。06年CUDA立项，07年推出产品，当时英伟达的年营收仅有30亿美元，却在CUDA上花费5亿美金，到了17年时，单在CUDA上的研发支出就已超过了百亿。
曾经有位私有云公司的CEO在接受采访时说过，他们也不是没想过转去买AMD的卡，但要把这些卡调试到正常运转至少需要两个月的时间[3]。而为了缩短这两个月，英伟达投入上百亿走了20年。
芯片行业浮沉大半个世纪，从来没有一家企业像英伟达一样，既卖硬件、也卖生态，或者按黄仁勋的话来说：“卖的是准系统”。因此，英伟达对标的也的确不是芯片领域的那些先贤们，而是苹果——另一家卖系统的公司。
从07年推出CUDA，到成为全球最大的印钞厂，英伟达也并不是没有过对手。
08年当时芯片届王者英特尔中断了与英伟达在集显项目上的合作，推出自己的通用处理器（GPCPU），打算在PC 领域“划江而治”。可英伟达在随后几年的产品迭代中，硬是把自家处理器推广到太空、金融、生物医疗等需要更强大计算能力的领域，于是10年英特尔眼看打压无望，被迫取消了独立显卡计划。
09年苹果的开发团队推出了OpenCL，希望能凭借着通用性在CUDA身上分一杯羹。但OpenCL在深度学习的生态上远不如CUDA，许多学习框架要么是在CUDA发布之后，才会去支持OpenCL，要么压根不支持OpenCL。于是在深度学习上的掉队，使得OpenCL始终无法触及更高附加值的业务。
15年AlphaGo开始在围棋领域初露锋芒，宣告人工智能的时代已经来临。此时的英特尔为了赶上这最后一班车，把AMD的GPU装入自己的系统芯片内。这可是两家公司自上世纪80年代以来的首次合作。可如今CPU老大、老二+GPU老二的市值之和仅是GPU老大英伟达的1/4。
从目前看来，英伟达的护城河几乎是牢不可摧。即使有不少大客户笑里藏刀，私下里在研发自己的GPU，但凭借着庞大的生态和快速的迭代，这些大客户也无法撬动帝国的裂缝，特斯拉就是明证。英伟达的印钞机生意，在可见的未来还会持续。
可能唯一让黄仁勋萦绕乌云的地方，便是那个客户众多、需求旺盛但H100卖不进去、但人家又在咬牙攻坚的地方——这个地方全世界只有一个。
参考资料
[1] Crunchbase
[2] 'Everyone and Their Dog is Buying GPUs,' Musk Says as AI Startup Details Emerge-tom's HARDWARE
[3] Nvidia H100 GPUs: Supply and Demand-GPU Utils
[4] Supply chain shortages delay tech sector’s AI bonanza，FT
[5] AI Capacity Constraints – CoWoS and HBM Supply Chain-DYLAN PATEL, MYRON XIE, AND GERALD WONG，Semianalysis
[6] Taiwan Semiconductor: Significantly Undervalued As Chip And Package Supplier To Nvidia-Robert Castellano，Seeking Alpha
[7] 芯片战争，余盛
[8] What is CUDA? Parallel programming for GPUs-Martin Heller，InfoWorld
[9] NVIDIA DGX H100 User Guide