AI时代,做投研是一件很专业的事最近看到某位去过4个算力中心的大哥分享自己的投研成果。必须承认，愿意去现场看项目、问情况，比坐在家里复制材料强得多。很多一手观察也确实有价值。一手见闻主要解决项目存不存在、建设推进到什么程度。到了投资研究这一步，还要处理统计口径、设备配置、建设周期、利用率和商业需求。任何一个环节没有理顺，都可能让结论偏离事实。机柜、标准机架、服务器、AI卡、园区功率和算力P值，经常出现在同一段话里，看起来都在描述数据中心规模，实际代表着完全不同的东西。把这些数字连接起来，需要一套可以复核的换算过程。
同一个“机柜”，可能说的根本不是一回事
某园区的规划负荷为3.5GW到4GW，调研材料据此给出了300万台通算机柜、240万张卡和192万P算力的估算。单看数字很有冲击力，放到行业统计口径里就有些费解了。公开标准中，“标准机架”属于功率换算单位。全部已安装机柜的设计功率相加，再按照2.5kW折算成标准机架数。调研材料也采用过同样的2.5kW口径，例如43万个标准机架对应约1.08GW。既然后文使用了这个换算关系，前文的3.5GW到4GW就很难同时对应300万台机柜。这里或许采用了另外一种“通算机柜等效口径”。这种情况并非绝对不可能，只是需要把定义写清楚。否则，物理机柜、标准机架和通算机柜算力混在一起，读者很容易把几个不同维度的数字当成一回事。300万台服务器怎样一路变成640万P
另一个值得仔细推敲的地方，是服务器数量向算力P值的转换。某企业公开资料写得很清楚，江南某市的数据中心规划容量为300万台服务器。服务器与机柜之间没有一一对应关系。一个机柜通常可以安装多台服务器，不同服务器的用途也不一样。存储服务器、通用计算服务器和AI服务器，在功耗、芯片配置和算力表现上存在很大区别。更值得注意的是，几个数字之间能够形成一条非常整齐的反推关系。300万个所谓机柜，对应240万张卡，再对应192万P。由此可以算出，每个统计单位对应0.8张卡，每张卡对应0.8P，最终每个单位对应0.64P。材料列出的各地规模分别为300万、300万、300万、40万、30万和30万，合计正好是1000万。我们无法据此断定对方具体使用了什么计算表格，但这种精确对应关系说明，640万P很可能沿用了前面的固定换算比例。目前没有看到其他可以复现这一结果的计算方法。江南某市的300万原本是服务器数量，进入计算后成了机柜数量；机柜又按照固定比例变成AI卡，AI卡继续按照统一性能换成P值。不同地区、不同用途和不同建设时期的数据中心，似乎都采用了同一种设备配置。另一处数据中心也存在类似问题。企业公开资料显示，该项目规划容量为100万台服务器。调研材料给出的数字则是300万台机柜。如果后来确实调整过规划，需要附上新版数据的时间和来源。缺少这一步，读者无法判断数字来自项目更新、现场访谈，还是估算过程中发生了口径变化。P值本身也需要注明条件
很多非专业投资者会把“P”理解成吨、公里或者平方米一样稳定的计量单位。现实情况要复杂得多。P一般指PFLOPS，也就是每秒千万亿次浮点运算。FP16、FP32、BF16以及其他精度下的算力不能随意比较。同一张AI卡采用不同精度计算，理论算力也会出现明显差异。单卡理论峰值与集群有效算力之间同样隔着很长一段距离。组网效率、内存带宽、通信损耗、软件适配、任务类型和集群稳定性，都会影响最终能够交付的算力。因此，“1张卡等于0.8P”需要同时注明芯片型号、计算精度和统计方式。缺少这些条件，这个比例只能用于某个特定假设，无法直接推广到全国多个数据中心。国家数据局公布全国智能算力规模时，会明确写成“PFLOPS（FP16）”。这种表达至少确定了计算精度、统计时间和统计范围。如果地方规划采用一种口径，全国在用算力采用另一种口径，两个数字放在一起比较时就要格外谨慎。规划算力与在用算力本来处于不同阶段，再叠加精度和设备配置差异，很容易形成夸张的倍数关系。规划规模距离真实需求还有很多环节
算力园区从纸面规划走到稳定运营，大致会经过拿地、签约、取得用能指标、开工建设、机房交付、服务器进场、正式通电、客户上架和形成付费收入等阶段。一座园区规划4GW，说明它为远期发展预留了较大的供电和基础设施能力。至于这些功率在几年内释放、服务器什么时候进场、最终利用率能够达到多少，还要结合建设进度和客户订单判断。如果远期规划为4GW，当前安装量只有3万个标准机架，那么研究重点应当落在后续装机速度、客户来源、合同约束和上架率上。直接把4GW全部换算成芯片采购量，相当于提前确认了多年后的建设进度和设备配置。这类推算描绘的是一种远期满载情景。它可以用于乐观情景测算，但不能直接替代当期需求。真正能够支撑现实需求判断的指标，通常包括已签订单、服务器进场数量、上架率、算力利用率、客户结构、收入和现金流。土地面积和规划功率只能提供供给侧的想象空间。大数字最好能够倒算回来
按照1张卡15万元、1GW服务器投资2000亿元到2500亿元计算，投资额相当于133万到167万张卡。另一组估算认为，3.5GW到4GW合计对应240万张卡，换算后每GW约为60万到69万张卡。2000亿元到2500亿元如果包含CPU、服务器整机、网络、存储和其他设备，就需要交代AI卡在总投资中的占比。假如这笔投资主要由单卡价格推导，又会和后文的每GW卡数发生明显冲突。这种问题未必说明某一个数字完全错误，更可能说明计算模型没有完整展示。对于投资者来说，无法复现的模型很难承担决策依据的作用。看到一个很大的投资数字，可以尝试把它除以单价，看看隐含的采购数量；看到功率数据，也可以换算成机架数和单柜功率。很多隐藏在叙述里的矛盾，经过简单倒算就会显现出来。非专业投资者需要一套笨办法
AI产业的发展很快，专业名词也在不断更新。普通投资者很难掌握所有技术细节，但可以坚持一些朴素的检查方法。看到一个数字，先确认它来自官方披露、媒体报道、现场访谈，还是研究者自己的估算。看到一个项目规模，分清它处于规划、签约、在建、交付、装机还是实际运营阶段。看到机柜、服务器、卡数和P值同时出现，把中间的换算公式写出来。看到算力P值，确认芯片型号、计算精度以及理论算力和有效算力的区别。看到“需求景气”，继续寻找订单、上架率、利用率、收入和现金流方面的证据。这些方法看起来很笨，却能过滤掉不少由大数字营造出来的错觉。调研的价值，最终体现在能否经得起复核
现场调研很重要，它能提供书面材料之外的直观感受，也能帮助投资者了解项目的真实建设状态。但现场看到的厂房、变电站和施工设备，只能证明这些基础设施正在建设。它们最终对应多少服务器、多少AI卡、多少有效算力和多少付费客户，还需要更多资料完成交叉验证。这个时代并不缺少信息。真正稀缺的是对口径的敏感、对推导过程的耐心，以及面对宏大结论时保留一点克制。很多有问题的研究并没有使用虚假数字。规划可能是真的，园区可能是真的，服务器数量也可能来自公开资料。问题常常发生在数字之间的连接处：服务器变成了机柜，机柜变成了卡，卡又变成P值，远期规划最后成了当期需求。每一步看起来只移动了一点，走到最后，结论可能已经完全不同。去过多少地方当然值得尊重。能把每个数字放回原来的统计口径，让别人沿着同样的路径复算一遍，这才是专业调研真正困难的地方。
夜雨聆风