Morgan Stanley Greater China Semiconductors Research a publié un nouveau rapport le 8 mai 2026.

-> Les racks et serveurs sont toujours le principal moteur des dépenses d'investissement, représentant environ 58 à 63 % du coût total d'un centre de données de 1 GW, hors HBM et CPU.
-> Pour les ASICs personnalisés, les racks et serveurs sont beaucoup moins importants, environ 39 % du coût total. C'est la raison la plus claire pour laquelle les hyperscalers continuent de pousser pour des siliciums internes.
-> Morgan Stanley estime qu'un centre de données avec GPU NVIDIA de 1 GW coûte :
Vera Rubin : ~$NVDA
GB300 : ~$41B
B200 : ~$33B
H100 : ~$24B
Comparé aux ASICs personnalisés :
TPUv7 : ~$23B
Trainium3 : ~$27B
-> Les systèmes NVIDIA de génération actuelle peuvent coûter jusqu'à environ 2 fois plus par GW que les ASICs personnalisés. Vera Rubin est presque 3 fois Trainium3 selon cette estimation.
-> Cela ne signifie pas que les ASICs personnalisés sont automatiquement meilleurs. NVIDIA possède toujours l'écosystème complet le plus solide, logiciel, réseau, disponibilité et support de modèles. Mais cela montre pourquoi les hyperscalers ont une incitation économique massive à faire évoluer les ASICs.
-> La deuxième plus grande catégorie de coûts est le réseau, représentant environ 19 à 23 % dans la plupart des systèmes.
-> La consommation électrique, le refroidissement, la DRAM, le HBM et le CPU sont importants, mais secondaires par rapport aux racks, serveurs et réseaux.
-> Cela est également haussier pour les fournisseurs d'infrastructures à l'échelle des racks, car le débat sur les dépenses d'IA ne concerne pas seulement GPU contre ASIC. Il s'agit des racks, du réseau, de la distribution électrique, du refroidissement et de la construction complète du centre de données.
-> Le monde des hyperscalers se divisera entre des clusters NVIDIA haut de gamme pour des performances et une flexibilité maximales, et des clusters ASIC personnalisés pour des charges de travail moins coûteuses et plus optimisées.
-> NVIDIA capte toujours la partie la plus riche des dépenses d'investissement en infrastructure d'IA, mais les ASICs personnalisés deviennent le mécanisme de pression sur les coûts que les hyperscalers utiliseront pour réduire leur dépendance à long terme.