他预计，如果未来AI为全球GDP带来10万亿美元的增值， 那么背后的AI工厂每年的资本支出需要达到5 万亿美元级别。 谈及和OpenAI的合作，黄仁勋表示， OpenAI很可能会成为下一个万亿美元级别的超大规模公司，唯一 的遗憾是没有早点多投资一些，"应该把所有钱都给他们"。 在AI商业化前景方面，黄仁勋预计， 未来5年内，AI驱动的收入将从1000亿美元增至万亿美元级别。 关于ASIC的竞争，英伟达放话， 即使竞争对手将芯片价格定为零，客户仍然会选择英伟达，因为他们 的系统运营成本更低。 以下为对谈的亮点内容： 近日，英伟达创始人兼CEO黄仁勋做客「Bg2 Pod」双周对话节目，与主持人Brad Gerstne和Clark Tang 进行了一场广泛的对话。 对谈中，黄仁勋谈及了和OpenAI价值1000亿美元的合作，并就AI竞赛格局、主权AI前景等主题发表了 自己的看法。 黄仁勋表示，现在的AI竞争比以往任何时候都激烈， 市场已从简单的"GPU"演变为复杂的、持续进化 的"AI工厂"，需要处理多样化的工作负载和呈指数级增长的推理任务。 这必须通过他们的资本、通过股权融资和能够筹集的债务来资助。 未来5年内， ...

AI行业前景与市场规模 - AI预计将为全球GDP带来10万亿美元的增值 背后AI工厂年资本支出需达5万亿美元级别 [2] - 未来5年内 AI驱动收入将从1000亿美元增至万亿美元级别 且该增长概率几乎确定 [4][6] - AI占全球GDP比例预计达55-65% 约50万亿美元 其中10万亿美元需通过AI基础设施增强 [13][35][36] 英伟达与OpenAI合作 - 英伟达与OpenAI建立价值1000亿美元的合作关系 涉及芯片、软件、系统及AI工厂层面直接合作 [6][19][24] - OpenAI很可能成为下一个万亿美元级别超大规模公司 英伟达对其早期投资不足表示遗憾 [3][6][51] - 合作包括Microsoft Azure建设（数千亿美元规模）、OCI建设（5-7吉瓦）及Core Weave项目 [23] 英伟达技术优势与竞争格局 - 英伟达系统总拥有成本（TCO）优势显著 即使竞争对手芯片价格为零 客户仍会选择英伟达系统 [4][7][75] - 英伟达芯片每瓦token数为其他芯片两倍 客户数据中心可产生两倍收入 [13][76] - 竞争格局从单一GPU芯片演变为复杂AI工厂系统 需处理多样化工作负载和指数级增长的推理任务 [2][64] 算力需求与供应链挑战 - 全球算力短缺主因是云服务厂商订单低估需求 英伟达长期处于紧急生产模式 [6][43] - 推理任务量预计增长十亿倍 因推理链、思考型AI及多模态应用出现 [12][17][46] - 供应链已准备就绪 可响应需求翻倍 但客户预测持续不足导致产能紧张 [43][44] 产品战略与技术路线 - 英伟达转向年度芯片发布周期 2024年推出Hopper 2025-2026年推Vera Rubin 2027年推Ultra 2028年推Fineman [53] - 通过极限协同设计（同时优化模型、算法、系统及芯片）实现性能指数级提升 如Blackwell比Hopper性能提升30倍 [55][57] - 推出CPX芯片处理上下文及视频生成 Dynamo系统实现分解式AI工作负载编排 [63][72] 主权AI与全球布局 - 每个国家需建设主权AI能力 因AI涉及国家安全、经济安全及文化价值观编码 [13][84][85] - 英伟达定位为AI基础设施合作伙伴 提供芯片、组件或完整系统解决方案 [81] - 美国再工业化及AI技术民主化将消除技术鸿沟 推动全球参与 [86][87] 行业影响与未来趋势 - AI与机器人技术融合将成为未来5年重点 实现个性化AI代理及数字孪生应用 [14][91][92] - AI代理产业快速增长 OpenAI成为历史上收入增长最快公司 [38] - AI非零和游戏 将创造更多工作机会及经济增量 而非单纯替代现有岗位 [8][88][89]

**行业与公司** 行业为人工智能（AI）相关印刷电路板（PCB）领域 公司为WUS Printed Circuit（002463 CH） 专注于高多层（>20层）高速低损耗PCB 主要客户包括思科、甲骨文、亚马逊和华为[1][12] **核心观点与论据** * **增长驱动因素**：受益于谷歌TPU需求从2025年下半年至2026年上半年走强 以及2026年起ASIC广泛采用全互联架构（all-to-all scale-up switches）带来的新PCB增量 同时英伟达Rubin平台将引入中背板PCB（mid-plane/back-plane PCB）替代线缆 进一步扩大PCB市场规模[1][2] * **技术升级趋势**：AI PCB规格持续升级 谷歌下一代TPU的PCB层数将从34层升至40层以上 材料从M7升级至M8混合材料 Meta的计算托盘PCB预计2026年采用36层以上M8混合PCB 而scale-up交换机和英伟达中背板PCB均需20-30层以上高端PCB[2] * **财务预测上调**：基于AI PCB需求强劲 将2025/26/27年盈利预测上调5.6%/11%/8% 预计2025年营收177.46亿人民币（原168.92亿） 归母净利润33.45亿（原31.68亿） 每股收益1.74人民币（原1.65）[4][14] * **估值与评级**：维持买入评级 目标价从41.22人民币大幅上调至86.80人民币 对应2025年38倍市盈率（原25倍） 接近其历史13-40倍区间高端 当前股价71.90人民币隐含20.7%上行空间[1][5][13] **其他重要内容** * **泰国工厂进展**：泰国工厂2025年上半年亏损约960万人民币 因二季度才小规模投产 已获得两家AI和交换机客户认证 预计2025年下半年再获四家客户认证 目标2025年底实现合理经济规模[3] * **财务指标优化**：预计净负债权益比从2024年17.5%降至2026年5.8% 2027年转为净现金 净资产收益率（ROE）维持在25%以上高水平[4][9] * **风险因素**：包括5G基站PCB需求放缓、数据中心需求不及预期、英特尔/AMD网络平台升级延迟以及汽车需求疲弱[13][26] * **ESG表现**：公司致力于水资源循环利用 回收率超过50%[14]

Flash | 16 Sep 2025 19:06:35 ET │ 10 pages CITI'S TAKE We update our Big Five Cloud data center spend outlook post Dell' Oro Group's 2Q report. We update 2025 growth to +57% Y/Y and maintain 2026 +15% Y/Y. We believe the higher growth expectations for Tier 2 and Rest of Cloud capex, ahead of the Tier 1 providers, underscore the broadening opportunity within data center infrastructure. We note that our data center spend growth forecasts focus on AI spend and include different constituents vs Street's capex g ...

行业投资评级 - 报告未明确提供整体行业投资评级 [1][6][20] 核心观点 - 日本政府大力支持半导体产业 向美光提供最高5360亿日元(约36.4亿美元)补贴 用于下一代DRAM研发与量产 [1][2] - 苹果A20处理器将采用"三级分"策略 台积电2纳米制程获近半初期产能 供应链同步受益 [3][4][5] - Google采用"硬件即服务"模式推广TPU 以游击策略切入NVIDIA主导的算力租赁市场 [8][9][10] - xAI重组训练体系 裁撤500名数据标记员 转向扩大专业AI导师团队 [7][34][35] - AI模型能力持续突破 MiniMax Music 1.5支持4分钟音乐生成 Meta MobileLLM-R1小模型效率显著提升 [14][58][59] 半导体制造与投资 - 美光计划至2029年度投入1.5万亿日元 使广岛工厂具备月产4万片先进DRAM能力 预计2028年6-8月开始出货 [2][22] - 日本政府要求美光量产後至少持续生产10年 包含此次补助总额达7745亿日元 [3][24] - 日本经产省还对台积电熊本厂和铠侠四日市工厂提供补贴 确保先进半导体量产能力 [3][25] - 芯片分级策略将带动差异化代工与封装订单 台积电竞争对手面临量产与良率差距扩大风险 [5][30] 人工智能与算力生态 - Google Ironwood TPU单芯片算力达2.3 Petaflops 与NVIDIA B300的2.5 PFLOPS相当 完整Pod可整合9216颗芯片 [11][44] - OpenAI面临巨大成本压力 预计2029年前烧掉1150亿美元 仅2030年就需花费1000亿美元租赁服务器 [12][48] - xAI数据标记团队从超过1500人缩减至约1000人 未来专注STEM、编程、金融、医学等领域专家 [7][36][37] - 美团AI Agent"小美"基于5600亿参数Longcat模型 实现全自动点餐操作但尚无法处理复杂需求 [14][51][52] 技术创新与产品突破 - 苹果A20系列将对应折叠iPhone、iPhone Air和Pro系列 采用2+4核心CPU架构和不同GPU配置 [4][27] - MiniMax Music 1.5支持16种风格×11种情绪×10场景自定义 可生成民族乐器音色和段落分明作品 [14][49][50] - 小红书FireRedTTS-2支持多语言实时音频生成 B站IndexTTS2实现0.02%时长误差率精准口型同步 [15][53][57] - Meta MobileLLM-R1系列仅用2T token训练 950M模型性能媲美36T token训练的Qwen3 0.6B [16][58][59] - AI Gauss三周完成陶哲轩团队18个月未解数学难题 生成25000行Lean代码含上千定理定义 [16][61][62]

甲骨文AI云收入指引 - 甲骨文给出未来5年AI云收入指引：2026年180亿美元、2027年320亿美元、2028年730亿美元、2029年1140亿美元[2] - 到2030年AI云收入预计再翻8倍[3] - 4550亿美元未执行订单为未来3-5年收入提供强力保障[3] - 未执行订单增长主要来自与OpenAI、xAI、Meta等公司的AI云基础设施合同[5] 海外云服务提供商资本开支与业绩 - Alphabet第二季度总收入964亿美元（同比+14%）、净收入282亿美元（同比+19%），2025年资本开支指引850亿美元用于AI基础设施[8] - Meta第二季度总收入475亿美元（同比+22%）、净收入183亿美元（同比+36%），2025年资本开支指引660亿-720亿美元用于AI服务器[8] - Microsoft第四财季总收入764.4亿美元（同比+18%）、净收入272亿美元（同比+24%），2025年资本开支指引800亿美元用于AI数据中心[8] 谷歌TPU出货量与价格分析 - 2025年TPU预计出货250万片：Q1 50万片、Q2 55万片、Q3 70万片、Q4 75万片[16] - V5系列占比76%（190万片），其中V5E 120万片、V5P 70万片；V6系列占比24%（60万片）[16] - 2026年TPU预计出货超300万片（同比+20%），V5系列80万片（V5E 30万片、V5P 50万片）、V6系列160万片、V7系列60万片（V7E 50万片、V7P 10万片）[19][20] - 2025年平均售价约4500美元，2026年预计升至4500-5000美元（涨幅约10%）[18] - 具体型号定价：V5E 3000美元、V5P 6000美元、V6E 4000美元、V6P 8000美元[19] - 2026年TPU营收预计150-160亿美元（同比+33%-42%）[21] 自研AI芯片竞争格局 - 海外云服务提供商自研AI芯片迭代激进（如AWS、谷歌、Meta每年迭代一次），国内昇腾910B和寒武纪590为几年前产品[8][10] - 2026年自研芯片出货量预估：博通TPU v7p+v8p 274.6万颗（收入257亿美元）、Meta MTIA v3 113万颗（收入29.4亿美元）、Trainium 3 81.3万颗（收入17.5亿美元）[13] 供应链与技术演进 - 谷歌TPU供应链中博通占比70%，联发科负责20%-30%后端生产（V7系列）[22] - 引入联发科目的为降本及分散供应链风险[22] - 芯片工艺持续升级（5nm/4nm→3nm/2nm），预计每年价格下降超5%[21]

全球半导体行业与AI服务器供应链关键要点 涉及的行业与公司 * 行业聚焦于全球半导体行业 特别是AI服务器供应链 包括云端AI资本支出 CoWoS先进封装 HBM内存以及定制化AI芯片(ASIC) [1][10][57][97][134] * 核心公司包括NVIDIA(主导AI GPU市场) TSMC(关键CoWoS产能提供者) 以及云服务提供商(CSP)如AWS Google Meta Microsoft 还有中国AI芯片厂商如华为[42][97][110][143][171] * 供应链涉及多家台湾ODM厂商如富士康(Foxconn) 纬创(Wistron) 广达(Quanta) 纬颖(Wiwynn) 英业达(Inventec)[58][66] 核心观点与论据 云端AI资本支出与半导体市场增长 * 摩根士丹利云端资本支出追踪器预估2026年十大上市全球云服务提供商(CSP)资本支出将达到5820亿美元 不含主权AI支出[13] * NVIDIA首席执行官预估2028年全球云端资本支出(含主权AI)将达到1万亿美元[15] * 受益于云端AI 全球半导体行业市场规模可能在2030年达到1万亿美元 AI半导体是主要增长动力[25][27] * 云端AI半导体总目标市场(TAM)在2025年可能增长至2350亿美元[25] NVIDIA GPU供应与需求预测 * TSMC预计在2025年生产510万颗芯片 而NVL72机柜出货量应达到3万台[42] * 对2025年GB200/300机柜产量转向更加乐观 预计约3.4万台 2026年至少6万台[49] * 看到来自Oracle对纬颖/广达的机柜需求增加 从8月开始[49] * 相信2025年第三季度机柜产量有望达到1.1-1.2万台 GB300机柜产量将从2025年第三季度末/第四季度初开始[49] 先进封装与制造产能 * CoWoS是主流的先进封装解决方案 随后将是SoIC[100] * TSMC可能将CoWoS产能扩大到2026年的9.3万片/月(93kwpm) 鉴于NVL72服务器机柜的瓶颈[105] * 全球CoWoS需求从2023年的11.7万片增长到2026年的100.4万片[110] * NVIDIA在2025年占据CoWoS产能分配的63%[110] * AI计算晶圆消耗在2025年可能达到150亿美元 NVIDIA占大部分[115] HBM内存需求 * 2025年HBM消耗量可能达到160亿Gb(15,578 mn Gb)[119][122] * NVIDIA在2025年消耗大部分HBM供应[121] 定制化AI芯片(ASIC)发展趋势 * 定制化AI芯片增长将超过通用芯片 定制化AI ASIC在2025年代表约210亿美元[139] * 增长前景 定制化AI半导体2023-30年复合年增长率39%[84][224] * 互联网公司开发云端AI定制芯片 Google TPU进入第六代 AWS AI训练解决方案Trainium AWS AI推理解决方案Inferentia Meta MTIA v1采用RISC-V核心 Tesla推出Dojo芯片 Habana开发Gaudi芯片[143][145] * AWS Trainium3将很快进入TSMC 3nm生产[147] 中国AI半导体需求与供应 * 预测前六大公司资本支出同比增长62% 达到3730亿人民币[162] * 中国AI应用在增长 2030年来自中国AI提升的总消费者使用量达到5560亿人民币[167] * 中国GPU自给率在2024年为34% 预计到2027年达到39%[178] * 预计中国云端AI总目标市场(TAM)在2027年达到480亿美元[180] * 本地GPU收入可能增长到1360亿人民币(2027年) 由中芯国际领先节点产能推动[182] 技术发展与性能比较 * TSMC的3nm以下在逻辑晶体管密度方面领先行业同行 每个节点迁移的每瓦性能(能效)可提高15%-20%[127] * 从感知AI到物理AI的趋势 生成式AI的计算需求呈指数增长[88][92] * 提供了NVIDIA AI GPU与Google TPU性能(INT8 TOPS)比较 以及主要AI GPU和ASIC的规格和成本比较[153][155] 其他重要内容 供应链与设计变更 * AI GPU服务器主板级检查(纬创)与NVIDIA GPU收入相关 是NVIDIA季度收入的良好指标[44] * GB300设计变更 – 回归Bianca设计 对连接器厂商Lotes和FIT负面 对PCB厂商Unimicron正面 对组装厂商纬创轻微负面[51] 投资风险与限制因素 * 增长限制包括 预算 能源 产能 监管[71][233] * 半导体解决方案包括 摩尔定律 CoWoS/SoIC HBM CPO 定制芯片[71][233] * 美国行政命令14032和出口管制参考 美国人士可能被禁止购买本报告提及实体的某些证券[3][4] 市场周期与库存 * 逻辑半导体Foundry利用率在2025年上半年为70-80% 尚未完全恢复[226] * 半导体供应链库存天数在2025年第二季度下降[227] * 排除NVIDIA的AI GPU收入 非AI半导体增长缓慢 2024年仅同比增长10%[231] 性能对比与中国市场 * 华为CloudMatrix 384 A3 SuperPod与NVIDIA NVL72的对比[188] * NVIDIA可供中国市场的芯片规格 包括L40S RTX 6000 Ada H20 RTX Pro 6000[193] * RTX Pro 6000系列产品均具有更好的FP8性能 而H20拥有更大的内存带宽[190][191]

文章核心观点 - 互联网公司自研AI芯片面临根本性挑战 核心矛盾在于芯片行业本质是制造业而非纯数字产业 需要完全不同的生产资料掌控能力、供应链管理能力和组织文化[4][5][7] - Google TPU成功的关键在于其能融合制造业与数字产业的差异化文化 而其他OTT企业缺乏这种包容性[4][7] - 自研芯片的真正价值不在于短期ROI计算 而在于通过提升研发效率缩短周期来应对AI技术的快速迭代 传统芯片开发周期需24-36个月无法匹配AI发展速度[8][10][12] 行业本质认知 - 芯片行业是伪装成高科技的制造业 最大特征是需要物理生产资料和极长产业链条 与OTT轻资产模式根本不同[5] - 芯片设计数字化部分只是中间产物 最终产品是硅/铜/铝混合的物理实体 涉及下单/备货/库存/检验等实体操作[6] - 制造业反馈环路长达三年才能看清成败 需要几代人积累制造流程经验 与OTT快速组织变化格格不入[6][7] 研发效率瓶颈 - 传统芯片开发流程中从Coding Done到GDS需4个月 GDS到硅片需4-6个月 总周期8-10个月[8][10] - 实际从开工到客户上电需36个月以上 这种速度无法适应AI技术快速演变[10][12] - 现有流程强求100%成功率反而阻碍创新 在不确定环境中应采用饱和攻击策略 接受30%成功率但多项目并行[12] 成本结构分析 - 自研AI芯片初始投资需20亿人民币起步 若量产1万颗则单芯片成本摊薄至20万元 量产10万颗成本仍达2万元[11] - 国内能单代芯片量产超10万颗的企业寥寥无几 盈利模式面临根本挑战[11] - 成本计算不应简单对比Nvidia采购价 需考虑团队长期价值观维持难题 内部服务团队易出现礼乐崩坏[7][11] 破局可能性 - 特斯拉和造车新势力启示在于效率革命 雷军半年推新款对比大众两年周期形成降维打击[12] - 潜在突破点在于将Coding Done到GDS周期从4个月压缩至1个月 去除可靠性测试等传统环节[10][12] - OTT企业擅长系统解构能力可应用于削减后天增加的流程复杂度 但需跨越制造业明坑[9][11][12]

GB200/300机架出货预测 - 2025年GB200/300机架出货量从3万上调至3.4万，其中Q3预计出货1.16万，Q4预计出货1.57万 [3] - GB200与GB300机架占比分别为87%和13% [3] - 上调主要受鸿海强劲指引推动，鸿海预计Q3 AI机架出货量环比增长300%，全年出货量预估达1.95万，占市场约57% [3] - 假设200万颗Blackwell芯片库存结转至2026年，下游组装商可能组装超6万机架 [3] - 主要代工厂偏好顺序为鸿海＞纬创＞广达 [3] GB200 NVL72与H100成本对比 - H100服务器价格下降至每台19万美元，超大规模数据中心运营商每台总Capex约25万美元 [12] - GB200 NVL72机架级系统服务器成本约310万美元，超大规模运营商总成本约390万美元每机架 [12] - GB200 NVL72每GPU全包资本成本为H100的1.6-1.7倍 [13] - 超大规模运营商H100每GPU Capex约3.1358万美元，GB200 NVL72为5.4166万美元 [13] - GB200 NVL72每GPU每小时Opex为4.09美元，H100为3.04美元，差异主要源于GB200芯片功耗更高（1200W vs 700W） [14] GB200 NVL72与H100性能比较 - GB200 NVL72总拥有成本（TCO）为H100的1.6倍，需至少比H100快1.6倍才能占据优势 [15] - 截至2025年5月GB200 NVL72性能/TCO尚未超过H100，但7月达到H100的1.5倍，预测未来3-6个月可能达2.7倍 [30] - 2025年7月GB200 NVL72吞吐量在Token/s/GPU方面达H100的2.5倍，12月预测BF16性能比H100好4.7倍，MFU达42.0% [31] - DeepSeek 670B预训练14.8T Token成本在2025年7月为4.5M美元（BF16），预测12月降至2.5M美元 [32] 软件优化与能耗表现 - 2024年1月至12月软件优化使H100 BF16 MFU从34%提升至54%，FP8从29.5%提升至39.5% [20] - FP8训练成本从每百万Token 0.72美元降至0.542美元，300B Token总成本从218k美元降至162k美元 [20] - 训练Llama3 405B模型15T Token能耗相当于3400个美国家庭年能耗 [25] - Llama3 70B模型在2048台H100上训练FP8能耗比64台H100高出10% [29] GB200 NVL72可靠性挑战 - 早期GB200 NVL72运营商普遍面临XID 149错误，背板卡匣连接器金镀层耐用性仅200次插拔 [34] - GB200 NVL72 MTBI为1000-3000 GPU-天，低于H100的2000-5000 GPU-天 [36] - 目前GB200 NVL72仅用于推理、小实验和开发工作，未用于大规模训练 [35] 行业趋势与建议 - SemiAnalysis建议英伟达扩展基准并增加透明度，公开hyperscaler和NCP基准数据 [16] - 建议加速GB200 NVL72诊断工具开发，加强ODM/OEM验收测试 [17] - 软件优化是性能提升关键，GB200 NVL72有潜力但可靠性是瓶颈，预测年底将主导市场 [37]

报告行业投资评级 未提及 报告的核心观点 报告总结了Dell'Oro Group第一季度数据中心资本支出报告的要点，指出市场因服务器支出加速而同比增长超50%，AI训练是投资重点，多家公司有相关投资和建设计划，预计2025年资本支出呈增长态势 [1][2][8] 根据相关目录分别进行总结 市场整体情况 - 第一季度市场同比增长超50%，达到1340亿美元，由服务器支出加速推动，服务器占数据中心资本支出超50%且增速高于通用基础设施 [1] - 通用基础设施略有增长，关税豁免组件影响有限，系统供应商和超大规模云服务提供商增加组件库存采购以降低关税风险，部分组件因需求增加价格上涨 [1] 主要云服务提供商情况 - 11家最大的云服务提供商占市场约60%，前四大美国云服务提供商同比增长73%，预计2025财年增长39% [2] - AI训练是数据中心投资的主要焦点，前四大云服务提供商预计2025年部署超500万台加速器，Blackwell及相关基础设施预计占AI基础设施投资的大部分 [2] - 2025年定制加速器预计达200万台 [2] 各公司具体情况 - MSFT Maia平台若解决早期技术问题，将于2025年晚些时候批量部署；AMZN、GOOGL、META预计通用服务器数量两位数增长，AMZN和GOOGL因云服务需求增加，META因新建数据中心 [3] - MSFT将在11个地区推出新数据中心，第一季度取消数据中心项目并非缩减资本支出，而是对AI和非AI容量进行战略调整以适应需求变化 [3] - META未来2 - 4年将在14个地区开展业务；AAPL仍采用混合资本支出策略，据传2026年将开发定制AI训练芯片“Baltra” [4] - ORCL预计2025年资本支出两位数增长，未来12 - 18个月将在7个地区新建数据中心，4年1000亿美元计划用于Stargate（主要是NVDA GPU） [4] - CoreWeave计划2025年支出超200亿美元 [4] 企业部门情况 - 企业部门第一季度同比增长21%，服务器更新周期推动支出，但关税和宏观因素可能产生负面影响；政府对主权和私有AI解决方案的关注度增加；Blackwell缺乏现成的液冷设备以及NVDA的1年产品周期被视为潜在风险；高成本和不确定性可能导致更多公共云解决方案 [7] 2025年预测情况 - 上调2025年增长预期至30%，前四大云服务提供商宣布提高资本支出计划，为多年资本支出扩张周期奠定基础，可能提高支出水平以应对潜在的关税相关成本增加 [8] - 前四大云服务提供商的支出增速将从2024年放缓，但多年AI投资周期强劲 [9] - Dell'Oro预测2025年高端加速器出货量为500万台，对应高端加速服务器资本支出为2050亿美元，占数据中心总资本支出的34%，不包括支持网络或物理基础设施 [9]