算力寿命多空博弈：AI工厂究竟能赚三年还是六年？

按照 NVIDIA 官方数据，建设一座 AI 工厂的成本约为每兆瓦 6000 万美元。面对吉瓦级算力中心动辄 600 亿美元的资本开支，传统按 IT 设备进行三至五年折旧、到期直接清零的财务模型正在经受考验。

NVIDIA 试图将其重构为基础设施项目。今年 8 月，NVIDIA 与 Apollo、贝莱德、黑石等六家机构签署合作备忘录，计划撬动超 5000 亿美元的第三方资本。信贷市场首次将算力视同电站等基建资产进行定价。然而，以《大空头》原型 Michael Burry 为代表的空头阵营则持相反态度，认为前沿芯片的实际生命周期仅有两到三年，拉长折旧年限涉嫌掩盖透支的算力需求。

电站式估值逻辑：产出、寿命与需求

NVIDIA 将 AI 工厂的长期投资回报归结为三个相互牵制的变量：盈利能力（满负荷运转下的 Token 产出）、使用寿命（硬件保持有效产出的年限）与需求（Token 的实际消化能力）。这套逻辑与传统电站评估“度电成本、资产寿命、负载率”的方法完全吻合。

在严苛的能耗指标与变压器容量限制下，衡量 AI 工厂产出的核心指标是“每秒每兆瓦 Token 数”。

算力代际更迭带来的效率跃升极其显著。SemiAnalysis AgentX 基准测试显示，在 DeepSeek V4-Pro 负载下，Vera Rubin NVL72 每兆瓦吞吐量较上一代 GB300 NVL72 提升逾 30 倍，每百万 Token 成本最多可降至原来的四十五分之一；而 GB300 的单位成本又比 H200 机群低上数倍。

这种增益不仅源于先进制程，还得益于 MoE 服务运行时、低精度格式、KV 缓存复用等软硬件全栈协同。伴随 Token 成本大幅下降，市场并未缩水——OpenRouter 数据显示，单个复杂的 AI 智能体请求消耗的 Token 是常规对话的 15 倍。杰文斯悖论在算力市场再次显现：效率提升反而激发了更为庞大的总体需求。

会计折旧与二手残值的现实落差

资产寿命是多空双方分歧最大的焦点。账面上由会计政策决定的折旧曲线，与硬件在二手市场中的真实表现出现了巨大鸿沟。

以 2020 年发布的 A100 为例，服役 6 年后它仍在广泛商用。云厂商 CoreWeave 已将 2020 年批次的芯片预订排期延续至 2029 年，实际创收周期接近 9 年。第三方研究显示，超大规模云服务商已普遍将服务器会计折旧从三至四年延长至六年，全行业每年账面折旧因此减少约 180 亿美元。例如，微软在 2022 年延长服务器折旧年限后，2023 财年营业利润直接增加约 37 亿美元，其实际服役的 V100 机群运行时间达 8.4 年。

二级市场价格同样佐证了算力的韧性。Silicon Data 追踪显示，发布已 6 年的 A100 二手售价仍维持在原价的 25% 左右，系统级残值甚至达到约 40%，远非会计报表所假设的“残值为零”。

架构通用性：对抗折旧的隐形防线

算力资产寿命的长短，关键取决于支持工作负载的广度。单一算法定制的专用芯片（如比特币矿机）极易在技术换代后沦为废铁，而通用 GPU 凭借 CUDA 生态与灵活架构，能够无缝从训练转向推理、视觉识别或科学计算。

例如 Pinterest 就在 1.4 万块跨越 Blackwell、Hopper 及更早架构的 GPU 上混合调度任务；药企礼来也利用内部千卡集群同时跑制药模拟与企业级智能体。通用性赋予了老款芯片持续创造现金流的底气。

但空头的质疑同样不容忽视。Michael Burry 测算认为，超大规模厂商在 2026 至 2028 年间可能少提了约 1760 亿美元的折旧费用，核心论据是尖端芯片的经济竞争力在快速迭代下很难维持三年以上。亚马逊也在 2025 年初逆势将部分硬件折旧周期从六年重新调回五年，年化折旧增加约 14 亿美元。

坚挺的残值究竟是算力通用性的体现，还是供给极端紧缺下的阶段性产物？未来两年新一代芯片的放量与实际推理需求的承接能力，将直接验证这场折旧争议的真实答案。在土地、电力审批日趋收紧的背景下，评价智算中心的标准，也将由单纯的装机规模转向真实的“每兆瓦产出能力”。