NVIDIA拆解AI工厂投资回报：三大维度最大化算力价值

当下的 AI 工厂已步入以兆瓦（MW）乃至吉瓦（GW）为计量单位的时代。一座规模达 1 兆瓦的 AI 工厂建设成本约为 6000 万美元。面对如此庞大的资本开支，算力运营商在做出投资决策前，必须对投资回报率（ROI）有极为清晰的测算。

决定 AI 工厂投资回报的核心要素主要有三个：

1. 盈利能力（Earning capacity）：若工厂全负荷出售所能生产的全部 Token，其一年内能产生的收入上限；
2. 有效服役期（Useful life）：AI 硬件在淘汰前能够保持创收状态的时间长度；
3. 需求广度（Demand）：市场对其产出 Token 的实际需求规模。

这三大要素环环相扣，单一维度的强项无法弥补另一维度的缺陷。即使理论盈利能力再高，如果产出的 Token 只能卖出一部分，整体收益依旧受限；哪怕当前需求旺盛，若硬件仅运行一年就因代际落后而无法满载，资本回报也难以保障。反之，如果一座工厂能承接更多样化的工作负载，就能持续挖掘市场需求，实现年复一年的稳健收益。

针对这一经济模型，NVIDIA 打造的 AI 工厂围绕三大方向展开针对性工程设计：

• 高生产力：提供每兆瓦最高的吞吐量与单 Token 最低成本，拉升工厂盈利上限；
• 高耐用性：GPU 硬件在出厂交付数年后依然具备持续创收能力，延长资产服役周期；
• 全能通用性：能够运行各类 AI 负载以及大量非 AI 加速计算任务，极大拓展可服务的需求边界。

全栈软硬件协同设计大幅提升了算力吞吐，而持续的软件层优化则让已部署的硬件在出厂数年后依然具备高生产力。借助 NVIDIA CUDA-X 库，算力设施能够快速运行各类加速计算，统一的标准架构也让运营商能够基于经过验证的参考设计进行标准化部署。

生产力：每兆瓦产出更多 Token，击穿单 Token 成本底线

电力供应是 AI 工厂面临的最严苛约束。在固定的电力预算下，“每兆瓦每秒产出的 Token 数量”直接决定了设施的变现潜力。Token 产出越多，收入空间越大；单 Token 边际成本越低，利润空间就越充裕。

根据 SemiAnalysis AgentX 的测试数据，在运行 DeepSeek V4 Pro 模型时，NVIDIA Vera Rubin NVL72 系统每兆瓦的吞吐量较 NVIDIA GB300 NVL72 提升了 30 倍以上，每百万 Token 的综合成本降幅最高达 45 倍。这种跨越式提升源自从底层硬件到顶层软件的全栈深度协同优化：模型与负载、软件栈、计算单元、网络架构与内存系统在此被视作一个整体进行协同重构。

这也引出了一个常见疑问：如果每一代硬件都让 Token 生产成本大幅下降，市场对算力的总需求是否会收缩？

答案恰恰相反。Token 成本的大幅降低使得原本在经济上不可行的应用场景得以落地，而这些新兴场景催生出的推理需求，远超过单次任务效率提升所节约的算力。

耐用性：存量硬件资产如何保持长期盈利

并非所有计算任务都需要最顶级的系统支持。硬件适配与工作负载的复杂度及结构紧密相关，老一代算力系统因此能够在下一代产品面世后继续保持盈利能力。

2020 年发布的 NVIDIA A100 GPU 至今已在商业环境中稳定服役六年；算力租赁商 CoreWeave 近期将其首批引进的 A100 算力租约直接延长到了 2029 年。各大云算力巨头近年来也不断延长服务器折旧年限，这表明硬件资产停止创收的实际节点在持续后延。根据 Sprout 在 2026 年 9 月发布的分析报告《数据中心 GPU 的有效服役寿命》，会计层面的折旧往往远保守于物理使用寿命——微软运营的 NVIDIA V100 机队实际运行了长达 8.4 年，而账面折旧周期仅为 6 年。

来自二级市场的交易与租赁数据也印证了这一点：

• Barkr 报告显示，8卡 H100 系统的有效服役寿命在 5 至 6 年，而 GB300 NVL72 的寿命预期达到 9 至 10 年；
• Silicon Data 数据指出，服役六年的 A100 二手残值仍相当于其初始成本的 25%，而标准财务模型中其净值在一年前就已归零；