建一座AI工厂，按英伟达官方口径，每兆瓦约6000万美元，吉瓦级项目就是约600亿美元的资本开支，如同修一座大型电站。当地时间上周四，英伟达在博客里给出这类“大型电站”的回报公式：产出、寿命、需求。
当前市场上多数玩家，还在按“买IT设备”的老办法来计算AI工厂的资产价值：三五年计提折旧，到期减值，残值按零处理。至于这座“工厂”一年能产出多少、设备能运转多少年、产出能不能卖掉，这些真正决定回报的问题，在采购环节很少有人提及。
英伟达想把这套新的AI工厂资产计算公式推给整个市场。今年8月，它与Apollo、贝莱德、黑石、博枫、高盛、KKR六家机构宣布共建融资平台（目前仅为合作备忘录，尚无交易签约），计划撬动超过5000亿美元的第三方资本投入AI基础设施，算力第一次被信贷市场按基础设施而非设备定价。
而这其中，空头的读法正相反，Michael Burry认为前沿芯片的实际寿命只有两三年，折旧拉长掩盖的是透支的需求。
电站的估值公式
英伟达把AI工厂的回报归结为三个变量：盈利能力（满负荷运转一年能卖出多少token）、使用寿命（硬件保持产出的年限）、需求（这些token究竟能卖出多少）。熟悉基础设施投资的人对这套语言并不陌生。电站、油田、船舶的估值，用的正是同一个公式：单位产出、资产寿命、负载率。
三个变量相互牵制，无法互补。按博文的说法，盈利能力再强，若只能卖出一半产能，也无济于事；需求再旺，若设备一年后就跑不满，同样无效。投资一座AI工厂，等于对三个变量同时下注，押错任何一个，另外两个做得再好也无法弥补。
算力资产估值三要素一览
三个变量里，先看产出。
评估电站，行业看度电成本；评估AI工厂，对应指标是每秒每兆瓦token数。电力是建厂绕不开的硬约束，能耗指标、变压器容量、并网排队，在每个市场都是最稀缺的许可。在固定的电力包络里，产出的token越多，单位电力的收入就越高。
两代设备之间的产出差距，已经不是百分比能形容的。据SemiAnalysis AgentX基准（回放真实智能体编码会话测算），在DeepSeek V4-Pro负载、每用户每秒160 token的条件下，Vera Rubin NVL72每兆瓦吞吐量较上一代GB300 NVL72高逾30倍，每百万token成本至多低45倍；GB300较H200机群每百万token成本又至多低10倍。厂房和电力指标不变，吞吐量在代际之间相差两个数量级。
每兆瓦吞吐量代际对比（对数刻度）。口径：SemiAnalysis AgentX，DeepSeek V4-Pro 智能体编码负载，特定条件下的至多值
这些增益并非主要来自制程的线性进步，而是更多来自从模型、编译器、推理框架到计算、网络、内存的全栈协同设计：MoE服务运行时、低精度数值格式、KV缓存复用、预填充与解码分离调度，每一层都在为“每兆瓦token数”服务。芯片可以对标，全栈难以复制。
效率提升自然会引出一个担忧，token越来越便宜，需求会不会被自己消减掉？
市场数据恰恰相反，据OpenRouter统计，单个智能体请求消耗的token是普通聊天的15倍，平均提示token已增长约四倍。一个做投资研究的智能体，会查数据库、读财报、调用子智能体做横向比较，再综合成结论：token的消耗随任务复杂度增长，而不再随对话轮数封顶。
降价释放的空间，正被智能体的消耗重新填满。这是杰文斯悖论在算力市场的又一次应验。
使用寿命：会计与市场的分歧
效率回答“每一兆瓦能赚多少”，资产的另一半答案是“能赚多少年”。使用寿命是三个变量里口径最分裂的一个：在资产负债表上，它由会计政策决定；在现实中，它由物理衰减和市场需求共同书写。两套口径的差距，正越拉越大。
以A100为例，A100发布于2020年，六年后仍在商业服役；CoreWeave把2020年批次的机器一直预订到2029年，一台2020年的芯片，收入周期接近九年。多年期合同，是运营商为“旧机器还能持续产出”付出的实际代价。
会计折旧年限与实际服役时长。来源：Sprout（2026 年 9 月）、Introl 汇总及公司披露
个案之外，行业整体的会计政策也在调整。据Sprout 2026年9月报告，超大规模运营商已将服务器会计折旧从三四年普遍拉长到六年；据Introl等第三方汇总，这一调整合计每年减少折旧约180亿美元，相当于给全行业多出同等规模的账面利润。微软在2022年把服务器折旧年限从四年延长到六年，估计使其2023财年营业利润增加约37亿美元；微软的V100机群账面六年，实际跑了8.4年。
市场的定价提供了另一重参照。Silicon Data的数据显示，发布六年的A100在二手市场仍能卖到原价的四分之一；Ornn Data的租赁指数显示，它的五年期长租价格约为一个月租约的八成。一座按五年折旧就该“一文不值”的资产，市场上仍有人愿意出价。
A100 会计账面价值与二手市场残值对比。残值为示意曲线，锚点数据来自 Silicon Data（六年约 25%，单卡口径；Sprout 测算系统级残值更高，为原价的 38%—43%）
通用性，和一个未曾言明的赌注
资产寿命的长短，一个关键变量是它能处理的负载有多少种。为单一负载定制的算力，赌的是需求永不迁移：算法一次换代，专用资产可能整体报废；通用平台面对需求波动，只需把算力转去处理其他负载。
专用算力并不罕见，比特币矿机就是一例。芯片为一种哈希算法定制，算法之外没有用途，行情回落时只能按废金属价格处置。同期的以太坊矿工用的是通用GPU，2022年以太坊转向权益证明机制后，这批卡大量转入游戏和推理市场，残值远高于矿机。英伟达的GPU属于后一类，它的通用性来自架构和生态两层。
架构层面，语言、视觉、生物、仿真、图形，这些负载的底层都是大规模并行计算，本就在GPU的能力范围之内；在可编程架构内嵌入Transformer引擎等专用单元，又兼顾了运行效率。生态层面，1000多个CUDA-X库和约1000万开发者，让新负载出现时有现成的软件栈可用，不必从零适配。
Pinterest在14000块GPU上跨Blackwell、Hopper及更早架构混合调度训练与推理，新任务持续落在旧架构上；德州农工大学超算跨26个项目、7家机构，利用率维持在95%—98%；礼来在自己的千卡级本地集群上，同时承载制药模型与内部智能体。
通用性由此转化为资产寿命。但这一切成立的前提，是过去两年算力始终稀缺。
坚挺的残值、满负荷的利用率，究竟是资产本身优秀，还是仅仅因为供不应求？空头Michael Burry去年11月估算，超大规模厂商2026—2028年的折旧被低估约1760亿美元（个人估算，未经证实），前提是前沿GPU的实际经济寿命只有两三年。
他引用的事实与英伟达并无二致，结论却截然相反。在他看来，折旧拉长掩盖的是透支的需求。英伟达随后向分析师发出长篇备忘录反驳，称客户实际按四到六年折旧，A100至今仍在高负荷运转。亚马逊在2025年初把部分服务器折旧年限从六年缩回五年，理由是AI硬件迭代加速，按其2025年报口径，全年多提折旧约14亿美元。
英伟达与空头用的是同一套数据，究竟哪种更接近真相，要看未来两年供给与需求的赛跑。倘若新一代供给放量、需求增速放缓，二手价格和长租折价会最先转向。
无论英伟达的叙事成色几何，这套估值框架本身值得被认真对待，尤其对正在大规模建设智算中心的中国市场而言，三要素恰好对应三个悬而未决的问题。
最直接的问题留给云厂商与智算中心：折旧年限定在哪。从国内运营商年报的折旧政策看，多按四五年计提。若资产实际寿命八年以上，当期利润就被系统性低估，项目回报被看错；若需求根本撑不满设备的一生，问题就不在会计，而在经营。要回答这个问题，得翻各家财报的折旧政策和利用率数据：是会计口径的问题，还是经营的问题，修正方向截然相反。
折旧之外，投资者还需要注意运营商调整折旧年限的公告（管理层对资产寿命的真实判断往往先出现在这里）、二手GPU交易与长租价格（残值的独立参照）、新代际发布后旧型号的租金变化（需求端的读数）。不过国内市场目前还缺少公开、连续的二手算力价格数据，这些信号大多只能从运营商公告和海外数据商处间接获得。
产业政策层面，算力重资产化之后，土地、电力指标、能耗审批已经成为实际的市场准入门槛。评价一座智算中心，标准应该从装机规模换成“每兆瓦产出”：前者衡量资产质量，后者只统计数量。
高效、耐用、通用。英伟达用三个词宣告算力进入“资产时代”：它有了估值公式，有了残值曲线，也开始有了自己的融资渠道。这套叙事能否立住，要看未来两年供给与需求的赛跑。10月21日，黄仁勋将在GTC柏林发表主题演讲，Vera Rubin的量产节奏与AI工厂参考设计，会给出这场赛跑的下一组数据。（本文首发钛媒体APP，作者 | 硅谷Tech-news，编辑 | 焦燕）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App