“人工智慧”新基建領域中有何投資機會？
GPU 壽命到底是三年還是五年？
AI 熱潮進入下半場後，市場開始由「誰買得最多 GPU」轉向追問「這些 GPU 到底能賺多久」。過去兩年，雲計算巨頭、AI 基礎設施公司和大型模型企業紛紛擴張資本開支，NVIDIA GPU 成為新一代科技資產負債表上的核心設備。問題是，當一張晶片動輒數萬美元、一個算力集群耗資以十億美元計，折舊年期便不再是會計附註裡的技術細節，而是直接影響盈利、現金流和估值的關鍵假設。
爭議的核心很簡單：GPU 的經濟壽命到底應該按三年、四年、五年，還是六年計算？若以三年折舊，企業每年確認的成本較高，短期利潤會被壓低，但更貼近技術快速換代的保守假設；若以五至六年折舊，年度折舊費用下降，會計盈利看起來更好，但投資者便要相信這批 GPU 在較長時間內仍能保持足夠利用率和定價能力。這個差異，足以改變一家 AI 雲公司是否「接近盈利」的敘事。
表面上，三年派的理由很有說服力。AI 晶片迭代速度極快，從 A100 到 H100，再到 H200、Blackwell，算力、能效、記憶體頻寬和互聯架構都在快速提升。大型模型訓練對最新硬件尤其敏感，因為訓練成本取決於速度和效率，舊 GPU 一旦在單位算力成本上落後，便可能被新一代設備取代。若一家企業主要收入來自出租最前沿訓練算力，舊卡的議價能力確實可能在三年內明顯下降。因此，對高度依賴前沿模型訓練客戶的 AI 基礎設施公司而言，採用較短折舊年期並非危言聳聽，而是反映商業模式本身的高淘汰率。
不過，五年派也不是單純粉飾太平。GPU 並非只服務於最尖端訓練任務。隨着 AI 應用由訓練轉向推理，許多較舊 GPU 仍可支援成本較低、延遲要求不同、模型規模較小或企業內部部署的工作負載。對雲服務商而言，硬件可以分層使用：最新 GPU 服務高價訓練和高性能推理，上一代 GPU 服務一般推理、微調、圖像生成、開源模型部署和企業應用。只要需求足夠廣泛，舊 GPU 未必立即失去經濟價值。換言之，技術壽命、會計壽命和商業壽命並不完全相同。
這正是大型雲公司與純 AI 算力租賃公司的分別。微軟、亞馬遜、谷歌、Meta 等巨頭擁有龐大的雲客戶、廣告、社交平台和企業軟件生態，GPU 不只是出租硬件，而是嵌入搜尋、廣告推薦、Office、雲服務、內容生成和企業 API 之中。即使某些 GPU 不能再承擔最前沿訓練，也可被重新配置到較低層級的工作負載。對這類企業而言，五年甚至更長的伺服器與網絡設備折舊假設，背後有一定運營邏輯。
但對估值而言，投資者不能只接受管理層一句「使用年期較長」。真正要問的是三件事：第一，GPU 的利用率是否能長期維持在高水平；第二，舊 GPU 的出租價格會否隨新一代產品推出而快速下滑；第三，企業是否需要不斷追加資本開支，才能維持現有收入增長。如果收入增長高度依賴買入新 GPU，而舊 GPU 又不能維持價格，會計上的五年折舊便可能低估了真實經濟折耗。
這也是為何自由現金流比經調整 EBITDA 更值得重視。許多 AI 基建公司可以在 EBITDA 層面講出漂亮故事，因為折舊是非現金項目，利息、股權激勵和一次性支出亦可被調整掉。然而，GPU 是真金白銀買回來的資產，資本開支已經流出現金。若公司每隔兩三年便要大規模更新設備，表面盈利不代表股東真正賺到錢。AI 估值最大的陷阱，往往不是收入是否存在，而是維持收入所需的再投資強度被低估。
(芯片與算力系列之69)
風險及免責聲明：以上內容僅代表作者個人觀點，不代表富途任何立場，亦不構成任何投資建議，富途對此不作任何保證與承諾。更多信息
評論
發表評論
2