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。
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。
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。
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。
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）
