GPU 寿命到底是三年还是五年？
AI 热潮进入下半场后，市场开始由「谁买得最多 GPU」转向追问「这些 GPU 到底能赚多久」。过去两年，云计算巨头、AI 基础设施公司和大型模型企业纷纷扩张资本开支，NVIDIA GPU 成为新一代科技资产负债表上的核心设备。问题是，当一张晶片动辄数万美元、一个算力集群耗资以十亿美元计，折旧年期便不再是会计附注里的技术细节，而是直接影响盈利、现金流和估值的关键假设。
争议的核心很简单：GPU 的经济寿命到底应该按三年、四年、五年，还是六年计算？若以三年折旧，企业每年确认的成本较高，短期利润会被压低，但更贴近技术快速换代的保守假设；若以五至六年折旧，年度折旧费用下降，会计盈利看起来更好，但投资者便要相信这批 GPU 在较长时间内仍能保持足够利用率和定价能力。这个差异，足以改变一家 AI 云公司是否「接近盈利」的叙事。
表面上，三年派的理由很有说服力。AI 晶片迭代速度极快，从 A100 到 H100，再到 H200、Blackwell，算力、能效、记忆体频宽和互联架构都在快速提升。大型模型训练对最新硬件尤其敏感，因为训练成本取决于速度和效率，旧 GPU 一旦在单位算力成本上落后，便可能被新一代设备取代。若一家企业主要收入来自出租最前沿训练算力，旧卡的议价能力确实可能在三年内明显下降。因此，对高度依赖前沿模型训练客户的 AI 基础设施公司而言，采用较短折旧年期并非危言耸听，而是反映商业模式本身的高淘汰率。
不过，五年派也不是单纯粉饰太平。GPU 并非只服务于最尖端训练任务。随着 AI 应用由训练转向推理，许多较旧 GPU 仍可支援成本较低、延迟要求不同、模型规模较小或企业内部部署的工作负载。对云服务商而言，硬件可以分层使用：最新 GPU 服务高价训练和高性能推理，上一代 GPU 服务一般推理、微调、图像生成、开源模型部署和企业应用。只要需求足够广泛，旧 GPU 未必立即失去经济价值。换言之，技术寿命、会计寿命和商业寿命并不完全相同。
这正是大型云公司与纯 AI 算力租赁公司的分别。微软、亚马逊、谷歌、Meta 等巨头拥有庞大的云客户、广告、社交平台和企业软件生态，GPU 不只是出租硬件，而是嵌入搜寻、广告推荐、Office、云服务、内容生成和企业 API 之中。即使某些 GPU 不能再承担最前沿训练，也可被重新配置到较低层级的工作负载。对这类企业而言，五年甚至更长的伺服器与网络设备折旧假设，背后有一定运营逻辑。
但对估值而言，投资者不能只接受管理层一句「使用年期较长」。真正要问的是三件事：第一，GPU 的利用率是否能长期维持在高水平；第二，旧 GPU 的出租价格会否随新一代产品推出而快速下滑；第三，企业是否需要不断追加资本开支，才能维持现有收入增长。如果收入增长高度依赖买入新 GPU，而旧 GPU 又不能维持价格，会计上的五年折旧便可能低估了真实经济折耗。
这也是为何自由现金流比经调整 EBITDA 更值得重视。许多 AI 基建公司可以在 EBITDA 层面讲出漂亮故事，因为折旧是非现金项目，利息、股权激励和一次性支出亦可被调整掉。然而，GPU 是真金白银买回来的资产，资本开支已经流出现金。若公司每隔两三年便要大规模更新设备，表面盈利不代表股东真正赚到钱。AI 估值最大的陷阱，往往不是收入是否存在，而是维持收入所需的再投资强度被低估。
义合控股投资者关系部
(芯片与算力系列之69)
$Digital Realty Trust Inc(DLR)$ $Vertiv Holdings LLC(VRT)$ $Advanced Micro Devices(AMD)$ $Marvell Technology(MRVL)$ $LENOVO GROUP(00992)$
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
