在过去十多年科技股叙事中，硬件公司一度被市场视为旧经济的科技版本：增长不如云端，毛利不如软件，估值不如平台公司。然而，AI资本开支浪潮改变了这一切。当大型云端公司、主权基金、企业客户都要建设AI算力，GPU本身只是开始，真正要落地，还需要伺服器、存储、网络、散热、机柜、部署、维护和融资安排。这些看似沉闷的硬件能力，忽然重新变成产业链不可或缺的一环。 Dell近年从PC印象中走出来，核心在于AI优化伺服器需求爆发。最新一季，Dell收入大幅增长，AI伺服器收入与订单成为市场焦点，管理层更将全年AI伺服器收入预期上调至约600亿美元。这并不是普通硬件周期复苏，而是AI资料中心建设由晶片采购走向系统交付。客户买的不是单一GPU，而是一整套可运行、可扩充、可维护的AI工厂。Dell的优势正在于供应链管理、客户关系、交付能力和全球服务网络。当GPU、HBM和电力都成为瓶颈时，谁能把零部件组合成可交付系统，谁就能从AI基建潮中获得更高话语权。 更重要的是，Dell不是单靠「卖铁」翻身。AI伺服器本身毛利未必像软件那样高，但一旦连带存储、网络、维护、融资和企业端解决方案，盈利结构便会改善。AI模型训练与推理需要大量数据流动，存储与资料管理不再是配角。这正好让Dell早年收购EMC留下的资产重新被市场理解。过去被认为是沉重包袱的企业存储业务，在AI时代反而成为「算力之后」的第二层需求。这种重新估值，并非因公司突然变成软件企业，而是市场终于承认硬件整合能力本身也有稀缺性。 从卖设备到卖AI基建能力 HPE的故事则稍有不同。它不像Dell那样以AI伺服器爆发成为市场焦点，但其翻身逻辑更接近「企业AI基建平台」。HPE的Cloud & AI业务、GreenLake混合云模式、ProLiant伺服器、Cray超算背景，再加上Juniper Networks并购后强化的网络能力，构成一条由伺

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