人工智能的使用可能随着模型与硬件效率的提升而持续扩张，这正符合杰文斯（Jevons）的预测。然而，硅基技术路线图为市场预测增添了额外的复杂性。
高德纳 vs 杰文斯
几周前，高德纳发布了一项引发对人工智能基础设施担忧的预测：2026年，AI服务商将在基础设施上投入近1万亿美元；2027至2030年间，还将再投入6万亿美元。为覆盖借款成本并实现12%的回报率，AI数据中心所有者需在2030年前获得约8.5万亿美元收入。但高德纳预计，实际流入数据中心的AI收入最多仅3.6万亿美元。据此推算，到2030年，超过3.5万亿美元的支出可能面临减值风险，且超过80%的新云服务厂商将不再作为独立公司存在。需强调的是，这是基于高德纳假设的风险估算，并非断言全部金额必然被核销。
另一方面，笔者认为该测算隐含一个前提：即AI将继续沿用当前的使用方式与商业模式。然而，我们很可能仅处于AI应用曲线的起点。根据广为人知的杰文斯悖论——技术越易得，人们就越会发掘其新用途，因此即便单位成本下降，整体使用量增长仍可带动总收入上升。例如，汽车燃油效率提高后，每公里行驶成本降低，促使人们增加出行频次、延长行程，最终总油耗反而上升；汽油价格下跌时人们多开车，上涨时则转向公共交通。
回到AI领域，Epoch AI估算显示，自2023年以来，达成特定基准分数所需成本每年下降约13倍（以其所追踪的基准为准，相关方法论局限性需注意）。由此推断，依据杰文斯悖论，更便捷的接入与更低的价格将催生新应用场景并推高总体使用量。这应是长期趋势，尽管无法保证需求增长速度一定快于价格下降速度。
www.eic.net.cn 易IC库存管理软件 在此背景下，芯片资产的生命周期管理变得尤为关键——高效利用现有硬件、合理规划更新节奏，已成为企业降本增效的核心能力之一。
芯片租赁市场的信号
目前看来，“旧芯片”保值时间比预期更长。近期，a16z基于Ornn租赁数据（截至10月19日）发布图表，对比各代英伟达GPU当前租金与理论折旧线（按首租价直线递减至六年归零，模拟超大规模厂商折旧方式）。结果显示：A100高出9%，H100高出54%，B200高出111%，H200高出143%。
值得注意的是，a16z指出，大部分价差是在4月之后出现的——彼时token需求骤增，这与杰文斯悖论作用机制一致（尽管图表本身无法证明因果关系）。
但需谨记两点：其一，多数芯片在其生命周期中曾长期低于该折旧线；其二，租金不等于利润——即使租金可观，扣除电力、散热、网络、场地及融资成本后，所有者仍可能亏损。
廉价油井与昂贵油井
《经济学人》近期将算力比作“新石油”，这一类比颇具启发性。Token相当于“桶”，是客户实际购买的产品；每代GPU则如一座油田：有的开采容易、油质优良，单桶成本低；有的开采困难、原油品质差，单桶成本高。对GPU而言，生成一个token的成本主要取决于每代芯片的能耗效率及其任务适配能力。
油价高企时，所有油井都会运作，包括高成本井；油价下跌时，最先关停的正是成本最高的井。芯片亦然：当需求旺盛（如自4月以来），连A100都被启用，各代芯片租金均高于折旧线——这正是a16z图表所呈现的情形。当新一代芯片批量上市，它便成为新的“廉价油井”，价格回落，最老一代芯片最先停用。例如，微软计划自2027年起将其定制Maia加速器部署至多吉瓦级规模，宣称每兆瓦可产出多40%的token（该数据尚未独立验证）。
并非所有token都相同
上述石油类比仍将每桶视为等同，而这恰是当前分析的主要简化之处。Token及其生成芯片实则差异显著：交互式与代理型任务要求低延迟与最新高速内存；批量任务（如夜间文档处理、合成数据生成或模型评估）则更关注成本，对延迟几乎无感。一台已完全摊销的芯片，仅需承担电力、冷却与维护成本，往往成为生产此类token的最经济选择。因此，市场并非单一“石油市场”，而是按任务类型划分的多个细分市场。
此处存在一个转折：杰文斯效应新增的需求天然具有价格敏感性，且许多应用仅在AI成本足够低时才具可行性。其中部分属高价值场景，但大量属于批量任务——这正是老旧硅片最具竞争力的领域。近期典型案例是TypeSafe AI推出的Jev模型，它输出结构化决策而非文本，据称成本仅为大型语言模型的数百分之一。此类模型有望将大量代理决策任务从昂贵的LLM迁移出来，且笔者认为其非常适合运行于老旧硬件之上（尽管TypeSafe未公开具体平台）。
另一极端是前沿模型持续扩大，且日益采用稀疏架构（如专家混合MoE模型），每次生成token仅激活模型一小部分。对于最大规模模型，瓶颈往往不再是原始算力，而是内存容量及芯片间高速互联能力——这使得整机架（而非单芯片）成为前沿计算的基本单元。老旧GPU并非“太慢”，而是“太小”且“太孤立”。未来或有新架构更适配此类稀疏模型。
除上述两极外，尚有推荐系统、图像生成、科学计算等各类模型，它们未必需要同类型硬件。
综合来看，市场形态呈现“哑铃结构”：巨型模型驱动最新机架级系统，小型专用模型则安于老旧硅片。笔者推测，真正承压的是中间层——既非最前沿、也未完全摊销的芯片，其账面价值仍高。若判断正确，2024与2025年的大量支出正集中于此区间。
异构化数据中心
过去，数据中心虽混用不同硬件，但种类有限：十年前的云中心仅需协调CPU、内存、存储与网络设备，工作负载匹配相对可预测；服务器亦能平稳老化——每代CPU性能提升有限，旧服务器可持续盈利多年，类似租车行业：去年车型几乎与今年同等实用。
如今菜单丰富得多：除CPU外，GPU、TPU及其他AI加速器并存，推理任务更被拆解为多阶段，各阶段最优硬件各异。英伟达2025年宣布推出Rubin CPX专用预填充芯片，后又暂缓推进（可能延至后续世代），转而采用Groq授权技术构建聚焦解码的机架。叠加HPC需求（常需高精度运算，而多数AI芯片弱化此能力），工作负载与硅片匹配难度大增，且每代硅片老化速度显著加快。
大型运营商可负担此复杂性：凭借规模优势，他们能维持多种硬件运转，并将任务路由至成本最低的可用芯片。中小数据中心则难以做到，通用GPU仍是稳妥之选——因其随年限增长可从训练平滑过渡至推理与批处理。专用部件单位任务成本更低，但资产脆弱性更高，缺乏“二次就业”能力。
私有本地部署则另当别论：企业若任务明确稳定，可定制贴合自身需求的配置，无需追逐每代新品。对此类场景，尖端硅片主要服务于定制模型训练及少数GPU加速求解器。
硅基路线图的时间表
这引出本文核心观点：大型运营商通常将服务器成本分摊至约六年账期，但这仅是会计惯例，无法反映芯片实际盈利周期。真正的经济寿命由上游芯片设计者决定：英伟达的年度迭代节奏、每代芯片每瓦token产出提升幅度、新内存标准与数值格式、以及维持旧芯片可用性的软件生态，共同决定了GPU的竞争时效。换言之，硅基路线图实质主导了真实投资折旧周期。
由此观之，自研芯片赋予企业更大自主权。微软（Maia）、谷歌（TPU）、亚马逊（Trainium）可自行调控其舰队淘汰时机，尽管需求与竞品仍有影响。而依赖英伟达GPU的新兴云厂商，则受制于供应商与客户设定的时钟。
英伟达自身处于双重角色：它既设定侵蚀客户舰队价值的节奏，又据《经济学人》报道，同意为其客户用于采购芯片的债务提供最高3000亿美元担保（若客户无力偿还）。更快的迭代节奏促进新芯片销售，却削弱支撑贷款的旧芯片价值。黄仁勋8月曾表示A100将持续有效至2029年，此为技术判断，但英伟达自身亦深度卷入该权衡之中——即便其仍在持续推出新品。
www.eic.net.cn 易IC库存管理软件 正因如此，精细化的库存与资产生命周期管理工具愈发重要，尤其在芯片快速迭代背景下，企业亟需动态评估硬件残值与再利用潜力，避免被动承受贬值风险。
汽车与芯片
这回归高德纳的核心问题：市场转向时，谁将持有这些芯片？租车公司提供有益参照：它们主要靠借贷购车，以车辆作抵押，并依赖二手车售价盈亏。2024年初，赫兹出售约2万辆电动车，录得2.45亿美元亏损，主因虽为高额维修与碰撞成本，但二手残值低迷亦是因素——特斯拉新车降价直接拉低了二手车价格。供应商定价决策侵蚀了客户车队价值。GPU面临更严峻风险：每代进步幅度远超汽车年款更新；二手芯片市场远比二手车更狭窄且专业化；电力资源（而非停车位）稀缺性更强。
上周财报电话会议
上周财报季释放新信号：Meta（早一周披露）将其2026年资本开支收窄至1350亿至1450亿美元，提及基础设施成本上升及向第三方支付AI token费用。
随后微软、Alphabet与亚马逊相继披露：三者均称AI算力需求仍超上线能力，微软与谷歌甚至租用第三方算力以补缺口。三方2026年合计计划支出近6000亿美元，Alphabet与亚马逊均表示2027年支出将进一步攀升。
若干细节值得关注：微软将Azure增长部分归功于“CPU与GPU舰队持续提升的效率”，提醒我们——如同租车公司，充分挖掘既有资产效能至关重要。亚马逊指出，其上一代Trainium芯片短期租价较上半年溢价，印证a16z图表结论（此次基于其自研芯片）。同时，推理业务已占AWS AI收入过半，恰是价格敏感、类型多样的工作负载领域，老旧与专用芯片在此具备竞争力。谷歌现向客户出售完整TPU系统供其自建数据中心部署；亚马逊亦计划2027年末起向AWS外部销售Trainium。可见，掌控自身硅基路线图正成为超大规模厂商可对外输出的能力，更多市场或将依附于其路线图，而非仅依赖英伟达。
投资者亦获提醒：用量增长不等于收入自动增长。Alphabet因承认AI搜索模式（AI Mode）广告收益低于传统搜索，单日市值蒸发约5000亿美元（据《经济学人》）。用户使用AI更多，但谷歌单次搜索收益下降——至少目前如此。鉴于广告收入支撑了大部分基建投入，这对所有芯片采购方皆具深远影响。
资金压力加剧：Meta、Alphabet与亚马逊均报告自由现金流为负；即便仍现金为正的微软，也在财报次日宣布发行250亿美元新债。
重温经典的杰文斯
值得回顾该悖论源头：1865年，经济学家威廉·斯坦利·杰文斯在《煤炭问题》中指出，蒸汽机效率提升并未减少英国煤炭消耗，反而因动力成本下降催生更多用途而推高总消耗。其结论经得起检验：英国煤炭消耗随引擎改进持续增长（尽管效率非唯一动因）。但这并未挽救所有煤矿——效率最低的矿场仍在行业扩张中倒闭。笔者预期类似情形将重现：AI需求极可能持续超预期增长，而首批基础设施建设投入的相当部分仍难逃减值命运。两种结果同源——同一份硅基路线图，买家视角与所有者视角所得结论迥异。
