最近，某全球知名机构做空相关标的并披露英伟达看跌期权，引发了大家对云厂商GPU折旧年限合理性的讨论。我们对这个议题很感兴趣，因为AI很明显是未来趋势，完全避开这个概念是不理性的。不过真正研究下里会发现又非常多的疑问。

今年年初我们在一篇关于移动运营商的文章中，重点提到过运营商延长折旧年限的事情。从财务上，如果将折旧年限延长，那么每年摊销下来的资本开支就会减少，因为分母变大了，所以同样营收的情况下利润会大幅增加。比如，亚马逊在2024年延长折旧年限后，每季度新增6-7亿美元利润；2025年缩短后，净利润每月减少1-3亿美元。正因如此，每次大规模延长折旧年限都会引起大家的讨论。

现在国际上主流厂商的折旧年限都各不相同。Meta采用的是5.5年折旧；微软、谷歌长期维持6年左右；亚马逊2024年从5年上调至6年，2025年又回调至5年（理由是完成服务器与网络设备使用寿命研究）；然后Oracle、Call Wave采用6年折旧；Nebulas、艾伦则为4年折旧。

如果回到更基本的问题，到底哪些因素决定GPU的折旧？

我们看下来觉得有这几个因素：物理寿命、平均利用率、任务分化及电力电网基础设施瓶颈等四大因素。抛开物理寿命这些非人为可以影响的因素，我觉得最核心的还是市场对算力的需求。

国信证券有一份报告中给出了一组推测数据，说如果GPU长期维持70%以上高利用率（如AI训练场景），服务器寿命最多3年；利用率较低时（如非核心推理场景），寿命可能延长到5年。  可见使用率对使用寿命的影响是直接的。而且，训练场景下对算力的消耗远高于推理场景。很多云厂商，比如谷歌、微软，他们通过“训练用新卡、推理用旧卡”平衡利用率，旧GPU利用率降至50%以下，所以他们就可以采用5-6年折旧；一些新型租赁厂商（如Nebulas），因为他们业务单一依赖高负载租赁，利用率常年超60%，所以选择4年折旧。从周期看，GPU合同期内0.5-1.5年以训练为主（需新卡），3.5-4.5年以推理为主（旧卡是可以满足的）。

如果这个观察是对的，那么对算力需求的核心问题在于，未来全世界模型的训练和推理任务的占比是如何变化的？至少我们从各大卖方报告看到的数据趋势看，2024年之前训练是主力，2024年之后推理是算力需求主力。如果推理是主力，那么旧卡的使用场景就会很多，这样延长折旧年限其实是合理的。比如H100是上一代GPU，它肯定不适配最新的训练任务，但在大多数推理场景中仍能适用，所以它的价格依然很坚挺。微软V100 GPU退役前也长期承担推理任务，使用寿命达7-8年。

我们的一个观察是，大家对折旧年限的争议，本质还是对未来全球算力需求的争议。考虑一个极端情况，如果全球大模型都停止训练，所有的算力都用于推理，我们对算力，特别是英伟达高端产品的需求是增加还是减少？这是一个核心问题。我个人是乐观的，这其实很类似当年微信起来后，大家都说运营商怕是利润要腰斩了。其实我们现在知道，网络流量的需求已经呈几何倍数的增加了。

不过这里仍然留下了很多问题。特别是中美两国AI竞争的格局会是怎样？微软的CEO反复提到，美国不缺资本，不缺技术，不缺人才，他们缺电！因为缺电所以导致大量的算力闲置。中国有开源生态，成本非常低，终端数据丰富，但我们的算力和芯片技术以及创新文化方面始终有差距。

总之，GPU折旧不是很大的事情，本质还是大家对算力乃至AI未来前景的分歧。