作者：Jae，PANews
科技硬體向來難逃快速折舊的命運，但AI晶片正在試圖打破這條「迭代越快，貶值越快」的金融鐵律。一塊GPU開始有了金融資產特性，就能夠持續產生租金，可以被抵押融資，根據的未來現金流計算殘值。
8月10日，輝達聯手阿波羅、貝萊德、黑石等六大華爾街機構，計劃搭建規模高達5,000億美元的AI基礎設施融資平台，把這套「算力資產化」邏輯從概念推向現實。
事實上，近半年多，非超大規模雲（Neo-Cloud）市場的GPU租金價格集體觸底反彈，也修復了資本市場對算力遠期價值的貼現預期。
抵押融資、租金曲線、二手殘值，正在形成一個環環相扣的閉環：GPU作為抵押品進入金融體系，算力出租產生現金流，再用未來租金償還債務。如果這套循環跑通，GPU可能將成為華爾街的新一類標準化資產。
算力資產化前夜：算力租金觸底反彈，GPU兌現資產屬性
算力資產化的前提，是穩定可預測的租金收益。Silicon Data發布的Neo-Cloud市場價格指數，正在釋放著明顯的回暖訊號。
最近半年多，各代輝達主力GPU的按時租金均呈現出強勁的觸底回升走勢。其中，作為模型訓練與高階推理主力的H100，每小時租金已從去年底約2美元的低谷反彈到了2.72美元；搭載更大顯示記憶體、主打長上下文推理的 H200 時租達到3.29美元；剛進入出貨期的Blackwell架構B200，憑藉初期的產能稀缺性維持在5.61美元的高位；即便是問世已六年的A100，也憑藉著推理與微調場景的穩定需求，長期保持在每小時1.65美元的水平。
Coinbase系的新創公司B3Labs最近推出了B3IQ，允許用戶以租代購（首付 30%，再分期付款）搭載了輝達GPU的伺服器。回本期間，用戶、平台將按3:7的比例分成算力收入。全款結清之後，如果用戶選擇繼續出租算力，分成結構就會反轉。在用戶出租算力的同時，平台也將同步賺取收益。
比租金價格更重要的，是遠期價值貼現預期的修復。Silicon Data基於36個月遠期租金曲線的測算指出，單張H100的估算殘值已從去年10月的約1.4萬美元，回升至目前的約2萬美元。儘管這只是理論估值，並非二手市場的實際成交價，但它間接提升了金融機構將GPU視為融資抵押品的信心：當一項設備能持續產生穩定現金流，它就具備了資本化的基礎。
從理論到實操：輝達拉上六大華爾街巨頭湊5000億，GPU按揭或將上線
租金曲線的修復，切中了輝達CEO黃仁勳提出的「算力資產化」商業模式。
在傳統的資本支出模式下，資料中心建設高度依賴雲端廠商的現金流或無擔保企業債，擴張速度受限於它們的資產負債表。黃仁勳的主張是：既然GPU能在生命週期內持續產生推理租金收益，那麼資料中心就具備類似於航空客機、大型貨輪等生產性資產的特徵，可以透過未來的現金流作抵押，撬動槓桿融資。
8月10日，這套設想進入到了落地階段。輝達宣布與阿波羅、貝萊德、黑石、博楓、高盛以及KKR等六大頂尖金融機構簽署諒解備忘錄，共同建立算力融資平台，來為全球AI基礎設施建設籌集超過5,000億美元的第三方資本。
在該融資架構的設計方案中，部分貸款將直接以採購的GPU設備和資料中心物理設施作為擔保抵押品。為消除金融機構對硬體快速折舊的顧慮，輝達承諾在特定案例中將按照設備殘值提供最高25%的殘值支持或擔保增信。
Neo-Cloud廠商則能以算力租賃的未來收入償還債務，形成「抵押融資→採購GPU→出租算力→還本付息」的融資閉環。
實際上，這一模式早已有先行者。2023年8月，CoreWeave曾把旗下的H100集群抵押給黑石與Magnetar Capital，獲得了23億美元的債務融資。
8月12日，CoreWeave的財務數據顯示，其第二季業績全面超預期，驗證市場算力需求爆發。自財報發布後，其股價累計漲幅約18%。從去年3月上市以來，CoreWeave的股價實際已上漲超1.65倍。
回到輝達牽頭的5,000億美元融資平台，其意義在於把個案式的探索，變成全行業級別的標準化融資工具：它將大幅降低Neo-Cloud廠商的融資成本，吸引更多資金進入AI基建領域，再反哺GPU的訂單需求。
該融資平台的推出，或成為AI基礎設施從「重資產業務」走向「金融化擴張」的一個分水嶺。輝達賣出更多晶片，金融機構賺取AI基建投資的收益，Neo-Cloud廠商獲得業務擴張的彈藥，三方共同把算力資產化的飛輪轉起來。
硬體殘值引論戰：二手市場打折，推理需求續命
5,000億美元的融資故事之下，分歧從未停止。分歧的焦點，則直指算力資產化的根基：GPU的真實經濟壽命到底有多長？殘值估算究竟是否可靠？
反方觀點：硬體折舊遠超預期
反對派的論據，來自於二手市場的實際成交數據與企業的會計帳目調整。
Silicon Data的二手交易數據顯示，使用3年左右的二手H100掛牌價格，僅為新品峰值價的 20%-30%，且二手市場流動性有限，真實成交價往往還要進一步打折。從變現的角度來看，GPU的硬體折舊速度依然高企。
企業端的動作也在強化這種顧忌。去年初，亞馬遜將伺服器與網路設備的折舊年限從6年縮短到了5年。僅此一項，財報上就增加了14億美元折舊費用，其背後正是AI硬體加速迭代的現實。知名空頭麥可·貝瑞更是直言，主流雲端廠商的財報嚴重低估了AI晶片的折舊速度，隱藏著巨大的資產貶值風險。
保守派認為，用遠期租金貼現出來的「帳面殘值」，和二手市場的成交價格是兩回事。一旦技術路線出現代際性飛躍，高端GPU的抵押品價值可能會迅速崩塌。
正方觀點：推理需求重塑經濟壽命
支持派則指出了市場在二階判斷上的誤區：外界普遍混淆了GPU在「訓練端」與「推理端」的經濟價值。
誠然，Blackwell等新一代架構在訓練端會對舊架構產生影響，讓舊款晶片退出高端訓練市場，但商業化落地帶來的推理需求爆發，也在大幅拉長GPU的經濟壽命。
最典型的例子就是A100。問世六年，它早已退出高端訓練市場，但在模型推理、低成本微調、特定領域運算等場景中，仍保持著穩定的租賃價格與旺盛需求，單位經濟效益和實用價值未被大幅削弱。這意味著，老款GPU並不會被新一代直接淘汰，而是將下沉到推理市場，繼續創造現金流。
簡單來說，GPU的「真實經濟壽命」要遠長於市場假設的2-3年。持續成長的推理需求，將抵消技術折舊所帶來的名目貶值。
算力資產化正在進入一個關鍵階段，既可能是產業加速的燃料，也可能成為系統性風險的來源。GPU的租金反彈提供了短期支撐，推理需求給出了長期想像，但技術迭代的速度始終是懸在資產估值頭頂的達摩克利斯之劍。因此，算力資產化既可能成為AI基礎設施擴張的新槓桿，也可能成為風險傳導的新入口。
在這場矽谷與華爾街的共同豪賭中，誰能更精準地度量算力的經濟壽命與殘值折現，誰就將掌握下一階段AI基礎設施的定價權。
