作者：Jae，PANews
科技硬件向来难逃快速折旧的命运，但AI芯片正在试图打破这条“迭代越快，贬值越快”的金融铁律。一块GPU开始有了金融资产特性，就能够持续产生租金，可以被抵押融资，根据的未来现金流计算残值。
8月10日，英伟达联手阿波罗、贝莱德、黑石等六大华尔街机构，计划搭建规模高达5,000亿美元的AI基础设施融资平台，把这套“算力资产化”逻辑从概念推向现实。
事实上，近半年多，非超大规模云（Neo-Cloud）市场的GPU租金价格集体触底反弹，也修复了资本市场对算力远期价值的贴现预期。
抵押融资、租金曲线、二手残值，正在形成一个环环相扣的闭环：GPU作为抵押品进入金融体系，算力出租产生现金流，再用未来租金偿还债务。如果这套循环跑通，GPU可能将成为华尔街的新一类标准化资产。
算力资产化前夜：算力租金触底反弹，GPU兑现资产属性
算力资产化的前提，是稳定可预测的租金收益。 Silicon Data发布的Neo-Cloud市场价格指数，正在释放着明显的回暖信号。
最近半年多，各代英伟达主力GPU的按时租金均呈现出强劲的触底回升走势。其中，作为模型训练与高阶推理主力的H100，每小时租金已从去年底约2美元的低谷反弹到了2.72美元；搭载更大显存、主打长上下文推理的 H200 时租达到3.29美元；刚进入出货期的Blackwell架构B200，凭借初期的产能稀缺性维持在5.61美元的高位；即便是问世已六年的A100，也凭借着推理与微调场景的稳定需求，长期保持在每小时1.65美元的水平。
Coinbase系的创业公司B3Labs最近推出了B3IQ，允许用户以租代购（首付 30%，再分期付款）搭载了英伟达GPU的服务器。回本期间，用户、平台将按3:7的比例分成算力收入。全款结清之后，如果用户选择继续出租算力，分成结构就会反转。在用户出租算力的同时，平台也将同步赚取收益。
比租金价格更重要的，是远期价值贴现预期的修复。 Silicon Data基于36个月远期租金曲线的测算指出，单张H100的估算残值已从去年10月的约1.4万美元，回升至目前的约2万美元。尽管这只是理论估值，并非二手市场的实际成交价，但它间接提升了金融机构将GPU视为融资抵押品的信心： 当一项设备能持续产生稳定现金流，它就具备了资本化的基础。
从理论到实操：英伟达拉上六大华尔街巨头凑5000亿，GPU按揭或将上线
租金曲线的修复，切中了英伟达CEO黄仁勋提出的“算力资产化”商业模式。
在传统的资本开支模式下，数据中心建设高度依赖云厂商的现金流或无担保企业债，扩张速度受限于它们的资产负债表。黄仁勋的主张是： 既然GPU能在生命周期内持续产生推理租金收益，那么数据中心就具备类似于航空客机、大型货轮等生产性资产的特征，可以通过未来的现金流作抵押，撬动杠杆融资。
8月10日，这套设想进入到了落地阶段。英伟达宣布与阿波罗、贝莱德、黑石、博枫、高盛以及KKR等六大顶尖金融机构签署谅解备忘录，共同建立算力融资平台，来为全球AI基础设施建设筹集超过5,000亿美元的第三方资本。
在该融资架构的设计方案中，部分贷款将直接以采购的GPU设备和数据中心物理设施作为担保抵押品。为消除金融机构对硬件快速折旧的顾虑，英伟达承诺在特定案例中将按照设备残值提供最高25%的残值支持或担保增信。
Neo-Cloud厂商则能以算力租赁的未来收入偿还债务，形成“抵押融资→采购GPU→出租算力→还本付息”的融资闭环。
实际上，这一模式早已有先行者。2023年8月，CoreWeave曾把旗下的H100集群抵押给黑石与Magnetar Capital，获得了23亿美元的债务融资。
8月12日，CoreWeave的财务数据显示，其二季度业绩全面超预期，验证市场算力需求爆发。自财报发布后，其股价累计涨幅约18%。从去年3月上市以来，CoreWeave的股价实际已上涨超1.65倍。
回到英伟达牵头的5,000亿美元融资平台，其意义在于把个案式的探索，变成全行业级别的标准化融资工具： 它将大幅降低Neo-Cloud厂商的融资成本，吸引更多资金进入AI基建领域，再反哺GPU的订单需求。
该融资平台的推出，或成为AI基础设施从“重资产生意”走向“金融化扩张”的一个分水岭。 英伟达卖出更多芯片，金融机构赚取AI基建投资的收益，Neo-Cloud厂商获得业务扩张的弹药，三方共同把算力资产化的飞轮转起来。
硬件残值引论战：二手市场打折，推理需求续命
5,000亿美元的融资故事之下，分歧从未停止。分歧的焦点，则直指算力资产化的根基：GPU的真实经济寿命到底有多长？残值估算究竟是否靠谱？
反方观点：硬件折旧远超预期
反对派的论据，来自于二手市场的实际成交数据与企业的会计账目调整。
Silicon Data的二手交易数据显示，使用3年左右的二手H100挂牌价格，仅为新品峰值价的 20%-30%，且二手市场流动性有限，真实成交价往往还要进一步打折。从变现的角度来看，GPU的硬件折旧速度依然高企。
企业端的动作也在强化这种顾忌。去年初，亚马逊将服务器与网络设备的折旧年限从6年缩短到了5年。仅此一项，财报上就增加了14亿美元折旧费用，其背后正是AI硬件加速迭代的现实。知名空头迈克尔・伯里更是直言，主流云厂商的财报严重低估了AI芯片的折旧速度，隐藏着巨大的资产贬值风险。
保守派认为，用远期租金贴现出来的“账面残值”，和二手市场的成交价格是两回事。一旦技术路线出现代际性飞跃，高端GPU的抵押品价值可能会迅速崩塌。
正方观点：推理需求重塑经济寿命
支持派则指出了市场在二阶判断上的误区：外界普遍混淆了GPU在“训练端”与“推理端”的经济价值。
诚然，Blackwell等新一代架构在训练端会对旧架构产生影响，让旧款芯片退出高端训练市场，但商业化落地带来的推理需求爆发，也在大幅拉长GPU的经济寿命。
最典型的例子就是A100。问世六年，它早已退出高端训练市场，但在模型推理、低成本微调、特定领域计算等场景中，仍保持着稳定的租赁价格与旺盛需求，单位经济效益和实用价值未被大幅削弱。这意味着，老款GPU并不会被新一代直接淘汰，而是将下沉到推理市场，继续创造现金流。
简单来说，GPU的”真实经济寿命“要远长于市场假设的2-3年。持续增长的推理需求，将抵消技术折旧所带来的名义贬值。
算力资产化正在进入一个关键阶段，既可能是产业加速的燃料，也可能成为系统性风险的来源。GPU的租金反弹提供了短期支撑，推理需求给出了长期想象，但技术迭代的速度始终是悬在资产估值头顶的达摩克利斯之剑。因此，算力资产化既可能成为AI基础设施扩张的新杠杆，也可能成为风险传导的新入口。
在这场硅谷与华尔街的共同豪赌中，谁能更精准地度量算力的经济寿命与残值折现，谁就将掌握下一阶段AI基础设施的定价权。
