NVIDIA 為吉瓦級 AI 基礎架構提出財務評估論據

數百萬瓦級 AI 基礎架構的經濟學

隨著現代人工智慧資料中心規模擴展至數百萬瓦（MW）乃至吉瓦（GW）級別，建置運算容量已演變成龐大的資本支出。工廠每百萬瓦容量的建造成本約達 6,000 萬美元，迫使營運商必須透過長期投資報酬率（ROI）來證明投資的合理性。10 月 1 日，NVIDIA 針對其所謂的「AI 工廠」（AI factories）發表了詳盡的財務框架，主張商業回報主要取決於三個相互依存的變數：獲利能力、硬體使用壽命以及工作負載的互換性（fungibility）。

NVIDIA 指出，硬體的獲利能力不能僅依賴極限峰值速度或短期的需求爆發。相反地，具備永續性的基礎架構必須在固定的功耗限制下極大化產出、在長達數年的折舊週期中維持二手機市場價值，並透過統一的軟體堆疊同時執行 AI 與非 AI 工作負載。該公司在創辦人暨執行長黃仁勳（Jensen Huang）預定於 10 月 21 日中歐夏令時間（CEST）上午 11 點於 GTC Berlin 發表主題演講之前，發布了這項財務分析架構。

基準測試、硬體設備生命週期與企業部署數據

獲利能力的核心在於能源效率，因為可用電力依然是超大規模雲端服務業者與雲端供應商營運的上限天花板。引用來自 SemiAnalysis AgentX 的數據，NVIDIA 特別強調其即將推出的 Vera Rubin NVL72 系統，每百萬瓦的吞吐量比 GB300 NVL72 系統高出 30 倍以上，在執行 DeepSeek V4 Pro 模型時，每百萬 Token 的成本降幅更高達 45 倍。該公司亦引用 AgentX 針對 GB300 NVL72 執行 GLM 5.3 模型的效能評估分析。

為了反駁「晶片迭代過快導致舊硬體迅速淘汰」的疑慮，NVIDIA 提出了多項數據，顯示資料中心硬體的使用壽命遠遠超過原本的會計預估週期：

• 延長的生命週期： NVIDIA 於 2020 年推出的 A100 GPU，在問世 6 年後依然活躍於商用服務中。雲端業者 CoreWeave 近期更將客戶針對這批 2020 年首度上線硬體的預約合約延長至 2029 年。

• 二手價值與租賃合約： 來自 Barkr 的獨立評估估計，搭載 8 顆 GPU 的 H100 系統經濟使用年限為 5 至 6 年，而基於設備轉售市場動態，預估 GB300 NVL72 則可達 9 至 10 年。Silicon Data 發現，儘管標準的 5 年折舊時程已將其帳面價值歸零，但服役 6 年的 A100 處理器在市場上仍可取得原始採購價的 25%。Ornn Data 的市場指標亦指出，A100 系統的 5 年期租賃合約價格，仍維持在 1 個月短期租約價格的 80% 水準。

• 折舊時程： Sprout 於 2026 年 9 月發表題為「資料中心 GPU 的生產壽命」（The Productive Life of a Data Center GPU）的報告指出，主要雲端營運商已系統性地推遲其伺服器折舊年限。在歷史案例中，微軟（Microsoft）運作其 NVIDIA V100 叢集的時間長達 8.4 年，而當初其會計帳面壽命僅設定為 6 年。

NVIDIA 將這種長壽特性歸功於其 CUDA 生態系的向下相容性，該生態系獲得超過 1,000 個 CUDA-X 函式庫及 1,000 萬名開發者的支持。由於較新的演算法架構亦可在既有晶片上運作，營運商得以避免資產淪為套牢資產。

目前各界的實際部署正反映出這種廣泛的硬體實用價值：

• Eli Lilly 營運一座擁有 1,016 顆 GPU 的地端叢集，用於支援小分子、蛋白質與基因組學建模，以及內部的智慧代理人助理。

• Pinterest 橫跨擁有 14,000 顆 GPU 的雲端運算環境，混合使用 NVIDIA Blackwell、Hopper 與舊代架構，為視覺語言模型執行後訓練（post-training）與推論。

• Revolut 依賴 cuDF 函式庫處理數十億筆銀行交易記錄，隨後才進行基礎模型的訓練與部署。

• Runway 將其工作流程分散在不同世代的硬體上：在 Hopper 系統上訓練影片世界模型（video world models），並在 Blackwell 上提供即時使用者推論服務。

• 德州農工大學（Texas A&M University） 運用超級運算叢集進行藥物探索與分子模擬，在 26 項研究計畫中維持 95% 至 98% 的設備使用率。

• 在核心機器學習之外，達梭系統（Dassault Systèmes） 將 GPU 加速應用於數位分身模擬，為威奇托州立大學（Wichita State）進行飛機認證，並為 Lucid Motors 提供車輛工程模擬；消費品巨頭聯合利華（Unilever） 則完全透過數位分身生成產品視覺內容，將行銷製作成本降低了 50%。

電力上限推動硬體通用互換性需求

NVIDIA 所提出的財務論點，反映了資料中心產業更廣泛的轉變：目前決定營運成長的關鍵是能否取得電網電力，而非機房空間或伺服器機櫃的數量。在嚴格的百萬瓦供電上限下，營運商必須從每單位電力中榨取更多收益，同時防範模型架構突變所帶來的風險。

NVIDIA 主張，降低 Token 成本不但不會抑制總體需求，反而會刺激整體需求擴大，因為推論成本的下降將催生全新的消費端與企業級應用。藉由將其具備可程式化特性的 GPU 與 CUDA 堆疊定位於專用客製化 ASIC 之上，NVIDIA 押注資料中心建置者在未來近十年間，將優先選擇能夠在訓練、推論與通用企業平行運算之間彈性切換的系統。