高效、耐用、可互换：NVIDIA AI 工厂如何实现投资回报最大化

AI 工厂按兆瓦建设，甚至按吉瓦建设。每兆瓦的造价约为 6000 万美元，运营商只有在看清投资回报之后，才会投入这个量级的资本。决定 AI 工厂回报的关键因素有三个：

• 创收能力（Earning capacity）​：如果工厂把产出的每一个 Token 全部售出，一年能获得多少收入。
• 有效寿命（Useful life）​：AI 硬件能够持续创造收益的时间。
• 需求（Demand）​：这些 Token 的市场需求有多大。

三者之间无法相互替代。创收能力再强，若只能卖出部分产能，意义有限；需求再旺盛，若一年后便无法满负荷运行，同样无从兑现。三者也不彼此独立：能承载更多类型负载的工厂，自然能触达更多需求，从而年复一年持续创收。

NVIDIA AI 工厂的设计目标，是让这三项同时达到最优：

• 高效（Productive）​：每兆瓦吞吐最高、单位 Token 成本最低，从而最大化创收能力。

• 耐用（Durable）​：GPU 与系统在交付多年后仍能持续创收，延长有效寿命。

• 可互换（Fungible）​：同一套算力可被各类 AI 负载互换使用——覆盖所有阶段与所有场景——也能承载大量与 AI 无关的负载，从而同时拓宽并加深可服务的需求。

NVIDIA 平台兼具高效、耐用与可互换三重特性，从而最大化 AI 工厂的回报。

全栈的工程协同设计（codesign）最大化了 AI 工厂的吞吐；持续的软件优化，则让已交付的硬件在数年之后依然保持产出能力。NVIDIA CUDA-X 库使工厂能够运行任何加速计算负载；标准化的架构进一步让这一切对任何运营商都可及——基于经验证的参考设计即可完成部署。

一、高效：每兆瓦 Token 吞吐最高，单位 Token 成本最低

电力是 AI 工厂的刚性约束。因此，“每兆瓦每秒 Token 数”成为决定创收能力的核心指标：在固定功耗范围内产出更多 Token，收入就更高；单位 Token 成本更低，利润空间就更大。

SemiAnalysis AgentX的数据显示，NVIDIA Vera Rubin NVL72 系统的每兆瓦吞吐量达到 NVIDIA GB300 NVL72 的 30 倍以上；在 DeepSeek V4 Pro 模型上，每百万 Token 成本最低可降至后者的 1/45。这样的量级提升，源于全栈的极致协同设计：从模型与负载，向下贯穿软件，直至计算、网络与内存，所有环节被放在一起优化。

SemiAnalysis AgentX 对 NVIDIA GB300 NVL72 运行 GLM 5.3 的性能分析。

由此引出两个问题。如果每一代产品都让 Token 大幅降价，算力需求会随之萎缩吗？

不会，需求会扩张。

Token 变便宜，会让更多用例具备经济性；而这些新增用例消耗的 Token，远超过效率提升所节省的部分。

第二个问题关乎耐用性：如果每一代性能都远超上一代，老一代产品会怎样？

二、耐用：存量设备持续创造收益

并非所有负载都需要最新系统。适配与否，取决于负载的复杂度与形态——这正是上一代产品在下一代上市后仍能持续创收的原因。

2020 年出货的 NVIDIA A100 GPU，六年后仍在商用，持续证明其经济价值；CoreWeave 近期将 2020 年首批投放机型的预订期延长至 2029 年。多年来，主流运营商都在延长服务器的折旧年限——这本质上是对“硬件何时停止盈利”的预估，而这个时间点正不断后移。Sprout 于 2026 年 9 月发布的分析《数据中心 GPU 的有效寿命》，梳理了各主要运营商折旧年限的调整轨迹。

主流运营商均在延长服务器使用寿命。来源：Sprout《数据中心 GPU 的有效寿命》，2026 年 9 月。数据由 Sprout 依据企业披露与媒体报道整理。会计折旧年限是物理寿命的保守参照——微软的 NVIDIA V100 集群实际运行 8.4 年，而账面折旧年限为 6 年。

Barkr依据二手转售价格测算，八卡 H100 系统的有效寿命为 5 至 6 年，GB300 NVL72 则为 9 至 10 年。Silicon Data的数据显示，一块服役六年的 A100 仍保有原价的四分之一，而按五年折旧计算，它在一年多前就应归零。Ornn Data发现，市场为五年期合约租用 A100 支付的价格，仍达到一个月期合约的 80%。

用于为 GPU 编程的软件平台 CUDA 可跨代运行，因此新架构到来时，运营商已有的设备不会陷于搁浅。持续的软件与内核优化，则不断抬升现有硬件的性能上限。

同一平台先后承载了机器学习、深度学习、生成式 AI、推理、智能体 AI 与物理 AI。每一类新工作出现时，落地的都是已经部署好的硬件。

这就是可互换性：系统能承接的工作种类越多，找到用武之地的时间就越长。

三、可互换：各类 AI，所有阶段，所有场景

只为单一工作负载而建的工厂，本质上是在押注这类需求长期不变。而能运行多种负载的工厂，即便业务形态改变，依然有用、依然创收。

NVIDIA AI 工厂可运行各类 AI 模型——无论开源还是闭源——覆盖语言、视觉、生物、物理与机器人等领域；覆盖从数据处理、预训练、后训练到推理的每个阶段；也覆盖从超大规模云、AI 云到主权 AI 项目、企业数据中心与边缘的各类场景。

NVIDIA 平台具备可互换性，可在所有阶段与场景运行各类 AI 负载。

这其中并不只有 AI 模型的构建与运行。同一套基础设施同样承载数据处理、科学计算、仿真、图形等任务。

这些负载无论是否属于 AI，最终都归约为同一类并行数学运算，而 NVIDIA GPU 正是为在数千个核心上并行执行这类运算而设计。一块芯片之所以既能模拟光线、折叠蛋白质，又能预测下一个 Token，原因就在 CUDA。其上是超过 1000 个开箱即用的 CUDA-X 库与模型，覆盖深度神经网络、计算光刻、量子电路模拟，直至向量检索与气候建模，并有超过 1000 万开发者在其上构建。

这正是 NVIDIA GPU 属于通用加速计算、而非为单一负载定制的 ASIC 的原因。可互换不等于泛化：Tensor Core 与 Transformer 引擎把面向 AI 优化的硬件置于可编程架构之中，让同一块芯片兼具专用性与灵活性。以一套架构承载全部负载，是维持高利用率、进而维持回报的关键。

这种可互换性体现在客户的生产环境中：

• 礼来（Lilly） ​：在 1016 张 GPU 的本地集群上构建并运行蛋白质、小分子与基因组模型，同时为内部团队提供聊天机器人与智能体工作流。

• Pinterest ​：在超大规模云上完成视觉语言模型的后训练与部署，规模达 14000 张 GPU，横跨 NVIDIA Blackwell、Hopper 及更早架构。

• Revolut ​：以 NVIDIA cuDF 处理数十亿条交易记录，随后在 AI 云上训练并部署基础模型。

• Runway ​：在 NVIDIA Hopper 上训练世界模型，并通过云基础设施在 NVIDIA Blackwell 平台提供推理服务。

• 德克萨斯农工大学（Texas A&M University）​：在超级计算机上运行分子模拟与 AI 药物研发，在 26 个项目、7 家机构间维持 95%—98% 的利用率。

AI 之外同样如此。Cosm运营由 NVIDIA 驱动的分布式数据中心，为高分辨率视频播放、流媒体、实时图形与同步显示提供弹性算力。达索系统（Dassault Systèmes）以虚拟孪生仿真支撑威奇托州立大学的飞机认证与 Lucid Motors 的车辆设计。联合利华（Unilever）则以数字孪生生成产品图像，取代实景拍摄，将制作成本降低一半。

这样的案例无法穷举——而这恰恰是重点。

NVIDIA AI 工厂被设计为高效、耐用且可互换：更高的 Token 利润、更长的有效寿命、更深层的需求。这正是投资回报最大化的根源。