對AI算力輸出公司來說會計5-6年折舊隻是他們選出來的一個規則，通常是直線折舊，從物理壽命看，服務器可以跑5年以上。但他們的經濟折舊前沿訓練用的硬件可能隻有1-2年黃金期，要做最前沿的模型訓練，確實需要最新一代的芯片，上一代 GPU 在高端訓練場景中可能在1-2年內就變得缺乏競爭力。所以在估值裏不能直接假設這些 GPU能以前沿訓練價格穩定跑滿 5-6 ,但把經濟壽命1-2 年用在所有GPU上顯得太極端，至少有兩個緩衝因素：
(1)推理與降級使用會拉長實際使用期
即使一塊GPU不再適合做前沿訓練，它仍然可以跑現有模型的推理（inference），做微調（fine-tuning）、RAG、傳統機器學習等工作負載。因此，經濟上的分層過程大致第0-2年頂級訓練/高溢價定價，第2-4年推理/中檔工作負載，價格與毛利率下降，第 4-6 年長尾需求/利用率走低，或者賣去二手市場，接近殘值。這和1-2 年後幾乎一文不值是兩回事。
(2)需求爆發期會暫時掩蓋技術折舊
如果AI需求持續爆發即使是舊一代芯片，也可能長期處於高利用率,老卡的租賃價格不會像純技術曲線那樣暴跌，因為有不少客戶隻是需要有GPU用，不一定執著於最新最強。所以在高需求環境下，經濟折舊會顯得比較慢。一旦進入需求走弱環境，經濟折舊會突然變快，這正是這個行業風險高的原因。
由於上麵的難預測性，會計上是個灰色地帶，會計事務所大部分情況會聽從客戶意見。
那麽從折舊角度真正的大風險在哪一層？
風險最高：純算力輸出/獨立GPU出租商是“折舊錯配”的重災區。為了保持競爭力，必須不斷買最新一代GPU，因此資本開支極其沉重，一旦需求不及預期，價格下行，它們的資產負債表會直接中彈。賬麵5-6 年使用壽命，現實如果第2-3年價格崩了，就不得不考慮減值/資產重估，比如Coreweave.
相對風險更低：Hyperscalers。對於AWS/Azure/GCP等GPU投入隻是一個更大平台的一部分。他們還擁有雲計算、存儲、網絡、軟件、生態係統，如果某一代GPU過快被淘汰，他們可以把這些卡調配到更廣泛的需求池。這層仍然有風險，但沒那麽嚴重。
風險最低：真正有護城河的AI軟件/應用層。如果一家公司能做到自己掌控模型、產品與客戶關係，對底層算力供應商保持可替換性，那它就能在享受AI浪潮的同時，不用自己扛硬件資產的折舊雷，比如PLTR。
最後重點來了。其實大家不要太糾結於折舊，而是要看現金流將來會怎麽樣？拿hyperscalers來說，他們由於數據中心和應用層麵的未來現金流巨大，完全可以抵消資本支出，那麽就不用擔心。還有一點現在語言模型群雄逐鹿，不知道哪個會勝出，因為有可能是winner takes all，所以他們都在拚命更新各自模型。微軟在diversify，和Anthropic合作是完全正確的做法，OpenAI風險太大。我對GOOGLE比較看好（唯一垂直整合公司）。
還有一點和折舊沒關係的是怎麽看英偉達。英偉達對需求減少/CAPEX收縮的敏感度高於hyperscalers。NVIDIA本身因為輕資產+高毛利+淨現金，不是會被折舊壓死的公司，更像AI的高beta周期股。一旦AI CAPEX周期掉頭，盈利和估值會被放大殺跌。
薄帥說會不會玩會計花樣，大致會出現哪些警訊可以這麽看:
應收賬款/收入占比，及DSO是否突然拉長，目前看Q3末應收/收入占比59% vs Q2的57%，DSO53天，比上一季54天還略好一點。
有沒有大額客戶融資/關聯方應收。這塊在附注會有，還沒仔細看。
經營現金流vs淨利潤，目前沒有太大變化.如果哪天開始變成淨利潤看上去很美，但經營現金流大幅低於淨利潤，就要考慮是不是有提早確認收入和推遲收款的問題。
存貨異常增加。有上升，但是可以理解在備貨Blackwel未來架構。目前市場更多擔心的是客戶那邊存貨/負債（存貨和電力短缺有關，一旦電力跟上，跑起來會很快），而不是NVIDIA自己。
一家之言，肯定有錯漏之處，我文采沒有曉炎好，見笑了。
