为什么人们在担忧美股科技巨头们的庞大资本开支？

因为这些开支会产生折旧，现在巨头们普遍把这些硬件设备折旧调到 5-5.5 年，这也就意味着这些投入如果不能带来可观的利润增长，钱就都白花了。

那么问题来了，比特币矿工用 RX580（2017 年的卡）现在还能挖矿，为什么巨头们的 H100 就不能用 5.5 年？

不太行。答案在于：“物理寿命” 不等于 “经济寿命”。

对于巨头们这种超大规模数据中心来说，硬件在物理损坏之前，早就已经 “在经济上变成了负资产”。

主要原因如下：
一，成本倒挂 “电费比金子贵”

比特币矿工之所以用老显卡，是因为他们往往用的是廉价电力（废弃水电、盗电等），且不考虑机架空间。

但巨头们的数据中心受限于两个物理极值：电力容量和机架空间。

假设 5 年前的旗舰卡（如 V100）消耗 300W 电，算力为 X。
现在的旗舰卡（如 H100）消耗 700W 电，算力为 30X。

残酷的现实： 如果巨头们要在 5 年后继续运行那张旧卡，它占用了宝贵的机位和电力插口，却只能提供 1/30 的产出。

机会成本： 在电力供应紧缺的背景下（美国数据中心正在抢核电），每一瓦特电都是稀缺资源。把电浪费在效率低下的旧设备上，等于主动放弃了部署更高效新设备的机会。

结论： 没等到第 5 年，运行旧设备的电费 + 维护费 + 占地租金，分摊到每个算力单位上，可能比直接扔掉它买新卡还要贵。这是一种 “经济性报废”。

二，AI 有 “木桶效应”
比特币挖矿，是并行且独立的计算。一台矿机慢，不影响另一台，它只要贡献它算出来的那一份微薄的哈希值即可。

但 AI 训练和推理是集群作业。

训练大模型需要几万张卡通过高速互联协同工作，是一个整体。

同步阻滞（Straggler Problem）： 在一个集群里，如果有一批旧卡处理速度慢，整个集群几万张新卡都要停下来等它。你不可能在同一个训练集群里混用 H100（2023 年）和 V100（2017 年）。

结论： 一旦新一代架构成为主流，旧架构就无法并入新集群。它只能被降级去跑边缘任务（如冷数据处理），价值断崖式下跌，支撑不了原本的高账面价值。

三，内存墙的物理隔离
这是最硬的物理限制。AI 大模型的发展速度，超过了摩尔定律。

显存容量与带宽：
2017 年的 V100 显存：16GB/32GB HBM2。
2024 年的 H100 显存：80GB HBM3。
2026 年的 Rubin 显存：可能达到 192GB+ HBM4。

跑不起来就是跑不起来： Llama 3 405B 这种模型，根本无法塞进旧卡的显存里。这就好比你试图在 10 年前的 iPhone 6 上运行「黑神话悟空」。

结论：
前段时间的美股大跌，正是人们在财务上对巨头们产生了担忧。
巨头们正在将现在的成本压力，通过会计手段甩锅给未来。当那一天到来（比如 2030 年），如果这些 5.5 年前的设备真的变成了一堆废铁，巨头们就必须进行巨额的资产减值，到时候财报上会突然出现一个百亿美元的大窟窿。

$亚马逊(AMZN.US) $微软(MSFT.US) $特斯拉(TSLA.US) $英伟达(NVDA.US) $谷歌-C(GOOG.US) $Meta(META.US)