AI 芯片都到哪去了？

Where're All The AI Chips? — wheresyoured.at · 8 小时前 · 🤖 AI / ML

标题问的是一个越来越难回避的问题：过去两年里，芯片订单、数据中心资本支出和动辄千亿美元级别的算力承诺铺天盖地，但能被独立验证的部署容量、真正上电的机架数量以及真实的 GPU 利用率，远远跟不上这些数字的增速。文章的核心论点是，芯片并没有凭空消失，而是从「可验证的生产性资产」变成了「金融叙事里的凭证」：同一批算力在供应侧的财报里是收入，在采购方的公告里是产能，在融资文件里是抵押物，在估值模型里是未来的现金流，但很少有人能拿出与之匹配的电力、机架和利用率数据。文章据此追问几个具体落差：NVIDIA 数据中心业务在 FY2025 录得约一千一百五十亿美元收入、单季数据中心收入约三百五十六亿美元，微软一个财年的资本支出超过八百亿美元，OpenAI 的 Stargate 项目对外宣布的规模是五千亿美元与十吉瓦级别，而四大客户合计占 NVIDIA 收入四成以上，收入高度集中意味着整条叙事依赖少数几家公司持续加注。与此同时，GPU 按五到六年直线折旧的会计假设，与实际在高强度训练负载下可能大幅缩短的经济寿命之间存在缺口，租赁与回购担保又把减值压力推迟到未来。文章还强调电力、变压器交付周期与并网排队是硬约束，宣布的吉瓦要变成上电的吉瓦需要数年；一旦认真对待折旧与利用率，整个算力经济模型的脆弱性就会暴露出来。

核心论点

• 供应侧数字与实际部署之间存在可量化的落差：NVIDIA 数据中心业务 FY2025 收入约一千一百五十亿美元、单季约三百五十六亿美元，微软一个财年资本支出超过八百亿美元，Stargate 对外宣布五千亿美元与十吉瓦级别，但公开可查的上电机架数、部署容量和 GPU 利用率始终没有与之匹配的透明度。
• 折旧假设是这套模型的软肋：行业普遍按五到六年对 GPU 做直线折旧，而在高强度训练负载、持续满功耗运行和快速迭代的加速器世代下，实际经济寿命可能短得多；租赁、回购担保和关联方交易可以把减值压力推迟到未来几个财年，但推迟不等于消失。
• 循环结构让收入与需求互为因果：芯片供应商向客户或客户的关联公司投资，资金再被用来采购芯片，云厂商又拿 GPU 作为抵押物融资扩张；加上 NVIDIA 收入高度集中于少数几家超大规模客户（四大客户合计占比超过四成），整条叙事依赖同一批公司不断加注，任何一家的节奏放缓都会同时冲击收入、估值和抵押物价值。
• 物理约束是最终裁判：电力容量、变压器交付周期、并网排队时间和单机架功率密度决定了宣布的吉瓦何时能变成上电的吉瓦，这个过程以年为单位，无法靠融资节奏加速；因此文章的主张是，把芯片当作产能来讨论时必须同时给出电力和利用率的证据，否则它只是资产负债表上的一行叙事。

💡 为什么值得读: 它把散落在财报、融资公告和折旧假设里的数字串成一条因果链，追问 AI 算力叙事中缺失的那部分——真正上电并被使用的芯片在哪里。

🏷️ AI, chips, NVIDIA, hardware

---