当伯恩斯坦投行坚称 GPU 可盈利运行 6 年，为科技巨头高利润正名时，“大空头” Michael Burry 的警告如惊雷炸响，AI 硬件迭代周期仅 2-3 年，延长折旧不过是虚增 1760 亿美元利润的会计 “戏法”。
这场围绕 GPU 折旧周期的辩论，早已超越单纯的会计政策之争，直指 AI 估值泡沫的核心，科技巨头的盈利真实性、AI 投资的回报可持续性，乃至整个行业的估值逻辑是否成立。一方是基于运营经济学的理性辩护，一方是看透周期规律的风险预警，真相究竟藏在数据里，还是在行业迭代的洪流中？
一、争议核心：一个数字决定千亿利润归属
GPU 作为 AI 算力的核心载体，其折旧周期的每一次调整，都可能引发科技巨头利润表的 “地震”。当前行业的分歧焦点，本质是 “经济寿命” 与 “技术寿命” 的认知碰撞：
多方（伯恩斯坦 + 科技巨头）：以 “经济可行性” 为核心，认为 GPU 的价值应看其能否持续创造利润，而非单纯的技术迭代速度，6 年折旧周期公允合理；
空方（Burry + 投行看空派）：以 “技术迭代速度” 为依据，认为 AI 硬件更新周期已压缩至 1-2 年，2-3 年实际寿命才符合行业规律，延长折旧就是利润操纵。
这个分歧带来的影响触目惊心：Burry 测算，2026-2028 年，仅 Meta、谷歌、微软等巨头，就可能通过延长折旧虚增 1760 亿美元利润，其中甲骨文利润或被夸大 26.9%，Meta 达 20.8%。而伯恩斯坦的结论则支撑了科技巨头当前的高估值 —— 若折旧政策公允，其盈利能力就并非财务粉饰。
对投资者而言，这意味着两种完全相反的投资逻辑：相信 6 年周期，AI 龙头的高盈利值得坚守；认同 2-3 年寿命，当前的估值泡沫已濒临破裂。
二、多方辩护：6 年折旧的三大核心依据
伯恩斯坦在 11 月 17 日的报告中，用详实的数据和行业调研，为 6 年折旧周期构建了 “铁三角” 辩护：
1. 运营经济学：旧 GPU 仍能赚大钱
报告的核心论据的是“成本 - 收入” 模型的可行性。以英伟达 A100 为例，其每小时租赁收入约 0.93 美元，而电力、托管、维护等现金成本仅 0.28 美元，贡献利润率高达 70%。即便使用 5 年，旧款 A100 仍能为云厂商带来 “舒适的利润”。
这种巨大的利润空间，源于 GPU 租赁价格与运营成本的量级差。伯恩斯坦测算，只有 7 年前的 Volta 架构 GPU，才会接近现金成本盈亏平衡点。只要算力需求不降温，旧 GPU 就有持续运营的经济价值，这与技术是否顶尖无关。
2. 物理寿命与价值衰减规律：并非 “用即贬值”
行业调研显示，GPU 的物理寿命普遍可达 6-7 年甚至更久。早期出现的 “烧毁” 案例，多是新硬件上线初期的配置错误（即 “burn-in” 磨合期问题），而非硬件本身的设计缺陷。
更关键的是，GPU 的价值衰减并非线性：第一年因市场对新品的偏好，价值会下跌 20-30%，但之后会进入稳定期，不会因新一代产品推出就瞬间淘汰。这种 “初期快贬、后期稳值” 的规律，为延长折旧提供了合理性。
3. 算力短缺：旧芯片仍是 “香饽饽”
当前全球算力供需缺口持续扩大，“有算力就有客户” 成为行业常态。领先 AI 实验室普遍认为 “更多算力 = 更高智能”，对算力的渴求让他们愿意为任何可用硬件付费，即便只是旧型号。
数据显示，即便 A100 已推出多年，其算力容量至今仍接近完全预订状态。在算力受限的市场环境下，旧 GPU 的 “可用性” 远大于 “先进性”，自然具备延长使用的市场基础。
这一逻辑也得到科技巨头的实践支撑：谷歌对服务器和网络设备折旧为 6 年，微软为 2-6 年，Meta 更是从 2025 年 1 月起，将部分服务器资产寿命延长至 5.5 年，用实际行动认同 “长期使用” 的经济性。
三、空方警告：2-3 年寿命的底层逻辑，戳破会计 “戏法”
以 Michael Burry 为代表的看空派，从技术迭代、行业规律和财务风险三个维度，撕开了 6 年折旧的 “伪装”：
1. 技术迭代加速：硬件寿命赶不上更新速度
AI 芯片的迭代周期已从过去的 2 年压缩至 1 年。正如行业分析指出，今天部署的英伟达 H100，明年就可能被性能更强、能效更高的下一代产品淘汰。这种 “一年一代” 的节奏，让 GPU 的技术寿命被大幅压缩 ——2-3 年后，旧款芯片不仅在算力上落后，在能效比、兼容性上也会逐渐脱节，难以满足新一代 AI 模型的训练需求。
更致命的是，AI 基础设施的资本效率极低。一个万卡 GPU 集群投入超 300 亿美元，但有效寿命仅 3-5 年，数千亿美元投资可能在未收回成本前就沦为 “电子垃圾”。在这种背景下，6 年折旧无疑是对技术迭代速度的刻意忽视。
2. 财务操纵嫌疑：延长折旧 = 隐性 “利润调节”
Burry 直指核心：科技巨头延长折旧周期，本质是通过 “低估折旧费用” 来抬高短期利润。根据会计准则，折旧年限越长，每年分摊的成本越低，当期利润就越高。
以 Meta 为例，将服务器资产寿命从 5 年延长至 5.5 年，看似小幅调整，却能减少每年的折旧支出，直接增厚利润。美国银行和摩根士丹利早在 9 月就警告，市场严重低估了 AI 投资的真实规模，未来折旧费用激增可能导致科技巨头真实盈利能力远低于预期。
这种操作的风险在于，当 2-3 年后旧 GPU 不得不淘汰时，科技巨头可能面临 “集中折旧” 的冲击，届时利润可能出现断崖式下滑，而当前的投资者对此毫无防备。
3. 行业分歧佐证：亚马逊的 “反向操作”
并非所有科技巨头都认同延长折旧。亚马逊在 2025 年第一季度，已将部分服务器和网络设备的预计使用寿命从 6 年缩短至 5 年，理由正是 “AI 技术发展加速”。
作为全球最大的云服务商之一，亚马逊的这一决策极具风向标意义—— 它从侧面印证了 AI 硬件迭代速度超出预期，延长折旧可能面临后续的财务风险。这种行业内部的分歧，让伯恩斯坦的 “6 年论” 显得并非铁板一块。
四、投资启示：如何在争议中避开估值陷阱？
这场折旧之争，给投资者提供了审视 AI 行业的全新视角，抛开光鲜的算力故事，回归财务本质与行业规律，才能避开估值陷阱。
1. 警惕 “折旧调节” 依赖型企业
投资者应重点关注科技巨头的折旧政策与资本支出的匹配度：若一家公司频繁调整折旧年限，且利润增长高度依赖“折旧费用减少”，而非真实的营收增长或毛利率提升，就可能存在估值虚高风险。
可重点对比企业的“折旧率” 与行业均值：若显著低于同行，且缺乏合理的运营数据支撑（如旧 GPU 利用率、租赁价格等），就需警惕利润虚增的可能。
2. 区分 “算力出租” 与 “AI 研发” 企业
不同商业模式的企业，GPU 折旧周期的合理性也不同：
对于亚马逊 AWS、谷歌云等 “算力出租” 型企业，只要旧 GPU 能持续产生租赁收入，6 年折旧有一定合理性，需重点跟踪其旧 GPU 利用率和租赁价格走势；
对于 Meta、OpenAI 等 “AI 研发” 型企业，GPU 主要用于内部模型训练，对硬件先进性要求高，2-3 年的技术寿命更符合实际，6 年折旧可能存在较大的利润水分。
3. 关注 “集中折旧” 风险窗口期
Burry 预测的 2026-2028 年，可能是 AI 巨头 “集中折旧” 的风险期。若届时行业出现大规模 GPU 淘汰潮，科技巨头的利润可能面临大幅下修，相关股票也可能迎来估值重估。
投资者可提前布局对冲工具，或避开那些资本支出密集、折旧周期显著高于行业均值的企业，选择盈利增长依赖核心技术、商业模式扎实的标的。
结语
GPU 折旧周期的争议，看似是专业的会计问题，实则是 AI 泡沫的 “压力测试”。当科技巨头用 6 年折旧撑起高盈利假象，当 “大空头” 用 2-3 年寿命警示风险，市场终究会用时间给出答案 —— 技术迭代的速度，从来不会因会计政策的调整而放缓。
对投资者而言，这场争议最大的价值，是提醒我们回归本质：AI 行业的核心价值在于技术创新与商业落地，而非财务报表的数字游戏。当一家企业需要靠延长折旧来维持利润增长时，其估值泡沫就已濒临破裂的边缘。
正如 2000 年互联网泡沫破裂前，无数科技公司用 “会计戏法” 掩盖亏损；2008 年金融危机前，金融机构用复杂模型隐藏风险。历史总是惊人地相似，而泡沫的破裂，往往都从被忽视的 “会计真相” 开始。这场 GPU 折旧之争，或许正是 AI 泡沫退潮的前奏。当潮水褪去，谁在裸泳，终将一目了然。