文章核心观点 - 知名投资者迈克尔·伯里指出，AI行业可能存在通过延长芯片折旧年限来人为美化利润的会计操作，并预测该操作可能导致行业在2026至2028年间低估约1760亿美元的折旧支出 [1] - AI芯片折旧期的合理性存在巨大分歧，核心矛盾在于技术快速迭代导致的短物理/经济寿命与巨头们基于“价值级联”模式主张的长折旧年限之间的冲突 [3][6][10][12] - 此问题关乎万亿美元市值，若折旧假设过于乐观，可能对科技巨头的利润和估值产生重大影响 [2][6] 芯片折旧的会计影响与行业现状 - 折旧是将固定资产成本分摊到预期使用寿命的会计做法，折旧年限设定具有极大财务杠杆效应：年限越长，每年折旧费用越低，当期净利润越好看 [3] - 多家科技巨头在过去两年延长了服务器资产的折旧年限：微软从4年延至6年[4]，谷歌延至6年[5]，甲骨文从5年延至6年[6]，Meta从5年延至5.5年，后者估算此项调整将使其2025年折旧费用减少29亿美元 [6] - 亚马逊是例外，其在2024年将服务器年限从5年延至6年后，今年又将部分设备年限从6年缩短至5年，原因是观察到AI/ML领域技术发展加速 [6] - 分析指出，若五大云巨头的服务器在3年内而非其假设年限内失去价值，其年度税前利润总和将减少260亿美元（占去年总利润8%），总市值可能缩水7800亿美元；若折旧期设为2年，缩水规模将升至1.6万亿美元 [6] 支持较短折旧期的论据（物理损耗、技术淘汰与经济性） - 高强度物理损耗：数据中心GPU在60%-70%高利用率下，寿命可能被缩短至1-2年，最多3年 [7] - Meta研究数据侧面印证GPU的脆弱性：在训练Llama 3模型时，GPU相关故障（包括GPU本身、HBM3内存等）占总训练中断的47.3%，高利用率下故障率可能显著增加 [9] - 技术迭代加速淘汰：英伟达产品迭代周期已缩短至1年，新一代芯片（如Blackwell）的推出使旧芯片（如Hopper）迅速过时 [10] - 经济寿命受能效比驱动：新一代芯片能效比显著提升（如H100推理能效据称比Blackwell低25倍），继续运行高功耗旧芯片会产生巨大机会成本，可能迫使企业在物理寿命结束前提前退役硬件 [11] - 投资回报测算显示，随着算力租赁价格下滑，按5年折旧期计算，H100服务器可能无法覆盖总成本导致亏损，凸显经济寿命的缩短 [11] 支持较长折旧期的论据（价值级联模式与订单支撑） - “价值级联”模式拉长经济寿命：科技巨头利用工作负载多样性，将最新芯片用于AI模型训练，而将完全折旧的旧芯片（如A100）用于对成本敏感、实时性要求不高的大规模推理任务（如批处理作业），从而延长硬件使用周期 [12] - 历史数据支持长周期：微软采用Nvidia K80、P100 GPU的虚拟机系列实际服役时间长达7-9年，V100系列服役时间也接近7.5年 [13] - 巨额资本支出有强劲订单支撑：在2022年二季度至2025年二季度间，五大科技巨头的剩余履约义务（RPO）增速达90.7%，超过同期资本支出增速（约64%），表明AI算力供不应求，微软和亚马逊AWS分别有近4000亿和2000亿美元的积压订单 [13] - 乐观观点认为，面对史无前例的CapEx高峰，采用更长折旧年限是将成本平滑化、避免当期利润产生灾难性波动的合理财务策略 [13] 结论与评估视角的转变 - AI芯片折旧问题本质是技术加速迭代与资产管理模式的错配 [14] - 评估AI巨头真实能力的指标应回归到不受会计估计显著影响的“经营性现金流”（CFO），而非单纯依赖净利润 [14] - 只有能通过真实业务需求消化算力并产生强劲现金流覆盖资本支出的企业，才能验证其商业模式的有效性 [15] - 科技巨头认为算力投资是确保未来竞争力的必要举措，即使面临提前建设资源的风险 [15]