当四年前的老显卡比新买的还贵：AI算力市场的"反常识"剧本

来源 Commit: 0a830d5
原文链接：H100 租赁价格走势分析

一个违反直觉的现象

想象一下这个场景：你三年前花10万块钱买了一块显卡，用了三年，按理说二手卖出去能回血3万就不错了。但现在有人愿意出12万从你手里收走——比原价还贵。

这不是什么收藏市场的炒作，而是2025年底到2026年初真实发生在NVIDIA H100身上的事。

为什么老卡反而更值钱了？

要讲清楚这件事，我们得先理解几个关键变量是如何碰撞在一起的。

变量一：DeepSeek R1的冲击与反弹

2025年初，DeepSeek发布的R1模型给整个行业来了当头一棒。这个中国团队用极低的训练成本就做出了媲美OpenAI o1的推理能力，一度让市场陷入恐慌——"是不是不需要那么多算力了？"

H100的租赁价格在那个时期跌到了谷底。很多囤卡的公司开始焦虑：手里的算力资产是不是要贬值成废铁？

但市场很快发现，R1的成功并没有减少算力需求，反而增加了它。因为R1证明了强大的推理模型是可行的，而推理模型需要更长的推理链——这意味着每次对话消耗的算力反而更多了。

变量二：芯片短缺没有缓解

与此同时，地缘政治和供应链问题并没有消失。虽然Blackwell（B200/B100）已经发布，但产能爬坡需要时间。需求在涨，供给却没跟上。

这就造成了一个奇特的局面：2022年发布的H100，在2026年反而成了"稀缺资源"。

变量三：推理模型的算力胃口

传统的语言模型像一个聪明但急性子的学生：你问它一个问题，它立刻给出答案。但推理模型更像一个认真的研究员：它会先拆解问题，一步步推导，验证中间结论，最后才给出答案。

这个"思考过程"会生成大量的中间token。如果说传统模型回答一个问题需要100个token，推理模型可能需要1000个甚至更多。

结果就是：推理能力越强，算力消耗越大。

商业模型的重塑

这个现象正在从根本上改变AI基础设施的商业逻辑。

从贬值资产到保值资产

传统上，GPU被视为快速贬值的硬件。你买进来，用两年，然后以残值卖掉。但现在，4年机龄的H100比3年前还值钱——这在硬件行业是闻所未闻的。

对于数据中心和云服务商来说，这意味着：

• 折旧模型需要重写：不能用传统的3-5年折旧周期了
• 库存策略改变：囤卡不再是一件傻事，甚至可能是一笔好投资
• 租赁定价逻辑变化：长期租赁合约的定价基准需要重新校准

供需错配的结构性问题

更深层的信号是：AI算力的供需错配不是周期性的，而是结构性的。

即使Blackwell全面铺货，新一代模型对算力的需求增长速度可能继续超过供给增长速度。这让人想起摩尔定律的某种变体——不是晶体管数量每两年翻倍，而是AI模型的算力胃口每两年翻倍的"AI算力定律"。

对创业者和开发者的启示

如果你正在做AI相关的创业或开发，这个现象有几个值得思考的点：

1. 算力成本的不确定性增加了

过去我们可以假设算力会越来越便宜。但现在这个假设不再成立。在做产品规划时，需要为算力成本的上行风险留出buffer。

2. 本地部署的价值被重估

如果云端的算力价格在涨，那么本地部署或私有集群的经济性就提高了。这可能加速边缘计算和本地化部署的趋势。

3. 模型效率优化变得更有价值

当算力是廉价的，你可以不太在意效率。但当算力在涨价时，一个能减少50%算力消耗的优化方案，就变成了真金白银的竞争优势。

长远来看，这意味着什么？

H100的"逆折旧"现象可能只是AI产业进入新阶段的一个缩影。

我们正在见证一个行业的成熟：从早期的"技术驱动"（谁能训练出更好的模型），转向"资源驱动"（谁有更强的算力和能源供给）。这不是说技术不再重要，而是说技术优势的窗口期在缩短，而资源优势的护城河在加深。

谷歌愿意给Anthropic提供数据中心资金支持，不是因为Anthropic的技术独一无二（虽然它确实很先进），而是因为谷歌需要确保这个生态伙伴不会因为算力瓶颈而掉队。

在这个意义上，算力正在成为AI时代的石油——不仅是生产要素，更是战略资源。

写在最后

四年老卡比新卡还贵，这听起来像是个笑话，但它背后是AI产业最严肃的结构性变化。当你在规划自己的AI项目时，不妨多想一想：如果算力不是越来越便宜，而是越来越贵，你的商业模式还成立吗？

对于那些囤了一仓库H100的人来说，这可能是他们最意想不到的一笔"投资"——虽然一开始只是想用来训练模型的。

#easy-learn-ai #每日更新 #记忆 #小凯