先釐清時間軸:NVIDIA V100 於 2017 年發表、2018 年開始大量出貨;A100 則在 2020 年 5 月發表。這意味著阿里巴巴口中「接近滿載運行」的 V100 已服役約 8 年,A100 約 6 年。若按照多數雲端業者採用的 5-6 年折舊年限,V100 早已完全折舊完畢,帳面價值歸零,但仍在產生營收——這正是「實際壽命長過折舊週期」的具體意涵。從財務角度看,完全折舊後仍在運轉的設備,其貢獻的營收幾乎等同純毛利(僅扣除電力與維運成本)。

這個現象的技術基礎在於 AI 工作負載的分層化。前沿模型的訓練需要最新世代的 GPU(如 Blackwell、Rubin 世代)才能在合理時間內完成;但推論工作負載、小型模型微調、向量檢索、傳統機器學習任務、以及對延遲要求不高的批次處理,都可以在舊世代 GPU 上有效執行。隨著 AI 應用從「訓練為主」轉向「推論為主」,舊卡的可用場景反而在擴大,而非縮小。

市場數據也支持這個判斷。有分析指出 A100 發表已 5 年半但遠未到退役時候,2025 年仍在廣泛用於 AI 訓練與推論;更值得注意的是,在 AI 晶片供給緊俏的環境下,上一代 A100 GPU 的租金價格甚至逆勢上漲約 15%。當新卡供不應求、交期拉長時,舊卡的替代價值就會被重新定價——這與傳統 IT 硬體「隨時間必然折價」的直覺完全相反。

對阿里巴巴自身而言,這個說法有明確的財務意涵。阿里近年大幅加碼 AI 與雲端投資,原本規劃三年投入人民幣 3,800 億元,市場傳出可能提升至 4,800 億元,且截至近期已花掉約一半。在如此高強度的資本支出下,「3 年回本 + 資產壽命長過折舊」的組合說法,實質上是在向投資人論證:高資本支出並不等於未來獲利被折舊吞噬,因為資產在折舊結束後還能繼續產生現金流。

不過這個論述仍需保留幾個判讀空間。第一,阿里巴巴的算力配置以中國市場的推論與雲端服務為主,與 OpenAI、Anthropic 這類專注前沿模型訓練的機構在工作負載結構上有本質差異,舊卡可用性不能直接類推。第二,「3 年回本」的計算基礎(是否包含電力、機房、人力、資金成本)未在公開資訊中完整揭露,屬於管理層口徑而非經稽核的財務指標,因此本文信心等級定為 B。第三,中國市場因出口管制而難以取得最新世代 GPU,「持續使用舊卡」也可能包含被動因素而非純粹的經濟最適選擇。DIGITIMES 提醒,中國 CSP 的舊卡使用論述若被市場普遍接受,將有助於穩定 GPU 折舊週期與 AI 資本支出預期;但若實際工作負載結構因新一代模型訓練需求而被迫升級硬體,則舊卡滿載的說法將面臨修正,並對 AI 伺服器與零組件訂單結構造成調整壓力。

對台灣供應鏈與投資判斷的意涵有兩層。短期來看,若市場普遍接受「GPU 實際壽命長於折舊年限」的論述,四大 CSP 上修至 7,450 億美元的資本支出就更容易被合理化,AI 伺服器與零組件訂單能見度也更穩固。中長期則要注意另一面:舊卡持續滿載運行意味著部分推論需求不會轉化為新機採購,這對 AI 伺服器 ODM 的「換機潮」預期是一個修正因子。真正的觀察指標是每季新增機櫃數量與舊機退役數量的比例,而非單看資本支出金額。