AI资本开支折旧：云厂商利润率变量 2026

AI资本开支折旧/云厂商利润率变量/2026

> 摘要：在2026年全球科技巨头掀起超7250亿美元AI资本开支狂潮的背景下，“服务器折旧年限”已从单一的会计估计，演变为左右整个云计算产业链利润分配与估值体系的最核心变量。当底层GPU架构迭代周期被无情压缩至12至24个月时，北美四大云厂商及国内算力巨头却普遍采用5至6年的资产折旧政策，借此每年粉饰超数百亿美元的账面营业利润。本文通过深度拆解财务准则与物理熵增定律的尖锐对立，全面剖析价值级联（Value Cascade）模型的商业脆弱性。从亚马逊缩短折旧期与Meta逆向延长的战略分歧，到A股算力租赁板块的期限错配危机，算力折旧不仅是一场精密的财务数字游戏，更是检验AI商业模式能否在自由现金流见底前完成逻辑闭环的终极压力测试。

m8观点：一句话研究结论

m8认为，2026年云厂商的超额账面利润建立在极度脆弱的折旧假设之上，高达1760亿美元的折旧低估正掩盖着自由现金流的剧烈消耗；一旦“价值级联”被专用推理芯片击穿或大模型需求增速见顶，被强行递延的数百亿美元资本成本将以资产减值的形式无情反噬科技巨头的利润表。

为什么这个变量在 2026 年重要

在科技产业的资本扩张史上，2026年注定是具有分水岭意义且极其危险的一年。根据产业跟踪与一致预期数据，微软、亚马逊、谷歌（Alphabet）和Meta四大超级云厂商（Hyperscalers）在2026年的AI基础设施总资本开支（CapEx）预计将达到惊人的7250亿美元，相较于2025年的约4100亿美元实现了77%的激增，并且华尔街投行与分析机构普遍预测这一数字在2027年将不可避免地突破1万亿美元大关。在如此庞大的支出基数下，“资产折旧”这一原本隐藏在财报附注中的会计变量，正式走到了台前，成为决定巨头财务存亡的胜负手。 折旧变量在2026年之所以显得无比重要，首要原因在于资本支出与经营现金流（OCF）即将发生致命的“死亡交叉”。长久以来，北美科技巨头之所以能够随心所欲地开展技术军备竞赛，依赖的是其传统业务（如搜索广告、电商、SaaS订阅）所产生的充沛现金牛。然而，最新的财务追踪模型显示，这五大科技巨头的合计经营现金流年化增长率目前稳定在约23%的水平，但其现金资本开支的年化增长率却高达70%。这两条增长曲线将在2026年第三季度发生历史性的交叉。这意味着，科技巨头在总体量上将首次无法单纯依靠自身的日常经营现金流来覆盖新建AI数据中心的庞大成本，其合计自由现金流（FCF）不仅面临极大的枯竭压力，甚至可能在Q3逼近于零的危险水平。事实上，谷歌在2026年第二季度的自由现金流已经因高达449亿美元的单季资本开支而转为负值，引发了投资者的强烈焦虑。一旦进入外部债务融资阶段（预计2026年AI相关的全球债券发行规模将接近5700亿美元），企业利润表的健康度将直接决定其借款成本与资本市场的估值体系。 在现金流如此吃紧的局面下，折旧年限的设定便赋予了管理层数以千亿美元计的“会计魔法”空间。当一家企业斥资数十亿美元购买昂贵的AI服务器、GPU集群或网络交换机时，这笔巨额资金虽然在当期即刻流出，但在利润表上并不会立即作为全额费用扣除。相反，它会通过“折旧”机制在资产的预计使用寿命（Useful Life）内进行分摊。以2026年预期的6600亿美元基础设施资本支出为例，如果严格按照英伟达（Nvidia）实际的硬件迭代周期（约为3年）进行直线折旧，这批资产每年将产生约2200亿美元的折旧费用。然而，如果管理层在财务报表中将资产的折旧年限拉长至6年，每年的折旧费用将骤降至1100亿美元。这凭空产生的1100亿美元差额，无需企业增加任何实际的客户需求、销售收入或产品创新，便直接无缝转化为财报上的营业利润（Operating Income）。著名投资人迈克尔·巴里（Michael Burry）在2025年底极其尖锐地指出了这一现象，他指控超大规模云厂商“通过延长资产使用寿命来低报折旧，人为夸大盈利”，并直言这是“现代最普遍的欺诈之一”。按照他的数学模型测算，在2026年至2028年期间，Meta、亚马逊、微软、Alphabet和甲骨文这五家公司将合计低报高达1760亿美元的折旧费用。 与此同时，这种财务会计假设与底层硬件技术的物理演进速度正处于明显的背离状态。英伟达的产品发布节奏已经从过去的18至24个月缩短为年度更新的走强突进：从2020年的A100，到2022年的H100，到2024年的Blackwell架构，再到2026年即将发布的Rubin架构以及预计2027年面世的Rubin Ultra。新一代GPU在特定推理任务上的能效比（Performance per Watt）以及总体拥有成本（TCO）优势，通常是上一代产品的数倍乃至数十倍。在电力消耗占据数据中心绝大部分运营成本的今天，新硬件的能效碾压意味着旧硬件在短短18到36个月内便会在前沿模型训练任务中丧失经济竞争力。然而，云厂商的财务报表却强行假设2024年购买的芯片在2030年依然具有“经济可行性”并能持续创造现金流。随着2026年数千亿美元的算力资产逐步进入折旧周期，海量的折旧费用浪潮已迫在眉睫。如果这些被拉长折旧期的硬件由于技术过时或实际损坏而不得不在第三年或第四年提前退役，剩余未摊销完毕的巨额账面净值将转化为一次性的巨额资产减值损失（Write-offs），这将对整个云厂商及AI产业链的盈利预期造成毁灭性打击。

产业链和公司映射

在全球算力产业链的各个节点上，不同体量、不同商业模式的公司面对折旧压力展现出了截然不同的战略选择与财务应对手段。这一核心变量不仅深度映射在硅谷几大万亿市值巨头的资产负债表上，同样也深刻影响着中国本土云服务商的扩张步伐以及A股算力租赁企业的生死存亡。 北美云巨头：财务战略的分歧与撕裂 在2020年至2024年的上一轮云计算扩张期，北美四大云厂商在折旧政策上曾经保持着高度默契的步调一致——它们不断延长服务器和网络设备的使用寿命。然而，进入2025及2026年，面对新一代AI加速计算集群极其高昂的造价以及日渐积累的真实硬件损耗数据，巨头内部开始出现重大的政策分歧，阵营正式发生撕裂： 第一类是以亚马逊（Amazon - AWS）为代表的“向现实低头派”。在2025年第一季度，亚马逊出人意料地在财报中宣布，从当年1月1日起，将其部分服务器和网络设备的预计使用寿命从之前设定的6年缩短回5年。亚马逊管理层给出的官方理由是“技术发展的步伐正在显著加速，尤其是在人工智能和机器学习领域”。这一“会计估计变更”并非没有代价。缩短折旧期意味着每年的分摊额度上升，直接导致亚马逊在当期承受了约7亿美元的利润损失，并且在上一季度还计提了约9.2亿美元的加速折旧费用。这一战略退让具有极强的标志性意义，它意味着AWS作为全球较大的公有云提供商，已经开始在账面上正视GPU及AI定制硅片快速迭代带来的实质性经济贬值，选择主动挤压未来可能爆发的巨额减值风险。 第二类则是以Meta和甲骨文（Oracle）为代表的“激进掩护派”。与亚马逊的坦诚形成鲜明对比，Meta在同一时期做出了完全相反的决定。就在Meta规划2026年将投入高达1150亿至1350亿美元用于AI资本开支之际，公司宣布完成了对部分服务器和网络资产使用寿命的审查，并将其从过去的4-5年区间进一步延长至5.5年。这一纸简单的工作底稿修改，无需卖出任何额外的广告，便直接为Meta在2025财年凭空创造了约29亿美元的账面利润减少折旧费用，这一数字占据了其当年税前利润的约4%。甲骨文的动作同样激进。根据LSEG的数据，甲骨文的资本支出占其经营现金流的比例，已经从2022财年的47%走强至2026财年的174%（其最新财年资本支出为557亿美元，而经营现金流仅为320亿美元）。面对如此悬殊的资金缺口，甲骨文依然维持着5年的折旧期，试图通过拉长分摊期限来掩盖重资产模式带来的巨大财务痛楚。 第三类是陷入骑虎难下局面的微软与谷歌（Microsoft & Google）。这两家巨头目前依然死守着2022至2023年间设定的6年折旧期。然而，业务一线的真实感受已经与财务报表产生了裂痕。微软CEO萨提亚·纳德拉在2025年底接受分析师采访时曾坦言，公司正在采取“光速执行”的策略并刻意调节AI芯片的采购节奏，原因正是他不希望“被某一代产品的四五年折旧较大程度套牢”。这从侧面印证了云服务运营商在业务端已经深刻感知到了财务折旧模型的不合理性。对谷歌而言，其2026年的资本支出预算已经两次上调至最高1900亿美元的惊人水平，尽管其搜索基本盘利润丰厚，但飙升的AI基础设施支出已将其自由现金流拖入负值区间，巨大的折旧基数迫使其不得不维持6年的寿命假设以保全那高达34%的营业利润率。 此外，北美的新兴AI原生云厂商（Neoclouds）在折旧策略上也呈现出两极分化。备受瞩目的CoreWeave作为一家纯AI算力租赁商，背负着超过500亿美元的巨额负债，为了在账面上维持生存，其激进地采用了6年的折旧周期，将全部筹码押注在“旧GPU能在推理任务中长期保持残值”的假设上。相比之下，其他AI云厂商如Lambda Labs和Nebius则采取了相对谨慎的立场，分别采用了5年和4年的折旧期，这反映出它们对算力资产物理衰减速度的更真实评估。 中国算力市场：保守折旧与政策杠杆的复杂交织 将目光转向中国市场，云厂商和算力企业面临的折旧压力与北美巨头有着截然不同的底层逻辑。激烈的价格战、相对较高的资金成本以及国家宏观政策的介入，使得中国算力市场的折旧变量更加复杂。 作为中国互联网的头部玩家，字节跳动与腾讯在AI基础设施上的投入同样呈现出指数级增长。数据显示，字节跳动2025年的AI资本开支达到约1500亿元人民币，2026年预计进一步攀升至1600亿元左右。如果按照中国市场相对保守的4年折旧期来计算，仅1500亿元的存量资产每年就会产生约375亿元的折旧费用；如果采用更激进、贴近硬件迭代周期的3年折旧，每年的折旧成本将高达500亿元。腾讯在2025年第二季度的财报也显示，其当季资本开支高达191亿元，主要流向AI相关领域的数据中心建设。高昂的刚性折旧费用就像一个无底洞，倒逼这些大模型玩家必须极其苛刻地提升内部算力利用率，并加速推进大模型的商业化变现。一旦营收增速无法跑赢内部设备的折旧速度，巨额资产的有效产出将大打折扣，利润表将遭到严重反噬。 在这一格局中，阿里云（Alibaba Cloud）在2025至2026年的战略轨迹显得尤为特殊，其成为了政策红利与技术积累结合的典型案例。从2021年到2024年，阿里云一直致力于内部基础设施的优化，特别是绿色数据中心及液冷专题中提及的高效冷却技术，将其自建数据中心的平均电源使用效率（PUE）从1.247降低至行业领先的1.200。然而在2025年，中国政府推出了一项极具改变性的能源补贴政策——对于使用国产AI芯片的数据中心，最高可提供50%的电力成本补贴。这一政策变量瞬间改变了阿里云的财务模型。借助大幅缩减的电力运营成本，阿里云将原本用于内部降本增效的绿色技术，直接转化为在全球新兴市场抢占份额的强力竞争武器，并高调宣布了一项为期三年、总额高达530亿美元（约合3800亿元人民币）的AI与云基础设施投资计划，其中约80%的资金将用于数据中心的全球扩张与升级。这种由国家政策补贴背书的资本开支，极大地缓解了短期内由硬件折旧带来的利润表压力，使其能够更从容地推进Qwen等大模型家族的商业落地。 然而，在A股算力租赁板块，折旧不仅仅是利润问题，更是悬在企业头顶的现金流利剑。以A股某算力租赁龙头企业（如协创数据）为例，这些企业普遍存在极其危险的“期限错配”陷阱。为了在财报初期维持高额的账面利润，这类公司往往将算力服务器等固定资产的折旧年限拉长至8年，远超行业常规水平。但是，在极度内卷且客户忠诚度较低的算力租赁市场中，其与下游客户签订的租赁合同却以1年期为主流，最长的合同期限也不过约4.4年，并且常常面临客户提前终止合同的风险。这种“短债长投、短租长折”的模式意味着，设备在物理上还没有完成一半的折旧，客户可能已经流失，但每年雷打不动的漫长折旧费用依然在侵蚀公司的利润表。此外，庞大的有息负债（超259亿元）和飙升至85.89%的资产负债率，以及受内存（如DRAM、HBM）价格大幅波动引发的资产减值准备，使得这些A股算力租赁企业成为整个AI产业链中最脆弱、杠杆最高的一环。即便回到硬件制造端，老牌服务器大厂如浪潮信息（Inspur），其服务器产品的毛利率已进一步下探至极微薄的4.52%，同时还承受着高达465亿元的期末存货规模以及超13亿元的存货跌价准备计提。这表明，在整条产业链中，试图单纯通过硬件组装或简单的算力倒卖来对抗重资产折旧规律的做法，已经越来越难以实现逻辑自洽。

关键数据与对比表

为了更直观、更精确地展现2026年各大云巨头在折旧政策上的博弈，以及这些会计选择对其利润表的扭曲程度，本节整理并提炼了多维度的核心数据与对比表格。 首先是2026年北美四大云厂商的资本开支规模及其对应的折旧政策。从表中可以清晰看出，在资本开支集体冲击千亿美元级别的背景下，各家对于资产寿命的管理策略已经分道扬镳。 表1：2026年北美四大云厂商AI资本开支与折旧政策 注：2026年预期资本开支数据来源于市场一致预期及公司管理层指引中值综合估算，单位：亿美元。 公司名称 2025年资本开支 2026年预期资本开支 同比增速 当前服务器折旧年限 近期折旧政策变更动作 策略动机与财务考量 微软 (Microsoft) ~$1000亿 ~$1900亿 ~+90% 6年 无变更 (文件维持2-6年宽泛区间) 依赖Azure高价值SaaS服务闭环消化算力残值，竭力维持利润率平稳。 亚马逊 (Amazon) ~$1050亿 ~$2000亿 ~+90% 5年 从6年缩减至5年 (2025年Q1) 承认AI技术加速迭代，主动挤压未来潜藏的坏账与减值风险，接受短期利润阵痛。 谷歌 (Alphabet) ~$850亿 $1750-$1850亿 ~+110% 6年 无变更 (维持6年) 资本支出飙升导致自由现金流转负，必须通过长折旧期来保卫其34%的营业利润率底线。 Meta ~$700亿 $1150-$1350亿 ~+80% 5.5年 从4.5-5年再次延长至5.5年 应对2026年超千亿CapEx预算的预防性动作，极力缓冲对净利润的直接冲击。 [数据来源综合参考：20, 22, 23, 26, 41] 如果撕下财报粉饰的伪装，将这些长期限的折旧政策还原为英伟达GPU硬件真实的物理与技术迭代周期（即3年寿命），科技巨头的真实盈利能力将遭受怎样的重估？摩根大通的压力测试以及相关投行的数学模型给出了令人警醒的数据。 表2：要求适用3年（GPU物理迭代期）折旧周期的利润表压力测试 注：由于服务器和网络设备通常占据各科技公司年度总折旧费用的60%至70%，缩短折旧期将导致每年确认的费用大幅增加，进而直接削减每股收益（EPS）。 公司名称 财报披露的 FY25 EPS 模拟3年折旧后的真实 EPS EPS 预期下调幅度 利润冲击核心原因剖析 Meta (META) $23.49 ~$19.92 ~15% lower 近期频繁且激进地延长折旧期（连续三次延长），导致当期账面利润水分极大。 甲骨文 (ORCL) $4.34 ~$3.87 ~11% lower 资本支出远超经营现金流（占比达174%），资产结构过重，对折旧费用的敏感度极高。 微软 (MSFT) ~$11.80 ~$10.89 ~8% lower 虽强行执行6年折旧，但庞大的软件与Copilot订阅利润垫缓冲了部分底层基础设施的折旧冲击。 谷歌 (GOOGL) $10.81 ~$9.98 ~8% lower 搜索基本盘利润极为丰厚，但在AI时代面临严重的转型资本投入，FCF枯竭信号引发警惕。 [数据来源综合参考：1, 41] 云厂商之所以敢于在审计师面前坚定捍卫5至6年的折旧期，其核心的商业理论依据是所谓的“价值级联”（Value Cascade）模型。该模型假设，尽管GPU在用于前沿模型训练的生命初期极易因为算力更迭而失去性价比，但它们可以在其漫长的生命周期内向次级或低阶任务不断降级复用，从而榨干最后一滴经济价值。 表3：“价值级联”（Value Cascade）模型的算力生命周期拆解 生命周期阶段 对应年限 核心业务场景 硬件匹配度与经济效益特征 价值流转与护城河特征 初级生命期 (Primary) 第 1 - 2 年 前沿大模型训练 (Frontier Model Training) 明显性能要求：只容纳最新一代GPU（如GB200/Rubin），以获取最高模型收敛速度和代币收益。 资本投入最密集阶段，抗折旧能力最强，是构建大模型能力护城河的核心基石。 次级生命期 (Secondary) 第 3 - 4 年 高价值实时推理 (Premium Real-Time Inference) 低延迟容忍：退役的上一代训练卡（如H100）下放至此，虽然能效比落后，但仍能维持高额API利润。 算力成本显著下降，完全依靠SaaS产品的订阅费用及高频API接口调用来变现。 三级生命期 (Tertiary) 第 5 - 6 年及以上 批量推理与内部数据处理 (Batch Inference & Analytics) 长尾任务容忍：完全或即将折旧完毕的老旧资产（如A100/V100）用于处理对时效毫不敏感的内部数据清理。 边际折旧成本趋近于零（仅剩下电费、冷却和网络等运营开支），纯粹的利润贡献期。 [数据来源综合参考：12, 26, 28]

宏观、资金或技术约束

尽管价值级联模型在Excel表格上推演得天衣无缝，并且为科技巨头在2026年节省了数百亿美元的开支，但这股由折旧政策掩盖的虚假繁荣，正面临着来自物理学定律、宏观资金面以及技术架构演进的三重严重约束。如果这三大约束在2026年底或2027年集体收紧，算力产业链将遭遇大规模的重创。

传统的美国通用会计准则（US GAAP，特别是ASC 360条款）要求企业根据资产的估计使用寿命，系统性地分配硬件成本。GAAP底层隐含的假设是，折旧是基于时间线性发生且相对可预测的（例如每年均摊15%的损耗）。然而，物理学专家、芯片架构师以及数据中心的真实运行日志指出，现代高负载AI GPU根本不遵循GAAP会计准则的假设，而是严格遵循物理学中的“熵增定律”。 现代前沿大模型在训练时，GPU集群内部存在两大加速熵增的死亡陷阱： 首先是“马尔可夫拟态（Markovian Mimicry）”带来的压力。预测序列训练需要极其庞大的吞吐量，这会持续不断地饱和显存带宽，导致集群在数月内处于满载状态，产生巨大且难以消散的热量。这种极端高温和连续运作极大地增加了硅片内部材料的物理应力。 其次是“浮点随机性（Floating-Point Stochasticity）”。在FP8甚至FP4的低精度计算模式下，电子噪声不可避免地增加。这迫使GPU花费额外的周期来重做工作或纠正错误，进而耗散更多的电能，并加速微观层面上的物理磨损。 这两种破坏性力量叠加在一起，导致AI硬件性能衰退的曲线并非直线，而是随着熵的积累呈现指数级加速下降。跨云厂商的实际观测数据显示，现代AI GPU真实的“熵半衰期”仅仅约为2.0至2.3年。此外，在Meta使用16,384张H100 GPU训练Llama 3 405B模型的54天周期内，记录了多达419次系统中断，其中因GPU硬件物理故障导致的就多达148次。按照这一高强度训练周期外推，GPU的年化物理故障率高达约9%。这意味着，当一块AI服务器在财务报表上仅仅被折旧到第三年时，它在物理层面上将电能转化为“有用智能计算输出”的能力已经遭到了不可逆转的破坏。在物理规律面前，长达5至6年的会计折旧周期完全是掩耳盗铃，掩盖了硬件老化带来的算力效率崩溃。

除了损益表（Income Statement）上虚报的营业利润，华尔街在2026年最为恐惧的其实是现金流量表（Cash Flow Statement）的实质性枯竭。折旧可以被无限期地拉长，但购买GPU的真金白银却必须在Day 1全额支付。 这里隐藏着一个致命的现金流陷阱：假设企业耗资150亿美元购买了一批GPU，并将其折旧期设定为5年（即每年账面扣除30亿美元）。如果这些GPU因为技术落后或物理损坏，在第3年就较大程度失去了业务竞争力，企业不但需要一次性计提剩余60亿美元的减值损失（直接摧毁当季利润），更可怕的是，企业必须在第3年立刻再掏出200亿美元去购买新一代的硬件，以维持业务运转。这就导致了一个无法填补的黑洞——每隔两三年就会有数百亿美元的现金流出，但先期投入的资产还远远没有通过收入收回成本。 如前所述，2026年第二季度谷歌的自由现金流已经转负。在经营活动产生的现金无法继续支撑资本开支的残酷现实下，科技巨头正在大规模涌入债券市场。摩根士丹利的测算指出，到2026年5月底，与AI相关的全球债务发行量已经达到约2360亿美元，预计全年将逼近5700亿美元。在当前宏观利率依然保持韧性的资金环境下，如果这些借债购入的算力资产无法在物理寿命终结前通过订阅服务或API调用收回投资回报（ROI），这必将演变为一场吞噬企业核心价值的庞氏游戏。

支撑科技巨头6年折旧政策的重要救命稻草——“价值级联”模型，在2026年正面临着两端挤压的系统性崩溃风险： 供给端井喷与需求端脱节的“堰塞湖”：在2024年至2025年期间，全球云厂商处于极度FOMO（错失恐惧）状态，每年采购了约860万张高端GPU。根据生命周期推演，到了2027年，将有超过1700万张从前沿训练任务上光荣退役的GPU，像洪流一样“级联”涌入推理资源池。为了能够经济地吸收掉这批庞大的二手算力，全球AI推理需求的复合增长率必须使得推理任务在2030年占据算力总消耗的80%（即实现16倍的增长）。如果AI应用端的爆发不及预期，推理需求仅达到8至10倍的增长，那么将有惊人的40%至50%的二手GPU完全处于闲置状态，根本没有工作负载可以分配。二手供需的严重失衡将导致旧卡的租赁价格跌至冰点，迫使云厂商进行天量的资产减值。 专用推理芯片（ASIC）的降维打击：更致命的威胁来自技术路径的演进。目前，各大云厂商为了降低对英伟达的依赖，正在疯狂自研针对特定模型高度优化的定制推理芯片（例如AWS的Inferentia/Trainium、微软的Maia、Meta的MTIA以及谷歌的TPU）。如果在2026年，一块制造成本仅为1万美元的专用推理ASIC，在推理延迟和能效表现上，能够轻松碾压一块已经折旧了3年、当年造价高达3.5万美元的H100 GPU，那么H100在二手推理市场上的经济价值将被较大程度抹杀。一旦“降级去搞推理”这条后路被阻断，整个价值级联模型将轰然倒塌，所有基于此假设的5-6年折旧预期将全部作废。

• 物理约束：熵增折旧模型（EDM）对峙通用的GAAP准则
• 资金约束：自由现金流的见底与债务融资的狂欢
• 商业模式约束：“价值级联”面临饱和与降维打击的风险

风险与证伪

在围绕GPU折旧周期的激烈争论中，迈克尔·巴里的欺诈指控等悲观论调与科技巨头管理层的乐观预期形成了不可调和的碰撞。为了保证研究的客观性，我们必须从双向角度审视该逻辑的脆弱点，以及悲观预测可能被市场现实证伪的情境。 悲观论点的核心风险（即：折旧危机真实爆发的高危情境） 其一，产品迭代周期加速带来的要求提前报废。英伟达已经较大程度改变了半导体行业的摩尔定律节奏，将架构更迭周期压缩至一年一换。如果到了2027年，Rubin或更新架构在单位算力能耗（TCO）上的优势大到离谱，可能会导致一种极端情况：即使不考虑购买设备的沉没成本，仅仅计算消耗的电费、冷却水和网络带宽费用，继续在机房里运行3年前的H100也变成了一门“负现金流”的亏本生意。在追求明显效率的云计算行业，这将迫使企业提前拔掉旧服务器的电源。在严苛的会计准则下，这批资产剩余未折旧的庞大账面价值将全部转化为“资产减值损失（Impairment Loss）”一次性计入财报，较大程度推动当季EPS危机。 其二，二级市场流通价值（残值）的崩盘。这不仅影响北美原生云（如CoreWeave），更直接威胁A股算力租赁市场。2026年一季度，A股算力租赁市场的H100一年期租赁价格虽然出现了近40%的反弹（达到2.35美元/小时），但这更多是受到HBM及存储部件成本飙升（如LPDDR5合约价预计同比上涨4-5倍）的短期情绪传导。随着时间推移，如果老旧GPU的TCO居高不下，租赁性价比极度恶化，二手残值一旦跌穿账面净值，那些资产负债率超过85%、严重期限错配的A股租赁公司将迅速面临资金链断裂的风险。 悲观论点被证伪的可能（即：5-6年折旧确有其实际支撑逻辑） 反对将折旧期要求缩短为3年的观点，也有着极其坚实的数据支撑和合理的商业演化路径： 其一，历史数据的长尾效应。回溯云计算的发展史，GPU的服役寿命往往比外界主观臆断的要长得多。微软Azure在2023年宣布退役的K80虚拟机机队，已经在生产环境中高强度服役了整整9年（2014-2023年）；而随后退役的P100机队也顺利服役了7年（2016-2023年）。这充分证明，只要云厂商拥有足够庞大、需求极其分散的长尾客户群体，并通过精细化的运维调度、降频使用策略，算力资产确实具备长达6-7年的创收能力。 其二，模型收敛带来的长尾推理繁荣。如果2026年之后，前沿模型（Frontier Models）的参数规模不再追求无意义的指数级膨胀，而是转向架构微调和高度垂直化的行业应用（Agentic AI时代），那么当前的庞大算力存量将绰绰有余地满足这些非极端的计算负载。这种由大模型向小模型、由通用向专业的范式转移，将为二手芯片创造极其广阔和漫长的长尾变现期。 其三，财务策略的终极解药：“组件化分离折旧”。业内批评者往往将整个AI服务器作为一个整体来讨论折旧，但实际上，按照GAAP ASC 360的规定，企业完全可以采用更加精细的“组件化折旧法”。即将数据中心内极易过时的核心GPU模块（设定为3.5-4年折旧期），与寿命极长的基础设施架构如重型机箱、配电单元、液冷管线及网络光模块（设定为6-8年甚至更长的折旧期）分离开来核算。这种做法不仅能最真实地反映核心芯片的快速消耗，也能充分体现基础设施投资的长期价值，从而有效平滑整体财务报表的剧烈波动。

后续观察变量

对于关注全球科技股基本面、紧盯AI基础设施投资周期的宏观研究员与财务分析师而言，在2026年下半年及更长远的2027年，必须密切跟踪以下四大具有前瞻意义的先行指标： GPU交付周期的正常化（Lead Times）：需紧盯英伟达等头部芯片厂商的高端GPU交货时间。如果在2026年，交货周期从此前极度紧缺情况下的12个月以上，迅速回落甚至收缩至6个月以内，这通常是明确的拐点信号，表明全球算力供应已经追上甚至局部超过了需求。供需关系的逆转将立刻向二手市场施压，直接击穿老旧GPU的租赁价格防线与资产残值底线。 云厂商的毛利率（Cloud Gross Margin）异动：在2026年Q3及Q4财报季中，必须将显微镜对准微软Azure、亚马逊AWS以及谷歌GCP的云业务毛利率。如果因前期疯狂重资产投入导致的高额折旧摊销、以及伴随高密度计算飙升的电力与冷却成本，在收入成本（Cost of Revenue）中的占比急剧攀升，进而导致云业务毛利率出现连续两个季度的显著环比下滑，这便确凿地证明：折旧与运营压力已经较大程度脱缰，无法再通过Copilot的软件订阅渗透或API接口调用的增量收入来消化。 首次出现资本开支同比下降（CapEx Down YoY）的历史性时刻：需要对四大科技巨头的每一个财季指引进行深度咬文嚼字。如果任何一家核心巨头自2022年生成式AI浪潮爆发以来，首次在官方指引中释放“下调下一财年资本开支”的信号，这意味着不顾一切的“过度建设（Overbuilding）”周期宣告终结。这种收缩信号一旦释出，资本市场将立刻清醒，开始对过去几年积累的千亿级存量资产进行残酷的财务与估值清算。详情可追踪后续的研究归档专题。 企业端AI实际渗透率与推理定价崩溃：无论算力基础设施建得多宏大，最终的买单者只能是广大的企业端SaaS用户和消费者。如果《财富》500强企业中日常活跃使用AI功能的用户数量见顶，或者推理定价（Inference Pricing）因为整体算力严重过剩而发生非理性的恶性价格战（回顾2023年至2025年间，GPT-4级别的推理成本已经崩塌式下降了95%），那么云厂商预想中的收入增长模型将被打穿，“价值级联”模型将在最关键的需求侧较大程度失去资金支撑。 ##

FAQ

Q1：有人说“折旧只是个会计概念，钱早就花出去了，反正迟早都要扣完”，那么将折旧年限从3年拉长到6年，真的会影响公司的基本面吗？ 从极其长远的理论周期来看，无论是3年还是6年，一台购买成本为10万美元、残值为0的服务器，在其完全报废时计入利润表的折旧总费用确实都是10万美元。会计准则仅仅是改变了这10万美元在不同年份的“时间分布”。但是，脱离了技术迭代周期谈折旧是毫无意义的。核心问题在于硬件的物理过时速度：如果该硬件的真实技术寿命只有3年，这就意味着企业在第4年就必须再花费新的10万美元去购买新设备才能维持竞争力；而在6年的折旧模型下，企业向华尔街投资者传递了一个极其危险的虚假信号——即企业在第4、5、6年不需要这笔巨额的资本支出维持运转。如果这种虚假的会计假设被物理现实无情打破，企业不仅将面临超出预期的庞大现金流缺口，还需要将未折旧完毕的巨额资产余额一次性进行大额减值（Write-off），这将导致当季财报出现毁灭性的亏损。 Q2：科技巨头随意更改资产折旧年限的做法，在会计审计和税务上是合法合规的吗？会面临监管部门的惩罚吗？ 在财务报告（如美国通用会计准则US GAAP和国际财务报告准则IFRS）层面，这一行为是合规的。在准则中，这被称为“会计估计变更（Change in Accounting Estimate）”。由于使用寿命本身就是管理层基于当前信息做出的主观预判，只要企业能够向外部审计师提供部分合理的历史运营数据（例如出具内部日志证明部分老旧设备在第5年或第6年依然在被长尾客户租赁使用），四大审计机构通常会选择放行，不会出具保留意见。 然而，在极其严格的税务申报层面（即交纳真实企业所得税时），美国国税局（IRS）并不吃这一套。IRS拥有自己要求性的折旧修正加速系统（MACRS），通常死板地要求计算机和外围设备必须在5年内折旧完毕，企业无权为了平滑利润而随意在报税表中延长或缩短该期限。因此，科技巨头在公开财报上延长折旧期，纯粹是为了人为拔高账面的每股收益（EPS）以满足二级市场投资者的贪婪预期并维持高昂的股价，但这并不能帮助企业在实际缴税时节省哪怕一美分的真金白银。 Q3：按照这种逻辑，A股那些将算力服务器折旧期定为长达8年的算力租赁企业，是否完全是在“做假账”？ 不能在法律意义上简单将其定性为“做假账”，因为其同样履行了会计估计的程序，但这较强是一种在利润边缘疯狂试探的“高风险杠杆游戏”。相比于北美拥有深厚基本盘的巨头，A股很多中小算力租赁企业本身缺乏核心的软件造血能力，面临着极其巨大的初始资金压力和融资成本。通过设定远超全球行业平均水平的折旧年限（如8年），它们能够极大地压低每年的营业成本，从而在开展业务的最初一两年内交出极其亮眼的纸面利润和ROE（净资产收益率），以此推高股价或获取银行信贷。 但其致命伤在于极端的“期限错配”。由于下游大模型创业公司随时可能倒闭，加上市场内卷严重，这些算力租赁企业签署的客户合同期限极短，普遍只有1年。这种“短债长投、短租长折”的模式，本质上是将所有潜在的坏账风险推延到了遥远的未来。一旦遭遇芯片换代导致老卡无人问津，或者核心大客户不再续租，这些被强行设定为8年寿命的设备将被闲置，但每年雷打不动的折旧费用和高额的有息债务利息依然在疯狂抽血。这类企业在行业寒冬中极易遭遇流动性枯竭与巨额资产减值的双杀，其财务脆弱性远超预期。 Q4：著名投资人迈克尔·巴里（Michael Burry）严厉谴责这些云计算巨头是在进行“现代最普遍的欺诈之一”，这种指控是否过于极端或危言耸听？ 在众多华尔街主流分析师看来，巴里所使用的“欺诈（Fraud）”一词确实带有强烈的做空情绪色彩和极端性。摩根大通的详尽压力测试报告指出，如果剥去粉饰，即便按照最严苛的3年折旧期进行利润表回溯重估，这些大型云厂商的EPS和营业利润率受到的冲击大多在6%至8%的区间（重资产依赖度极高的甲骨文受冲击稍大，约为11%）。这是一个需要引起高度重视的实质性财务影响，但考虑到亚马逊、谷歌、微软这些巨头在广告、电商以及传统办公云SaaS领域依然拥有庞大且坚如磐石的垄断地位，这点冲击还远未达到导致基本面较大程度崩溃的“欺诈”级别。 因此，真正的终极危险并不在于当前几个季度的财务报表被注了多少水分，而在于2026年及之后的岁月里，这波大规模、耗资数千亿美元的AI资本支出，如果迟迟无法在应用端（B端企业级工具或C端超级App）找到真正的超级入口实现海量变现，那些沉没在冰冷机房里的算力硬件，其贬值与反噬的速度将远超人类会计准则的想象，那才是科技股真正的深渊。