在 CoreWeave ($CRWV) 2026 年 Q2 财报电话会议中，管理层特别提到有客户签署了延伸至 2029 年的 A100 租赁合同。 由于Michael Burry等空头认为很多大厂强行延长了GPU的折旧时间，属于财务粉饰；也因此很多人认为这狠狠地打了Michael Burry的脸。 打不打脸另说，但这至少说明英伟达的GPU硬件的使用寿命会比大家想象的要长很多。传统印象中硬件很快就会过时，但英伟达 $NVDA在软件生态方面的改进，对旧硬件的续命与价值挖掘是有突出贡献的。 英伟达并非仅靠更新硬件（如 Hopper/Blackwell）来提升性能，其全栈软件生态的持续演进大幅延长了 A100（Ampere 架构）的技术生命周期与投资回报率（ROI）： 1. 推理优化框架（TensorRT-LLM / vLLM 兼容）大模型推理算力释放：英伟达推出的 TensorRT-LLM 以及对开源社区（如 vLLM）的深层适配，引入了如 PagedAttention、Chunked Prefill（分块预填充）、投机采样（Speculative Decoding） 等高级优化技术。吞吐量倍增：通过纯软件层的内存管理与 Kernel 融合优化，A100 在运行主流开源大语言模型（如 Llama 3 系列、DeepSeek 系列）时的推理吞吐量和延迟表现，比硬件发布初期提升了数倍，使其非常适合承担性价比极高的中量级推理任务。 2. FlashAttention 与算子级（Kernel）优化突破 HBM2e 带宽瓶颈：A100 拥有 80GB HBM2e 显存和 2 TB/s 带宽。随着 FlashAttention-2 及后期针对 Ampere 架构算子的持续重构，GPU 在注意力机制计算时的显存读写开销大幅降低，使得计算单元（Tensor Cores）利用率接近极限。 TF32 与 INT8/FP16 持续调优：英伟达在 CUDA 代码库中持续完善 Ampere 专有的 Tensor Float 32 (TF32) 及混合精度计算吞吐，免去了企业大幅修改底层代码的麻烦。 3. 多实例 GPU（MIG）与细粒度切分资源弹性复用：A100 硬件上支持将单卡切分为最多 7 个独立的 MIG（Multi-Instance GPU）实例。 云原生调度优化：结合英伟达 Triton Inference Server 和云厂商（如 CoreWeave）的编排软件，企业可以将 80GB 的 A100 精细化切分给轻量级 AI 服务（如 Embedding 模型、小参数微调、RAG 向量检索等），实现极高的资源利用率和单位成本效益。 4. CUDA 向后兼容性与生态长寿命支持（LTS）版本不脱节：英伟达最新的 CUDA 版本（如 CUDA 12.x+）和底层驱动保持着对 Ampere 架构的完整原生支持与功能适配。 NGC 优化容器：英伟达在 NGC（NVIDIA GPU Cloud）上持续更新针对 A100 优化的深度学习框架容器（PyTorch、TensorFlow、NeMo 等），确保用户无需更改底层架构即可直接享受到软件栈带来的性能增益。 总结与行业视角英伟达的“软硬一体”策略使硬件随着时间推移因软件更新而变快（Software-Driven Performance Upgrades）：集群成熟度（已部署、即开即用、供电稳定） + 软件持续优化（降低推理 Token 成本） = 旧卡仍具备高经济价值。对于很多企业而言，训练超级大模型可能需要 Hopper 或 Blackwell，但在长尾推理、中小型模型微调、RAG 和数据预处理等场景下，经过软件高度优化后的 A100 提供了极佳的成本效益比，因此租赁合同顺理成章地延长到了 2029 年。