看完了梁圣的演讲和很多twitter上面的观点，我先说下我的把。首先。GPU 五年折旧是合理的，CUDA 的单点锁定正在变弱，但 NVIDIA 的护城河并没有消失，而是从“软件锁定”升级成了“Token Economics＋AI Factory 全栈”。 五年折旧不代表一张 GPU 五年后仍处于技术前沿，而是它在五年内仍能持续产生经济收益。新卡最初服务前沿训练、强化学习和最高端推理，随后逐步下沉到模型后训练、微调、RAG、企业 Agent、客服、文档处理、视觉 AI、批处理和开发测试。技术领先期可能只有两年，但经济寿命完全可以达到五年甚至更长。 H100 在 B200、GB200 和 B300 推出后仍然存在真实租赁需求，大型 H100 集群也可以在 xAI、Meta、Anthropic 等不同客户和工作负载之间重新配置。中国影子市场甚至愿意为受限制、缺乏官方支持的 NVIDIA GPU 支付显著溢价。这说明 NVIDIA GPU 不是一次性消耗品，而是具备通用性、流动性、可转租性和二级残值的生产资产。真正需要判断的不是第五年还能不能运行，而是第五年的租金、利用率和电力成本能否继续产生正贡献。 AI 从 hyperscaler 向 enterprise、银行、政府、医疗、制造和主权客户扩散，会进一步强化这条折旧逻辑。前沿模型公司永远希望获得最新 GPU，但大多数企业推理任务不需要最新一代架构。大量稳定、延迟要求适中、模型规模有限的企业工作负载，正好为旧 GPU 创造“第二生命周期”。因此，enterprise inference 不仅扩大 AI 算力需求，也会降低旧卡闲置率，延缓租金下滑和资产减值。 从 Neocloud 角度看，最理想的商业模式是：先通过 hyperscaler 和模型实验室的长期合同锁定基础收入，用这些锚定合同完成融资、建设数据中心和采购 GPU；再把剩余容量出售给 enterprise、政府、金融、医疗、机器人和 AI-native 客户，提高利用率和租金上限。大客户负责保底，长尾客户负责提高 ROIC。 这也是为什么 NVIDIA GPU 对 Neocloud 比专用 ASIC 更有价值。Neocloud 的核心能力不是只服务一个固定内部工作负载，而是把同一批算力在不同客户、模型和行业之间反复变现。今天可以租给 Meta，明天可以租给 Anthropic，之后还可以拆分给银行、医疗、企业软件和推理客户。通用 CUDA 生态、NVLink、网络、通信库、模型兼容性、OEM 支持和二级租赁市场，共同提高了资产流动性。 Dell、HPE、Supermicro 最近的订单、backlog 和客户结构，也在验证 AI 正从少数科技巨头向 enterprise 和 sovereign 客户扩散。Hyperscaler 有能力开发 TPU、Trainium 或其他 ASIC，也有足够的软件和编译器团队承担迁移成本；普通银行、政府和制造企业没有。它们更关心的是能否由 Dell、HPE、SMCI 或 Cisco 直接交付，能否满足安全、数据主权、合规、可靠性和运维要求，出现问题时由谁负责。在这种 OEM 驱动的企业市场里，NVIDIA stack 仍然是风险最低、部署最快、生态最完整的默认选择。 梁文锋关于 CUDA 的判断有一部分是对的。TileLang、Triton 和 AI 编程正在降低 Kernel 开发和跨平台迁移难度，所以“客户因为代码无法迁移而永远离不开 CUDA”的护城河确实在变浅。但 CUDA 从来不只是写 Kernel。真正的平台还包括驱动、编译器、cuDNN、cuBLAS、TensorRT、NCCL、NVSHMEM、NVLink、InfiniBand、Spectrum-X、调试工具、集群调度、故障恢复、OEM 认证和云端支持。 Jensen 很早就开始把 NVIDIA 的竞争标准从“单颗 GPU 和 CUDA 锁定”上移到 AI Factory 的整体经济性：tokens per watt、cost per token、revenue per megawatt、集群利用率、部署速度和可靠性。 旧的 NVIDIA 护城河是： 你很难离开 CUDA。 新的 NVIDIA 护城河是： 你即使可以离开，也未必能获得更好的 Token ROI。 因此，真正威胁 NVIDIA 的，不是竞争芯片能够运行同一个模型，而是竞争平台能够同时做到接近的模型效果、tokens/watt、cost/token、集群可靠性、部署速度、OEM 支持和跨客户流动性。在此之前，CUDA 的单点锁定可能继续变弱，但 NVIDIA 作为 AI Token Factory 和 enterprise AI Factory 默认平台的系统级护城河仍然存在。