GPU租金與雲儲存
AI基礎設施市場正由「搶不到GPU」逐步轉向「哪裏租GPU更便宜」。除了亞馬遜AWS、微軟Azure、Google Cloud及Oracle，CoreWeave、Nebius等新型雲服務商亦大舉擴充算力，不少中小平台更以低價、按秒計費及短期租用搶客。同一款Nvidia H100，不同平台的每小時報價可以相差數倍，表面看來，GPU似乎正重演雲儲存的發展路徑：供應增加、價格透明，最終淪為薄利多銷的標準商品。
這個判斷只對了一半。GPU租金確實面臨下行壓力，尤其當新一代Blackwell及其後續產品投入市場，上一代A100、H100便會進入折舊和清庫存周期。Google Cloud等大型平台亦透過現貨實例、長期承諾折扣降低價格，部分現貨資源折讓幅度可以很大；而GPU價格比較平台的興起，進一步提高市場透明度。當客戶可以快速比較不同供應商的「每GPU小時」成本，單純依靠硬件稀缺性賺取超額利潤的日子自然難以持久。
商品化的是單卡租金，不是完整算力
GPU與雲儲存仍有本質差異。儲存服務的核心單位是容量，一個TB的資料在不同平台上，大致仍是一個TB；但一小時GPU並不是標準化產品。晶片型號、顯存容量、互連速度、CPU配置、網絡延遲、集群拓撲、故障率，以至軟件環境，都會影響實際產出。同樣租用八張H100，若平台無法提供高速互連和穩定集群，模型訓練時間可能明顯延長，名義租金便宜，最終總成本反而更高。
因此，企業真正應比較的不是「每GPU小時」，而是完成一次訓練所需成本，或者每百萬個推理token的成本。利用率尤其關鍵：GPU若因資料載入、通訊瓶頸或軟件配置問題而閒置，即使報價低廉，也只是便宜地浪費資源。這令具備網絡、儲存、調度軟件和技術支援能力的平台，仍可維持價格溢價。
價格戰亦會在不同市場呈現分化。大型前沿模型需要數千甚至數萬張GPU同步運作，客戶重視的是供應確定性、集群穩定性及部署速度，未必會為節省一兩成租金而轉換平台。相反，模型微調、圖像生成、短期研究和中小型推理工作負載較容易遷移，最有可能率先商品化。隨着開源模型、小型模型及推理優化技術普及，客戶亦可在不同晶片與雲端之間調度，進一步壓低舊型GPU租金。
對雲服務商而言，真正的風險不只是價格下降，而是資產與融資期限錯配。GPU折舊速度快，資料中心卻要以長期租約、貸款或債券融資。如果供應商以高價購入晶片，卻只能依靠短期客戶和現貨市場出租，一旦新晶片推出或需求轉移，設備利用率與租金可能同時下跌。屆時，所謂AI雲故事便可能由高增長平台變成重資產周期生意。
大型雲商的優勢則在於交叉補貼和服務捆綁。它們可以降低GPU入口價格，再從資料儲存、網絡傳輸、數據庫、模型平台及企業軟件收費。新型雲商若只提供裸算力，容易陷入價格競爭；若能鎖定長期合約、掌握低成本電力，或在特定模型和行業提供更高效率，仍有機會建立壁壘。
GPU租金最終會部分商品化，但不會完全變成雲儲存。舊晶片、零散容量和一般推理算力將愈來愈像標準商品；最新晶片、大型集群及整套AI平台則仍可享有溢價。投資者不應只看GPU數量與訂單金額，更要檢視利用率、客戶集中度、融資成本、合約期限及技術迭代風險。AI雲的勝負，最後不是誰擁有最多GPU，而是誰能以最低的總成本，把昂貴晶片持續轉化為可收費的有效算力。
義合控股投資者關係部
（芯片與算力系列之96）
