英伟达称AI工厂回报取决于三要素，单兆瓦成本约6000万美元
英伟达博客文章将AI工厂的投资回报拆解为产能、使用寿命和需求三项，并给出Vera Rubin NVL72比GB300 NVL72每兆瓦吞吐量高30倍以上等数据。
AI解读：英伟达在一篇博客里给AI工厂算了一笔账：按兆瓦建、甚至按吉瓦建，每兆瓦造价约6000万美元。愿意掏这个钱的运营商，先要看清回报从哪来。
文章把回报拆成三件互相不能替代的事：一年最多能靠卖token赚多少、硬件能赚多少年、以及市场对token的需求有多大。产能再高，卖不出去也没用；需求再旺，一年就满负荷停摆同样不行。
英伟达给出的解法是让平台同时做到三点：每兆瓦吞吐量高、硬件退役晚、能跑各种AI和非AI负载。它引用第三方数据称Vera Rubin NVL72每兆瓦吞吐量是GB300 NVL72的30倍以上，在DeepSeek V4 Pro上每百万token成本最多低45倍。
对真正掏钱的运营商来说，这些数字的意义不在跑分，而在折旧表：A100这类2020年的卡仍在商用，微软的V100实际跑了8.4年。如果一批卡能多干几年、还能接新活，每兆瓦的账才算得过来。
英伟达企业计算博客发布文章，讨论AI工厂投资回报的三个决定因素：产能、使用寿命和需求。文章称，AI工厂按兆瓦甚至吉瓦建设，每兆瓦造价约6000万美元，运营商只有在看清回报的情况下才会投入这个量级的资本。
文章将“产能”定义为工厂一年内把能产出的token全部卖掉可获得的收入；“使用寿命”指AI硬件持续产生收益的时间；“需求”指这些token的市场需求。文章强调三者不能互相弥补：产能高但只卖出一部分没有意义，需求高但一年后就无法满负荷生产同样不行。
文章还把三者描述为相互关联：能运行更多类型工作负载的工厂会找到更多需求，从而持续获得收入。英伟达称其AI工厂围绕这三点设计，分别对应“高产”（每兆瓦吞吐量最高、每token成本最低）、“耐用”（GPU和系统出货多年后仍在赚钱）和“可通用”（运行各种AI及非AI负载）。
SemiAnalysis数据：Vera Rubin NVL72每兆瓦吞吐量为GB300 NVL72的30倍以上
文章称电力是AI工厂的硬约束，因此“每兆瓦每秒token数”是决定产能的关键指标：在固定功耗范围内产出更多token意味着更多收入，每token成本更低意味着更高毛利。
文章引用SemiAnalysis AgentX数据称，英伟达Vera Rubin NVL72系统每兆瓦吞吐量比英伟达GB300 NVL72高出30倍以上，在DeepSeek V4 Pro模型上每百万token成本最多低45倍。文章将这一差距归因于从模型、工作负载到软件、计算、网络和内存的全栈协同设计。
文章还提到SemiAnalysis AgentX关于GB300 NVL72运行GLM 5.3性能的分析。文章自问：如果每代产品都让token大幅便宜，计算需求会缩小吗？其回答是不会，反而会扩张，因为更便宜的token会让更多用例变得经济可行，而这些用例消耗的token超过效率节省的部分。
A100出货六年后仍在商用，CoreWeave将2020年机型预订延长至2029年
文章称并非所有工作负载都需要最新系统，合适的匹配取决于工作负载的复杂度和形态，因此上一代产品在下一代到来后仍能继续赚钱。
文章举例称，英伟达A100 GPU于2020年出货，六年后仍在商业服务中，体现其持续的经济价值；CoreWeave近期将2020年首次推出的机型预订延长至2029年。文章还称，多年来每家主要运营商都延长了服务器的折旧年限，而折旧年限是对硬件何时停止赚钱的估计，且这个估计不断后移。
文章引用2026年9月Sprout的分析《数据中心GPU的生产性寿命》，称该分析追踪了各主要运营商折旧年限的变动。文章还引用多项第三方数据：微软的英伟达V100集群实际运行8.4年，而账面折旧年限为六年；Barkr根据二手转售价格，将八卡H100系统的使用寿命估为五到六年，GB300 NVL72为九到十年；Silicon Data显示六年前的A100 GPU仍值原价的四分之一，而五年的折旧计划一年多前就已将其计为零；Ornn Data发现市场为五年合约租用A100 GPU支付的价格，是一个月合约的80%。
文章称CUDA软件平台可跨代运行，因此新架构到来时运营商已有资产不会stranded；持续的软件和内核优化也在提升现有硬件的能力。同一个平台可运行机器学习、深度学习、生成式AI、推理、代理式AI和物理AI，每种新工作都能在已安装的硬件上运行。
英伟达列举Lilly、Pinterest、Revolut等客户的多类负载
文章称，为单一工作类型建造的工厂是在赌这类工作不变，而能运行各种工作的工厂在工作变化时仍有用并能产生收入。英伟达AI工厂可运行各类AI模型（开源和专有），覆盖语言、视觉、生物、物理和机器人，以及从数据处理、预训练、后训练到推理的各个阶段，并部署在超大规模、AI云、主权项目、企业数据中心和边缘等场景。
文章称，这些基础设施也运行非AI负载，包括数据处理、科学计算、仿真和图形等，它们都可归结为相同的并行数学运算，而英伟达GPU正是为同时运行数千核心的这类运算而设计。文章称CUDA让一颗芯片能模拟光线、折叠蛋白质和预测下一个token，其上还有超过1000个现成的CUDA-X库，覆盖深度神经网络、计算光刻、量子电路仿真、向量搜索和气候建模等，开发者超过1000万。
文章列举了客户案例：Lilly在本地1016块GPU集群上构建和运行蛋白质、小分子和基因组模型，并为内部团队提供聊天机器人和代理式工作流；Pinterest在超大规模云上后训练和部署视觉语言模型，横跨14000块GPU，涵盖英伟达Blackwell、Hopper及更早架构；Revolut用英伟达cuDF处理数十亿条交易记录的数据，然后在AI云上训练和部署基础模型；Runway在英伟达Hopper上训练世界模型，并用云基础设施在英伟达Blackwell平台上提供服务；得克萨斯农工大学在其超级计算机上运行分子模拟和AI药物发现，26个项目和七个机构的利用率达95%至98%。
文章还提到非AI场景：达索系统的虚拟孪生仿真支持威奇托州立大学的飞机认证和Lucid Motors的车辆设计；联合利华用数字孪生而非拍摄构建产品图像，将制作成本减半。文章最后提到，英伟达创始人兼CEO黄仁勋将于10月21日（周三）中欧夏令时上午11点在GTC柏林发表主题演讲。