光纤用几十年，GPU只用三年：AI热潮不是互联网泡沫

一场被误读的类比

每当AI投资规模刷新纪录，关于“互联网泡沫重演”的警告就会卷土重来。Hacker News上一条讨论提出了一个反直觉的判断：AI热潮不是dot-com泡沫。论据不是估值、不是融资节奏，而是一个物理层面的差异——光纤能用几十年，GPU三年就过时。

这个对比之所以有力，是因为它指向了两次浪潮在资产结构上的根本不同。dot-com时代的天量资本沉淀在光纤、机房、骨干网这些长寿命基础设施里，泡沫破裂后资产仍在服役，为后来的云计算和流媒体时代铺好了路。而这一轮AI军备竞赛中，最昂贵的资产是GPU集群，它的经济寿命被硬件迭代速度死死锁住。

长寿命资产与短周期硬件的分野

光纤的“沉没成本”其实是遗产

dot-com泡沫破灭后，大量已铺设的光纤被低价转手，正是这些“过剩产能”支撑了宽带普及和后来的超大规模数据中心。基础设施的折旧周期以十年计，投资失误的代价会被时间摊薄，甚至转化为下一轮增长的公共底座。

GPU的折旧曲线陡峭得多

相比之下，GPU的经济寿命被普遍认为只有三年左右。原因不难理解：模型规模持续膨胀，新一代芯片在算力和能效上代际跃升，旧卡很快在训练任务上失去性价比。这意味着AI基础设施投资必须在一个短得多的窗口内收回成本，否则就是实打实的减值。

这个差异改变了对“AI泡沫”的定性。如果资本沉淀在短命资产上，泡沫破裂的破坏方式不是留下一堆闲置光纤，而是留下一堆迅速贬值的电子设备。

GPU的经济寿命之所以被锚定在三年左右，与AI硬件迭代的节奏直接相关。以NVIDIA为代表的厂商基本维持约两年一代的架构更新（Ampere→Hopper→Blackwell），每一代在单位算力功耗、显存带宽和互连能力上都有显著跃升。对训练集群而言，旧卡并非不能运行，而是在同等电力与机房空间下产出的有效算力明显偏低，机会成本迅速上升。会计上的折旧年限（常见3-5年）与真实的经济寿命并不完全等同，后者还要叠加模型规模膨胀带来的显存压力，以及二手市场的折价速度。理解这一点，才能判断一笔GPU采购究竟是在买“算力”还是在买“一段时间内不被淘汰的算力”。

为什么这不必然意味着崩盘

需求侧的真实性不同

dot-com时代大量公司没有可验证的商业模式，流量和点击被当作收入的前置指标。当前AI支出虽然激进，但背后是云厂商和大型企业真实的生产力需求，推理调用、模型训练、Agent工作流都在产生实际账单。据Hacker News讨论中的观点，需求的真实性是这一轮与上一轮的关键区别之一。

衡量AI需求真实性常用的一个观察维度是收入与资本开支的比例关系。dot-com时期不少运营商的骨干网利用率长期低于设计容量，投资与实际流量严重脱节；而当前头部云厂商的AI相关收入增速虽然难以完全覆盖其资本开支增速，但推理调用量、API账单和企業级订阅确实构成了可审计的现金流。需要注意的是，“需求真实”与“投资回报合理”是两个命题：前者说明市场存在，后者取决于单位算力的售价能否覆盖折旧与电力成本。讨论中常把二者混为一谈，实际上真正决定周期走向的是后者。

竞争会压缩回报，但不会清零

有意思的是，短寿命硬件也意味着行业没有“躺赢”的缓冲垫。玩家必须持续投入才能保持竞争力，任何一次代际落后都可能迅速反映在成本结构上。这会让利润率承压，但并不等同于需求消失——更像是资本开支的跑步机，而非空中楼阁。

资本开支跑步机的经济学含义可以用“囚徒困境”来理解：单家厂商若放缓采购，短期内现金流改善，但在下一代模型训练竞赛中可能落后，进而失去客户与定价权。于是所有主要玩家都被迫维持高强度投入，行业整体利润率被资本开支吞噬，而个体又无法单方面退出。这与重资产行业（如航空、电信）的竞争格局有相似之处——需求持续存在，但超额利润难以维持。区别在于AI硬件的贬值速度更快，留给厂商纠错的窗口更短。

对开发者和企业的实际含义

这个框架对技术决策有直接价值。评估AI基础设施投入时，把折旧周期放进模型里比看融资新闻更有用：三年回本假设下的项目，和十年回本假设下的项目，风险画像完全不同。

对使用方而言，这也解释了为什么按需租用GPU在多数场景下比自建更理性——把硬件过时风险转移给云厂商，自己只承担用量成本。对供给方而言，谁能在这个短周期里维持最高的利用率，谁就掌握了这一轮竞赛的胜负手。

结语

“光纤用几十年，GPU只用三年”这句话的价值，不在于预言泡沫何时破裂，而在于提醒我们：两轮技术浪潮的资产负债表结构根本不同。用dot-com的剧本去推演AI周期的终点，可能会错过真正重要的变量——资产寿命与回报窗口的错配。

（本文观点综合自Hacker News相关讨论。）