第 2.4 章｜云与软件护城河

云厂商购买同样昂贵的 GPU，得到的回报却可能完全不同。决定差距的不是谁拥有更多芯片，而是谁能让设备保持高利用率，并把一次算力租赁升级成数据、软件和长期客户关系。

模型公司需要计算，但很少有企业愿意自己建设一整座 AI 数据中心。云把 GPU、网络、电力和运维打包成可以按需购买的服务。对客户而言，这是把巨额前期投资转成用多少付多少的经营成本；对云厂商而言，则是先花钱购买一批快速折旧的设备，再争取在它们过时前把尽可能多的时间卖出去。

这层业务最容易出现一个错觉：只要 GPU 稀缺、云收入增长，拥有 GPU 的公司就会赚钱。实际上，GPU 只有运行时才创造收入，空闲时仍然折旧、占用机房和融资。云的真正产品不是一张加速卡，而是利用率。

用一台 GPU 的一生理解云经济

假设一家云厂商今天购买一批最新 GPU。现金在设备交付前后流出，收入却要等数据中心通电、集群验收和客户开始计费才出现。设备的会计寿命可能是数年，经济寿命却取决于下一代芯片、租金和客户工作负载。

前两年，这批 GPU 也许能承接高价前沿训练；第三年，它可能转向微调和大规模推理；再往后，只能降价服务批处理、教育或内部任务。如果云厂商能在不同客户和任务之间持续调度，旧设备仍可产生第二次、第三次收入。如果它只有一位大客户，一旦合同延期，设备就会从高收益资产迅速变成债务抵押物。

一个简化的云资产回报可以写成：

GPU 租赁收入

• 网络、存储、数据库与软件收入 − 电力、机房、维护与人员 − 设备折旧 − 利息与融资成本 = 云资产经营利润

“租金 × 利用率”决定第一行，软件交叉销售决定利润上限，折旧与利息决定公司能否等待客户。于是，同一台机器放在 AWS 和一家高杠杆新云里，不是同一种投资。

两种商业模式承担同一台折旧资产

AI 云大致分成两类。

超大云——AWS、Microsoft Azure、Google Cloud，以及更集中于大型 AI 合同的 Oracle——拥有全球客户、数据服务、开发工具、自研芯片和内部工作负载。它们可以用集团现金流先建设，再把 GPU 与数据库、存储、安全和办公软件一起销售。

新云——CoreWeave、Nebius、Crusoe、Lambda 等——专注 GPU 计算。它们部署快、产品纯度高，能够在超大云供给不足时迅速抢占客户；代价是客户更集中、融资更依赖合同和设备，收入也更容易受到租金与利用率波动影响。

这不是市场份额排名，而是一张风险分配表。超大云把风险留在庞大的资产负债表中，新云把风险集中在利用率和信用市场，中国云还要承担国产硬件迁移与价格竞争。

超大云为什么能把旧硬件变成第二次收入

全球云基础设施支出仍由 AWS、Azure 和 Google Cloud 主导，三家合计约占市场三分之二。它们的规模优势不仅体现在采购价格，还体现在工作负载组合。¹

一家只服务模型训练的新云，需要客户在一个项目结束后立即启动下一个项目；超大云则可以把容量分配给搜索、广告、推荐、办公助手、外部 API 和传统云迁移。高峰需求可以跨区域调度，旧 GPU 可以降级使用，自研芯片还能承接规则稳定的内部推理。

更重要的是，GPU 往往只是获客入口。客户租用计算后，还会购买存储、数据库、网络、安全、日志、数据仓库和开发工具。这些软件与服务通常比纯硬件租赁更高毛利，也更难迁移。云厂商真正希望的不是只把一小时 GPU 卖贵，而是让客户在它的平台上形成一整套数据与应用架构。

因此，超大云的护城河可以分成三层：

1. 需求池。 不同客户和内部负载减少单一项目波动，提高利用率。
2. 软件附着。 数据、身份、安全和开发工具增加收入与切换成本。
3. 资产再利用。 新旧芯片、自研与商用芯片可以按任务重新分配。

但规模也会掩盖问题。企业可能披露“AI 年化收入”或“AI 业务增长”，口径却同时包含 GPU 实例、模型 API、Copilot 席位和由 AI 带动的传统云迁移。投资者不能只看一个大数字，还要看云利润率和自由现金流是否改善。

AI 服务器折旧已经开始影响利润。若资本开支增长快于收入，云业务即使保持高增长，也可能让集团自由现金流下降。超大云的风险不是突然破产，而是多年资本回报低于市场为其支付的估值。

新云积压订单为什么既是资产，也是融资义务

CoreWeave 是理解新云模式最清晰的样本。公司披露的未来合同收入远高于当前收入运行率，证明客户愿意提前锁定 AI 容量；它也需要在收入到来前建设数据中心、购买 GPU 并承担大量资本支出。²

积压订单通常被当成收入确定性，实际还要穿过五个步骤：

1. 园区按期获得电力；
2. 服务器和网络按期交付；
3. 集群通过客户验收；
4. 客户工作负载真正启动；
5. 发票能够回款。

任何一步延迟，收入确认都会后移，而债务利息与折旧不会停止。大客户合同还可能包含里程碑、容量条件、终止权或重新谈判机制。只有明确的 take-or-pay 条款、预付款和较强客户信用，才能把积压变成接近债券的现金流。

新云常用 GPU、合同或数据中心租约支持融资。这样做在需求旺盛时很高效：先借钱买设备，再用长期合同偿债，股东以较少自有资本控制快速增长资产。但同一结构会放大下行：

• GPU 租金下降会压低旧集群收入；
• 大客户延期会同时打击利用率和现金流；
• 新一代芯片发布会缩短抵押资产经济寿命；
• 债务到期若早于合同回款，公司必须再融资；
• 融资条件收紧会迫使公司减慢扩张，反过来影响交付。

所以，高积压既是需求资产，也是建设义务。它不是利润，更不是现金。

六个问题可以检查一份新云合同是否真的安全

对任何高增长 GPU 云，至少应把以下信息放在同一页：

其中利用率最难获得，也最重要。公司可能披露“售罄”或“全部签约”，但已签容量不一定已经运行，预留也不等于持续使用。更可靠的替代指标包括电力消耗、已投运 MW、按时交付率、收入相对资本开支的转化，以及旧一代 GPU 租金。

软件决定客户换芯片要付出多少代价

数据中心可以购买 AMD、TPU、Trainium 或国产加速器，但客户的模型与代码首先要能在上面稳定运行。Nvidia 的真正护城河因此不是一颗芯片，而是 CUDA、数学库、编译器、调试工具、开发文档和多年工程经验。

迁移成本可以分成三类。

第一是代码成本：自定义内核、训练框架和推理服务需要改写。第二是验证成本：模型精度、性能、稳定性和故障恢复必须重新测试。第三是组织成本：工程师需要学习新工具，生产团队要承担迁移期间的中断风险。

在前沿训练中，这三项都很高。客户更愿意为一套已经验证的 GPU、网络和软件系统支付溢价。在推理中，任务更稳定、成本更敏感，模型路由和抽象层也更容易把上层软件与底层芯片分开，因此 CUDA 护城河相对更薄。

PyTorch、Triton、开放编译器以及云厂商自研软件正在减少迁移工作。AMD ROCm 和华为 CANN 也在扩展兼容性。不过，“能够运行”与“达到同等吞吐、稳定性和工程成本”不是同一件事。厂商宣称兼容多少工作负载，只能作为起点，真实生产利用率才是结果。

自研芯片不必全面取代 Nvidia 才能改变云利润

AWS Trainium、Google TPU、Microsoft Maia 和 Meta MTIA 的目标并不一定是成为所有客户的通用标准。云厂商只要把一部分规模大、模式固定的内部工作负载迁移到自研芯片，就能产生三种价值：

• 降低单位推理成本；
• 减少对单一 GPU 供应商的依赖；
• 在采购谈判中获得更强议价权。

前沿客户仍可以使用 Nvidia，日常搜索、推荐或简单推理则转向内部芯片。混合平台提高超大云的资产配置能力，也让商用 GPU 的“出货份额”与“云利润份额”进一步分离。

反过来，自研芯片也需要设计、先进制造、HBM、网络和软件。只有形成稳定工作负载和足够利用率，它才比直接购买商用 GPU 更便宜。宣布一颗芯片只是开始，规模部署与外部客户采用才说明它成为平台。

专业推理平台能否独立，取决于谁掌握路由

Groq、Cerebras、SambaNova 等使用专用硬件追求低延迟或更低单位 token 成本。在特定模型、批量和任务上，它们可能明显优于通用 GPU。随着推理占总计算比例上升，这条路线有真实需求。

但更快芯片不自动构成平台。专业厂商还要支持足够多模型、提供开发工具、部署到客户需要的地区，并在扣除硬件、电力和服务后保留毛利。若超大云能用自研芯片复制类似成本，它们还会面对拥有客户和资金的更强对手。

最终控制点可能在模型路由层。应用不关心每次调用用了哪种芯片，只关心价格、延迟、质量与数据合规。掌握客户和路由规则的平台可以在多种硬件之间切换，把专业芯片变成后台可替换的执行层。专业供应商要保住利润，就必须拥有难以复制的性能优势、长期合同或自己的开发者入口。

中国云的约束不是需求，而是碎片化

中国云市场由阿里、华为、腾讯和运营商主导，国内企业、政府采购和数据合规提供了明确需求。阿里云还可以用 Qwen 模型和电商生态吸引开发者。

出口限制减少先进 Nvidia 芯片供给后，中国云必须同时适配昇腾、海光、寒武纪及其他本土加速器。硬件路线增加，给客户更多国产选择，也带来软件和运维碎片化：不同算子、编译器、驱动和网络需要分别优化；故障处理与跨集群调度更复杂；工程师必须维护多套工具。

华为的策略是用昇腾、CANN、网络和 CloudMatrix 建立一套垂直系统，尽量减少碎片。它是真实的第二生态，也仍需要更多生产经验。阿里和腾讯则要在自有模型、第三方硬件和价格竞争之间平衡。

因此，“国产算力采购增加”与“云业务利润改善”必须分开。政策可以迅速创造订单，客户迁移成本、设备利用率和软件效率仍决定利润。中国云最有价值的进展，不是又宣布多少卡，而是同类任务的总成本、稳定性和开发周期持续接近成熟平台。

云投资最终要回到现金转化

超大云的优势是客户分散、软件毛利、自研芯片和融资能力；新云的优势是增长纯度、部署速度和直接 GPU 敞口。前者可能在综合报表中掩盖资本回报，后者会更早暴露利用率、客户与信用风险。

建议固定跟踪以下指标：

超大云多头逻辑会在 AI 收入、云利润率和扣除资本开支后的现金流同步改善时成立。新云逻辑会在积压按期转化、设备高利用且债务期限与合同匹配时成立。

反过来，若云利润率压缩快于收入增长，AI 建设就从增长引擎变成资本负担；若大客户不再接收已签容量，GPU 抵押融资可能最先承压；若某个主要实验室能够在非 CUDA 硬件上完成前沿训练且迁移平滑，Nvidia 的软件护城河也会比当前假设更薄。

云不是一个关于“拥有多少 GPU”的故事。它是一个关于谁能在技术过时前把折旧资产持续卖出，并用软件把一次租赁变成长期关系的故事。

图表与关键证据来源

本章图表与关键主张的链接证据：^{2 1}