|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(十八) |
| 日期 2026-10-20 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第十八章算力资产计量与核算 前言:从“成本归集”到“价值发现”的核算升级 算力资产计量与核算,是整个管理框架中最具有“会计学”属性但最不能仅以会计思维来处理的章节。传统IT资产的核算逻辑是清晰的:采购价格是确定的,折旧年限是有章可循的,残值是可以估算的。但算力资产从根本上挑战了这一逻辑的每一个前提。采购价格因市场供需而剧烈波动,同一块GPU在不同时间的采购成本可能相差50%以上;折旧年限因技术迭代而高度不确定,英伟达的GPU每18-24个月更新一代,而物理寿命可能长达五年;残值更是难以估算,一台退役的A100可能在某个推理场景中仍然“物有所值”,也可能因为新一代芯片的发布而瞬间“一文不值”。 更深层的挑战在于:算力资产的“价值”不等于其“成本”。一台满负荷运转的H100所创造的价值,可能远高于其折旧后账面价值的“贡献”。一台闲置的H100,其“实际经济价值”可能为负——因为它在持续消耗电力、占用机架空间、并面临技术贬值的双重侵蚀:除非是基础模型厂商,不然绝大部分客户在单一业务场景里GPU的使用率很难超过20%。这就像租了一辆车整月待命,实际只开两三天。 这意味着,算力资产的核算不能停留在“成本归集”的层面——回答“我花了多少钱”。它必须升级到“价值发现”的层面——回答“每一单位算力在特定场景、特定时间窗口内,实际创造了多少价值”。本章将围绕这一核心命题,系统构建算力资产的计量体系、成本核算方法和估值模型。 一、算力计量体系 (一)计量单位的“多维光谱”:从资源到业务 算力资产的计量单位不是单一的,而是一个从“物理资源”到“业务产出”的光谱。理解这个光谱,是构建有效计量体系的认识论前提。 光谱的“资源端”是物理算力度量,单位是FLOPS(每秒浮点运算次数)及其衍生单位。根据《全国一体化算力网算力多量纲计费技术要求》,算力计量的基础单位包括TFLOPS(万亿次浮点运算/秒)、PFLOPS(千万亿次/秒)、EFLOPS(百亿亿次/秒)。内蒙古地方标准《数据中心算力分级评估规范》进一步将算力计量细分为通用算力(TFLOPS)、智能算力(PFLOPS)、通用算效(GFLOPS/W)和智能算效(GFLOPS/W)四个指标。这一层级的度量回答的是“这个芯片/集群的理论峰值性能是多少”。 光谱的“时间端”是资源消耗度量,核心单位是卡时(GPU-Hour)。卡时的定义在技术标准中有明确规范:“卡时 = GPU卡数×小时数,用于反映GPU资源实际使用情况”。卡时计量是算力租赁和共享场景中的最基础计量单位。优云智算平台的定价实践显示,不同GPU型号的卡时价格差异显著:4090-24G的包月价格为1293.6元,而A100-80G的包月价格为6452.4元,相差约五倍。这一“同一单位、不同单价”的格局意味着:卡时计量必须与GPU型号维度绑定,单独的“卡时”数字不具备可比性。 光谱的“效率端”是有效算力度量,核心指标是MFU(模型浮点算力利用率)和HFU(硬件浮点算力利用率)。MFU的定义是“实际达到的FLOPS /理论峰值FLOPS”。Megatron-LM发布的基准数据显示,175B参数模型的MFU为51.4%,530B参数模型的MFU为56.0%,而A100的理论BF16算力为312 TFLOPS。这一层级的度量回答的是“硬件性能被有效利用了多少”。华为轮值董事长汪涛披露的仿真数据揭示了效率维度的巨大差距:“4K超节点组成的10万卡集群相比由8卡服务器组成的10万卡集群,MFU提升了2.75倍。” 这意味着,同样的卡时消耗,在不同的系统架构下,有效算力可以相差近三倍。 光谱的“业务端”是产出度量,核心单位是Token。根据算力多量纲计费标准,Token计费方式为“输入Token单价×输入Token数 + 输出Token单价×输出Token数”。Token计量的革命性意义在于:它将算力的计量单位从“资源消耗”(我用了多少卡时)转变为“业务产出”(我生成了多少Token)。这一转变使算力资产的价值评估能够直接与业务成果挂钩,而非与“设备运行时长”挂钩。 光谱的“商业端”是综合计费度量,包括卡时计费、量级计费、周期计费和卡包计费四种模式。卡时计费适用于“消耗一系列标准化资源服务”的场景;量级计费适用于“按资源用量进行计费”的基础资源;周期计费适用于“按月、季或年度周期预付”的场景;卡包计费适用于“按卡时、调用次数或Token数量进行计费”的标准化资源服务。这一层级的度量回答的是“客户应该为算力支付多少钱”。 (二)计量精度与粒度要求 算力计量的价值取决于其精度和粒度。一个“日均利用率60%”的指标,如果只有天级粒度,就无法回答“在哪些时段利用率低、为什么低、如何优化”的问题。 根据算力多量纲计费标准,量级计费的计时方式要求“按秒计算计费时长,使用时长不足最低阈值时按最短时长计算”。这一“秒级计费”的要求意味着计量系统需要达到秒级的采样精度。在实际技术实现中,英伟达的GPU遥测技术提供“每100毫秒更新一次”的利用率数据,每块GPU可提供“100多项指标”。这一“毫秒级遥测精度”使算力资产的计量能够从“统计估算”升级为“精确追踪”。 多租户场景下的分摊是计量精度的核心挑战。根据共享GPU基础设施的成本分摊框架,计量技术需要覆盖三个层级:GPU利用率指标(SM活动百分比、内存带宽利用率、Tensor Core使用率、芯片级功耗)、容器级计量(cgroups跟踪资源消耗、Kubernetes Pod级指标、团队命名空间聚合)、应用级检测(模型训练作业识别、推理请求归属、数据集访问模式)。这一“三层计量”的框架使算力资产能够从“设备级”追踪到“任务级”和“租户级”,从而实现精确的成本归属和公平的计费。 (三)计量数据的采集与验证 计量数据的可靠性取决于采集方式和验证机制。根据技术规范,算力计量数据的采集方式包括:带外管理接口采集(通过BMC/IPMI获取设备级功耗和状态)、DCGM/NVML采集(通过英伟达 Data Center GPU Manager获取GPU级指标)、调度系统日志采集(通过Kubernetes/Slurm等调度系统获取任务级资源使用记录)。 数据验证是计量体系不可忽视的环节。MFU的计算实践揭示了计量中的一个根本性挑战:“大多数训练/微调方案使用混合精度,但在计算MFU/HFU时使用的是最快格式的算力。例如,对于BF16混合精度训练,部分计算在BF16中完成,部分在FP32中完成,但我们按全部在BF16中完成来测量FLOPS,这当然会导致非常不精确的测量。” 这一“混合精度计量偏差”意味着:不同团队报告的MFU数字可能不具备直接可比性,除非计量方法完全一致。 因此,计量数据的“一致性”比“精确性”更重要。正如ML工程实践所建议的:“只要你持续使用你选择的任何方式来计算TFLOPS,你就能立即看到你的应用程序性能是提高了还是降低了,因为相对数字对你来说最重要。” 这一“纵向一致性优先于横向精确性”的原则,是算力资产计量体系设计的核心准则。 二、成本核算方法 (一)总拥有成本(TCO)的完整框架 算力资产的成本核算必须超越“采购价格”的狭隘视角,构建总拥有成本(TCO)的完整框架。Introl的TCO模型揭示了一个令人警醒的事实:“100块英伟达H100 GPU的300万美元标价仅代表实际五年总拥有成本的35%。电力、冷却、网络、人员和维护将实际成本推高至860万美元。 ”这一“35% vs. 65%”的对比,是算力资产成本核算的核心洞察:硬件采购只是冰山一角,运营成本才是“水下的大山”。 根据Introl的详细TCO模型,一个100-GPU集群的五年总拥有成本约为1570万美元,其构成如下: 初始投资(约570万美元)包括:GPU硬件300万美元(100块H100,每块3万美元)、计算服务器50万美元(25台4-GPU服务器,每台2万美元)、网络设备45万美元(InfiniBand交换机、电缆和收发器)、存储系统60万美元(5PB高性能NVMe存储)、电力基础设施40万美元(PDU、UPS系统和配电设施)、冷却系统35万美元(能够散除1MW热量的精密冷却)。 年度运营成本(约232万美元/年)包括:电力消耗42万美元(按每千瓦时0.12美元计算,100-GPU集群持续消耗400kW)、冷却成本12.6万美元(电力成本的30%)、数据中心空间24万美元(2500平方英尺)、网络连接12万美元、软件许可证20万美元、维护和支持26.5万美元、保险5.3万美元、人员成本90万美元(5名全职员工,包括一名年薪27.5万美元的GPU工程师)。 这一TCO模型的管理含义是深远的。第一,电力成本是“隐藏的主角”:五年的电力成本(210万美元)接近GPU硬件成本(300万美元)的70%。这意味着电价差异对算力资产的总拥有成本有显著影响。阿里云在乌兰察布的实践表明,“同样的一个机房运行算力,如果放在乌兰察布,相较于布局在其他城市,每年的电费能够节省50亿元”——这一数字在十年周期内就是500亿元。第二,人员成本被严重低估:五年的人员成本(450万美元)超过了GPU硬件成本(300万美元)。一名GPU工程师的年薪27.5万美元意味着一个100-GPU集群需要“两到三块GPU的年产值”来养活一名工程师。第三,利用率是“杠杆之王”:“利用率从60%提升到80%,有效成本降低25%”。这一“利用率每提升1个百分点,单位算力成本下降约1.25%”的杠杆效应,使调度优化成为成本核算中“回报最高的投资”。 (二)成本归集的多维度框架 算力资产的成本归集需要从“资源维度”和“业务维度”两个层面进行。根据算力服务企业的成本核算实践,算力云服务的成本结构主要包括“设备折旧、带宽成本、人工成本及托管费用”,其中“设备折旧为占比最高的固定成本,随着收入规模扩大,单位收入分摊的折旧成本被逐步摊薄”。 资源维度的成本归集将成本按照物理资源类型进行划分。AIDC综合业务的成本构成包括“运营成本、电费、折旧摊销、机房房租物业费、直接人工及其他费用”,其中“运营成本包含带宽、IP地址、机柜租赁等相关支出”。这一“资源维度”的成本归集使管理者能够识别成本结构中的“大头”,并针对性地进行优化。 业务维度的成本归集将成本按照业务类型或客户进行划分。算力服务业务的成本归集需要“按照项目对其成本进行归集”,对于“设备销售业务,由于收入成本均一一对应,因此无需进行分配”,而对于“技术服务,按照实际采购的硬件资源、技术支持、劳务、职工薪酬等结转主营业务成本”。这一“业务维度”的成本归集使管理者能够评估不同业务线的盈利能力,并为定价决策提供依据。 多租户场景下的成本分摊是成本归集的核心难点。根据共享GPU基础设施的成本分摊框架,运营费用“占总成本的60%,需要准确归属”。分摊的关键维度包括“按每度电0.10美元计算,每块GPU年电费增加6,000美元;冷却成本相当于电费的40%;数据中心空间每平方英尺每年200美元”。分摊算法的选择需要考虑公平性(谁使用谁付费)、可操作性(计量成本不能超过分摊收益)和激励相容性(分摊规则不能扭曲使用行为)。 (三)折旧方法与年限的“动态匹配” 折旧是算力资产成本核算中最具“会计政策选择”色彩的环节。传统IT资产的折旧通常采用直线法,折旧年限为3-5年。但算力资产的折旧需要引入“技术迭代折价”因子,使折旧曲线更准确地反映资产的经济寿命。 折旧方法的选择需要平衡三个因素。第一,技术迭代速度:英伟达的GPU每18-24个月更新一代,每一代的性能提升在数倍到十倍之间。这意味着算力资产的“经济寿命”可能远短于其“物理寿命”。第二,利用率的“有效折旧”:一台满负荷运转的GPU的“有效折旧”速度快于一台闲置的GPU——因为前者在更快地“消耗”其经济寿命(面临更快的技术贬值和市场价值下降)。第三,残值的不确定性:二手GPU市场的数据显示,“使用三年的GPU保留原值的20-40%”。这一残值率远低于传统IT设备的残值率(通常30-50%),反映了GPU的技术贬值速度。 折旧年限的确定需要从“物理寿命导向”转向“经济寿命导向”。华为昇腾芯片的迭代节奏正在加速(昇腾960DT提前三个季度发布),这意味着“一年一代”的迭代节奏可能使“三年折旧”都显得保守。百度文心5.1的“6%预训练成本”优势表明,算法效率的提升可以部分抵消硬件迭代的压力——但这也意味着旧硬件在“新算法”面前可能更快地失去用武之地。 从税务和会计合规的角度看,算力资产的折旧需要符合“企业会计准则第4号——固定资产”的要求。但管理会计视角的折旧可以更加灵活——采用“经济寿命折旧”(根据芯片代际状态动态调整折旧率),以更准确地反映资产的真实经济价值。 三、资产估值模型 (一)估值方法的“成本法主导”格局 算力资产的估值方法选择,受到三个独特约束的制约。Kroll的税务估值分析明确指出:“收益法很少实用,因为算力容量通常与长期合同安排绑定,不易作为独立收入流分离。同样,市场比较法受到二手市场有限的制约,特别是对于下一代AI硬件,转售限制和快速淘汰降低了交易透明度。” 因此,成本法——具体为“重置成本法或重置成本减折旧”——成为算力资产估值的主导方法。成本法的核心逻辑是:算力资产的价值 = 重置成本×综合修正系数-处置费用。其中“综合修正系数”包括“使用维护状态修正系数”和“变现折扣系数”,前者“根据资产使用情况、企业维护保养情况综合确定”,后者“反映市场活跃程度不高、竞争不充分的情况下,资产的卖出价与买入价之间的差异”。 这一“成本法主导”格局的管理含义是:算力资产的估值高度依赖于“重置成本”的确定。而“重置成本”的确定面临两个挑战。第一,价格波动:H100的价格从峰值4万美元降至2.5-4万美元区间。这一“峰值溢价下降”的趋势意味着:以历史成本为基础的估值可能显著高估资产价值。第二,系统级定价的复杂性:Kroll的研究指出,“当前一代GPU服务器配置,如英伟达的机架级系统,每机架成本可达350万美元”。这一“机架级定价”使单卡成本的分摊更加复杂——GPU、CPU、NVLink交换机和软件许可的价值需要“打包”评估。 (二)价值驱动因素的“三级分解” Kroll的研究将算力资产的价值驱动因素分解为三个层级: 第一级:软件和保修——被忽视的“价值层”。传统CPU服务器的“软成本”(固件、操作系统、软件许可、保修)通常低于总价值的5%。但在AI服务器中,“软成本可占上一代AI服务器资本化成本的10%-15%,先进AI服务器的30%-40%”。这一“30-40%的软成本占比”的管理含义是:如果软件成本没有被正确地“分离”出来进行税务或会计处理,可能导致“巨额的价值评估偏差”。Kroll的量化分析指出:“对于10亿美元的投资,假设1.5%的税率和40%的扣除额,仅第一年的财产税影响就是600万美元,五年的财产税影响可能达到1800万美元”。 第二级:捆绑和系统集成——“不可分割”的价值。从“模块化服务器”(传统CPU服务器约1万美元,上一代GPU服务器10-50万美元)到“机架级集成系统”(当前一代GPU服务器配置每机架可达350万美元),算力资产的价值捕获单位从“组件”升级为“系统”。这一转变的管理含义是:算力资产的价值评估不能“拆分到单卡”——一台GB200 NVL72的价值不仅取决于其72颗B200 GPU,还取决于其NVLink 5互联拓扑、液冷散热系统和集成软件栈。这些“系统级组件”的价值无法被简单地“按比例分摊”到单卡。 第三级:芯片设计和ASIC——“架构决定价值”。英伟达在AI芯片市场拥有“80-90%的份额”,其“技术路线图持续推动性能边界”。但芯片架构的选择(GPU vs. ASIC)对算力资产的价值特征有根本性影响。GPU的“通用性”使其在多种工作负载中都有价值,但也意味着“为所有工作负载设计”的性能冗余。ASIC的“专用性”使其在特定场景中具有成本优势,但也意味着当工作负载变化时,其价值可能迅速下降。 (三)动态估值模型的“四因子框架” 基于算力资产的四个核心属性(异质性、时效性、网络外部性、金融属性),本报告提出一个动态估值模型的“四因子框架”,将传统成本法升级为更准确地反映算力资产“动态价值”的评估方法。 因子一:设备在线状态因子(Availability Factor)。这一因子反映算力资产的可用性。一台在线且可调度的GPU的价值远高于一台故障或离线的GPU。临港算力披露的“GPU集群对外服务的可用率达到99.5%”表明,高可用性本身就是一种“价值属性”。因子的取值范围为0(完全不可用)到1(完全可用),可根据在线率、故障恢复时间、SLA达标率综合确定。 因子二:利用率波动因子(Utilization Factor)。这一因子反映算力资产的使用强度。Introl的TCO分析指出,“大多数企业实现60-70%的利用率”,而“利用率从60%提升到80%,有效成本降低25%”。因子的计算需要考虑利用率的时间分布——一台持续70%利用率的GPU的价值高于一台平均70%但波动剧烈的GPU,因为稳定的利用率意味着更可预测的现金流。 因子三:技术迭代折价因子(Obsolescence Factor)。这一因子反映算力资产的技术贬值速度。Kroll的研究明确指出,“下一代平台的发布创造了一条陡峭的淘汰曲线,上一代设备可能迅速失去价值——不是因为物理磨损,而是因为AI工作负载中的功能性不足”。因子的确定需要参考芯片代际状态、发布时间、下一代产品的性能提升幅度。华为昇腾960的提前发布意味着昇腾950的“技术迭代折价”时钟加速。 因子四:市场供需调节因子(Market Factor)。这一因子反映市场供需格局对算力资产价值的影响。腾讯刘炽平披露的“部分算力订单如果售出,可较几个月前的采购价高出30%以上的利润”表明,算力资产的“市场价值”可能显著偏离“账面价值”。因子的确定需要参考算力租赁市场的价格指数、GPU现货价格、云服务定价趋势。在供给紧张时期(2026年),市场因子大于1;在供给宽松时期,市场因子可能小于1。 动态估值公式可以表示为:公允价值 = 重置成本×综合修正系数×可用性因子×利用率因子×技术迭代折价因子×市场供需因子-处置费用。这一公式的核心价值在于:它将算力资产的估值从“静态的历史成本”升级为“动态的、多因子的价值评估”,使管理者能够在技术迭代和市场变化中“实时追踪”算力资产的真实价值。 本章小结 算力资产计量与核算,是整个管理框架中“最接近会计学但最不能仅以会计思维来处理”的环节。本章从计量体系、成本核算方法和估值模型三个维度,系统构建了算力资产的核算框架。 计量体系的核心是“多维光谱”:从FLOPS/PFLOPS(物理算力)到卡时(资源消耗)到MFU/HFU(有效算力)到Token(业务产出),再到综合计费(商业计价)。计量精度需要达到秒级,计量技术需要覆盖GPU级、容器级和应用级三个层级。计量数据的纵向一致性比横向精确性更重要。 成本核算方法的核心是“TCO完整框架”:硬件采购仅占五年总拥有成本的35%,电力、冷却、人员和维护占65%。利用率是“杠杆之王”——从60%提升到80%,有效成本降低25%。成本归集需要覆盖资源维度和业务维度,折旧需要从“物理寿命导向”转向“经济寿命导向”。 资产估值模型的核心是“四因子动态框架”:在成本法主导的格局下,估值需要纳入可用性因子、利用率因子、技术迭代折价因子和市场供需因子。算力资产的公允价值可能显著偏离账面价值——在供给紧张时期,市场因子大于1;在技术迭代加速时期,折价因子小于1。 本章的核心命题是:算力资产的核算目标不是“记录成本”,而是“发现价值”。在算力资产金融化的时代,“每一单位算力在特定场景、特定时间窗口内实际创造了多少价值”,才是核算的终极问题。回答这个问题的能力,正是“会计账簿”与“价值账本”之间的根本差距。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|