英伟达以每兆瓦约6000万美元的AI工厂为对象，用SemiAnalysis数据称Vera Rubin NVL72每兆瓦吞吐量超GB300 NVL72逾30倍、每百万token成本最多低45倍

文章把AI工厂的回报拆成产能收益、有效寿命与需求三项，并指出三者不能相互完全补偿：产能再高，若只卖出部分产出也意义有限；需求再旺，若一年后无法满负荷生产也意义有限。 相对于只谈算力峰值或单位成本的常见讨论，这里把功率约束下的token产出、硬件折旧年限与工作负载多样性放进同一个回报框架，并强调三者相互关联——能跑更多种类工作负载的工厂更容易找到需求，从而年复一年持续产生收益。 这是文章提出的分析框架，属于论证性论述而非实验测量；文中以每兆瓦工厂约6000万美元的资本规模说明为何运营商需要清晰的回报视角。

在产能收益方面，文章称功率是AI工厂的硬约束，因此每秒每兆瓦token数决定产能收益；引用SemiAnalysis AgentX数据称Vera Rubin NVL72每兆瓦吞吐量超过GB300 NVL72逾30倍，在DeepSeek V4 Pro模型上每百万token成本最多低45倍。 把衡量单位从绝对吞吐量转为每兆瓦吞吐量与每百万token成本，直接对应固定功率预算下的收入与毛利，并把这些增益归因于从模型与工作负载到软件、计算、网络与内存的全栈协同设计。 数据来自第三方SemiAnalysis AgentX，文章给出的是倍数区间（逾30倍、最多45倍）而非完整测量细节；读者无法从本文看到测试配置、模型规模或测量方法。

在有效寿命方面，文章称并非所有工作负载都需要最新系统，合适与否取决于工作负载的复杂度与形态，因此上一代硬件在新架构到来后仍继续产生收益；A100自2020年出货后六年后仍在商用，CoreWeave将2020年首批设备的预订延长至2029年。 把折旧年限从会计假设变成可观察的市场现象：文章引用Barkr对八卡H100系统给出五到六年、对GB300 NVL72给出九到十年的使用寿命估计，Silicon Data显示六年机龄的A100仍值原价的四分之一（而五年折旧表在一年多前已将其计为零），Ornn Data发现市场对A100的五年租约价格是一个月租约的80%。 由多家第三方数据源（Barkr、Silicon Data、Ornn Data）与运营商折旧表调整共同支撑，属于市场观察与二手估值证据；文章还提到2026年9月Sprout的分析《The Productive Life of a Data Center GPU》追踪各主要运营商的折旧表变化。

在需求（通用性）方面，文章称英伟达AI工厂可运行开放与专有模型，覆盖语言、视觉、生物、物理与机器人，贯穿数据处理、预训练、后训练与推理各阶段，并部署于超大规模云、AI云、主权项目、企业数据中心与边缘；同一基础设施还运行数据处理、科学计算、仿真与图形等非AI负载。 文章把通用性论证落到生产案例：Lilly在1016块GPU的本地集群上运行蛋白质、小分子与基因组模型；Pinterest在跨14000块GPU（含Blackwell、Hopper及更早架构）的超大规模云上做视觉语言模型的后训练与部署；Revolut用cuDF处理数十亿条交易记录；Runway在Hopper上训练世界模型并在Blackwell上服务；德州农工大学在26个项目、七家机构间以95-98%利用率运行分子模拟与AI药物发现；Dassault Systèmes支撑Wichita State的飞机认证虚拟孪生与Lucid Motors的车辆设计；Unilever用数字孪生替代实拍制作产品图像，将制作成本减半。 案例来自具名客户与机构，含具体GPU数量与利用率数字；但均为企业自述或厂商汇总，文章未提供独立审计或对照基线。

文章面向正在评估兆瓦级AI工厂资本投入的运营商、投资者与企业IT决策者，适用场景是功率受限、需要长期折旧与多工作负载复用的数据中心。它提供的是一套评估语言：以每秒每兆瓦token数衡量产能收益，以市场残值与租约价格观察有效寿命，以可运行的工作负载种类衡量需求。对读者而言，这套框架可用于向供应商提问——例如要求给出每兆瓦吞吐量的测量配置、折旧假设与工作负载组合，而不是只接受峰值算力或单位token价格。

读者仍会关注几处开放问题：SemiAnalysis AgentX的30倍与45倍是在何种模型规模、批量与功率配置下测得，文章未说明；Barkr、Silicon Data与Ornn Data的估值基于二手市场与租约报价，其代表性随地区与时间变化；文章提到2026年9月Sprout的分析追踪折旧表变化，但未给出具体数值；客户案例中的利用率与成本节省（如95-98%利用率、制作成本减半）缺少对照基线。此外，文章由硬件供应商发布，读者在采纳其回报框架时，宜与独立测算和自身工作负载结构交叉验证。