Графический процессор Nvidia может работать годами, но всё же быстро устареть с экономической точки зрения.
Это различие имеет значение, поскольку Microsoft, Alphabet, Amazon и Meta вкладывают огромные суммы капитала в инфраструктуру ИИ. Инвесторы обычно сосредотачиваются на первоначальной стоимости чипов и центров обработки данных, но амортизация определяет, какая часть этих инвестиций в конечном итоге становится расходом в отчете о прибылях и убытках.
Амортизация распределяет стоимость оборудования на весь его ожидаемый срок полезного использования. Компания, потратившая 1 миллиард долларов на серверы, обычно не учитывает всю эту сумму в качестве расхода сразу. Вместо этого стоимость признается в течение нескольких лет.
Проблема с аппаратным обеспечением ИИ заключается в том, что физический и экономический срок службы могут сильно различаться.
Почему ИИ-графические процессоры могут быстро терять стоимость
ГПУ не обязательно должен перестать функционировать, чтобы потерять в ценности.
Новые поколения могут обучать модели быстрее, потреблять меньше электроэнергии и обеспечивать больше вычислительной мощности за доллар. Это означает, что более старый ускоритель может оставаться технически пригодным для использования, но его эксплуатация становится все более дорогой по сравнению с новым оборудованием.
Быстрый цикл продуктов Nvidia делает это особенно важным. Компания перешла от Hopper к Blackwell, продолжая разрабатывать новые архитектуры, что увеличивает риск того, что дорогостоящее оборудование для центров обработки данных устаревает экономически быстрее, чем традиционные серверы.
Nvidia представляет свою текущую стратегию продуктов и технологий через свои материалы для инвесторов.
Проблема также напрямую связана с тем, приносит ли беспрецедентные корпоративные расходы на ИИ действительно привлекательную отдачу. Наше руководство по доходности инвестиций в ИИ объясняет, как инвесторы могут использовать свободный денежный поток, маржу и рентабельность вложенного капитала, чтобы оценить, окупаются ли эти расходы.
Почему амортизация может изменить прибыль крупных технологических компаний
Представьте, что компания тратит 6 миллиардов долларов на серверы ИИ и ожидает, что они будут полезны в течение шести лет.
Проще говоря, это может означать примерно 1 миллиард долларов США годовой амортизации до учета временных факторов и других бухгалтерских деталей.
Если руководство придет к выводу, что оборудование останется экономически полезным только в течение четырех лет, годовые расходы могут значительно возрасти.
Важный момент заключается в том, что изменение предположения о полезном сроке службы может повлиять на отчетную прибыль, не изменяя сумму денежных средств, изначально потраченных.
Крупные облачные компании раскрывают эти предположения в своих финансовых отчетах. Инвесторы могут ознакомиться с политикой амортизации Microsoft через ее отчеты для инвесторов, раскрытия Alphabet — через Alphabet Investor Relations, а отчеты Amazon — через Amazon Investor Relations.
Это не означает, что более старые видеокарты внезапно становятся бесполезными. Компании могут перевести их с требовательных задач обучения моделей на выполнение инференса, внутренние приложения или менее ресурсоемкие задачи.
Вторая жизнь может продлить их экономическую полезность.
Число, которое должны действительно отслеживать инвесторы
Следовательно, самый большой вопрос заключается не просто в том, сколько крупные технологические компании тратят на GPU.
Зависит от того, растут ли выручка и денежный поток, генерируемые этими GPU, достаточно быстро, чтобы компенсировать износ, стоимость электроэнергии и быструю технологическую замену.
Это становится важнее по мере роста доходов Nvidia от чипов для ИИ. Недавний обзор финансовых результатов Nvidia от Coinpaper демонстрирует исключительный масштаб текущего спроса на ускорители.
Стоимость оборудования — это также лишь часть уравнения. Современные центры обработки данных для ИИ потребляют огромные объемы электроэнергии, что делает доступность энергии еще одним все более важным ограничением. Объяснение от Coinpaper по теме рынков энергии для ИИ исследует, почему экономика электроэнергии в конечном итоге может стать столь же важной, как и сами GPU.