管理数十亿算力多头：为什么不看发布会看利用率
本节学什么
Gavin Baker 的算力框架，入口不是模型发布会、参数规模或单季 CapEx 标题，而是把数据中心看成一座会折旧的 token factory。第一讲先把 AI 基建从叙事还原为资产回报问题：一批 GPU 进机房以后，能否被持续使用、能否产生足够高价值任务、能否覆盖电力、网络、折旧和资金成本。
核心框架
这节课只训练三张表。第一张是利用率表：GPU 是否排满、负载是训练还是推理、客户是否稳定、闲置时间如何处理。第二张是单位经济表：每瓦 token 吞吐、每 token 收入、租金、折旧和维护成本是否能闭合。第三张是物理约束表：晶圆、HBM、先进封装、电力和数据中心交付节奏是否支撑需求。三张表缺一张，就不能把 CapEx 自动写成价值创造。
怎么读公开材料
读 Gavin 的公开发声和组合线索时，不要把强观点当成结论，要把它拆成可观察变量。看到云厂扩大投入，先问收入和负载能否覆盖折旧；看到算力云融资，先问租约、客户质量和 GPU 租金是否能维持；看到硬件路线更新，先问它解决的是训练、prefill、decode、长上下文还是 agent 负载。课程只做研究框架，不替代独立判断。
课堂练习
选一条 AI 数据中心或算力云公告，写出四栏：公告声称的新增算力、已经公开验证的客户/电力/交付条件、仍缺的证据、可能推翻原假设的情形。只要后两栏更长，就先把它放在观察池，而不是把它当成已兑现的资产回报。
GPU 利用率 = AI 公司新 ROIC
本节学什么
传统科技股常从收入增长、毛利率和现金流看回报；AI 基建还要先看 GPU 利用率。GPU 是高额、快速折旧、依赖电力和网络配套的资产，如果负载不足，账面上的算力储备会变成折旧压力。Gavin 的方法把“拥有多少 GPU”改写成“这些 GPU 以什么价格、服务什么任务、运行多少时间”。
核心框架
利用率拆成四个变量：任务质量、排队强度、客户稳定性、折旧节奏。任务质量决定同样一小时算力能否产生高价值收入；排队强度决定租金和可用率；客户稳定性决定收入是否只是短期抢卡；折旧节奏决定硬件代际更新时旧资产是否还能工作。四个变量合起来，才接近 AI 基建的 ROIC 读法。
证据清单
公开证据通常不会直接给出完整利用率，所以要用替代指标交叉验证：云厂 AI 收入披露、GPU 云合同、租赁价格变化、资本开支节奏、折旧年限、数据中心交付、客户集中度和推理量增长。任何单一指标都可能误导；租金高可能代表稀缺，也可能代表短期错配。
课堂练习
把一个 AI 基建主体拆成“资产、负载、价格、折旧、反证”五栏。反证至少写三条：客户预算下修、推理价格下降、硬件代际替代、交付延迟或电力约束。练习目标是把乐观叙事改造成可复核的资产回报模型。
GPU 租金 = AI ROI 的心跳
本节学什么
GPU 租金是 AI 基建周期里最敏感的温度计之一。租金上行可能说明供给紧张、客户愿意为时间付费；租金下行可能说明新供给到场、模型效率提升、负载迁移或客户预算趋谨慎。本节不把租金当短线信号，而是把它放进算力云和数据中心单位经济中观察。
核心框架
租金要和四个条件一起读。第一，硬件代际：新 GPU 到场会改变旧卡价格和利用率。第二，客户类型：前沿训练、企业推理、短期实验和长期生产负载的稳定性不同。第三，资金结构：高杠杆购买硬件会放大租金波动对现金流的影响。第四，电力和网络：硬件到手不等于可售算力，机房交付和并网仍然限制真实供给。
证据清单
可用公开材料包括云服务价格页、算力平台披露、客户合同描述、融资文件、折旧政策、资本开支说明和行业访谈。课程要求把价格样本写明日期、来源和口径，避免把局部报价外推成全行业水平。若来源无法复核，只能作为观察线索。
课堂练习
选择一个 GPU 租赁或算力云样本，写出“收入端、成本端、折旧端、闲置风险、反证条件”五段。最后回答一个问题：如果租金下降 20% 或利用率下降 10 个百分点，原来的单位经济还是否成立。这里只做情景分析，不输出交易动作。
