买卡只是首付：每块 GPU 每年约 2000 美元的软件费，把「自建 AI」的账重算了一遍

在柏林的 GTC 大会上，黄仁勋被问到英伟达的软件怎么收费，给了一个例子：为 AI 工厂里运行智能体的软件授权，大约是每块 GPU 每年 2000 美元。他还说了一句更值得记住的话——软件授权会成为公司业务中「越来越重要」的一部分。

把这句话换算一下：一千块 GPU，一年就是 200 万美元；五年就是一千万美元。对于正在算「自建还是租用」的企业，这不是一个可以忽略的零头，它足以改变两种方案的成本排序。

但先别急着转发。英伟达没有公布这个价格的生效时间、覆盖哪些软件、授权期限多长，也没有说明它和现有的 AI Enterprise（挂牌 4500 美元/GPU/年）是什么关系。把它当成「官方价目表」会误导预算，把它当成「未来会有这一行」则相对稳妥。

已知的部分不多，但都关键。时间：GTC 柏林在 10 月 21 日开幕，黄仁勋的相关表述由 Tom's Hardware 在 10 月 25 日刊出。原话：大约每块 GPU 每年 2000 美元，用于运行英伟达提供的、在 AI 工厂上跑智能体的那些软件。背景：英伟达现有 AI Enterprise 平台挂牌价是 4500 美元/GPU/年（一年期订阅）。

未知的部分同样关键：新收费何时生效、覆盖哪些产品、是否按 GPU 型号分级、是否有最低采购量、与 AI Enterprise 是否重叠、是否只对新建 AI 工厂适用。英伟达没有确认 2000 美元和 4500 美元覆盖同样的产品，所以不能把这理解成降价。

这种「给了示例、没给条款」的状态，在基础设施行业很常见。厂商先放风测试市场反应，再根据客户反馈调整范围和价格。对企业的意义不是「现在就要付」，而是「预算表里要预留一行，合同里要留一条上限」。

更稳妥的用法，是把这条消息当成一次内部演练：让财务按 1500、2000、3000 美元三档做敏感性测算，让 IT 列出「哪些功能离开它就跑不了」。两条线交叉，才知道自己到底有多依赖，也才知道真到谈判桌上，哪些是可以让的、哪些是不能让的。

自建 AI 的账单至少有五行：GPU 与服务器、软件订阅、电力与制冷、运维人力、迁移与锁定成本。过去大家只算第一行，因为它是最大的一笔；现在第二行和第五行开始变得不可忽略。

以一个 100 卡的小型集群为例，粗略算五年的账：硬件按每卡 30 万元计，约 3000 万元；软件按 2000 美元/卡/年、汇率 7.1 计，五年约 710 万元；电力按每卡 1.2 千瓦、PUE 1.3、电价 0.7 元/度、年运行 6000 小时计，五年约 390 万元；两名运维工程师五年人力成本按 150 万元计。合计约 4250 万元，软件占比约 17%，电力占比约 9%。

这组数字的意义不在精确，而在结构：软件费不是最大的，但它是唯一一项「不随利用率下降而减少」的固定支出。机房闲置时，电费会降，人力可以减，硬件可以不买，但订阅按卡计费，一张也少不了。利用率低于 30% 的自建集群，软件费摊到每次调用上会非常难看。

电价的地域差异会让这张表上下浮动三成。西部某省的工业电价可能只有 0.35 元/度，东部沿海则可能超过 0.8 元/度；同样一座 100 卡集群，五年电费可以差出两百多万元。这也是「东数西算」不只是政策口号的原因——对推理这类可以异步调度的负载，把机房放在电便宜的地方，省下来的是实打实的现金。

2000 美元一年，对单卡来说不算贵。它真正的分量在锁定：当智能体的编排、可观测、权限、审计都跑在某一家厂商的软件栈上，换芯片要改的就不只是代码，还有部署链路、监控指标、故障预案和值班手册。

历史给过参照。CUDA 免费开放十几年，企业想迁到其他生态仍然困难；现在多了一层收费的智能体软件，迁移的理由更少、成本更高。这也是为什么国产 GPU 厂商都在做「CUDA 兼容层」——它们要解决的不是性能，是迁移。

对策不是拒绝某一家，而是把可替换性做成架构要求：推理层用标准协议封装、容器化部署、模型与工具解耦、日志格式统一。这样即使不换供应商，谈判时也有底牌；真要换，也不至于推倒重来。

国产替代是另一条路，但要看清楚替代的是哪一层。芯片可以换，推理框架可以换，真正难换的是围绕某家软件栈长出来的运维习惯与工具链。所以更现实的做法是分层替换：先让推理层可换，再让编排层可换，最后才动数据与模型。一次全换，往往以项目延期收场。

同一个月，Gartner 给了一组更冷的数字：到 2030 年，AI 数据中心需要累计 8.5 万亿美元收入，才能覆盖已宣布的支出、融资成本并实现 12% 的投资回报；而同期能归到数据中心的 AI 收入预计只有 3.6 万亿美元，缺口约 4.9 万亿。该机构还预测，超过 80% 的新云服务商到 2030 年将无法独立运营。

债务市场已经在反应。CoreWeave 背负约 500 亿美元债务，部分债券收益率一度升到 15% 左右，五年期信用违约互换利差本月一度突破 1140 个基点；公司今年资本支出预计最高 390 亿美元，而分析师预计其 2026 年收入接近 130 亿美元、亏损约 21.3 亿美元。马斯克的说法更直接：收入完全依赖 AI 数据中心的新云厂商，融资渠道几乎被切断，200 多家会经历「孔雀鱼级」的死亡与整合。

这不意味着算力会变便宜到随便用。更可能的情况是：短期价格战让租用看起来更划算，中期一批供应商退出、合同重签、迁移成本上升。企业如果正在签三年期的算力合同，供应商存续能力的重要性，可能已经不亚于单价。

对正在租用算力的企业，这一轮出清有两个直接后果。一是短期价格会更便宜，部分供应商为了现金流会给出低于成本的价格；二是合同风险上升，尤其是三年期预付。便宜的价格如果对应一个两年后可能不存在的供应商，省下的钱会在迁移时一次性还回去。

第一种是有稳定高利用率的企业：模型推理常年跑在高位，数据合规要求高，自建或混合是合理选择。这类企业的谈判重点是框架协议——把软件授权的范围、涨幅上限、随卡型分级的价差写清楚，并且要求「同等功能不打折」。

第二种是需求波动明显的中型企业：白天高峰、夜间低谷，或者项目制、忽高忽低。这类企业自建最容易踩坑——为了峰值买卡，为低谷付订阅。更稳的做法是租用加预留实例，把固定成本变成可变成本，同时保留一小部分私有化节点处理敏感数据。

第三种是小型团队：没有机房，也没有运维。直接用 API，把精力放在业务上；唯一需要提前做的，是把数据分级——哪些能出企业、哪些不能，哪些需要脱敏。等敏感数据的处理量到了一定规模，再考虑轻量私有化。

混合架构最容易犯的错，是把「敏感数据本地、其余上云」当成一句口号，却没有在系统里划出边界。真正落地时，需要明确哪些字段必须脱敏后才能出网、哪些请求必须走本地模型、失败时如何降级。边界没划清，混合就会退化成「两套系统各跑一半」，成本翻倍，效率反而下降。

不管最后选自建还是租用，下面这些问题都值得在签约前问一遍。它们不复杂，但能把很多「以后再说」变成「现在写清」。

这十二个问题里，最容易被忽略的是第六和第十。数据与配置能不能带走，决定了你的退出成本；供应商退出后授权怎么处理，决定了你的业务会不会在某一天突然停摆。

把答案写进合同附件，而不是留在销售的邮件里。基础设施的采购，最后拼的不是谁便宜，而是谁在三年后还能把话说清楚。

第一条是价格上限。约定年度涨幅不超过某个百分比，或者约定「新增收费项目需提前 90 天书面通知，且总价涨幅不超过约定比例」。厂商未必答应，但谈了就有锚点。

第二条是范围定义。把「软件授权覆盖哪些产品、哪些负载、哪些环境」写成清单，而不是一句「相关软件」。清单越具体，未来争议越少。

第三条是退出机制：数据导出格式、导出周期、迁移协助时长、历史轨迹保留期限。第四条是服务连续性：供应商被收购、停止服务、破产时的授权延续方案。这四条不一定能全拿到，但至少要拿到两条。

回到最初那个数字：2000 美元。它可能最终不是这个价，也可能只覆盖一部分产品。但它提醒了一件事——AI 基础设施的成本结构，正在从「一次性买硬件」变成「硬件 + 软件 + 电力 + 服务」的长期账单。能把这张账单拆开算的企业，才有资格谈性价比。

对中小企业，还有一个更朴素的建议：先把「一张卡一年能产出多少业务价值」算出来。如果一张卡一年带来的收入或节省的成本，低于它的硬件折旧、软件订阅、电力与人力之和，那么无论自建还是租用，这笔投入都不成立。算不清这个数，任何架构讨论都是空的。