"如果GPU是生产性资产，为何Nvidia不自己出租？"——Chanos的问题，没有人能回答
“如果GPU是生产性资产，为何Nvidia不自己出租？”——Chanos的问题，没有人能回答
2026年9月8日，同一天：Jensen Huang宣布”AGI已到来”，H100月租价在过去一个月涨了22%。
传奇做空者Jim Chanos，在社交媒体上发出了一个问题——
“如果Nvidia的算力真的是’可替换、耐用且高度可租赁的生产性资产’，那为什么Nvidia自己不出租它们？”
这个问题，没有人给出让人信服的答案。
黄仁勋的算力资产论
Jensen Huang近期在接受采访时，把Nvidia的GPU算力定性为”可替换的、耐用的、高度可租赁的”资产，类比工业设备或商业地产，是”能创收的生产性资产”。
这个表述背后，有一个市场结构。
AI算力租赁市场正在蓬勃生长：CoreWeave（2025年在纳斯达克上市，估值超100亿美元）、Lambda Labs、Voltage Park——这些公司的商业模式是：从Nvidia买GPU，配上电力、制冷和网络，然后以远高于购买成本的租金出租给AI公司。
他们是AI基础设施的”算力房东”。
Jensen Huang的发言，实际上是在给这个市场提供背书：我们的GPU是有价值的资产，买了就能租，租了就能赚。这支撑了这些公司的高估值，也支撑了Nvidia在算力出租经济链中的上游地位。
但Chanos注意到了逻辑链里的一个裂缝。
Chanos的问题：逻辑链里的裂缝
Chanos的质疑，用最简单的语言来说：
如果GPU算力真的像黄金或房产一样稳定保值可出租，理性的经济主体应该自己做出租，而不是以”零售价”卖给二道贩子再让二道贩子出租。
Nvidia选择不做出租业务，背后可能有三种解释：
解释一：运营成本和风险太高。维护大规模数据中心、处理客户合同、管理电力和制冷——这些运营复杂度确实很高。但这个解释暗示了一件事：算力出租业务的”风险”比Nvidia在黄仁勋的表述中暗示的要大。
解释二：GPU租赁市场的高租金是临时性的，不可持续。如果一个月内H100租金涨22%（黄仁勋引用的数据），这可能是GPT-6 Astra发布后的短暂需求冲击，而不是代表长期均衡。如果Nvidia预期这个高租金不可持续，他们当然不会把大笔资金锁定在租赁业务里。
解释三：Nvidia的定价策略已经把”资产溢价”折算进了出厂价。如果Nvidia卖出的每张H100，价格已经包含了未来租金的一部分折现值，那算力房东们赚的差价，已经被Nvidia在前端拿走了一部分。
无论哪种解释，Chanos的质疑都成立：那些花高价购入Nvidia GPU再出租的公司，承担了Nvidia不愿意自己承担的风险。
算力商品化正在发生
Chanos的问题，在2026年的AI格局中，有一个更宏观的背景。
一，Nvidia的垄断正在被侵蚀。
高通与AWS宣布了跨多代定制芯片的合作（价值600亿美元的芯片采购权证）。Google的TPU v6、AWS的Trainium 2、微软的Maia 2、AMD的MI325X——每一家云巨头都在用”自研芯片”战略，降低对Nvidia的依赖。
当多方供应商进入市场，算力的稀缺性必然下降，租金的溢价空间也必然收窄。
二，模型效率提升正在压缩每任务的算力需求。
DeepSeek蒸馏技术、Anthropic Claude Fable 5.1的25%降价、OpenAI API token价格的持续下降——这些都意味着：同样的AI任务，所需的算力在快速减少。如果每个任务的算力消耗减少一半，你需要的H100数量也就减少一半。
当H100的需求下降，租金溢价就会消失。
三，AI公司正在自建GPU集群。
OpenAI、Anthropic、Google、xAI——这些公司规模越大，自建GPU集群的经济性越优于租用。等到他们的自有算力达到规模，对算力租赁市场的需求会显著减少。
这场争论的历史先例：光纤泡沫
Chanos做空的历史，有一个值得参照的案例：2000年代初的光纤泡沫。
1999-2001年，互联网用户爆炸式增长，带宽需求预测达到惊人数字。Global Crossing、WorldCom、JDS Uniphase大量铺设海底光纤——他们的逻辑和今天的算力房东一模一样：需求会永远增长，基础设施资产会永远有价值。
2001-2003年，光纤价格崩溃95%，Global Crossing和WorldCom破产。过度建设，加上技术进步（WDM技术让同样的光纤传更多信号），让原本稀缺的资产变成了过剩资产。
Chanos没有说AI和互联网一样会泡沫化。但他说：每一次技术基础设施投资浪潮，都经历过过度建设。铁路、光纤、数据中心——这是规律，不是例外。
问题不是算力需求是否真实，而是当前的算力资产定价，是否把”永远稀缺”的假设折算进去了太多。
H100月租涨22%：信号还是噪音？
黄仁勋引用的”H100月租一月内涨22%”，是支撑其”算力资产论”的关键数据点。
Chanos认为这需要正确解读：
一个月内涨22%，年化是264%。如果这是可持续的，那H100在一年内就能回本。但这个年化涨幅，和算力市场的实际供需关系相符吗？
更可能的解释：这是GPT-6 Astra发布后，企业用户短期集中试用新模型，引发了短暂的算力需求冲击。这类”事件驱动的短期涨价”，和长期均衡租金没有关系。
如果六个月后，H100租金回落到涨价前的水平，Chanos的逻辑就得到了支撑。如果继续涨，说明需求端的增长真的超过了供给。
这是一个值得追踪的数据点。
Chanos到底在做空什么？
他反复澄清：他不是在做空Nvidia本身。他反而认为Nvidia应该直接提价——如果算力真的这么有价值，出厂价不够高。
他的做空对象，是那些以高溢价购入Nvidia GPU、靠出租差价赚钱的公司——CoreWeave是最典型的代表。
这些公司的价值，建立在两个假设之上：GPU算力持续稀缺，以及AI推理需求持续指数增长。
如果这两个假设同时遭遇压力，这些”算力房东”的资产负债表会迅速变得危险。
这不是说AI商业化是假的。这是说，在真实的商业化之上，存在一层定价泡沫——而那层泡沫，就是Chanos准备做空的部分。
结语：最重要的问题，从来不是”技术对不对”
光纤是真实的。互联网是真实的。但光纤泡沫依然发生了。
算力是真实的。AI是真实的。但这不妨碍算力资产的定价中，可能包含了过多的”永远稀缺”假设溢价。
Chanos的问题——”为什么Nvidia不自己出租”——不是要否定AI，而是要撬开算力经济学里一个没有被认真审视的假设。
在AI乐观情绪达到新高峰的一天，有一个做空者愿意问这个问题，本身就有价值。
他可能是错的。他的时机可能不对。但在一片”AGI已到来”的呼声里，这个问题值得认真对待。
参考资料
- Jim Chanos. Social media posts on Nvidia GPU economics, September 8, 2026. Referenced via Yahoo Finance: https://finance.yahoo.com/technology/ai/articles/jim-chanos-questions-nvidia-ai-054357167.html
- Jensen Huang. Public statements on GPU as productive assets, September 2026, referenced in multiple media reports.
- Qualcomm-Amazon custom chip deal. CNBC, September 8, 2026. https://www.cnbc.com/2026/09/08/qualcomm-amazon-data-center-infrastructure-deal.html (context for competitive GPU market)
- CoreWeave S-1 and IPO documentation, 2025.
附：算力经济学的关键矛盾——谁是最后的受益者？
在整个算力经济链里，有三类主要玩家：
Nvidia（硬件制造商）：卖GPU，利润率超高（净利润率约55%），一手交钱一手交货，不承担后续租金波动风险。
算力房东（CloudSpace）：用借贷资本购买GPU，以数据中心形态管理资产，出租给AI公司，赚取租金差价。资产负债表重，风险高，依赖GPU持续稀缺。
AI公司（最终用户）：按需租用算力，运行模型，最终把AI能力变成产品或服务售卖。
在这个链条里，谁赚到了最多的钱？
Nvidia：以近乎垄断的硬件地位，收取了所有链条参与者的入场费。它的利润，不来自算力是否被有效利用，而来自算力”被购买”这个动作本身。
AI公司：最终的价值创造者。但他们也是算力成本的承担者——运营成本越高，利润空间越薄。
算力房东：它们是链条中最脆弱的一环。它们承担了最重的资产风险（固定资产折旧），却没有上游（Nvidia）的定价权，也没有下游（AI公司）的产品溢价。它们的利润，完全依赖于”算力持续稀缺”这一单一假设。
Chanos做空算力房东，而不是Nvidia，本质上是一个精准的价值链分析：当稀缺性消失时，链条中最没有定价权的环节，将首先感受到压力。
几个值得持续观察的数据点
如果你想追踪Chanos的质疑是否正确，以下是值得关注的指标：
-
H100/H200的二级市场租金走势：是否从9月的高点开始回落？（Lambda Labs、CoreWeave的公开价格可以追踪）
-
CoreWeave的客户集中度：微软是其最大客户。如果微软加大自建GPU集群投入，CoreWeave的收入将首先受冲击。
-
AI推理成本的季度变化：OpenAI API、Anthropic API的token价格走势，是推理效率提升的直接指标。如果价格持续下降，说明同样的算力能做更多任务，GPU需求密度在下降。
-
云厂商自研芯片的进展：AWS Trainium 3、Google TPU v7的发布时间和性能。每一次自研芯片发布，都是对通用GPU市场的替代压力信号。
这些数据，将在接下来12-18个月里，逐渐给出Chanos问题的答案。
无论结果如何，Chanos在这个时刻提出的问题，都是有意义的。市场需要怀疑者，就像科学需要可证伪性一样。当所有人都在说是，有一个人说「但我想知道为什么」，这个声音，值得倾听。