六倍。梁文锋买显卡的钱，十个月就赚回来了

十个月。

梁文锋算的这笔算力账，最硬的一条是：美国B系列GPU，买进来跑起来，十个月把本钱挣回来。这笔账的另一个数是六倍利润。不是慢慢摊回来的那种。

这背后是规模。DeepSeek手上的算力大约是两万张H100等效。两万张卡按十个月的节奏走，第一批付清之后，每过一个十个月，赚出来的钱又够再买下一批，再下一个十个月，又是一批。卡在报废之前，已经把自己赚回来好几轮。

我盯着这两个数看了半天，才有下面这个形状。这才是这笔账真正的形状。不是财务口径里讲投资回收期的那句话，而是一笔钱在一个又一个十个月里反复把自己变成更多的卡。设备寿命是有限的，但在寿命走完之前，它已经反复回本了。

产出那一端也得对得上。OpenRouter上V4 Flash的推理调用量，每周4.66万亿token。卡买回来是要跑东西的，这个数每周都在流动，说明那些卡不是摆着看的。

绕回来，这跟看文章的人有什么关系。公司自己回本，回的是它投在卡上的钱；你买它的股票、买沾它的基金，成本是你买入的价位，不是它的卡价。它把账算得再漂亮，也不等于你在任何一个价位买进去都划算。

一张卡买回来，会计上叫资本开支，落到利润表上叫折旧。折旧跟日历走，不跟使用率走。卡闲置一天，那天的折旧照提，电费可以不交，机房可以关灯，账面成本一分不少。所以买卡的人和租卡的人算的是两本账：租卡的按小时付费，停了就停了；买卡的先把一笔钱砸出去，之后每分每秒都在等它把钱挣回来。

我翻它最近几次公开数据，最刺眼的是这一条——推理需求的增速。训练增长56%，推理增长122%，后者的速度是前者的两倍多。训练是阶段性的，一个模型训完，集群空出来等下一个项目；推理是持续性的，用户每问一次，卡就得转一次。算力重心从训练挪到推理，等于把那些卡从项目间隙里捞了出来。

真正让我停下来的数字是每周4.66万亿token。这是DeepSeek V4 Flash在OpenRouter上的推理调用量。这个量级说明卡不是停在那里等人来用，是后面排着队。

另一边的数字更硬：美国最大模型激活800B参数，国内还是几十B，差着一个数量级。这说的不是卡闲着，是卡不够。对拿着相关股票或基金的人来说，这条链的意义在这里——买卡的钱不会因为算力够用就停下来，折旧会一年一年压在利润表上，而每一分折旧都要靠后面一周一周的token量去填。填不满，利润就薄一分，你买入价对应的那个估值也就悬一分。

他没接着下单。

上一节那笔折旧要一周一周用token去填，最省事的做法是继续买卡：卡越多，算力越确定，财务上越好讲故事。这条路他没走。

看510亿融资怎么分：算力中心、自研芯片、人才，三块并排写在一起。自研芯片这块，行业对设计成本的估算在5亿美元量级，而这只是设计，不含后面的流片、量产和软件栈适配，也不保证第一次就能点亮。

5亿美元要买的东西，如果只是更便宜的卡，这笔账不好算——单款推理芯片摊不掉这么重的设计费。真正关键的是跑通之后拿到的那层东西：对底层算力的完全控制。

控制权听着虚。老实说第一次看到这个说法，我也觉得是套话。落到报表上不虚。买卡是资本开支，卡在财报里一年一年折旧，折旧是刚性的，token量掉下来它不跟着掉，这正是上一节那根悬着的线。自研芯片跑通之后，成本从持续折旧变成设计费摊销加晶圆采购，后者跟着出货量走，出货少就少花钱，利润不会被一块固定成本按在地上。

对拿着股票的人来说，这里决定了你在为什么付钱：为一条必须一直满负荷才能不亏的资产付钱，还是为一条能随需求收缩的资产付钱。5亿美元没跑通就是沉没成本，要拿利润往里填。

造芯片和买芯片，花的是两种钱。

买卡的钱更像租金。这一批买了，下一批需求涨上来还得再买，价格随行就市，付出去就没了，账上不留东西。造芯片的钱更像首付。5亿美元的设计成本砸进去，流片之前一分钱收入都没有，做砸了就是沉没成本。

两笔钱的时间形状不一样。租金是一串，年年往外流；买房是一个点，一次性。

所以自研太贵这个判断，只在算力需求不涨、卡价不跌的前提下成立。租金一旦往上走，那个一次性付出的5亿美元就会被摊薄，不是因为造芯本身变便宜了，是因为不造芯要付的租金总额追上来了。

说实话，散户在这里容易看反，而且反得很吃亏。一家公司研发费用突然多出5亿美元，利润表立刻难看，很多人的第一反应是抛；另一家每年买卡、把成本摊进当期费用，利润平滑得像没事，反而显得稳。前者的钱换成了资产和议价权，后者的钱换成了过去。租金涨价时挨打的是后者，而挨打的成本会从毛利里出，最后从你手上的股价里出。

还有个信号值得盯住：一家公司开始用电价逻辑来分配算力，说明它的芯片已经不够用了。不够用，意味着它还得继续交租，而租金往哪个方向走，不由它自己定。

第一堵墙是制程。7nm是上限，不是起点，往上每一代都要设备、要时间、要试错，而设备这一环不是花钱就能解决的。华为950四张才顶一张GB300，落后两年，这个差距不是某一项参数落后，是整条链条一起落后。

值得盯住的是“两年”这个量级。芯片行业两年是两代产品，客户在这两年里会习惯另一套工具链，习惯之后就不太愿意换回来。

第二堵墙是软件栈。CUDA 不只是一个驱动，而是一整套生态：库、编译器、开发者的使用习惯、十几年堆起来的代码。硬件做出来，代码跑不上去，就等于没有。这一层没有捷径，只能一家一家适配，一个一个开发者去说服。

第三堵墙最实在，也最难受：5亿美元，加数年时间。这是入场费，不是成功费。花完这5亿美元和这几年，才走到起跑线。

而且这三堵墙是叠加的，不是三选一。绕过一堵，另外两堵还在；三堵同时挡着，通行时间就会拉长。

对持有算力股的人来说，真正关键的地方不在技术，在估值。你买的是国产替代的预期，付的是“已经追上了”的价格，而实际交付的芯片是四张顶一张、落后两年。

这个差价不会消失，它只是从公司的账上，转到持有人的成本里。

推理算力需求增长122%，训练增长56%。两个数字摆在一起，重心的位置不用猜。

训练是一次性投入，推理是每天在烧。模型上线之后每一次调用都在产生成本，122%对56%，这笔天天要结的账正在以两倍于训练的速度膨胀。

真正关键的是510亿。74亿美元，首轮外部融资，估值520到590亿。钱是够多的。

但钱买不来每Token成本的下降。买卡、买电、买带宽，这些花出去只是入场券。推理不像训练，训练可以堆卡可以等，推理停不下来。每Token成本比对手高一分，规模越大亏得越多。这不是毛利率的事，是活不活得下去的事。

122%这个增速把成本结构的问题放大了。推理需求涨得越快，谁的成本高谁就死得越快。

把Token一路做到硅片里，说的就是这件事。从芯片到模型到推理，中间每一层都不假手于人，成本才压得到别人压不到的地方。不是挑一个更好的上家，是每一层都自己做。

散户容易被520到590亿的估值吸引。但估值是别人给的，成本是自己扛的。公司扛不住每一Token的账，股价就撑不住那个估值。买在那些数字上的人，最后承担的是那笔从公司账上转出来的成本。这一层我反复确认过，不是修辞。