核心觀點

一、新Jensen定律 = AI工廠經濟學

• 定義：在一個電力受限且需求彈性的AI工廠中，任何能提升“每瓦性能”與“系統利用率”的增量投資，都將使可商業化的產出（Token吞吐量）增速，超過總成本的增速。
• 兩大商業成果（飛輪效應）：

     1. 買得越多，賺得越多 (Buy More, Earn More)：通過提升總產出實現收入增長。

      2. 買得越多，省得越多 (Buy More, Save More)：通過提升效率降低單位生產成本。

二、定律的數學基石與成立前提

• AI工廠的財務模型：

          產出：年Token產出 = 電力預算 × 系統效率 (Token/瓦) × 集群利用率 (%)

          核心洞察：當“電力預算”是固定上限時，“效率”和“利用率”成為驅動商業價值的唯一杠桿。

• 三大關鍵前提條件：

          1. 約束條件：數據中心受電力限制，而非資本或物理空間限制。

           2. 市場條件：AI服務的需求具有彈性（價格降低會激發遠超比例的需求增長）。

           3. 價值分配：效率提升所產生的利潤，主要由運營商保留，而非完全被上游供應商（NVIDIA）占有。

三、戰略推論：競爭范式的轉變

1. 競爭單元的升級：從“芯片”到“AI工廠”

• 競爭的焦點不再是單一硬件的峰值性能，而是整個系統（硬件+網絡+軟件）在真實負載下的端到端效率和利用率。
• 這解釋了NVIDIA的系統級設計理念，是其最深的護城河。

2. 網絡的角色重塑：從“成本”到“利潤杠桿”

• 高速網絡（Fabric）通過顯著提升GPU集群的利用率，能創造出遠超其自身成本的經濟價值。
• 在特定條件下，網絡因其帶來的巨大收益而變得“經濟上免費”。

3. 產品節奏的本質：從“技術迭代”到“經濟復合引擎”

• NVIDIA每年更新架構，本質上是在驅動一個經濟飛輪的復合增長。每一代產品都讓客戶的每一美元資本支出，能在未來產生更多的回報。

四、面向不同角色的行動指南

• 對于投資者 (Investors)：

         評估視角：必須用“AI工廠經濟學”的系統思維來評估公司，而非單純的芯片規格對比。

          價值識別：要認識到網絡（Fabric）和軟件是利潤的核心杠桿，與GPU同等重要。

          理解護城河：NVIDIA的持續領導力源于其驅動客戶實現經濟回報的能力和快速的復合迭代節奏。

• 對于運營商 (Operators)：

         衡量標準：應關注系統級、端到端的真實效率指標，如每焦耳Token數 (Tokens/Joule)。

         投資決策：核心是進行嚴格的成本效益分析——升級帶來的終身額外收入 VS. 終身額外成本。

         風險識別：必須警惕定律不適用的場景（如電力不受限、需求無彈性），避免盲目投資。

我們認為，業界對Jensen定律的普遍解讀，即“Jensen定律加速摩爾定律”，未能充分理解AI工廠背后的基本經濟學原理。黃仁勛本人的論述以及NVIDIA的運營模式，揭示了AI工廠的財務運行規律：當電力成為主要瓶頸且需求具備彈性時，每瓦性能的提升將使可商業化吞吐量的增長速度超過總成本的增長。這是對我們已熟知的現有科技定律的延伸。

具體來說，黃仁勛提出的“買得越多，賺得越多”（即收入增加）和“買得越多，省得越多”（即單位成本降低）等論點，具有明確的經濟學內涵，我們認為值得進一步深入探討。此外，在這一新體制下存在一個推論：在某些條件下，基于Fabric的利用率提升價值巨大，以至于高速網絡變得“經濟上免費”（即利用率收益超過攤銷后的Fabric成本）。

在本文中，我們將詳細解釋我們所定義的新Jensen定律。我們還將探討這一現象為何如此重要，剖析其背后的數學原理，并分享一些該定律適用的具體示例、何時“網絡免費”的推論成立、其對投資者和運營商的影響，以及該定律不適用的情況。

范圍與條件說明

我們對Jensen定律的解讀主要適用于以下情況：電力受限的AI工廠，它們運行高利用率的通信密集型訓練和長上下文推理工作負載，同時具備彈性需求且運營商能夠保留利潤。在這些條件之外，例如受資本支出或需求限制的站點、可批量化處理的推理，或基礎設施供應商的租金受運營杠桿不足約束時，這種關系會減弱甚至逆轉。

為何新Jensen定律如此重要？為何是現在？

隨著我們從單次Prompt模式向更復雜的應用發展，推理和代理AI將每任務的計算量倍增，據NVIDIA和其他來源的數據，可達100到1000倍。我們不斷聽到，數據中心正日益受到電力的制約。NVIDIA的GB300、NVLink72和Spectrum-X技術棧，明確將“每瓦Token數”作為優化指標，同時提升了實際利用率。我們認為，這些變量共同使得AI客戶能夠將電力受限的工廠實現商業化變現。

請記住，我們對Jensen定律的解讀前提是，只有當更好效率和利用率帶來的終身額外收入大于終身額外成本（在考慮風險后），每一美元的新增支出才是有價值的。

以此為背景，讓我們來審視NVIDIA在2026財年第二季度財報電話會議（8月27日）中的一些支持性陳述。

支持性陳述（摘自NVIDIA2026財年第二季度電話會議）

• 每瓦性能驅動收入。在電力受限的數據中心，每年產生的Token數量與每瓦性能成正比。黃仁勛表示：“每瓦性能直接驅動收入……你買得越多，你的增長就越多。”
• 10-50倍的能效提升。根據配置、NVFP4精度和NVLink72的使用，GB200相對于Hopper的能效提升了10到50倍。
• 具體的投資回報率（ROI）示例。300萬美元的GB200基礎設施可以產生3000萬美元的Token收入（10倍回報）。
• 網絡使利用率提升。網絡將利用率從約65%提升到85-90%。黃仁勛表示，這“實際上讓網絡變得免費”。
• Fabric技術棧。NVLink用于機架內擴展，Spectrum-X以太網/InfiniBand用于集群間擴展，而Spectrum-XGS則用于跨站點AI工廠的擴展。
• 資本支出（Capex）背景。超大規模云服務商的數據中心資本支出每年約為6000億美元；NVIDIA估計本十年AI基礎設施的建設規模為3-4萬億美元。

Jensen定律的核心在于：每瓦性能直接驅動收入。在電力受限的數據中心，一年中可產生的Token數量直接與效率相關。正如黃仁勛所言：“每瓦性能直接驅動收入，買得越多，增長就越多。”

在最新的財報電話會議上，NVIDIA引用了巨大的效率提升，即GB300相對于Hopper的能效提升了10到50倍，這取決于配置、FP4精度的使用以及NVLink72。NVIDIA并未說明具體的工作負載、配置或準確性水平。

盡管如此，我們聽到了具體的ROI有力例證。NVIDIA引用的一個例子是：300萬美元的GB200基礎設施支出產生了3000萬美元的Token收入。這是一種10倍的回報，這可能不是一個模型，而是來自Microsoft和OpenAI等公司的實際運營數據。

網絡的重要性日益凸顯。NVIDIA的技術棧橫跨三個維度：NVLink用于機架內的擴展，Spectrum-X Ethernet和InfiniBand用于集群間的擴展，而Spectrum-XGS則用于多站點AI工廠的擴展。通過將網絡利用率從約65%提升至85%到90%，該公司認為“網絡實際上是免費的”，因為由此帶來的吞吐量收益超過了Fabric的成本。我們對此的解讀是，在通信密集型環境中，當利用率收益大于Fabric成本時，網絡就可以在經濟上免費。

結合資本支出的背景，NVIDIA聲稱，“四大”超大規模云服務商（即三大云廠商加上Meta）今年在數據中心的支出約為6000億美元，而我們的估計則相對較低，僅略高于4000億美元，盡管這仍然是一個巨大的數字。或許NVIDIA在評估的是整個數據中心建設的支出，即便如此，這個數字仍超過了我們的估計。NVIDIA對本十年剩余AI基礎設施的建設規模給出了3到4萬億美元的估值，這也遠高于我們的市場預測。但這仍然是一個巨大的數字，這正是黃仁勛所指的資本支出飛輪。

或許黃仁勛對需求有著更好的洞察。

重構“Jensen定律”：從更快的芯片到工廠經濟學

媒體中的常見用法（例如IEEE Spectrum、WSJ、Tom's Hardware等）將“Jensen定律”定位為NVIDIA超越摩爾定律的加速，即更短的產品周期和代際超額收益。這在方向上是正確的，但我們希望對此進行更精確的闡述。在我們看來，他們所忽略的關鍵杠桿是經濟學。

重構Jensen定律：AI工廠經濟學

核心原則

在電力受限的AI工廠中，增加的支出若能提升每瓦性能和Fabric效率，將使可商業化吞吐量（Token/秒）的增長速度快于總成本的增長。

• 花得越多→掙得越多（收入增加）
• 花得越多→省得越多（單位成本降低）

網絡“免費”

當Fabric層的利用率提升巨大時，高速網絡實際上是免費的——因為吞吐量的提升超過了攤銷后的成本。

新穎之處

• 為電力受限的AI工廠運營提供了可操作的定律。
• 以明確的收入數學為基礎。

是黃仁勛的營銷炒作，還是真實的經濟實質？

我們的假設是，存在一個版本的Jensen定律超越了營銷，它與AI工廠經濟學息息相關。讓我們來審視AI工廠經濟學中新興的核心原則。

在電力受限的環境中，每增加一美元的支出，用于提升每瓦性能和Fabric效率，都將使可商業化吞吐量（即每秒Token數）的增長速度，快于總成本的增長。

這一動態帶來了兩個結果：

1. 買得越多，賺得越多：收入隨之增加。
2. 買得越多，省得越多：單位成本持續降低。

此外，當Fabric層的利用率提升顯著時，高速網絡就會在經濟上變得免費。因為吞吐量的提升超過了網絡設備的攤銷成本。當然，這取決于現有的利用率假設、工作負載以及潛在的利用率收益。

這一框架直接追溯到上圖右側的一些經典科技經濟學定律。其新穎之處在于，這些原則專門為電力受限的AI工廠運營而量身定制，我們用明確的收入數學錨定它們，我們將在稍后分享。這就是轉變：從抽象的進步定律轉向AI經濟的具體財務驅動因素。

驅動科技行業的歷史定律

回顧這些經典定律會有所幫助，我們可以將它們與我們所定義的新Jensen定律聯系起來。

以下是定律的簡要總結，以及它們在我們描述的新Jensen定律中的作用：

• 摩爾定律：涉及器件的微縮，并驅動每瓦性能的提升，這意味著在固定的電力包絡下，每年能產生更多的Token，從而帶來更好的經濟效益。
• Wright定律：成本會隨著累計產量的翻倍而持續下降，這解釋了隨著部署規模的擴大，每Token的成本會持續下降，這也是“省得越多”這一等式的核心所在。
• Metcalfe定律：價值會隨著連通性的指數級增長而增長。這與網絡利用率相關，包括Scale-up、Scale-out、跨站擴展等，正是這些使得網絡在經濟上“免費”。
• Jevons悖論：效率的提升會刺激消費，這支持了我們所定義的Jensen定律的飛輪效應。

新Jensen定律背后的數學原理

讓我們來剖析我們對這一新Jensen定律解讀背后的數學原理。

我們可以將其歸結為三件事：可生成多少Token、這些Token產生多少收入，以及每個Token的制造成本。

數學原理：為什么每瓦性能×利用率=收入

用通俗語言解釋“真正的”Jensen定律

吞吐量（每年Token數）

• Token數=電力×時間×效率×利用率
• 電力預算×運營時間
• 能源效率（每單位能源的Token數）
• 利用率（集群的繁忙程度）

收入

• 收入=Token數×每Token美元

成本

• 每Token成本=(資本支出+能源成本+其他運營支出)/Token數
• 年度化資本支出（服務器、機架、網絡、冷卻）
• 能源成本（每度電費用×電力×時間）
• 其他運營支出（人員、空間、服務）

毛利率

• 毛利率=1-(每Token成本/每Token價格)

首先從吞吐量開始：每年的Token數量。這是以下四個變量的函數：電力預算、一年運營時間、系統效率（即每單位能源的Token數）以及集群利用率。將這些結合起來，公式如下：

每年Token=電力×效率×利用率

一旦知道了吞吐量，收入就只是Token數乘以每Token的美元價格。這給出了總營收。

收入=Token×每Token美元

現在看成本方面。每Token的成本是年度總支出，包括服務器、機架、網絡、冷卻、電力、員工、房地產等，然后除以每年的Token數量。換句話說，就是將資本支出、能源以及其他運營支出進行年度攤銷，并分攤到Token輸出上。

每Token成本=(年度化資本支出+能源成本+其他運營支出)/年度Token輸出

最后是毛利率。這等于1減去每Token成本除以每Token價格。簡單來說，生成Token和保持系統利用的效率越高，利潤空間就越大。

1?(每Token成本)/每Token價格)

所以當我們說每瓦性能乘以利用率等于收入時，這并不是一句營銷口號，而是AI工廠的財務模型。在條件合適的情況下，它是一個實實在在的財務模型。

增值支出規則：網絡的重要性

黃仁勛關于網絡的經濟論點大致是這樣的：

如果你通過購買更快的Fabric、更好的冷卻系統或更智能的軟件來增加投資，并能充分改善效率或利用率，那么由此帶來的更多Token的額外收入，將超過升級所產生的額外成本。

如果效率和利用率的收益大于新增的成本……那么“買得越多，賺得越多”就適用。

因為每Token的成本也會隨之下降……這導致了“買得越多，省得越多”。

Jevons悖論式助推器

當效率降低了單位成本時，你就可以降低每Token的收費。如果需求具備彈性（即當價格更便宜時，客戶會需要更多），收入就會增長得更快，這強化了我們之前討論的Jensen飛輪效應。

跟隨金錢的流向：新Jensen定律的價值流動

讓我們用圖片來展示，并審視新Jensen定律的價值流動，即“跟隨金錢的流向”。為此，我們將我們所定義的Jensen定律版本用更通俗的語言來闡釋。

將AI工廠想象成一家自助餐廳。這家自助餐廳有烤箱（GPU）、廚師（軟件）和配送系統（網絡）。其目標是每天服務盡可能多的餐食（Token），同時保持低成本并實現盈利。

吞吐量（每年Token數）：可以將其想象成一年內服務的總餐食數。更多的烤箱、更快的烹飪速度和更順暢的運營意味著更多的餐食。

• 電力 × 時間 × 效率 × 利用率：這只是在說你投入了多少能源、運營了自助餐廳多久、烤箱有多好，以及它們有多忙碌。如果烤箱閑置，工廠的利用率就不足。
• 每Token成本：每份餐食都有其單位成本，包括烤箱（資本支出）、電力（能源）和員工、供應品（運營支出）。將這些成本除以服務的餐食總數，就得到了每份餐食的成本（即每Token的成本）。
• 收入：如果你對每份餐食收費，那么收入就是售出的餐食數乘以每份餐食的價格。這與Token的邏輯相同。
• 毛利率：這是扣除成本后剩余的利潤。每Token的成本越低，或售出的Token數越高，你所保留的利潤就越多。

所以，新Jensen定律的含義是：通過增加投資來升級自助餐廳，你將能夠服務更多的餐食（賺得更多），或者每份餐食的成本更低（省得越多）。如果兩者同時發生，你的利潤就會實現雙重增長。

網絡正完美地契合了這一點。更好的網絡就像升級了自助餐廳的傳送帶，讓每個烤箱都能保持忙碌。即使傳送帶需要額外成本，它們也能通過服務更多餐食而自償。這就是NVIDIA所說的“網絡免費”的原因。

右側的循環是增值支出規則。它的意思是：

• 如果你增加了投資（額外的資本支出、更好的Fabric、更智能的軟件），并能充分增加效率或利用率...
• 那么收入的增長速度就會快于成本的增長。
• 結果是：更高的吞吐量、更多的收入，以及通常更低的單位成本。

因此，我們可以進行如下驗證：

• 更高效率或利用率所帶來的收入提升，是否超過了升級所增加的成本？
• 如果是這樣，那么這項支出就是增值的（并且能夠盈利）。
• 反之，你的支出則未能改善經濟效益。

關鍵在于，你必須采取一種系統性的視角，這正是黃仁勛一直強調的——“我們不僅僅是構建芯片，我們是構建系統。”在我們看來，這正是NVIDIA護城河的核心部分，但其價值卻常被低估。如果系統的一部分得到了優化（例如更多的烤箱能制作更多的餐食），但傳送帶不夠快，系統就會失衡，收入也就無法最大化。

深度剖析NVIDIA的聲明

NVIDIA的第二季度業績，為我們所定義的Jensen定律提供了部分佐證。該公司給出了幾個示例，展示了新架構和Fabric如何直接轉化為收入的倍增和更低的每Token成本。以下是我們對其中一些聲明的看法。

NVIDIA2026財年第二季度電話會議的真實案例

“真正的”Jensen定律的證據

推理與代理AI

• 新一代代理會進行規劃、使用工具和迭代
• 任務的計算密集度是聊天機器人的100-1000倍
• 隨著工作負載增長，效率和利用率的提升變得更重要

GB300 NVL72

• 機架規模NVLink72→每瓦Token數比Hopper高10倍
• NVFP4精度+NVLink72→每個Token的能效提升50倍
• CoreWeave報告稱，推理模型在推理速度上比H100提升了10倍

Fabric經濟學

• Spectrum-X以太網：年運行速率達100億美元
• Spectrum-XGS：連接千兆規模的AI工廠
• NVLink72：帶寬比PCIeGen5高14倍→GPU不會閑置
• 網絡成本被利用率提升所帶來的收益所抵消→“網絡是免費的”

300萬到3000萬美元的例子

• 300萬美元的基礎設施支出→3000萬美元的Token收入
• 在真實案例中實現了10倍的收入倍數

年度節奏

• Blackwell→Rubin架構
• 年度升級優化每瓦性能和收入
• 復合循環：更高的效率、利用率和收入

首先是推理和代理AI。與簡單的聊天機器人不同，這些代理需要規劃、使用工具并進行迭代。這使得工作負載的計算密集度高出100到1000倍，這意味著效率和利用率的提升變得尤為重要。這里的一個關鍵問題是，NVIDIA是如何計算利用率的？例如，在計算中如何考慮多租戶開銷、排隊效率、I/O碎片化和系統重啟？

其次是帶有NVLink72的GB300。在機架規模上，它相對于Hopper提供了約10倍的每瓦Token數。在使用4位浮點數學時，每Token的能效提升更是高達50倍。CoreWeave聲稱，他們在實際生產環境中已經觀察到推理模型的推理速度提升了10倍。我們很想知道，哪些Token化標準是最有效的？為了實現10到50倍的提升，是否采用了特定的服務質量（QoS）限制？

第三是Fabric的故事。網絡絕不是一個次要因素，它對經濟效益至關重要。Spectrum-X Ethernet已經以100億美元的速率運行，而NVLink72提供了比PCIe Gen5高14倍的帶寬。這正是黃仁勛所說網絡實際上是免費的原因——因為如果利用率收益超過成本，它在經濟上就是免費的。我們希望進一步理解這在合理的增量收入超過Fabric成本方面的含義。換句話說，運營商應該假設什么樣的合理的節省NPV:Fabric TCO比率，才能確保實現經濟上的“免費”？是1倍、2倍，還是3倍？需要什么樣的合理緩沖來保證結果？

第四是從300萬美元到3000萬美元的案例。黃仁勛引用了一個真實的案例：300萬美元的基礎設施支出產生了3000萬美元的Token收入。這正是“買得越多，賺得越多”這一飛輪效應的實際體現。我們有幾個關鍵問題，包括這一收益實現的具體時間窗口，這是一種短暫的收益還是可以持續一段時間？其對每Token價格的假設是什么？合理的收益范圍是什么（我們假設10倍是營銷宣傳中的最佳情景）。

最后是節奏。NVIDIA每年都會出貨新架構，從Blackwell到Rubin以及未來的版本。每一代都驅動著更高的每瓦性能、更高的利用率和更高的收入。這是一種復合經濟。我們所看到的一個關鍵問題是，如果新的NVIDIA一代在上一代基礎設施實現回報之前就已到來（例如我遇到了明確的延遲風險），且基礎設施的價值大幅下跌，我將面臨商業案例失敗，甚至可能丟掉工作。我們認為，當AI從超大規模云服務商和云端向企業和邊緣移動時，這一問題將變得尤為緊迫。

總而言之，NVIDIA所銷售的不僅僅是芯片；它證明了我們所定義的Jensen定律的經濟引擎是真實存在的。更重的工作負載使得效率提升的價值更高，Fabric讓GPU保持忙碌，而每一代架構的更迭都使得“買得越多，賺得越多”的循環得以復合。然而，運營商和企業客戶必須穿透營銷炒作的迷霧，理解他們獨特環境下的情況，以及NVIDIA那些令人印象深刻的聲明如何轉化為對他們自身的價值。

投資者視角：新Jensen定律改變了什么

我們對投資者對NVIDIA最新財報的反應有些驚訝。除了自由現金流利潤率受到打擊，我們認為這個季度相當出色。NVIDIA在其DSO評論中解決了FCF問題，對此我們并無擔憂。

從投資者的視角來看，在我們看來，新Jensen定律改變了四件事，如下文要點所述，并在此詳細描述。

首先，競爭單位不再是單個芯片，而是整個AI工廠。重要的是系統層面的每瓦性能和利用率，這獎勵了機架規模的設計、集成的Fabric、軟件和產品節奏。

其次，網絡不再是開銷，而是一種利潤杠桿。利用率的提升非常顯著，以至于織網通常能夠自償，甚至能多次。需要注意的是，條件必須合適。目前，這對于大型超大規模云服務商是適用的，但它能否同樣程度地適用于主流企業？

第三，定價權因彈性而重新定義。如果彈性存在，隨著每Token成本的暴跌，提供商仍然可以通過降低價格來增長收入，因為需求會更快地擴張。但要注意：運營商必須承擔彈性大于1的風險，即隨著價格下降，客戶會購買足夠的產品來增長收入。我們在當前的容量爭奪和向推理工作負載轉移中看到了一些積極跡象，這表明市場對AI服務有著巨大的胃口。這里的警告是，每Token的價格在不斷變化，而且變化很快。通常會出現API定價、免費層、降價、廣告補貼等零和競爭。運營商的利潤將受到這些動態的影響，這可能會改變結果。

第四，節奏是印鈔機。NVIDIA的產品節奏不僅僅關乎更快的芯片，它更是將資本支出轉化為持續的商業化變現飛輪。每年，新架構都能帶來更高的效率（每瓦更多的Token數）和更好的利用率（讓集群更忙碌）。這種結合意味著，每在GPU、網絡和機架上投入一美元的資本支出，都將在下一個周期產生更多的收入。但投資者需要重點考量的是，客戶在多大程度上能夠跟上NVIDIA的產品節奏。顯然，超大規模云服務商、Meta、xAI以及一些新興的云和服務提供商能夠跟上。但主流企業將難以維持這一步伐。當資本支出熱潮消退后，企業和機器人等新興應用將成為新的增長引擎。這些市場的動態將有所不同。

盡管如此，在今天超大規模云服務商主導的市場中，這正是黃仁勛所說的“買得越多，增長就越多”。那些持續再投資的客戶，正乘著年度改善的曲線，每一代產品都在有效地復合其回報。

我們相信這一飛輪至少將持續到本十年末。

運營商視角：如何在實際運營中衡量新Jensen定律

以下是我們認為運營商應如何在實際運營中衡量Jensen定律：

• 首先，每焦耳Token數——在某些案例中，真實效率正在快速上升，達到10到50倍。
• 其次，利用率——一些運營商聲稱，通過NVLink72和Spectrum-X，集群的運行效率提高了15%到25%。
• 第三，電力分配——當兆瓦的上限保持不變時，每瓦性能的每一次提升都會直接轉化為收入。
• 第四，Token價格和需求——隨著價格下降，需求上升，收入也隨之上升，這符合Jevons悖論。
• 第五，投資回報時間——一些基礎設施的建設，其回報時間現在已不到一年。
• 最后，Fabric的組合——NVLink72的領域正在擴展，而XGS（數據中心到數據中心）才剛剛開始出現。

新Jensen定律不適用的情況

我們相信，AI工廠的數學原理引人注目，但僅在嚴格的運營條件下才能成立。黃仁勛的新定律并非絕對的保證。存在一些風險和條件，可能會導致其不適用。

• 首先，如果數據中心不受電力限制，那么每瓦性能與收入之間的聯系就不那么緊密了。
• 其次，如果Token價格下降的速度快于效率和利用率上升的速度，那么增長就會停滯，尤其是在需求缺乏彈性時。
• 第三，工作負載至關重要。如果模型對Fabric的速度或集體操作不敏感，那么Fabric支出的回報就會減弱。
• 第四，實際的約束，例如供應鏈延遲、電力或冷卻瓶頸，都可能推遲投資回報。
• 第五，如果替代的技術棧或ASIC開始在端到端效率上與NVIDIA相匹配，那么經濟效益就會開始回歸正常化。

以下是我們認為需要隨時間進行監控的具體細節：

10到50倍的效率聲明必須在端到端進行驗證，考慮在準確性和延遲對等條件下的每焦耳Token數。這應該在系統層面進行衡量，而不是僅僅在單個GPU上。此外，商業案例應假設一個領先期，并以3到5倍的成本回報作為考量，以規避風險。

利用率的提升同樣微妙。來自NVLink72和Spectrum-X的+15–25個百分點的收益，對于集體密集型訓練和長上下文推理是真實的，但對于并行推理則可能微不足道。運營商應在生產負載下，預期有意義的持續改善后再進行擴展。

每瓦性能僅當電力是限制性因素時才能轉化為收入。如果容量受到資本支出或需求上限的限制，這種聯系就會減弱。在我們看來，升級只有當電力將在12到24個月內成為瓶頸時才應進行。同時，對增量吞吐量將被消耗要有高度的信心，或者理想情況下有預售協議。

彈性假設必須腳踏實地。價格下降帶來的收入提升，僅當彈性大于1時才適用。否則，應使用分層的QoS來保護利潤。同樣，不到一年的回報取決于高利用率、穩定的Token定價和準時安裝。我們的研究表明，許多投資都面臨著不可預見的延遲。在商業案例中，應假設更高的IRR或障礙率，以及更長的投資回報期。

運營商必須保留利潤提升。在我們看來，升級只有當電力受限、利用率提升得到證實、需求具有彈性，且盈余能夠歸屬于運營商，而不僅僅是基礎設施供應商時，才是增值的。

最后，這一Jensen定律的解讀對于超大規模云服務商和消費互聯網公司的運作非常有效。但它如何轉化為企業AI和邊緣計算客戶的價值，目前尚不明確。隨著這些市場的發展，我們將進行更深入的挖掘。

這些都是我們需要關注的壓力點。

結論

我們希望對Jensen定律的重新解讀能夠清晰地呈現給讀者。“摩爾定律加強版”的簡稱雖然吸引人，但并不完整。經濟學顯示，在電力受限的AI工廠中，效率（每焦耳Token）和利用率（保持集群忙碌）是真實的收入杠桿。當這些改善快于成本上升時，兩個動態隨之而來：買得越多，賺得越多；以及買得越多，省得越多。

財報電話會議繼續提供了佐證：NVIDIA引用了10到50倍的效率提升、300萬美元基礎設施產生3000萬美元Token收入的示例，以及Fabric驅動的利用率提升可使網絡實際上免費。但我們必須警告，這些成果僅在嚴格的條件下才能實現——需要在系統層面進行端到端衡量，要有持續的利用率改善，當電力確實成為限制性因素時，以及需求具備彈性能夠支持收入增長而非價格侵蝕。

對于投資者和運營商來說，可采取的行動要點是：根據工廠的經濟效益，而不僅僅是芯片規格來評估供應商。持久的贏家將是那些年復一年地復合效率和利用率的公司，它們軟件和織網的重要性與硅片同等，同時確保效率所帶來的利潤能夠歸屬于運營商，而不僅僅是基礎設施供應商。

參考資料：Vellante, D. (2025, August 30). Reframing Jensen’s law: ‘Buy more, make more’ and AI factory economics. SiliconANGLE. https://siliconangle.com/2025/08/30/reframing-jensens-law-buy-make-ai-factory-economics/

本文轉載自??Andy730??，作者：常華