GPU业务：销售方式不同，收益与回本周期也不同

同样是 GPU，做的却是不同的生意

向需要 GPU 的客户提供算力资源的方法有很多种。经营者既可以直接购买服务器出租给客户，也可以租用其他公司的服务器再转租给客户。还可以在服务器上运行 AI 模型后，根据客户通过 API 使用的量来收取费用。

确保了什么、卖的是什么，决定了前期投资金额、留存的利润，以及收回投资所需的时间。 因此，仅凭“GPU 业务盈利性好”这句话，很难判断到底指的是哪一种生意。下面就依次看看这三种方式的资金计算方式。

1. 直接购买服务器再出租

这是一种由经营者购入GPU服务器，在数据中心运营后再出租给客户的方式。客户获得使用服务器或GPU的资源，并按小时或按月支付费用。

经营者先要支出设备款项。之后从收到的租金中支付电力、制冷、维护等运营费用，再用剩余现金收回最初投入的资金。由于设备购置费用较大，需要客户在足够长的时间内持续使用。

在这种方式中，服务器的购入价格以及能够持续出租多久非常重要。即便因为没有客户而闲置，已经支付的设备款项也不会返还。如果新款GPU上市，导致现有服务器的租金下降，投资回收的时间可能会比最初预期的更晚。

如果提前确保长期租赁客户，就更容易预测收入。但相应地，也必须具备能够履行合同中承诺的性能和服务期限的设备与运营体系。

<<<OZ_BODY>>>

2. 租用服务器再转租

这是一种先租用其他公司持有的GPU服务器，再转手提供给客户的方式。经营者负责获客、使用环境搭建、技术支持等工作，通过向客户收取的费用与向供应商支付的费用之间的差额来获得收入。

举例来说，如果以月租20 万元人民币的价格租入服务器，再以25 万元人民币的价格提供给客户，那么租金差额就是每月5 万元人民币，相当于营收的20%留存为利润。如果再加上营销和客户支持等方面的支出，实际利润会更少。

由于不必投入大笔资金购买服务器，也就不用背负需要花几年时间才能收回设备购置成本的负担。但相应地，合同条款就变得至关重要。如果经营者向供应商承诺使用一年，而客户只用了一个月就离开，那么剩余期限的租金就得由经营者自己承担。此外，还需要准备好保证金，以及在收到客户货款之前所需的运营资金。

在这种方式中，首先要看的是采购价与销售价之间的差额，以及两份合同的期限。在降低初期设备投资负担的同时，也必须确定好如何应对客户尚未买单期间产生的成本。

<<<OZ_BODY>>>

3. 以API形式提供模型，收取Token费用

这是一种向客户提供API、让客户向AI模型发送请求并接收结果的方式。Token是模型处理文本时划分的单位。这项业务按输入、输出Token数量收取费用。这种模型提供业务被称为MaaS（Model as a Service）。

服务器租赁客户是在自己获得的资源上直接运行模型或程序。API客户则是发送所需请求并接收答案。而在这背后，使用哪台服务器、如何处理多个客户的请求，都由API经营者来管理。经营者既可以使用自己购买的服务器，也可以使用从外部租来的服务器。

此时，营收并不仅仅由拥有多少台GPU决定。有多少付费请求涌入、同样的设备能处理多少请求、每个Token收多少钱，这些因素同样重要。如果能将请求汇聚起来高效处理，就能在同样的服务器上创造更多营收。反之，如果客户较少，或因价格竞争导致单价下降，就很难实现预期的利润。

模型运营和服务开发也需要花钱。如果是自主开发模型，还会追加训练与研究费用。如果是自行持有服务器，还必须用API营收来回收设备投资金额。因此，API业务的回收周期会因设备是如何筹备的、以及在模型与服务上投入了多少而有所不同。 <<<OZ_END>>>

中国分析中的收益率与回收周期差异如此之大

华尔街见闻介绍的摩根士丹利分析对这三种方式进行了比较。直接购买的假设是：配备八张GPU的服务器价格为800万元人民币，月租金为25万元人民币。API方式则使用自有服务器，并分别假设了处理量、付费推理占比以及Token价格。

营业利润率是指从营业收入中扣除成本后剩余多少的比例，ROIC则表示相对于投入业务的资本，税后营业利润能产生多少回报。现金回收周期是指最初投入的资金通过经营活动产生的现金流被收回所需的时间，这与会计上将设备价值分期计入费用的折旧周期不同。

业务方式	分析中的营业利润率	投入资本回报率（ROIC）	现金回收周期
直接购买服务器再出租	约44%	约13%	约3.1年
租入服务器再转租	约20%	未按设备投资口径计算	不适用于设备购置成本回收
用自有服务器提供模型API	约53%	约19%	约2.5年

表中数值并非中国全体业者的实际业绩或有保障的收益率，而是将文章中给出的条件代入后得出的情景假设。尤其是按服务器计算的数值，并未包含公司整体的研发费用、人力成本等所有支出。API方式也需要满足所假设的付费需求与处理效率，才能接近表中所示的结果。

这一比较想说明的重点并非“API总是最有利”这一结论，而是当设备持有的负担、支付给外部的租金以及向客户收费的计价单位发生变化时，即便使用相同的GPU，其收益结构也会随之改变。

国内企业也在这个市场中扮演着不同的角色

在韩国国内，VESSL AI和Elice提供GPU云服务，Lablup则提供分配与运营GPU资源的Backend.AI平台。它们的共同点在于，都在为使用GPU的客户提供计算资源与使用环境。

Naver Cloud、NHN Cloud、SK电信、KT Cloud也都在运营GPU服务器与GPUaaS业务。Megazone Cloud则支持云与AI基础设施的供给与搭建。此外，也有像Naver Cloud的CLOVA Studio这样提供模型API的服务。

一家公司也可能同时运营多种模式。因此与其仅凭企业名称判断其盈利结构，更应该看这个产品的设备由谁提供、客户又是为什么付费。设备供给、租赁、运营软件、模型API，这几种方式在营收与成本发生的环节上各不相同。

设备与运营记录也被用于贷款

一开始要怎么筹到所需的资金，也是这门生意的重要一环。我在9月5日的ZDNET Korea专栏中，谈到了美国以GPU作抵押的贷款，以及中国利用token使用记录进行贷款的方式。

在美国，CoreWeave以包括GPU在内的资产作为抵押来筹措资金。从公司的公开披露来看，2023年那笔23亿美元的贷款，是为了购买履行客户合同所需的GPU服务器等设备而借入的。该子公司的资产与股权被作为抵押物。这是一种先以设备和客户合同为基础筹措购置资金的结构。

在中国，有一些案例是利用能体现实际经营活动的使用记录来进行贷款审核。国家数据局介绍的电费贷，将中小企业的用电数据用于银行的风险评估。专栏中提到的广州海珠区的token贷款，则把token使用量、合同以及货款回收情况等经营信息纳入贷款审核。

在这里，使用量并不像GPU实物那样是可供处置的抵押物，而更像是用来判断企业是否真的在经营业务、是否有能力还款的资料。这里的意义在于，不仅拥有设备的企业，就连购买使用算力资源的企业，也能通过自己的交易和使用记录来证明自身的融资可能性。

一旦能够贷款，就不必再完全靠自有资金来筹措全部设备款项。不过，仍需要用从客户那里收到的钱来支付运营费用，同时偿还贷款本金和利息。回收购买设备所花资金的时点，与约定向银行还款的时点是否吻合，这一点也需要一并考量。

Oswarld视角

在制定GTM战略的过程中，我做过、也收到过很多这样的资料：计算一位客户、一家门店、一台服务器各自能带来多少利润。单个单位的盈利能力看起来不错，但随着时间推移，公司整体的营业利润率却没有像预期那样改善。原因在于，运营这项业务所需的人力和系统成本，从一开始就没有被计入这个计算之中。

正是因为这个经历，我在看盈利能力资料时，会先从卖给客户的是什么，以及为了创造这笔收入必须先花哪些钱开始梳理。

如果是直接租赁的业务，就要同时看设备价格和客户的使用期限；如果是转租业务，就要同时看供应商和客户双方的合同；如果是API业务，就要同时看付费请求量和处理成本。在此基础上，还要加上客户支持和服务运营所需的人力、资金筹措成本，才能更接近公司实际能留下的钱。

在扩大规模时，需要做的准备也因方式而异。有时需要额外采购设备，有时需要增加供应合同，有时则需要改进服务，让同样的设备能处理更多请求。只有了解这些差异，才能决定该在哪个环节投资、该争取哪些客户。

<<<OZ_BODY>>>

结语

要看懂GPU业务的盈利能力，首先要区分销售方式。直接购买后出租，就需要收回庞大的设备投资；租入再转租，则需要管理费率差与合同期限；以模型API方式销售，付费使用量和处理请求的成本就变得关键。

先弄清这个结构，收益率和回收周期的数字才说得通。再加上购置设备的资金或运营资金是以何种条件借入的，就能理解为什么同样是AI基础设施业务，不同企业却会得出不同的结果。

---

💬 您是否考虑过自建或租用GPU资源？设备价格、承诺期限、运营人力这几项条件中，哪一项对您的选择影响最大？欢迎告诉我们。

📨 如果身边有同事正在研究GPU、AI云业务或引进成本，请把这篇文章转发给他们。

---

<<<OZ_BODY>>>

参考资料与延伸阅读

• 华尔街见闻，摩根士丹利关于中国 AI 算力盈利能力分析介绍：比较三种商业模式的价格、收益率与回收周期情景的文章。
• 安光涉，《银行贷款，美中由 GPU 和代币决定……韩国呢？》，ZDNET Korea：讲述 GPU 资产与代币使用记录各自如何被用于融资的我的专栏文章。
• CoreWeave 的 SEC 公示文件：可确认 2023 年贷款的用途与担保范围。
• 中国国家数据局的电费贷款案例、广州海珠区的代币贷款公告：分别说明了利用电力使用数据、以及代币与合同信息进行审查的方式。
• 国内企业的角色是根据正文中所链接的各公司官方产品介绍与发布内容撰写的。 <<<OZ_END>>>

作者 安光涉（Oswarld） 现任世宗大学兼任教授，INLEVEL9 战略顾问。职业经历、研究、著作与近期活动会持续更新在作者简介。 最新动态 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。