《AI时代新资本论第二卷:数字资本流通与平台再生产》云算力模式-＂买机器＂vs＂租机器＂的资本逻辑

GPU这么贵、折旧这么快，为什么不租？

"租"就是云算力模式：不自建数据中心，按需租用AWS、Azure、Google Cloud的算力。这个选择表面上是运营方式的问题：自建还是上云；往下一层，却是资本结构的问题：把算力当固定资本自购，还是当流动资本按批支付。

两条路的后果完全不同。租的一路，折旧风险转给了云厂商，但每一轮训练都要交租金，规模越大交得越多；买的一路，自扛贬值压力，回本之后边际成本才真正降下来。利润结构、风险分布、竞争策略，全部顺着这道分岔展开。AI行业的"阶级分化"也刻在这条分岔上，即谁能在AI领域做大、谁只能做小，看的是有没有能力选择"买"，因为"买"的门槛比"租"高得多。

买与租的资本逻辑，下面放在同一张账面上算清楚。

一、马克思说清楚了的：固定资本和流动资本的本质区别

让我们回到概念本身。

马克思把生产资本分为固定资本和流动资本，标准不是"物理上能放多久"，而是"价值转移的方式"。

固定资本：价值逐步转移到产品中。花1亿买了一台机器，机器用10年，每一年转移1000万的价值到产品中。资本被"固定"在机器里，不能轻易变现。

流动资本：价值一次性转移到产品中。花100万买了棉花，棉布卖出去后，这100万一次回收。资本没有被"固定"，每次周转都能回收。

两者的区别决定了：

- 固定资本的门槛高：必须一次性投入巨资，长期才能回收。

- 流动资本的灵活性高：可以分批投入、快速调整、快速退出。

"租GPU"的本质，就是把固定资本的属性变成流动资本的属性，即不需要一次性买断GPU（固定资本），而是按小时租用（流动资本）。每次租用费用从当期收入中支付，不计入长期资产。

听起来"租"好像更好？

不一定。马克思还指出了另一个问题：长期来看，固定资本的所有者（持有机器的人）因为不需要支付"租金"，边际成本更低，在竞争中更有优势。

一个自己拥有纺织机的织布工，与一个租用纺织机的织布工，在同等条件下竞争，即自购的人长期成本更低，因为他不需把利润的一部分交给"机器出租者"。

"租"把固定资本的财务负担变成了流动资本的运营负担。但付出的代价是：每月的算力租金中包含云服务商的利润。长期累积下来，租金总额可能远超GPU本身的价值。

所以选择的本质是：一次性承受痛苦（自购的高固定成本），还是慢慢承受痛苦（租赁的高可变成本）？

两个"痛苦"之间没有翻译，只有汇率。折旧是一次付清的本金，租金是分期付清的利息，轻资产的"轻"从来不是免单，而是把重量的账单改写了币种：货币从"自己的资产负债表"换成"别人的"。风险也没有被消灭，它只是搬去了愿意接它的那一方，而愿意接的一方要收风险溢价，这笔溢价写进每小时的价签，叫灵活性，读出来还是利润。所以会计科目的改换改变不了政治经济学的记账法：折旧变成租金，租金变成利润，利润再变成更多机器的首付，每一笔"按月支付"的轻，都在给云的这一侧重装一遍重的。资产结构可以租赁，阶级位置不能。

重装的代价还不止于账目，它连规划期一起改写。固定投资是给未来下注的锚，厂房一落地，出资人就被迫使用长尺度思考，电力、水源、人力都要按机器服役的年景来安排。全部按需雇佣的资本把这口锚起掉了：最短的合约规定最长的视野，续租的周期成为规划期的天花板，比租约更远的图谋在财务上无从表达。于是轻资产公司在两个方向同时变窄，向上做不出跨越代际的基础设施布局，向下连自有的工艺积累也难以为继，管线随租约迁移而团队按现金流解散。种短租地的佃农不会为远处的地力施肥：付租金的手握不住长周期的施工图，账本的币种改写了，规划的视力也跟着改写。

二、自购GPU：谁的玩法？

自购GPU的好处很明确：

第一，长期成本更低。一个H100集群，自购成本约3亿美元（以万卡计），按3年折旧，每年折旧1亿美元。如果租，每月租金约4000万，一年就是4.8亿。租3年就是14.4亿。自购成本仅为租金的20%到30%。

第二，算力自主。自购集群是自己的，想怎么用就怎么用，不用抢资源、不会被排队、不会因为云服务商涨价而增加成本。训练过程中大规模数据传输耗时长，自购减少了从云端到本地的带宽成本和延迟。

第三，沉淀技术资产。拥有的不只是GPU的硬件价值，还有围绕它建立的数据管线、训练框架、基础设施团队，这些是AI公司真正的技术壁垒。

那为什么不是所有人都自购？

门槛。只有资金极度充裕的玩家才付得起"门票"。一个万卡集群动辄数亿美元，加上数据中心建设（厂房、电力、冷却），总投入可能超过10亿美元。

有资格"买"的，全世界只有一小撮公司：Microsoft、Google、Meta、Amazon，以及拿到了巨额融资的OpenAI、Anthropic。

这些玩家之间的竞争，已经不只是模型的竞争，更是GPU储备的竞争。Microsoft在2023到2024年间据说购买了数十万张H100，不是因为它"需要这么多"，而是因为"不能让竞争对手买到"。GPU的供给是有限的，NVIDIA的产能就那么多。买得越多，对手能买到的就越少。

这已经不是"购买生产工具"了，这是"战略囤货"，GPU变成了战略物资。

"战略物资"四个字一旦说出，市场就换了性质：生产资料按使用价值定价的时代过去了，按排斥价值定价的时代开始，我买它不光是为了用它，是为了让对手得不到它。禁购性囤积是军备经济的老配方，商业史上反复出现：买断产能不为投产，为让别人的图纸停在纸上。但囤积者必须同时吞下这副药方的副作用：GPU不像黄金，囤住的黄金不会折旧，囤住的算力每两年蒸发一层市值，战略囤货是一场与自身无形磨损对赌的昂贵游戏。更深一层的悖论在于：所有人都为"垄断可能卡我脖子"付溢价囤卡，这份恐慌本身成了垄断利润最稳定的来源，对垄断的恐惧，是垄断最好的销售员。

三、租用云算力：谁的玩法？

云算力的核心卖点不是"便宜"，而是"弹性"和"低门槛"。

弹性：需要1000张GPU训练一周，就租一周。训练完了，退掉GPU，不再产生费用。如果是自购，训练完了GPU闲置着，成本照旧发生。

但"不再产生费用"这五个字要打个问号：费用停了，资本的时间没有停。自购集群闲置时，确实几乎不耗电，它不消耗材料，它消耗日历：折旧照提、代差照近、再融资的利息照跑。闲置的真实成本从来不写在电费单上，写在残值表上。租用的精明之处正在于此：它把资本从日历手里赎回，只在使用的瞬间让资本重新上岗，看似按小时计费，实际是把无形磨损的刑期切给了地主去服。只是这笔交易藏着下一篇文章的全部主题：当所有人都按小时雇佣资本，那批为"随时可雇"而预购了整片日历的自购者，闲置的每一小时都在替全行业保管风险，也替全行业消化亏损。弹性是租来的，风险的最终持有人买不出去，这一层，留到第80篇"闲置危机"里见分晓。

低门槛：不需要一次性拿出几个亿美元，只需要一个AWS账号、一张信用卡。初创公司可以只有10个人——只要能写出好的模型代码，就可以租用足够大的算力来训练。

但云算力的代价也很清楚：

第一，长期总成本更高。前面算了，租三到四年的总租金等于买断一次。如果公司活过了三四年，花的钱其实够买一套了。

第二，永远无法掌握自己的算力基础设施。训练任务被排在AWS的优先级队列里，大规模数据传输要经过AWS的带宽出口。如果AWS限制了训练配额（比如因为高峰期GPU资源紧张），只能等。

第三，竞争对手可能正在用同一片云。AWS不会因为租了GPU就拒绝竞争对手。各家公司付一样多的算力租金。这意味着每家公司的算力成本结构完全相同，没有任何竞争优势可言。

第四，在关键时刻，云服务商可能不站在公司这边。2023年Microsoft与OpenAI的合作关系变得极其密切后，有报道说Azure会给OpenAI的算力请求更高优先级，即如果这是真的，那么其他租用Azure算力的AI公司就处于劣势。

所以"租"的本质是：算力的"所有权"和"使用权"被分离了。拥有使用权，但所有权归云服务商。所有权意味着一切，定价权、分配权、优先权。

所有权与使用权的分离不是数字时代的新发明，融资租赁、佃农制、公共承运人全走过这条路。新的是云这块土地的地质构造：佃农在地主的田里种什么，地主一无所知；租户在云商的机房里跑什么，云商一清二楚。工作负载、训练时长、失败重试、账单弹性，全部是房东屋檐下的可见光。信息的单向透明把依赖又加固了一层：平台能精确算出公司离不开它的程度，公司算不出它哪天涨价。更实在的锁链是数据引力：训练数据、检查点、缓存管线沉在云商的内部带宽里，搬迁一次等于把庄稼连根起运再等缓苗，租户的"退租自由"，标着搬家费的价。于是租约越写越细，反而越像条约：战败者替战胜者起草的那种。

自购与租用各有一本账，分维度对照如下。

四、云服务商：AI时代的"数字地主"

把算力出租给AI公司的云服务商，本质上是什么角色？

不是"服务提供商"。更准确地说，是"数字地主"。

地主的特征是什么？不直接参与生产，但凭借对土地的垄断权，从生产者那里收取地租。农民种地主的土地，收成的一部分要交给地主，因为地主"拥有"土地。

19世纪的地租收的是粮食或货币。AI时代的"地租"收的是算力租金。逻辑完全一样。

AWS、Azure、Google Cloud投入巨资建设数据中心，相当于"地主"开垦土地、修建灌溉系统。然后它们把数据中心"出租"给AI公司，相当于地主把土地租给农民。AI公司在"租来的土地"上训练模型，相当于农民在租来的土地上种庄稼。模型训练出来了，API收入的一部分要支付算力租金，相当于收成的部分要交给地主。

马克思在《资本论》第三卷分析地租时，区分了"级差地租"和"绝对地租"。级差地租取决于土地的质量差异，好的土地租金高。绝对地租取决于地主对土地所有权的垄断，不管土地好坏，只要想种地就得交租。

对应到云算力：

"级差算力租"：好的算力（价格低、性能好、NVLink互联效率高、数据中心位置好，靠近主要用户群减少延迟）租金高。差的算力租金低。

"绝对算力租"：要训练AI模型，就必须用GPU。而高端GPU被NVIDIA垄断，中高端算力被三大云服务商垄断。要入门，就得交租。没有"不租"的选择。

这就是为什么云服务商的毛利率极高。AWS的利润率在30%左右，远超其他任何硬件出租业务的正常水平。因为AWS不只是"出租硬件"，它在出租"算力生产资料的垄断使用权"。

这还不是最关键的。

最关键的是：云服务商通过算力租赁，实际上控制了AI行业的"生产资料分配权"。

哪家AI公司能获得多少算力，不完全取决于那家公司的需求和预算，还取决于云服务商的战略判断。如果云服务商判断某家AI公司"太烧钱""可能跑不出产品"，它可以降低服务质量或提高价格。如果它判断某家AI公司有战略价值，它可以通过低价算力来培育这家公司（同时获得股份）。

OpenAI与Microsoft的合作就是这个逻辑的典型案例。Microsoft向OpenAI提供了巨额Azure算力额度，不是卖，是"投资"——OpenAI用Azure算力训练模型，Microsoft获得OpenAI的股份。算力不再是"商品"，变成了"战略资源交换媒介"。

"算力换股权"这件小事，货币理论会把它记成大事。当一种商品开始为别种商品标价、开始直接购买资产，它就踏上了货币化的坡道——马克思分析商品货币时走过的路，算力正在重走：FLOPS成了记账单位，租用小时成了支付手段，多年期合约成了延期交割的远期契约。问题随之而来：一种以产能为币身的"货币"，其币值由产能贬值的速度锚定，恰好是两年腰斩的那个速度。拿算力当通货的战略投资人，等于发行一种天生通缩的货币去换一家公司的股权，通缩归自己，股权归对手。所以这不是"以物易物的温情回归"，是计价体系的一次降维：当生产资料本身参加竞价，整个行业的美元报价就只剩外壳，内里都在按"卡数与代际"暗中比价。

五、两种模式的"阶级分化"

结合起来看，AI行业正在形成一个"算力阶级体系"：

第一层：算力所有者。 不训练模型，但拥有算力基础设施。NVIDIA（GPU制造商）和三大云服务商（AWS、Azure、Google Cloud）。它们控制生产资料的分配权，坐收地租。

第二层：自购算力的模型巨头。 Microsoft、Google、Meta，以及获得巨额融资的OpenAI、Anthropic。它们有能力"买断"算力，不依赖租赁。它们承担高固定资本压力，但长期成本低、算力自主、竞争壁垒高。

第三层：租用算力的AI创业者。 绝大多数的AI初创公司，靠租用云算力训练模型。它们灵活、快速、低风险进入游戏，但长期成本高、算力不自主、盈利模式脆弱。

第四层：AI服务的消费者和劳动者。 通过API使用AI服务的普通用户和底层劳动者——他们既不是GPU所有者，也不是模型训练者，只是AI产业链末端的"产出贡献者"（数据提供者）和"消费者"。

这个四层结构，与19世纪工业资本主义的阶级结构有着惊人的相似性——地主（云服务商）、资本厂主（模型巨头）、小作坊主（AI初创公司）、工人（底层劳动者）。

马克思说，资本主义的发展会产生一种趋势：资本越来越集中，小资本被大资本吞并，生产资料越来越集中在少数人手中。这个趋势正在AI行业以极快的速度重演。小AI初创公司越来越多地发现：不是自己的产品不行，而是自己的"算力成本结构"竞争不过大公司。大公司自购GPU，边际算力成本接近零（已折旧完的集群做推理几乎只耗电费）。小公司租GPU，每一笔API收入都要先扣掉算力租金。

在这种成本结构下，小公司的利润空间被压缩到极致——不是因为产品不好，而是因为"数字地主"收的租太高了。

佃农经济的史书在这里翻到了最讽刺的一页：数字地主不光收租，地主自己也下地。云服务商在出租算力的同一张桌子上，出售自研模型、自研工具链、自家应用——各大云商自家的旗舰模型挂在租户卖API的同一条商店街上，且天然比租户更懂整条街的客流数据。收租者与竞争者合为一体，意味着租户面对的不是一个市场，是一个裁判席：定价、排序、曝光、接口变更，每一项裁量权都同时服务于租金与自营业务。古典佃农至少知道地主的田在哪个村；数字佃农的房东，正用他的租约、他的模型、他的渠道，卖与他一模一样的收成。

地主与竞争者合一之后收租的目标函数悄悄改了形：不再追求单笔租金的最大化，而是追求租户群体的长期可租性。由此推出的均衡并不直观，最稳的收租状态是让租户停在饿不死也吃不饱的位置上，太瘦则付不起下季账单而租约断头，太肥则去置地自建而租约改姓。数字地租于是长出修剪的手艺，扶持要扶在准巨头的门槛之下，挤压要挤在破产线的门槛之上，两张报表共用一支笔。只是这套平衡术自带天花板，替租户划定的成长极限同时划定了自己租金的增长极限；若要永远收租就得接受永远收不到巨头的那一份。养租者与掘租者原来坐在同一条板凳上，地权的稳定与地租的最大化在此互相拆台。

六、历史在重复：从运河到铁路到云算力

AI时代的云算力模式，是科技史上基础设施垄断的又一次重演。

19世纪运河： 英国工业革命初期，运河是最主要的货物运输方式。运河公司收取"过路费"——每一艘船通过都要交钱。运河公司不生产货物，但它从货物运输中抽取了一个可观的份额。后来铁路取代运河——又是一次基础设施垄断更替。

20世纪铁路： 美国西部开发时期，铁路公司控制了运输通道。农民生产粮食运到东部市场必须通过铁路——铁路公司收取高昂运费。农民和铁路公司的矛盾是美国民粹主义运动的重要来源。

21世纪云算力： 逻辑完全相同。AI公司生产"数据产品"（模型），但这些产品的"生产"（训练）需要经过"算力通道"（GPU集群）。控制算力通道的公司——AWS、Azure、Google Cloud——收取"算力过路费"。不交，产品就出不来。

每一轮技术革命，最终都会出现一批"基础设施垄断者"。它们不一定是最初推动技术变革的人，但它们是最后留下的人。运河公司留下了，铁路巨头留下了，电信公司留下了。在AI时代，留下一批"云算力地主"几乎是必然的。

这不是阴谋，是资本逻辑的自发结果。控制核心基础设施的资本，天生就有通过"收租"获取超额利润的倾向。这是马克思所说的"资本的本性"——追求最大限度的剩余价值。当平台控制了别人无法绕过的通道，它就能从每一笔通过其通道的交易中抽取分成。

历史给这段剧本配过注脚。十九世纪后期的美国中西部，铁路运费压垮农场，"格兰其"运动把州级限法一路送进了联邦——1887年州际商业法的诞生，本质是生产者政治对通道资本的强制减租。公共承运人、电话网、电网，每一代基础设施租金的天花板，都不是市场自己磨出来的，是立法者替下游租户谈下来的。算力地租走到今天，类似的减租政治已在排队：主权云、公共算力池、本土数据中心补贴——都是"格兰其"的数字版。唯一的区别在于，铁路跑不出国境，算力随时可以跨境：地租的征收者是流动的，租户的立法权却被国界锁住——减租政治在通道资本面前，第一次遇到了打不到身的对手。

七、小结："租vs买"背后的阶级选择

回到最开头的问题：自购还是租赁？这不仅是AI行业的"技术选择"，也是一个"阶级选择"。

如果有足够的资本选择"买"——就进入了算力所有者的阶级。承担了固定资本的压力，但也获得了长期成本优势、算力自主权和技术壁垒。

如果资本只够选择"租"——注定是AI产业链的"佃农"。灵活、快速、可以试试看，但永远要支付"地主"的过路费，永远在算力成本上高过自购者，永远受制于人的分配权。

而且，"租"的长期陷阱在于：当一家AI小公司成长为一家中等规模的公司时，会发现，"租"的成本已经累积到超过"买"的成本了。这时面临一个痛苦的抉择：继续租（持续出血）还是转为买（再花一大笔钱）？

如果选择转买——那之前几年付的巨额租金全白交了。就像佃农给地主交了十年的租，第十一年才决定自己买地——十年租金不可收回。

这正是AI时代"数字地租"的厉害之处。交的每一笔云算力租金，都在巩固云服务商的地位——它们拿着这些租金建设更多的数据中心，购买更多的GPU，买入更多的NVIDIA股票，进一步扩大"算力土地"的版图。

资本家变成了地主，地主变成了更大的资本家。这是AI时代的资本辩证法。

不过，辩证法还有后半句，地主的成功里酿着自己的解药。租金抽得越狠，最大的佃户就越早算清一笔账：自建虽贵，贵不过永远交租。于是头部租户垂直向上——自研芯片、自建工站、自组互联——把交了几年的"轻"重铸成自己的"重"。这一步一旦迈开，云商失去的不只是一张账单，是整块最肥的续费池：租金模式的天然宿命，是亲手把最有支付能力的客户训练成未来最硬的竞争者。收租与自建之间那条看不见的水位线，最终由一个变量决定——租约里溢价的斜率，和客户现金流的斜率，谁先爬过谁的屋顶。所以"数字地主"并非终局，它更像一个收费站兼孵化器：收费的同时，也在批量孵化拆收费站的人。

读者问答

Q1：你说的云算力"垄断"是不是夸大了？中国有很多云服务商在做竞争，比如阿里云、华为云、腾讯云、百度云，它们在互相竞争压价。

你说的是"公有云"市场内部的竞争。但问题在于：AI训练用的GPU供给是被NVIDIA垄断的——不管是中国还是美国，所有云服务商用的高端GPU都来自同一个源头。所以云服务商之间的竞争不是"完全竞争"，而是在"单一供应商"前提下的"有限竞争"——它们的成本结构大致相同（从NVIDIA买GPU的价格差不多），所以价格战的空间有限。中国的情况略有不同——受到了出口管制的影响，购买H100和B100受限，但云服务商之间的竞争格局是类似的。真正的竞争缓解需要GPU供给出现实质性替代——比如国产AI芯片在性能和生态上接近NVIDIA——但目前这个替代还在路上。

Q2：你说"买GPU长期更划算"，但买GPU的风险是不是很大？比如技术路线变化、下一代芯片架构不同、或者量子计算出现——GPU就白买了。

完全正确。自购GPU面临"技术锁定"风险——你把钱押在了特定技术路线上。如果未来AI训练范式发生变化（比如从GPU转向存算一体芯片），或者NVIDIA的CUDA生态被替代——你的氢压集群价值会急剧下降。租赁避免了这种"技术锁定"风险——新技术路线出来，你可以随时切换。所以"租"实际上是一种"技术路线保险"——你付的溢价包含了"灵活退出"的期权价值。对技术路线尚不确定的早期公司来说，"租"是理性的选择。但对已经确定技术路线、需要长期大规模训练的成熟公司来说，"买"更经济。

Q3：按你的逻辑，AI行业的利润最终都会流向NVIDIA和云计算公司？AI模型公司没有翻身机会？

利润确实大量流向了基础设施层，但AI模型公司不是完全没有机会。机会在"差异化"和"垂直整合"上。如果AI模型公司能通过模型能力创造出难以复制的高利润业务（比如替代了某个传统行业的核心服务），它就能从"下游"赚回足够的利润来覆盖算力成本。另外，AI模型公司也可以通过"自建芯片"来打破对NVIDIA的依赖。Google有TPU，Amazon有Trainium，Microsoft有Maia——这些都是AI公司试图减少对NVIDIA依赖的尝试。但这条路成本极高——芯片研发投入10亿美元起步，回报周期5年以上。只有巨头玩得起。

参考文献

1. 马克思《资本论》第三卷第六篇"超额利润转化为地租"——级差地租与绝对地租："算力地主"的收租逻辑

2. 马克思《资本论》第二卷第二篇——持有固定资本与租用固定资本的成本结构；长期看持有者占边际成本优势

3. 马克思《资本论》第一卷第二十三章"资本主义积累的一般规律"——资本集中：小资本被大资本吞并，在AI行业以极快速度重演

4. 《辉煌一时的美国铁路，为什么越混越差？》，澎湃号·湃客，2025年2月7日——格兰其运动与1887年《州际商业法》：立法者替下游租户谈基础设施租金的历史先例