AI 晶片折舊會計爭議：科技巨頭如何用財技掩蓋萬億美元風險

折舊年限延長的財務魔術

折舊（depreciation）是會計中一個看似枯燥但影響深遠的概念。簡單來說，當企業購買一台價值 3 萬美元的 NVIDIA H100 GPU 時，這筆支出不會在購買當季全部計入成本，而是按照資產的預估使用壽命分攤到數年中。如果按照傳統的 3 年折舊，每年的折舊費用為 1 萬美元；但如果延長到 5 年，每年只需計入 6,000 美元。兩者之間 4,000 美元的差異，乘以數百萬塊 GPU，就是數十億美元的盈利差距。

這正是當前科技巨頭正在做的事情。多家公司已經悄悄修改了其 AI 硬件的折舊政策，將折舊年限從 3 年延長至 5 年甚至更長。這一改變的直接效果是：季度盈利報告中的折舊費用降低，營業利潤和淨利潤相應提高，財務數據看起來更加健康。

數字背後的真相

讓我們做一個簡單的計算來理解這個問題的規模。假設一家科技巨頭在 2026 年投入 1,500 億美元用於 AI 硬件（這大致是 Amazon 或 Microsoft 今年的計劃資本支出水平）。在 3 年折舊模式下，這批硬件每年產生約 500 億美元的折舊費用。在 5 年折舊模式下，年折舊費用降至 300 億美元。差額為 200 億美元——這意味著僅憑折舊政策的調整，該公司每年的帳面盈利就多出 200 億美元。

對於整個產業而言，四大科技巨頭——Amazon、Microsoft、Google 和 Meta——在 2026 年的合計資本支出預計超過 6,000 億美元。如果全部採用延長折舊策略，理論上可以在未來數年中每年「創造」數百億美元的額外帳面利潤。這不是真實的利潤增長，而是純粹的會計效果。

「當你把一項本應在 3 年內淘汰的資產按照 5 年來折舊時，你不是在更準確地反映現實，你是在借用未來的利潤來裝飾今天的財務報表。」——一位不願具名的華爾街科技分析師

GPU 迭代速度與折舊年限的致命錯配

折舊年限的合理性取決於一個核心問題：資產的實際經濟使用壽命有多長？在傳統的企業 IT 領域，服務器的使用壽命通常為 3 至 5 年，因此 3 至 5 年的折舊期限是合理的。但 AI 晶片的情況截然不同。

NVIDIA 的 GPU 迭代速度令人目不暇接。回顧近年來的產品線：V100（2017 年）、A100（2020 年）、H100（2022 年）、B200（2024 年）、Rubin（2026 年）。每一代產品在性能和效率上都實現了數倍的飛躍。H100 發布時被譽為「AI 訓練之王」，但僅僅兩年後就被 B200 全面超越。如今，Rubin 架構又將 B200 遠遠拋在身後。

這意味著什麼？當一家公司在 2024 年購買了一批 H100 GPU 並按照 5 年來折舊時，到 2027 年——折舊期還剩 2 年——這批 GPU 的性能可能已經被最新一代產品甩開了兩個世代。在 AI 這個性能至上的領域，這些「老舊」的 GPU 在推理效率、能耗比和訓練速度上都遠遠落後。它們在帳面上可能仍然值數億美元，但實際的市場價值和使用價值可能已經大幅縮水。

萬億美元的債務隱憂

折舊問題只是冰山一角。更深層的問題是，整個 AI 產業的基礎設施投資在未來五年可能需要超過 1 萬億美元的新增債務來支撐。這些債務的償還能力最終取決於 AI 投資的回報率——而這正是目前市場上最大的未知數。

Fortune 雜誌近期指出，「萬億美元大清洗」（trillion-dollar wipeout）的風險正在上升，部分原因正是市場對 AI 巨額支出回報率的擔憂。JP Morgan 估計，軟件行業的市值已經蒸發了約 2 萬億美元，主要受到 AI 顛覆傳統軟件商業模式的擔憂驅動。如果再加上折舊錯配帶來的「資產泡沫」效應，科技板塊的估值風險將更加嚴峻。

資產泡沫的形成機制

讓我們拆解這個資產泡沫的形成機制。第一步：科技巨頭以前所未有的速度購買 AI 硬件，在資產負債表上累積巨額固定資產。第二步：通過延長折舊年限，降低每季度的折舊費用，維持亮眼的盈利數據。第三步：投資者看到強勁的盈利增長，繼續推高股價。第四步：公司利用高股價和低利率發行更多債務，購買更多硬件。這形成了一個自我強化的循環。

但這個循環有一個致命的脆弱點：如果 AI 投資的回報未能達到預期，或者某一代 GPU 的實際淘汰速度快於折舊速度，公司將不得不進行大規模的資產減值（write-down）。一旦市場上的某一家巨頭率先宣佈減值，可能引發連鎖反應，導致整個板塊的重新估值。

歷史的鏡鑒：網絡泡沫中的電信業

這種情況並非史無前例。2000 年代初的互聯網泡沫中，電信公司瘋狂建設光纖網絡，投入了數千億美元的資本。當時的邏輯與今天驚人地相似：「互聯網流量正在指數級增長，你不投資就會被淘汰。」

歷史不會簡單重複，但總是押韻。網絡泡沫時期的電信公司過度投資了光纖容量，結果是大規模資產減值和破產浪潮。今天的科技巨頭正在 AI 硬件上重演同樣的劇本，而延長折舊年限的做法讓這個泡沫看起來比實際更加堅固。

WorldCom、Global Crossing、Nortel Networks 等電信巨頭都在過度投資的重壓下倒下。它們同樣使用了激進的會計手段來掩蓋問題——WorldCom 甚至通過將線路成本資本化（本應計入當期費用）來虛增利潤，最終導致美國歷史上最大的企業會計醜聞之一。

當然，今天的情況與 2000 年並不完全相同。AI 的應用場景遠比當年的互聯網更加廣泛和深入，科技巨頭的財務狀況也遠比當年的電信公司健康。但核心的風險邏輯是一致的：當投資速度遠超回報實現速度時，就會產生資產泡沫；而激進的會計處理只會延遲泡沫的暴露，而不會消除泡沫本身。

審計師和監管者的角色

在這場會計爭議中，外部審計師和監管機構扮演著關鍵角色。根據國際會計準則（IFRS）和美國公認會計原則（US GAAP），固定資產的折舊年限應當反映資產的預期經濟使用壽命。如果 AI 晶片的技術淘汰速度遠快於其折舊速度，那麼延長折舊年限的做法在技術上可能違反會計準則的精神。

然而，問題的複雜性在於，「經濟使用壽命」是一個需要管理層主觀判斷的概念。科技公司可以辯稱，即使某款 GPU 不再是最先進的，它仍然可以在推理服務或次要工作負載中發揮作用，因此 5 年的使用壽命是合理的。這種辯解在技術層面並非完全沒有道理，但它忽略了一個關鍵事實：在 AI 領域，使用舊型號 GPU 的機會成本（opportunity cost）極高，因為新型號的效率優勢意味著使用舊設備實際上是在浪費電力和數據中心空間。

SEC 是否會介入？

美國證券交易委員會（SEC）目前尚未對科技巨頭的折舊政策調整提出質疑，但隨著越來越多的分析師和投資者發出警告，監管審查的壓力正在增加。如果 SEC 要求科技公司就其折舊政策提供更詳細的披露和論證，可能會迫使部分公司修正折舊年限，進而引發一波減值浪潮。

對香港的啟示

AI 晶片折舊會計爭議對香港的金融和科技界都有直接的影響。

金融分析師的警示

首先，對於香港的金融分析師和基金經理而言，這場爭議是一個重要的風險信號。在分析科技巨頭的財務報表時，必須仔細審視其折舊政策的變動，並對由此產生的「額外」利潤保持懷疑態度。建議採用「正常化盈利」（normalized earnings）分析法，將折舊費用調整回 3 年的傳統水平，以獲得更真實的盈利圖景。目前香港市場上對美國科技股的 ETF 和基金持倉規模龐大，如果折舊泡沫最終破裂，本港投資者將直接承受衝擊。

機構投資者的風險管理

其次，香港的機構投資者——包括強積金、保險公司和家族辦公室——普遍持有大量的美國科技股。AI 相關的折舊風險是一個需要被納入投資組合風險評估的新因素。建議投資者要求其資產管理人披露對科技公司折舊政策變動的敏感度分析，特別是在估值模型中如何處理這一因素。

香港會計準則的思考

最後，對於香港的會計準則制定機構而言，美國科技巨頭的做法提供了一個值得關注的案例。隨著香港自身的 AI 產業發展——特別是數據中心和雲計算領域的投資增加——本地企業也可能面臨類似的折舊政策選擇。香港會計師公會和財務匯報局應考慮發佈針對 AI 硬件折舊的行業指引，確保本地企業在這一新興領域的會計處理既準確又透明。