268.91 億美元建廠、47.07 億年成本：AI 工廠的錢到底花在哪裡

先看結論：這是金融結構的變化，不只是科技新聞

一座 1GW AI 工廠的年度成本裡，電費只占約 13%，IT 設備折舊卻占 67%。這顛覆了「資料中心＝電老虎」的直覺：AI 工廠經濟學的主宰變數是設備成本與使用年限，省電技術的財務貢獻，遠不如把 GPU 用好用滿、用久一點。

報告的成本測算分兩層。資本支出：假設 GB200 NVL72 整櫃採購價 300 萬美元，加上基礎設施，專案總投資約 268.91 億美元。年度營運成本：IT 設備折舊 5 年、基礎設施折舊 15 年；設施維護、軟體支持、網路、人員、安全、保險與水耗等不含電費的其他年度營運費用約 2.01 億美元；電費以每度 0.09 美元的綜合電價計算；年度設備及基礎設施折舊、電費與其他營運費用合計約 47.07 億美元。

這份報告最重要的提醒，是 2026 年讀 AI 基建新聞時，不能只看「又有多少錢投入」，要看「錢用什麼結構進來」。同樣一億美元，走公司債、走專案融資、走租賃或走證券化，債務落點、風險承擔者與下行時的傳導路徑完全不同。結構決定了樂觀時誰賺走報酬，也決定了悲觀時誰接住損失。

運作機制：把金融名詞拆回現金流

用報告假設可以還原成本的四塊拼圖（XMY 交叉計算）：5,260 櫃 × 300 萬美元＝IT 資本支出約 157.8 億美元，5 年折舊即每年 31.56 億；總投資減 IT 後的基礎設施約 111.1 億美元，15 年折舊即每年 7.41 億；電費依 120kW 每櫃 × 85% 係數 × PUE 1.44 × 每度 0.09 美元，約 6.09 億；加上其他營運費用 2.01 億——四項合計 47.07 億美元，與報告總數吻合。這個還原讓每個成本項都可以被單獨壓力測試。

專案財務模型的價值不在結論，而在假設清單。這份測算假設園區總功率 1GW、PUE 1.44、以 132kW 每櫃估算可部署機櫃、以 120kW 每櫃與 85% 平均功率係數估算電費、GPU 可售利用率 70%、整櫃採購價 300 萬美元、IT 設備折舊 5 年、基礎設施折舊 15 年、綜合電價每度 0.09 美元。改動其中任何一項，盈虧平衡價都會跟著移動。

我檢查這類結構的方法是四個問題：第一，現金流從哪裡來——是簽了約的租金，還是假設中的需求；第二，債務掛在誰的帳上——母公司、專案公司，還是證券化載體；第三，出事時誰先賠——股權、中間級、優先級的順序是否與報酬對稱；第四，退出機制是什麼——長期資本能不能在不砸盤的情況下轉手。四題都答得出來，才算看懂一個融資結構。

商業與財務：先分口徑，再談多空

成本結構決定商業模式的性格：折舊占三分之二，意味著 AI 工廠是重前置投資、低邊際成本的生意——多賣一個 GPU 小時的現金成本主要是電費（XMY 交叉計算約每 GPU 小時 0.26 美元），這給了營運者在需求疲軟時大幅降價保開機率的空間與誘因。對整個租賃市場的推論是：供給過剩時算力價格的下跌可以又快又深，因為每個玩家的短期理性都是「有現金貢獻就接單」。

本系列把所有數字分成四種口徑：「事實／已公告」是已發生的事件或官方揭露；「報告推估」是研究機構基於假設的測算；「XMY 交叉計算」是我用報告假設重新推導或延伸的數字；「XMY 質化評分」則是我的主觀相對排序。四種口徑在每張圖表中分開標示，因為把推估讀成事實，是這類題材最常見的誤判來源。

台灣視角：供應鏈的位置，投資人的距離

0.09 美元一度的電價假設值得台灣讀者細看：這接近台電高壓產業用電的水準，但台灣的電價結構有政策補貼與調整壓力，資料中心大戶未來面對的邊際電價很可能更高。不過本篇的成本結構也說明：對 AI 工廠而言電費不是主宰變數，台灣真正的瓶頸是電力「容量」而非電力「價格」——供電穩定度與新增併網速度，比每度電幾塊錢更決定台灣能承接多少 AI 建設。

對台灣讀者來說，這個平台有兩層意義。第一層是產業鏈：AI 資本支出的資金來源若被拓寬，晶圓代工、伺服器代工、散熱、電源、機殼與網通的訂單能見度就多一分支撐，但同時也多一分對金融結構穩定性的依賴。第二層是投資：台灣投資人透過美股、ETF 或壽險保單間接暴露在這條信用鏈上，理解結構比追逐消息更能保護自己。

反方論證：樂觀情境的失效條件

成本模型的脆弱點藏在「300 萬美元一櫃」與「5 年折舊」這兩個數字的互動：採購價若因供需鬆動而下滑，舊櫃的帳面價值等於被新價格追殺，殘值假設隨之崩落；折舊年限若因技術迭代被迫縮短至 3 至 4 年，年度成本會瞬間膨脹兩到三成，盈虧平衡價同步上移。設備商的定價策略與產品節奏，因此直接決定了全球所有 AI 工廠的帳本品質——這種單一供應商對整個資產類別的影響力，在基建金融史上沒有先例。

會計口徑的盈虧平衡價刻意排除了所得稅、融資成本與設備殘值，這讓它適合當「地板」而不是「門檻」。真實專案要付利息、要繳稅、要面對 GPU 殘值波動，實際能讓股權投資人滿意的租賃價格必然高於會計平衡點。把 2.03 美元讀成「跌到這裡才有事」，會系統性低估風險出現的時點。

報告本身也列出四項風險提示：期限錯配與流動性風險、AI 技術發展與終端需求不及預期、算力價格及設備利用率波動、關鍵參數假設變化。這四項不是免責套話，而是模型最脆弱的四個接縫；本系列每一篇的測算與判讀，都應該放在這四個前提下閱讀。

下一步追蹤：用可驗證的里程碑更新判斷

針對這個題目，接下來值得固定追蹤：1、GB200 及後續平台的整櫃市場價格；2、主要業者對 GPU 折舊年限的會計調整；3、資料中心電價合約的地區差異；4、液冷等技術對基礎設施投資占比的影響；5、營運費用中保險成本的變化。這些指標橫跨公告執行、財報揭露、市場價格與監管動態，因為融資平台的成敗不會由單一新聞決定，而是由一連串可驗證的小事實累積而成。

我的更新方法，是把每季新出現的事實填回這篇文章的框架：已兌現的里程碑提高可信度，反覆延期或口徑變動則降低權重。合作備忘錄與最終協議之間、目標金額與實際出資之間、測算模型與真實帳本之間，永遠留有距離；268.91 億美元建廠、47.07 億年成本值得持續關注，正因為這段距離就是風險與報酬同時藏身的地方。