GPU LIFECYCLE / 技术 × 投资 / 2026-11-13

What workloads remain economic on older hardware?

旧 GPU 的价值，由仍能经济地完成的工作负载决定。

优先测试模型能装下、服务要求明确、可聚合需求且迁移成本低的任务。旧卡的价格折扣，必须覆盖合格产出、功耗、维护和机会成本上的差距。

分析师应用案例 · F10 / F11 / F14 / F15 / F18 / F20 / F21 · 公共证据核对：2026-11-13，Europe/London

01 / WHERE TO LOOK FIRST

更有希望的是匹配稳定任务，而非承接所有“推理”。

优先测试

批量 embedding、成熟 CV / OCR、小模型服务、特定媒体编解码。模型与软件稳定，需求能汇聚时，旧平台可能保留成本优势。

条件决定结果

量化 LLM、LoRA、批量生成、HPC。必须测吞吐、质量、完成时间和全系统能耗；“能跑”只通过了第一关。

最容易失去优势

前沿大规模训练、长上下文高并发、严格交互时延，以及有高价值替代需求的固定 MW 机房。

推理：需求容忍等待，有助于排队和批处理，但不能抹去每项任务的能耗。需求稀疏，可能不值得买新卡，也可能根本不值得持续占用任何一张专用 GPU。两种判断都应保留 CPU 与按需租赁对照组。

工作负载	旧硬件的候选条件	经济单位与关键测量	什么会推翻延寿结论
批量 embedding / 离线 reranking	模型、序列长度可控；索引刷新有明确截止时间；任务可以汇聚。	$/百万合格文档或查询；固定检索质量、文档长度分布、批量和完成期限。	新卡的合格吞吐增益超过成本倍数；CPU 已满足需求；离线积压影响业务新鲜度。
成熟 CV、OCR、语音处理	固定模型与输入分辨率；已有可维护部署；适合小批量或多租户共享。	$/合格图像、页或音频小时；准确率、端到端 p95/p99、CPU 预处理和数据传输。	新精度路径显著改变能效；小任务被 CPU / 专用加速器更便宜地完成；尾时延失守。
小型 / 量化 LLM 服务	权重、KV cache、运行空间均装得下；目标并发与上下文不过量；后端支持该 GPU。	同模型或同任务质量下的 $/成功请求；固定输入/输出长度、TTFT、TPOT、并发。token 只作辅助分母。	量化损失使任务失败或重试增加；KV 导致跨卡切分；旧卡缺少高效内核。[6]
批量生成、评测、数据标注	可异步调度，有足够 backlog；人工验收标准和完成日期确定。	$/被接受样本；包括拒收、重做、验证模型和人工成本。	更快的新平台更早交付有价值数据；旧平台输出质量或验收通过率更差。
LoRA / 小规模微调与实验	训练状态、激活能容纳；实验对交付速度不敏感；检查点与软件可复现。	$/达标训练作业；time-to-quality、重跑概率、工程师等待和实验周转。	较慢迭代损失高于硬件节省。QLoRA 说明容量门槛可下降，不证明旧卡单位经济更优。[7]
HPC / GPU 数据分析	现有代码依赖匹配的 FP64、内存容量或带宽；通信不是主瓶颈。	$/正确求解或查询；数值精度、time-to-solution、全节点能耗。	新平台更少节点即可完成同任务；跨卡通信和 host 开销吞掉旧卡折扣。
视频转码与媒体流水线	逐 SKU 核查 codec、profile、位深和固定功能单元。T4 可作为 H.264/HEVC 候选；其 NVENC 不支持 AV1 编码。	$/合格视频分钟；固定画质、码率、分辨率、并发及端到端时延。	需要 AV1 编码或新画质/码率目标。A100 没有 NVENC，不能因为是旧 GPU 就分配给硬件编码。[3]
开发、CI、教学、备用容量	已有设备、替代出售价值较低；确有可量化的等待或中断损失可避免。	每次实验/测试成本，或备用带来的预期损失减少；单列闲置电力与支持成本。	低占用使专用成本高于按需租赁；平台版本分叉增加维护。低价不自动构成购买理由。
前沿训练 / 大模型低延迟服务	仅在旧系统仍满足容量、互连、可靠性与工期，并有足够大的成本折扣时进入候选。	训练 time-to-quality；服务同质量、同 SLO 的集群 goodput；按整个可部署系统计价。	为装下模型增加节点、通信或冗余，或者受限 MW 下吞吐不足。优先测新系统，但不预设赢家。

本表是待验证的工作负载筛选顺序，不是对某型号的收益保证。MLPerf 把场景、质量目标与性能指标分开定义；不同版本、模型、系统规模和精度的结果不能直接拼成“跨代倍数”。[1]

02 / THREE CLOCKS, FOUR GATES

物理年龄、产品代际与可维护期限分别计时。

一张新装机的旧代际 GPU，可能很年轻却已落后；一张较老的 GPU，也可能继续稳定完成固定任务。0–1、1–3、3–6、6+ 年可以用于分组观察，不能替代故障记录、健康状态和工作负载测量。

门槛	需要的证据	会改变成本的机制
容量与拓扑	权重 + KV / 激活 + 工作区 + 余量；按目标 batch、并发和上下文测峰值。	从单卡变为多卡，会同时改变 GPU 数、通信、host 和故障面。T4 的 16 GB 与 A100 的 40/80 GB 选型不能笼统当成一种“旧卡”。[2] [4]
质量与服务水平	同一验收数据、模型版本或任务质量；时延尾部、排队、重试与失败率。	峰值 tokens/s 与忙碌率不是可收费或可用的产出。量化后必须重新验收。
软件与功能支持	框架、内核、驱动、工具链、codec 与安全修补路径的具体版本。	CUDA 13.0 已移除对 Turing 之前架构的离线编译支持；旧应用不会因此立即停止运行，但 V100 等旧平台需要维护旧工具链路径。[5]
运行健康与可交付性	ECC/掉卡记录、热降频、部件供应、维修时间、整机功耗、网络与电力是否就绪。	实测故障、有效产出和维护成本分别进入模型。不能凭年龄指定一个“已验证”故障概率。

容量算术示例：8B 参数仅权重在 16-bit 下约为 16 GB（十进制），4-bit 原始权重约为 4 GB；两者都还没加入量化元数据、KV、激活和工作区。这是存储量估算，不是某 16 GB GPU 可以服务该模型的结论。

03 / THE ECONOMIC DECISION

继续用、再买入、出租和出售，是不同问题。

原始购买价已经支付，不决定今天是否继续运行；但今天可获得的净转售收入是继续持有的机会成本。账面价值为零也不表示 GPU 免费。租赁报价的折旧、硬件转售价下降和会计折旧年限必须分别建模。

Q = 3,600 × r × u
单位成本 = C / Q
旧平台占优 ⇔ C旧 / C新 ≤ (r旧 × u旧) / (r新 × u新)

C: 每日历小时的完整经济成本；租赁按实际计费和承诺摊分，已有资产计入持有机会成本。边界包含 host、内存、网络、软件、运维、闲置电力与相关故障成本。
r: 相同任务质量和 SLO 下，生产窗口内的合格产出/秒。不是峰值 TOPS，也不是跨模型直接可比的 tokens/s。
u: 有效生产时间 / 日历时间，已包含需求空闲、排队安排和停机影响。不是 SM 忙碌率；产出里已经扣除的失败，不再重复折损。

新卡若在相同有效利用率下有 3 倍合格吞吐，旧卡完整小时成本必须低于新卡的三分之一，才能取得更低单位成本。对单张长期占用设备，利用率也参与比较；对按作业计费的弹性租赁，要先把两边换成同一计费时间与工作量口径。

四条路径用同一持有期与现金流口径

V出售 = S₀
V延寿 = −K延寿 + PV(CF旧) + PV(S旧,H)
V替换 = S₀ − K新 − K迁移 + PV(CF新) + PV(S新,H)
V改用 = −K改用 + PV(可实现避免成本 − 运维) + PV(S改用,H)

S₀ 为现在净转售收入；K 为新增现金投入；CF 为工作负载收入减经营现金成本；期末残值扣除交易成本。比较各 V，或统一减去 V出售计算相对价值，不能只在某一路径扣机会成本。替换路径出售旧设备后只计新设备期末残值；内部避免成本与对外收入不重复计。所有路径使用共同期限，分别检查部署等待、故障与需求变化；若加入融资现金流，折现口径须一致。

固定 MW 会改变答案。先满足相同需求，再比较可交付的单位成本；有排队中的高价值业务时，还要比较净贡献/MW，并计入旧卡占用电力、机架和网络带来的机会损失。只有存在可兑现的替代用途，才给稀缺资源赋予额外机会成本；同一电力约束不要既通过替代现金流、又通过附加成本重复扣除。

04 / CHANGE THE ASSUMPTIONS

多大折扣，才足以补偿较慢的硬件？

以下六个输入全部为合成示例，不对应 T4、A100、H100 或任何市场报价。输出单位可以是同口径 token、文档或其他验收单位；不能在一次比较中混用。

05 / FIVE INDEPENDENT TESTS

把“旧 GPU 能延寿”转成五项分析师检验。

这些是本研究的分析方法，不是某位分析师对旧 GPU 的评级或观点，也不新增真实电话会问答或人物档案。

独立视角	关键问题与模型	财务传导	能改变判断的证据
付费需求 / F7、F10	哪些客户真的愿意持续买？按工作负载分组：收入 = 可计费小时 × 实收租价，或合格任务量 × 实收单价。	量价、续约、贡献利润；出租率与客户内部计算效率分开。	价格下降后利用率增加但收入、现金贡献仍下降；免费任务不能支撑残值。
技术替代 / F15、F18	同服务质量的完整成本比，是否仍低于有效产出比？比较相同需求及受限资源。	客户采购、份额、净 ASP、旧代际租价与新设备替换量。	新内核、容量或互连减少所需卡数；更高峰值性能本身不足以证明替代。
资本配置 / F20	继续持有的未来净现金流与残值，能否超过今天净售价？新购旧卡另加买价、安装与营运资金。	替换 CapEx 时点、自由现金流、回收期与再投资选择。	运行有正毛利，但 PV 低于转售价值；卖出并重新配置资金更优。
会计与现金 / F11	会计使用年限、工程可用期限和经济寿命是否被混为一谈？	延长折旧年限可降低当期折旧、提高利润，却不会直接增加同额经营现金。税、出售损益另算。	利润改善仅来自折旧估计；租价、利用率、维护现金和替换需求未改善。
估值与证伪 / F12、F14、F21	按代际/投产批次建现金流，终值依赖仍付费的任务组合，不用统一“六年寿命”外推。	残值、维护/替换支出、自由现金流及估值持续期；债务再融资另外桥接。	旧群组净贡献衰减快于预期，或二手成交价扣除费用后低于残值假设。

对算力定价与调度的研究含义：租赁价格指数可以记录同 SKU、同配置、同 SLA 的租价衰减；工作负载路由可以寻找合格任务的成本边界；残值风险分析需要独立的硬件真实成交与处置数据。租赁价格可以提供信号，但不能直接当作二手硬件结算价格。

06 / HOW THE THESIS FAILS

旧卡仍能工作，不代表旧卡的资本仍有回报。

延寿最强的解释：成熟工作负载增长，稳定的软件和已部署基础降低迁移成本；折扣与需求聚合足以补偿能效差距。替换最强的解释：同质量的有效产出/美元和产出/MW持续提升，旧卡被迫降价仍留不住有支付能力的需求，或者占用可用于更高回报业务的机房资源。

独立冲击	必须重算什么	常见误判
需求 2×	并发与 KV、排队尾延迟、吞吐曲线、可调度工作量；需求已饱和时不能把利用率再翻倍。	需求增加必然延长旧卡经济寿命。它也可能迫使迁移到更高密度的平台。
新设备晚部署	等待期间旧卡的现金贡献、租入替代成本和迁移日期；保留共同评价期限。	把暂时的过渡价值当成永久技术优势。
融资更贵 / 续贷更难	新购成本、现金时点、债务期限、处置折价；企业生存能力与设备运营贡献分开。	旧卡正毛利足以覆盖整个平台的融资与更新成本。
新代际进入	旧卡租价、利用率、二手售价、支持和迁移分别冲击，再加入相关性情景。	假设各变量独立，或把某个代际降价百分比机械用于所有物理年龄。

可迁移练习：旧方案单位成本更低，但新方案每 MW 能产生更多净贡献；机房只有一半功率被用掉。你会怎样判断今天留旧卡、未来替换的时点？先列出付费需求、部署时间和空余资源的证据，再决定是否赋予电力机会成本。

查看判断要点

未被有效需求占用的电力，不应直接套用满载稀缺溢价；有可执行、足够回报的替代部署时，机会成本才进入比较。按相同工作量计算所需设备，再比较等待期现金、迁移投入、残值与不同需求情景。阅读要点不等于完成独立判断。

07 / THE NEXT DISCRIMINATING EVIDENCE

先测三组任务，再谈可投资的经济寿命。

下一轮建议选择：① 批量 embedding；② 受限上下文的小模型交互服务；③ 一项现有 CV、媒体或微调任务。每项选一套旧系统、一套候选新系统，并保留 CPU 或按需云对照。以下是研究安排建议，未表示测试已运行或已建立自动跟踪。

固定验收：模型与数据版本、质量门槛、输入长度分布、输出长度、batch、并发、截止时间或 TTFT/TPOT/p99；保存框架、驱动与内核版本。
测可用产出：从低负载到饱和扫负载，记录端到端功率、host/网络/存储、OOM、错误与重试；再用代表性需求轨迹估算有效利用率。
补商业证据：同条件租赁实收价/合同、净转售报价及成交、维护账单、迁移工时和下一代到场日期；挂牌价与宣传性能分别标注。
反转条件：任一硬门槛失败即移出候选；超过计算器成本上限则失去单位成本优势；继续持有价值低于净售价则优先评估处置。达标后才更新群组现金流、残值和替换 CapEx 假设。

当前可下的结论：旧硬件的可持续需求来自一组经过验证的任务，而非泛化的“推理市场”。当前不可下的结论：某一 GPU 可统一使用多少年、租价会如何下降、残值是多少，或哪家公司的利润一定受益。

08 / EVIDENCE AND LIMITS

证据支持机制，不替代经济性实测。

MLCommons — MLPerf Inference: Datacenter2026-11-13 读取。基准按模型、质量目标和场景定义；本页未从结果表构造跨代性能倍数，也未引用特定提交作为采购结果。
NVIDIA — T4 product specifications2026-11-13 核对公开规格：16 GB GDDR6、70 W GPU 功率规格。未将板卡功率视为整机实际功耗，也未采用厂商加速比作独立测量。
NVIDIA — Video Encode and Decode Support Matrix2026-11-13 核对 T4 与 A100 行。编码与解码、codec 与 profile 须分别判断；T4 的 NVENC 不支持 AV1 编码，A100 无 NVENC。
NVIDIA — A100 product documentation2026-11-13 读取。40 GB / 80 GB 配置与平台机制；本案例不把其峰值规格换算为真实业务吞吐。
NVIDIA — What’s New and Important in CUDA Toolkit 13.02025-08-06；2026-11-13 重读“Feature-complete architectures”。CUDA 13.0 对 compute capability 7.5 之前架构移除离线编译支持；旧工具链/驱动支持路径与现有二进制继续运行并非一回事。
vLLM v0.17.1 — Quantization compatibility2026-11-13 读取版本化文档。支持依赖硬件与具体内核；这里只作为版本锁定方法的依据，不宣称某种量化必然更快或在所有旧 GPU 上可用。
Dettmers et al. — QLoRA: Efficient Finetuning of Quantized LLMs2023-05-23。论文报告冻结量化底座并训练适配器，可在单张 48 GB GPU 上微调其测试中的 65B 模型。这里只支持容量门槛可以改变，不外推所有模型的质量等价、训练时间或旧硬件收益。

继承材料：GPU Lifecycle v1，2026-11-09 工作台；读取并确认仍为示例模型。本文新增工作负载筛选、现金流决策边界与合成计算器。未核验真实租赁成交、二手成交、维修群组数据或同质量跨代性能；未假定任何具体 GPU 的寿命、残值、回报或故障率。

查看来源与模型记录 · 返回分析师训练 · 分析师思想地图