一座使用 GB200 NVL72 機架、規模 100 MW 的專用推論園區，要達到 15% 的槓桿股東內部報酬率，約需要每 GPU 小時 $2.91，這是 Scotiabank Global Equity Research 深度分析所得出的結論。

Scotia 的模型顯示，100 MW 關鍵 IT 負載的專案總資本支出為 $4.03 billion，也就是每 MW $40.3 million。在這個總額中，64% 配置給 IT 設備，每個 NVL72 機架定價 $3.0 million，其中很大一部分支出流向 NVDA。其餘 36% 則屬於設施本身，按每 MW $14.5 million 計算。

該行假設專案 70% 以 8.0% 的利率、為期 6 年進行融資，並在第六年後給予 IT 資本支出 15% 的殘值，顯示報酬計算對融資條件與持有期結束時設備價值都相當敏感。

Scotia 表示，當前 GB200 租賃報價可跨過這個門檻。以 $2.91 的要求值來看，模型換算約為每百萬輸出 tokens $0.81。相比之下，目前封閉式模型的 token 輸出成本從 Gemini 3.1 Flash-Lite 的 $1.50 到 GPT 5.4 的 $15 不等。不過，DeepSeek V4 Flash 的價格為 $0.28-0.66，而 Ox Alpha 看起來約為 $0.50，該產品的性能接近 Claude Opus 4.8。

Scotia 報告另一組值得注意的數字，是超大規模雲端業者的表外承諾正變得多麼龐大。其表外數字目前已達 $2.588 trillion，另有 $779 billion 已列於資產負債表內。這些驚人的數字尚未包括 $120 billion 的保證與其他或有風險，因為那些並非確定承諾。

另一個有用的對照指標，是 $2.91 的全包門檻之外，該行估算的營運費用（opex）為每 GPU 小時 $0.52。你可以把這視為底線，因為低於這個水準，關燈停機可能更合理（儘管我們確實見過大宗商品生產商和工廠在虧損下持續運作一段時間）。

AI 的看空情境在於，這些資料中心的某個「已承諾租戶」——例如 OpenAI 或 Anthropic——破產。想像一座造價 $4.03 billion、以 $2.82 billion 債務融資的設施失去租戶。沒有人會把它拆掉。放款方會接管這項每 GPU 小時仍能產生 $0.53 現金收益、但沒有其他用途的資產——你無法在短時間內把一座專為 AI 打造的園區改成其他用途，而裡面的設備才是價值流失最快的部分。因此，放款方會像對待任何無法移動的單一用途抵押品一樣：認列減記、尋找營運商，並在市場能接受的價格下出售算力。

光纖產業在 2001 年到約 2010 年之間就曾如此。單一違約會在同一時間移除合約需求並增加現貨供給。原本被合約鎖住的產能，會瞬間變成為剩餘競爭者而存在的產能。GPU 的次級價值也會因同樣原因而崩跌——供給過剩。

現金成本對應到 $0.145。市場中位數的 API 列表定價為每百萬輸出 tokens $1.94，但——如我所示——這是可以變動的。

可能出問題的不只這一項。就像我過去兩年一直寫的：電力不夠。併網排隊、變壓器與渦輪機交貨延遲，以及熟練電氣勞工不足，都會限制公告產能實際到位的速度。確實存在一種可能：設施完工了，但電力還沒準備好，於是等到 GPU 開始老化時，AI 的果實基本上已經爛在樹上。

一個值得觀察的基準（前提是你忽略違約風險）是合約定價。

「在我們的模型中，$2.50 與 $3.50 之間的差距，決定了一個失敗的基準情境與一個能同時通過報酬與覆蓋率測試的專案，」Scotia 寫道。另一個尚未回答的問題是：如果這些龐大投資只是勉強跨過投資門檻，超大規模雲端業者應該以什麼倍數交易？

如果資本支出確實帶來真正的增量獲利，EPS 會在估值下修中成長，而股價可能多年橫盤。當一家高報酬企業轉向資本密集型模式時，這通常就是常見結果。

當然，Scotia 也點出了 ZeroHedge 一直強調的循環融資：超大規模雲端業者與模型開發商的承諾支撐專案債務，讓租戶、基礎設施所有者與放款方之間形成高度相關的風險曝險。較低的 API 價格可能削弱租戶信用、壓低殘值、擴大專案債務利差，並拖慢再融資與施工進度。最終結果取決於上升的需求強度，能否抵消下降的 token 價格與既有產能的過時風險。

我最大的問題是：如果 AI 成功了怎麼辦？在超級智慧的世界裡，模型做的第一件事之一就是最佳化，而這可能把 token 成本壓到最低。此外，能自我學習的模型應該也能設計出比今天使用的晶片效率高得多的晶片。