一台AI服务器，正在变得越来越像一套房。
不是因为它们都很贵。
而是因为它们开始拥有一些相似的东西：买入价、租金、收益率、折旧，以及资产价格。
2025年底，国内市场一台8卡B300服务器大约还是400万元级别。到了2026年4月，市场报价已经达到约700万元；6月，部分行业调研显示，8卡B300现货成交价达到约855万元，报价触及900万元；7月，国内渠道甚至出现1400万—1450万元的极端报价。
需要特别说明： 这些数字来自不同渠道和市场调研，报价并不等于统一成交价，更不代表英伟达官方售价。
另一边，海外云市场已经开始直接给B300标出”小时租金”：DigitalOcean目前公开的B300 12个月预留价格为 7.94美元/GPU/小时。也就是说，一张GPU已经可以像一间房一样，被按小时出租。
于是，一个很有意思的问题出现了：
B300究竟是一块芯片，还是一种正在形成价格体系的AI基础设施资产？
/
/
B300为什么突然这么贵？
先说清楚B300是什么。
B300属于英伟达 Blackwell Ultra 平台，是面向新一代AI推理和大规模AI基础设施的重要产品。它最重要的升级之一，是单颗GPU拥有 288GB HBM3e显存。
但真正值得关注的，并不是这288GB本身，而是AI计算正在发生变化。
这是因为AI的计算需求，正在从”训练一次模型”，转向”持续运行模型”。
尤其是推理模型和Agent出现以后，一个用户请求背后可能不再只是一次模型调用。它可能需要：
思考→ 检索 → 调用工具 → 再思考 → 再生成
一个Prompt，可能变成几十、几百甚至更多次计算。这意味着：AI越聪明，Token消耗可能越大；Token消耗越大，对推理算力的需求就越高。
所以B300真正卖的，不只是”更多算力”，而是更高的Token吞吐，以及更低的单位推理成本。
这也是为什么今天评价AI芯片，已经不能只看PFLOPS。未来真正重要的指标，很可能是——
Cost per Token。
/
/
B300不是一张卡，而是一整套”算力资产”
市场讨论B300时，有一个容易混淆的地方：B300是GPU，不是一台服务器。
也就是说，AI基础设施正在发生一个非常明显的变化：
过去：买GPU。 现在：买服务器。 未来：买一个AI工厂。
这也是英伟达为什么越来越强调rack-scale和AI factory——因为真正限制AI扩张的，已经不只是GPU数量，还包括HBM、网络、CPU、电力、液冷、数据中心以及软件系统。
一颗GPU只是整个生产系统里的一个零件。
/
/
B300的价格，已经出现了”三个市场”
理解B300价格，不能只看一个数字。至少要看三个市场：
市场一：买断价
但这里必须冷静：极端报价不等于市场均衡价格。 一旦供给极少，几十台甚至几台货源就可能形成一个非常夸张的价格锚点。
挂牌价≠ 成交价 ≠ 公允价值。
这是判断当前B300行情最重要的一条。
市场二：租赁价
如果买不起，也可以租。
4月公开报道显示，国内部分8卡B300短租合同价格已经达到约 19万元/月。
海外市场同样开始形成明确的GPU小时价格——DigitalOcean目前公布的B300长期预留价格为 7.94美元/GPU/小时。
这意味着B300开始拥有一个非常重要的属性：它有租金。
市场三：长期合同
这才是最值得关注的市场。
一旦企业愿意签1年、3年甚至更长时间的算力合同，GPU就不再只是一个”硬件采购”，它开始变成：能够持续产生现金流的生产资料。
于是，问题自然从”这张卡多少钱？“，变成”这张卡一年能产生多少钱？”
这就是B300故事真正进入Fintech逻辑的地方。
/
/
一台700万的B300，真的值700万吗？
不妨做一个非常粗略的计算：
乍一看：两年回本，是不是很诱人？
但这里最大的陷阱是：353万元只是收入，不是利润。
真正的算力收益还需要扣掉：电费、液冷、IDC机房、网络、运维、维保、融资成本、税费、空置率、故障、技术折旧。
因此真正应该计算的是：
算力收益率 =（租赁收入 × 利用率 − 运营成本）÷ 设备价格
这个公式，其实和房地产非常像：
于是，一台B300和一套房子之间，第一次出现了一个非常有意思的共同点：它们都可以用未来现金流来估值。
/
/
但B300和房子最大的区别，是”技术折旧”
这也是算力资产最危险的地方。
房子可能几十年都能使用。GPU却不一样——今天价值700万元的服务器，市场不会因为会计账面上按照五年折旧，就真的等五年再给它重新定价。因为下一代芯片随时可能出现。
如果新一代GPU让每美元产生的Token数量提升一倍，那么上一代GPU的经济价值就可能快速下降。
所以GPU有两种折旧：
因此，GPU并不是一种普通的固定资产。它更像一种高资本开支 + 高现金流 + 高技术折旧的基础设施资产。
/
/
为什么B300价格会被推到这么高？
背后的推动因素，主要有四个。
01 需求：Token正在成为新的算力需求单位
Agent、推理模型、多模态应用的发展，让AI从”训练模型”走向”持续运行”。模型调用次数增加→Token增加→推理算力增加。
所以B300背后的第一条需求曲线其实不是GPU，而是：Token。
02 供给：缺的不是GPU，而是一整套系统
B300的供给瓶颈并不只存在于GPU。从HBM、先进封装，到服务器、网络、液冷，再到数据中心电力，任何一环都可能成为瓶颈。
AI算力正在越来越像能源基础设施：
GPU是发电机，数据中心是电厂，Token则是最终产出的”电”。
03 政策：给算力增加了”区域稀缺溢价”
B300在国内外价格出现巨大差异，不能完全用供需解释。美国对先进AI芯片的出口限制，让部分高端GPU进入特定市场的路径变得更加复杂。
2026年5月31日，BIS进一步发布相关指导，对部分总部或最终母公司位于受限地区的实体，即使采购主体位于第三国，也可能触发许可证要求。
这意味着：同一张GPU，在不同地区可能拥有完全不同的稀缺程度。于是B300价格里出现了一层新的东西——区域稀缺溢价。这也是为什么不能简单用”美国价格 × 汇率”来推导中国市场价格。
04 资本：全球云厂商仍在疯狂砸钱
TrendForce今年5月预计，全球九大云服务商2026年资本支出合计约达到 8300亿美元，同比增长约79%：
这意味着：AI基础设施已经不再只是科技公司的一个业务部门，它正在成为大型科技公司资本开支的核心。
所以B300价格背后真正站着的，并不是一块芯片，而是一条巨大的资本链：
云厂商→ 数据中心 → GPU → HBM → 网络 → 电力 → 液冷
/
/
真正的问题来了：Rubin已经来了
如果B300一直没有下一代，这个故事会简单很多。但现在不是。
Rubin已经进入量产。 英伟达今年3月宣布Vera Rubin平台相关芯片进入量产；5月底进一步宣布Rubin进入全面生产阶段，合作伙伴产品计划从2026年下半年开始出货。
更值得注意的是，英伟达已经开始把Rubin的核心价值直接定义为：更高的每瓦性能，以及更低的Token成本。 NVIDIA公开资料称，Rubin面向Agentic AI，并强调其更高的Token效率和更低的单位Token成本。
这恰恰是B300最大的风险。
因为未来真正决定B300价格的，不是”Rubin来了没有？“，而是：
Rubin带来的效率提升，能不能超过AI需求增长？
/ /
所以，B300到底是不是”泡沫”？
答案是：不能简单说是，也不能简单说不是。
因为现在市场里其实存在两个价格：
两者如果同步上涨——这是需求增长。
如果资产价格涨得远快于租赁价格——就可能出现资产泡沫。
这也是为什么判断B300，不能只盯着今天的现货报价。更值得关注的是五个指标：
结 语
B300真正的价格，不在报价单里
回到最开始的问题：一台B300，真的值北京一套房吗？
其实这个问题并不重要。
因为B300真正发生的变化，是它开始拥有了过去只有金融资产和基础设施资产才具备的一些特征：
它可以被买断，可以被出租，可以签长期合同，可以计算利用率，可以计算现金流，可以计算收益率——也必须面对折旧。
所以，B300这轮行情真正值得关注的，并不是”芯片为什么涨到了700万、900万甚至更高”，而是：
AI算力正在从企业的成本中心，变成一种可以被定价、租赁和估值的生产型资产。
过去，市场给房地产定价，看的是租金；给能源定价，看的是电价；给债券定价，看的是现金流。
而未来的AI基础设施，可能越来越需要回答另一个问题：
一台GPU，究竟能生产多少Token？以及，这些Token，究竟能产生多少收入？
这才是B300真正的”资产价格”。
700万也好，1000万也好，甚至1400万也好，都只是今天的报价。真正决定它长期价值的，是未来几年：它还能生产多少Token，以及这些Token究竟值多少钱。（数据说明：本文为原创产业观察，不构成投资建议。B300国内价格部分主要参考公开媒体报道及行业渠道信息，市场报价、现货成交价和长期合同价格存在明显差异，不能视为统一市场价格；海外云价格亦因地区、计费模式、合同期限和服务内容不同而存在差异。B300产品规格、Rubin量产进度及全球AI资本开支数据主要参考NVIDIA、DigitalOcean、TrendForce等公开资料。）
相关文章
