当前关于数据中心和GPU的讨论，大多聚焦于企业获取人工智能(AI)工作负载所需加速器的速度，以及构建相应基础设施以容纳这些设备的速度。然而，几年之后，一个同样重要的问题将凸显出来：如今部署的GPU究竟能使用多久?当这些设备达到其使用寿命终点时，企业又该如何应对?
　　
　　这些问题对于长期容量规划至关重要——更不用说还要提前应对由AI基础设施所引发的电子垃圾挑战。此外，这些问题也相当复杂，因为“使用寿命”一词的含义取决于评估的角度：究竟是指硬件在物理上仍可运行，还是指其在经济上仍具备运行价值。
　　
　　物理寿命：数据中心GPU如何失效
　　
　　通常情况下，如果仅从物理功能层面来定义“寿命”，大多数GPU至少能运行五年，甚至更久。与服务器或个人电脑中的大多数组件一样，GPU并不会像机械系统那样出现“磨损”。在显卡层面，它们没有任何运动部件(数据中心GPU通常采用被动散热，散热风扇位于机箱内)，因此在正常使用过程中，其组件并不会发生自然退化。
　　
　　尽管如此，故障仍时有发生，通常是由外部因素或板级因素导致的：
　　
　　热应力与散热不足。持续的高温和热循环会加速焊点疲劳，并可能导致高带宽内存(HBM)和显存(VideoRAM)性能退化。
　　
　　电源质量与瞬态波动。供电长期不稳定或出现电压浪涌，可能会损坏GPU。此类问题既可能源于设施供电异常，也可能由机架级或服务器级故障(例如电源单元故障)引起。
　　
　　环境因素。如果过滤和监控措施不到位，灰尘、湿度和污染物会增加故障风险。
　　
　　在实际应用中，若具备完善的散热、稳定的供电以及有效的监控，许多设备的使用寿命可达数年;当然，具体情况会因运行周期、工作负载强度及环境条件而异。即便硬件本身仍能正常工作，保修期和支持期限(通常为三年，也可通过原始设备制造商/原始设计制造商(OEM/ODM)进行延长)往往构成了设备实际使用寿命的上限。
　　
　　经济寿命：何时更换才划算
　　
　　从经济角度衡量，GPU的使用寿命往往较短。对于那些致力于实现投资回报率(ROI)最大化的机构而言，需要权衡现有设备应保留多久——即在什么时间点将其更换为更新、更强大的型号，在财务上才更为合理。
　　
　　这一评估考量了多重因素：
　　
　　·在现有GPU上已投入的资本;
　　
　　·下一代硬件的价格;
　　
　　·淘汰设备转售后可能获得的收益;
　　
　　·现有GPU与新一代GPU之间的性能差距;
　　
　　·依赖GPU的工作负载对性能的具体需求;以及
　　
　　·现有设备集群的实际利用率。
　　
　　总的来说，当设备利用率高、工作负载需求不断增长，且新硬件带来的性能提升足以抵消其额外成本时，进行设备更换在经济上是合理的。
　　
　　基于这一逻辑，从近期的产品周期来看——至少以英伟达(Nvidia)的产品迭代节奏为例——设备的平均经济寿命大约在两到四年之间。2022年推出的Hopper架构GPU，其性能大约只有2024年推出的Blackwell架构GPU的40%(即性能差距约为2.5倍);据报道，Blackwell芯片还能将人工智能(AI)推理成本最高降低10倍。由于这两代产品的价格区间相近，对于几年前投资了Hopper架构GPU的机构而言，升级到Blackwell架构GPU是一个非常合理的选择——前提是他们能够确保获得供应。
　　
　　当GPU达到生命周期终点时会发生什么?
　　
　　如果继续运行GPU已不再具备经济效益，将其丢弃只会导致“双输”局面：你既损失了残值，又制造了不必要的电子垃圾。
　　
　　由于大多数设备在物理状态上依然完好，将其转售是更可取的做法。目前，GPU的二手市场非常活跃。即便转售价格仅为原始成本的10%至20%，这也比支付妥善处置费用要好，同时还能回笼部分资金，用于后续再投资。
　　
　　购买与租赁：GPU即服务(GPU-as-a-Service)
　　
　　最后，对于那些因硬件经济寿命较短而感到顾虑的机构，还有一种战略性选择：采用“GPU即服务”(GPUaaS)。随着GPUaaS产品及“新一代云服务商”的兴起，企业可以选择租赁算力资源，而非购买硬件，从而推迟甚至完全避免了设备更新决策。对于许多非超大规模(hyperscale)领域的企业而言，租赁或许是一种更务实的方式——既能满足不断变化的性能需求，又无需将资本投入到极易过时的设备中。
　　
　　编辑：Harris