鸿海董事长刘扬伟在近期的公开讲话中，抛出了一组关于下一代AI数据中心的震撼数字，为投资者理解AI基础设施层的真实成本结构提供了关键参照。

刘扬伟指出，若要建设一个以英伟达Vera Rubin芯片为核心、规模达到1GW的数据中心，所需的资本开支高达470亿美元。这一数字远超当前主流数据中心的投资量级，反映出随着AI算力集群向更高密度演进，基础设施的初始投入正呈指数级攀升。

具体来看，1GW的Vera Rubin数据中心需要部署约3557座机柜，而单座Vera Rubin机柜的售价就达到910万美元。仅硬件采购一项，便构成了天文数字般的支出。更值得关注的是后续的运营成本结构。刘扬伟测算，该数据中心每年的电力成本约为13亿美元，而年度硬件折旧费用竟高达约78亿美元，是电力成本的六倍。这意味着，对于此类超大规模AI基础设施，硬件摊销而非能源消耗，才是财务模型中最沉重的负担。

这一成本结构揭示了一个产业现实：AI算力的规模扩张，本质上是一场资本密集型游戏。高昂的硬件折旧要求运营方必须具备极强的现金流支撑能力，且对芯片的利用率和生命周期管理提出了严苛要求。任何算力闲置或技术迭代加速，都将对投资回报造成巨大压力。

刘扬伟还给出了一个宏观预测：到2030年，全球算力增长将新增106GW的电力需求。这一数字相当于数个大型国家的总发电装机容量，凸显出AI产业对能源基础设施的颠覆性拉动。电力供给能否跟上算力膨胀的步伐，正成为制约AI产业发展的核心瓶颈之一。

从产业链视角看，鸿海作为全球最大的AI服务器组装商，其掌舵人给出的这一组数据具有较高的参考价值。它直接关联到上游芯片厂商英伟达的出货预期、中游数据中心运营商的资本开支计划，以及下游电力、散热等配套产业的订单可见度。470亿美元的单项目投资体量，也意味着未来AI基础设施的融资模式、参与主体将更趋多元化，主权基金、能源巨头与科技资本的跨界合作或将成为常态。

此次披露的时点也值得留意。当前市场正密切关注从训练到推理的算力需求切换，以及AI投资回报率能否兑现。刘扬伟给出的成本账本，既展示了AI基础设施建设的宏大前景，也提醒市场注意其背后的资本密集属性与财务风险。对于投资者而言，理解这一成本结构，是评估AI产业链各环节价值分配的关键一步。