AI 基础设施稀缺可能变成代价高昂的过剩

尽管云服务提供商仍在报告计算能力受限、客户需求上升，Google News 在 8 月 11 日展示了一项尖锐的 AI 泡沫预测。SiliconANGLE 的分析聚焦于基础设施买家鲜少公开讨论的一种逆转：如今芯片、电力和数据中心空间的短缺，可能刺激足够多的建设，进而造就明日的过剩。

这一判断并不要求 AI 采用率崩溃。它只要求供应到位的速度快于可盈利需求形成的速度。Alphabet、Amazon、Microsoft、Meta 和 Oracle 正在投入巨额资本，而由此形成的许多产能距离产生收入还有数年时间。它们的供应商也必须围绕这些承诺扩充内存、网络、散热和电力基础设施。

最接近的历史类比，是互联网泡沫时期围绕光纤网络的建设热潮。泡沫破裂后，互联网仍持续增长，但投资者依然在那些早于付费需求建成的网络上蒙受损失。当前的 AI 周期拥有更强大的客户群、真实的云业务收入和稀缺的产能。不过，其财务结构日益依赖于同一个棘手的预测：用户最终愿意为消耗多少基础设施付费？

Google News 的 AI 泡沫预测实际改变了什么

这一警示将焦点从 AI 是否有效，转向行业是否正以合适的价格和节奏建设产能。

SiliconANGLE 的标题将稀缺与过剩描述为同一资本周期中前后相继的阶段。稀缺会提高利用率、支撑高溢价利润率，并让几乎任何新增产能都显得有价值。供应商会将未完成订单视为市场需要更多工厂、加速器、数据中心和电力接入的证据。

这种回应存在较长的滞后期。软件公司可以在数月内发布应用，但超大规模数据中心涉及土地、许可、电网接入、建设、散热设备、服务器和网络。收入往往在首次资本承诺后很久才开始产生。因此，在稀缺高峰期作出的决策，可能在客户行为已经改变后才带来供应。

Microsoft 清晰展现了当前的短缺状况。在其 2026 财年第三季度财报电话会上，该公司表示当季新增了 1 吉瓦容量，并预计至少到 2026 年仍将受到产能限制。Microsoft 预计按自然年计算的资本支出约为 1,900 亿美元，其中约 250 亿美元与更高的组件成本有关。

同一份 Microsoft 财报披露，常用 Copilot 模型的推理吞吐量提升了 40%。推理是 AI 模型在训练完成后生成答案的计算过程。更高的吞吐量意味着 Microsoft 可以利用既定的基础设施处理更多请求。

这种效率提升有助于利润率，但也令产能预测更加复杂。如果每个加速器能处理更多工作，那么客户完成相同数量任务所需的加速器就会更少。更快的模型、更小的模型、定制芯片和更优的软件，都可能降低每项有用产出所需的计算量。

单位成本下降也可能刺激更多使用。经济学家将其称为反弹效应：效率提升使资源更便宜，从而鼓励人们增加消费。不确定之处在于哪种力量会占上风。若要让每座规划中的设施都维持高利用率，需求增长必须快于效率提升。

Google News 并未产出或验证 SiliconANGLE 的论点。它只是通过 AI 芯片和数据中心信息流分发了一家出版商的分析。这一区别很重要，因为聚合传播可能让一项引人注目的预测看起来像已获证实的事件。

真正发生的变化，是基础设施讨论的转向。直到最近，投资者主要还在问供应商能否足够快地完成建设。正在浮现的问题则是：当这些供应到位后，会发生什么？

稀缺仍在推动创纪录的投入承诺

反对即将出现产能过剩的最有力论据很直接：主要云平台仍报告需求超过可用产能。

Microsoft 表示，在其财年第三季度，Azure 需求仍持续超过供应。该公司预计，下一季度 Azure 收入按固定汇率计算将增长 39% 至 40%。它还表示，新增产能必须在客户工作负载、内部应用、研究和替换服务器之间分配。

Amazon 也提出了类似直接的论据。首席执行官 Andy Jassy 写道，公司并非“凭感觉”在 2026 年投资约 2,000 亿美元。他表示，AWS 已拥有覆盖当年规划产能很大一部分的客户承诺，尽管其中大量产能将在 2027 年和 2028 年实现商业化。

Amazon 的时间安排说明，仅凭当前现金流无法解决这一争论。其 致股东信称，基础设施支出可能早于客户计费六至 24 个月。数据中心可以运营数十年，而芯片、服务器和网络设备的使用寿命则较短。

这些承诺使 AI 周期区别于完全围绕未经验证初创企业构建的繁荣。Amazon、Alphabet、Microsoft 和 Meta 均从成熟业务中产生大量现金流。它们的云平台已在全球范围销售计算、存储、数据库、安全和网络服务。

Oracle 也提到已签约需求。在其 2026 财年业绩中，该公司表示，近期大部分剩余履约义务增长来自大型 AI 协议。部分客户为图形处理器预付款，或自行提供硬件。剩余履约义务代表尚未确认的已签约收入。

这些协议降低了特定设施的短期需求风险，但并未消除整个系统的集中度风险。多家云服务提供商可能都将与同一批模型开发商或相关 AI 企业签订的合同，视为支持各自独立投资的证据。

因此，按数据中心来看，需求似乎是多元化的；但按最终付款方来看，需求仍可能高度集中。如果少数 AI 开发商贡献了不成比例的增量消耗，那么它们的融资和收入将成为影响整个系统的变量。合同转移了一部分风险，但无法创造可盈利的终端用户需求。

稀缺信号也可能反映瓶颈，而非有用计算能力的绝对短缺。一家公司可能在某个地区缺电、在另一个地区缺先进内存，或缺少某一模型所需的特定加速器。围绕每一个局部瓶颈进行建设，日后可能导致吸引力较低的产能利用不足。

这也是为何必须将供应视为一个完整系统来评估。没有足够高带宽内存的加速器，无法提供预期性能。没有电网接入的已建成建筑，无法承载可运行的集群。位于错误市场的集群，可能无法满足延迟、合规或数据驻留要求。

短缺是真实的，但“产能”无法在所有地点和工作负载之间互换。这使得从稀缺转向过剩的过程并不均衡。高端基础设施仍可能受限，而较旧或位置不佳的资产则会失去定价能力。

AI 泡沫取决于利用率，而非能力

AI 可以广泛发挥价值，而基础设施投资者的回报仍可能令人失望。

核心矛盾并非 AI 信徒与 AI 怀疑论者之间的对立，而是已签约的稀缺与可盈利利用率之间的差异。前者衡量客户是否预订基础设施；后者则关注持续使用能否产生足以覆盖建设、融资、能源和硬件更换的收入。

这一区别解释了为何不能仅凭模型质量判断 AI 泡沫。更强的推理、编程、图像生成和语音工具可以吸引用户，却未必足以支撑建设热潮的每一层投入。一项热门服务可能高效运营、补贴使用，或将大部分收入导向一家云平台。

互联网泡沫的类比提供了有益警示。光纤网络创造了持久的经济价值，后来的公司也受益于由此带来的充裕供给。但这并未保护每一家在繁荣期间为建设提供融资的运营商或投资者。有用的基础设施也可能在财务时点上失当。

AI 数据中心又增加了一层复杂性。其物理外壳可以使用很多年，但最昂贵的计算组件更新得更快。新一代加速器可以实现更优的每瓦性能，而软件优化可以提升现有硬件的产出。在周边建筑尚未过时前，较旧的集群就可能失去经济价值。

Microsoft 表示，其近期资本支出中约三分之二涉及短寿命资产，主要是处理器和图形芯片。这些组件与近期云业务收入的关联更直接，也使公司面临反复更换周期。

Amazon 认为，定制芯片改变了这一局面。Jassy 表示，与完全依赖外部芯片相比，其自研 AI 加速器 Trainium 应能降低资本需求并改善 AWS 的经济效益。他还表示，若计入 Graviton、Trainium 和 Nitro，Amazon 的芯片业务年化收入运行率已超过 200 亿美元。

定制芯片可以保护超大规模云服务商的利润率，但也可能加剧供应商压力。如果 Amazon、Google 和 Microsoft 将更多内部工作负载转向自有加速器，需求可能从通用硬件转移。当多种可行架构相互竞争时，客户也可能获得更大的议价能力。

Nvidia 仍然处于核心地位，因为其硬件和软件环境支持广泛的 AI 开发。不过，要出现产能过剩风险，并不需要 Nvidia 产品在技术上变得无关紧要。只需客户能从每套已购系统中获得更多计算产出即可。

同样的机制也适用于模型。较小的模型无需使用最大型的可用系统，也能处理分类、提取、搜索和工作流自动化。量化会降低模型权重的数值精度，使模型能以更少内存运行。蒸馏则训练较小模型模仿较大模型，往往可降低推理成本。

这些技术不会终结前沿训练的需求。它们会将市场划分为具有不同经济要求的工作负载。前沿实验室可能继续消耗庞大集群，而企业应用则转向更便宜的模型和优化硬件。

对买家而言，这是一项利好。更高效的推理可以让 AI 功能更容易部署到软件、客户支持、研究和内部知识工作流中。评估这些工具的团队应关注可衡量的使用情况和成果，而不是供应商的基础设施支出。

一个可搜索的知识工作流说明了这一区别。它的价值取决于员工能否检索到有用信息并更快完成任务。其价值不会仅仅因为底层供应商安装了更多加速器而提升。

对基础设施所有者而言，只有当效率提升带来的成本下降能够解锁足够多的新增活动时，效率才是利好。否则，它只会减少完成固定工作负载所需的机器数量。这正是 SiliconANGLE 预测背后的核心反转。

债务让未来的供给过剩更难消化

当固定融资义务的增长快于可持续的 AI 现金流时，扩张建设将变得更加脆弱。

早期超大规模云服务商的支出主要来自拥有大量现金储备和盈利核心业务的公司。随着总承诺规模扩大，这一格局正在改变。如今，公开债券、融资租赁、私募信贷和特殊目的实体正为更大比例的建设项目提供支持。

国际清算银行报告称，超大规模云服务商在 2025 年的债券发行规模超过 1,000 亿美元。该机构还描述了一些表外安排：数据中心资产被置入由股权和私人债务融资的专门实体。

在这种结构下，云服务提供商可以持有少数股权，同时签署长期租赁或容量协议。项目实体拥有基础设施，并通过租赁付款偿还债务。这种安排减少了超大规模云服务商资产负债表上的即时资本支出，但也形成了持续多年的经济义务。

BIS 分析将这些安排称为“影子借贷”。银行可以向这些实体提供信贷额度，而保险公司和私募信贷基金则持有其债务。这在 AI 基础设施、非银行贷款机构与传统金融机构之间建立了联系。

当设施按计划投运、签约客户持续付款时，这种结构能够运作。若算力价格下跌、租户重新谈判，或再融资成本上升，其退出和调整都会变得更加困难。一栋建筑在物理上仍可使用，却可能产生低于融资模型预期的现金流。

英格兰银行 2026 年 7 月的金融稳定评估提出了相关担忧。报告指出，如果预期的 AI 收益未能实现，日益复杂且不透明的债务结构可能放大风险。报告还援引估计称，超大规模云服务商的投资将高度依赖信贷发行。

这并不能证明会发生系统性危机。大型科技公司依然盈利，长期合同也能使基础设施收入更可预测。许多设施除 AI 外，还服务于传统云工作负载。

然而，杠杆改变了行业应对供给过剩的方式。以现金出资的所有者可以在等待需求恢复时承受较低利用率。高度融资的项目则仍需按既定时间表支付利息、租赁款和本金。

算力价格下跌会带来另一重压力。降价可以扩大整体市场，但也会降低每单位容量的收入。届时，所有者需要实现更高的使用率，才能产生项目融资时预期的现金流。

这种风险更接近商业地产，而非面向消费者的软件。容量建在特定地点，依托电力合同，并以未来入住率为基础融资。需求向新地区或新一代硬件迁移的速度，可能快于底层义务调整的速度。

集中度进一步加剧了这种错配。OpenAI、Anthropic 和其他大型模型提供商购买或预留了大量计算容量。云平台也投资这些公司、分发其模型，有时还充当其主要基础设施合作伙伴。

这些关系能够支持快速扩张，但也使总支出成为衡量独立需求的一个薄弱指标。在无关的终端客户为 AI 生成的结果付款之前，资金可能先在投资、云承诺和供应商采购之间流动。

怀疑论者不应夸大这种循环性。企业云客户正在部署真实工作负载，云收入也在持续增长。Microsoft 报告称，数千家组织在使用其模型和数据平台，其中包括处理极大规模 token 量的客户。

不过，最终考验仍是基础设施融资循环之外产生的现金。如果企业因为 AI 降低成本或提高收入而持续扩大付费使用，债务便仍具偿付能力。若使用依赖补贴和试验性预算，再融资就会暴露其中的缺口。

这些数字仍无法证明什么

当前财报显示基础设施需求强劲，但尚未揭示整个建设管线的回报。

积压订单能够证明已签约销售的存在，但并不总会披露合同期限、取消权、客户集中度，或交付这些收入所需的资本。如果硬件、能源和融资成本的增长快于利润率，即使积压订单庞大，经济效益也可能疲弱。

收入增长也有类似局限。云业务部门涵盖数据库、存储、网络安全、生产力软件和传统计算。公司会披露部分 AI 指标，但市场仍缺少专门衡量生成式 AI 服务收入的一致标准。

Microsoft 已披露详细的使用信号。该公司在其财年第三季度电话会议上表示，超过 300 家 Foundry 客户有望在全年处理逾一万亿 token。公司还称，已有超过 10,000 名客户通过 Foundry 使用了不止一种模型。

这些数据表明采用正在增长，但并未显示每个 token 的盈利能力。token 是由 AI 模型处理的一小段文本单位。随着竞争和效率提升，每个 token 的收入可能下降，因此必须将使用量与成本结合考量。

Amazon 同时提供了合同和产品活动两方面的证据。Jassy 表示，Amazon Bedrock 在 2026 年第一季度处理的 token 数量超过此前所有年份的总和。他还表示，Bedrock 在 3 月份的环比规模接近翻倍。

同样，使用量并不能自动说明资本回报。服务商可能降价、将 AI 纳入更广泛的订阅服务，或优先考虑采用率而非利润率。内部工作负载可以创造商业价值，却不会体现为直接云收入。

行业也缺少用于比较系统的共同分母。一个模型可能需要使用更多 token 才能完成同一任务；另一个模型可能生成更少 token，却需要更多计算来进行推理。因此，仅凭 token 增长无法描述经济产出。

任务完成情况是更好的信号。企业应询问 AI 系统是否解决了一个支持工单、生成了被接受的代码、完成了一笔销售，或减少了员工耗时。由于客户在截然不同的流程中部署 AI，服务商很少以标准化格式报告这些结果。

乐观观点依然可信。Amazon 表示，其计划中的大部分 AWS 容量已经获得客户承诺。Microsoft 报告称，容量限制仍在持续、Azure 需求正在加速，基础设施效率也在改善。Oracle 则报告了与 AI 相关的大规模已签约义务。

独立预测同样显示建设扩张正在加速。PIMCO 援引一致预期称，五家主要超大规模云服务商的资本支出在 2026 年将接近 6,900 亿美元，2027 年将达到 8,700 亿美元。其信用风险评估强调，债务融资正从投资级科技公司扩展至专业云服务商。

看空观点也同样具体。建设决策依赖在供应短缺期间作出的需求预测；硬件迅速迭代，融资义务持续多年，而新增需求在一定程度上依赖于少数集中的模型开发商。

两种观点可以在一段时期内同时成立。行业如今可能面临真实的稀缺，随后又会制造供给过剩。泡沫问题取决于这一转变的速度，而非证明当前需求是虚幻的。

因此，读者应谨慎看待任何确定的崩盘日期。数据中心项目面临区域性限制，AI 工作负载也无法相互替代。全国性的供给过剩可以与特定优选地点先进容量的短缺并存。

最可能出现的调整也会是不均衡的。配备高效硬件且已获得电力保障的新设施可能仍然有价值。较旧的加速器、投机性项目，以及没有已承诺租户的高融资站点将承受更大压力。

Google News 警告之后需要关注的三个信号

下一阶段最先会体现在利用率、客户集中度和取消情况上，而不是另一条戏剧性的 AI 泡沫头条。

第一个信号是云收入与资本支出之间的关系。Microsoft、Amazon、Alphabet、Meta 和 Oracle 应证明，新增基础设施能够带来加速的收入增长或可守住的营业利润率。支出可以领先收入若干个季度，但两者之间的缺口不可能无限扩大。

Microsoft 提供了一个有用的检验案例，因为它同时披露了容量限制和支出计划。应结合阅读 Azure 增长、云业务毛利率、融资租赁义务以及短寿命资产的占比。更快的收入转化将削弱供给过剩论点；若持续支出伴随增长放缓，则会强化该论点。

Amazon 提供了第二项检验：计划容量中有多少得到财务稳健客户可强制执行承诺的支持。其披露的协议支持看涨观点，尤其是在客户预付款或跨多年作出承诺的情况下。

这些承诺的质量比标题数字更重要。投资者应关注客户集中度上升、合同修改，或对仍需额外融资的 AI 开发商的依赖。更广泛的企业需求将强化扩张建设的理由；对少数实验室的更大依赖则会削弱它。

第三个信号是实体项目的行为。开发项目延期、放弃电力配额、加速器租赁折价，以及取消设备订单，都将表明预期需求已经走弱。持续排队等待接入电网，以及新投运站点保持满负荷利用，则指向相反方向。

Google News 很可能会同时呈现两种叙事的证据，因为不同地区和硬件世代可能同时出现稀缺与过剩。读者应将报道与公司文件、财报电话会议和基础设施数据相互比较，再将任何单一头条视为确认。

未来三个月，主要云服务商将披露更多财报。这些报告应揭示，新设施是否正在转化为可计费容量、利润率是否仍面临压力，以及管理团队是否调整建设计划。

对于开发者和企业买家而言，适度的供给过剩未必是坏事。更低的算力成本可以扩大模型选择、提升议价能力，并使此前昂贵的工作流变得可行。但它也可能扰乱缺乏长期融资或差异化服务的小型服务商。

知识工作者应关注这些节省是否真正传递到应用层。如果供应商保留差额、产品仍不可靠，更便宜的基础设施价值有限。AI 的有效采用仍取决于准确性、治理、集成和可衡量的任务结果。

Google News 的警告很有价值，因为它指出了市场最核心的时点问题。稀缺会鼓励建设，但建设并不能保证带来盈利性需求。决定性的问题如今已可衡量：付费 AI 使用的增长速度，能否快于容量、效率和融资义务？

在接下来的一个季度里，不要把这个问题简单归结为盲目乐观，或某个确定的崩盘日期。应关注云业务营收与资本支出的关系，审视合同由谁担保，并留意实体项目是否持续推进。如果这些信号同时走弱，产能过剩就正在到来。若利用率和客户出资的营收持续上升，当前这轮建设扩张仍有更多空间可走。