AI 数据中心建设潮：为何 1873 年是一个警示

随着 AI 基础设施支出在 2026 年逼近 8,000 亿美元，尽管其直接盈利能力的证据仍然有限，Google 新闻捕捉到了一个引人注目的类比。

这一历史参照是 1873 年。当时激进的铁路建设助推了一场金融恐慌。铁路最终改变了美国经济，但许多为这一转型提供资金的公司依然倒闭，投资者则蒙受了长期损失。

与简单讨论泡沫与否相比，这一区别更能勾勒出 AI 数据中心建设潮的本质。Alphabet、Amazon、Meta、Microsoft 和 Oracle 正在建设具备明确经济用途的基础设施。然而，有用的基础设施并不保证每一家为其融资的公司都能获得可观回报。

这种矛盾如今已体现在企业账目中。资本支出的增长快于自由现金流，硬件需要频繁更换，数家超大规模云服务商也日益依赖租赁或外部融资。与此同时，这些公司几乎没有披露人工智能业务具体创造的利润。

因此，1873 年的类比传达了一个更为狭义的警示：即使 AI 没有失败，投资者仍可能亏损。基础设施可以取得成功，而容量所有者仍可能面临价格下跌、客户集中以及回报不及预期的问题。

AI 数据中心建设潮已进入不同阶段

决定性变化并非又一项大型数据中心公告，而是这波建设浪潮在规模、速度和融资结构上的叠加。

BloombergNEF 估计，14 家主要上市数据中心运营商的资本支出将在 2026 年接近 7,500 亿美元，而前一年这一数字不足 4,500 亿美元。

该机构还统计到，全球 831 个项目地点正在建设中的数据中心容量达到 23.1 吉瓦，其中美国占 15.9 吉瓦。

这些数字涵盖的不只是建筑。AI 数据中心需要加速器、服务器、网络设备、存储、冷却系统、电力接入和备用发电设施。每个组成部分都带来不同的更换周期和财务风险。

2025 年第三季度，约有 3.8 吉瓦的新容量进入建设阶段，比本十年早些时候记录的季度平均水平高出 58%。

美国市场的集中度同样重要。根据 BloombergNEF 的data center construction估计，在建容量的四分之三位于美国。

电力采购也呈现相同趋势。2025 年，美洲地区大型数据中心开发商占企业清洁电力采购量的 72%。

这已不再是科技预算中的试验性配置。数据中心正在影响公用事业规划、建筑市场、半导体供应、债券发行和区域发展决策。

超大规模云服务商也一再上调支出计划。FactSet 估计，Alphabet、Amazon、Meta、Microsoft 和 Oracle 在各自 2026 财年期间的合计资本支出将超过 6,900 亿美元。

若计入融资租赁和客户预付款，按日历年计算的支出可能接近 8,000 亿美元。这些融资方式之所以重要，是因为它们可能将义务移出传统的现金资本支出数据之外。

FactSet 计算显示，这五家公司在 2020 财年投资约 950 亿美元；截至 2026 年 5 月的 12 个月内，其合计支出已达到约 4,900 亿美元。

这一增长代表了最大科技公司运营方式的结构性转变。曾因轻资产经济模式而备受推崇的企业，正在成为实体基础设施的重要所有者和承租方。

计算设备如今获得了最大份额。FactSet 估计，处理器和服务器将在 2026 年吸收约 3,800 亿美元，约为 2025 年水平的两倍。

这类设备的经济寿命短于土地、建筑或电力系统。新一代加速器在性能和能效上的提升，可能足以压低旧硬件的价值。

这使得当前的 AI 资本支出热潮不同于常规云业务扩张。企业正大举投资那些可能在周边建筑老化之前就失去竞争力的资产。

因此，市场实际上在评估两类投资。其一是寿命较长的项目地点和电力接入网络；其二是快速变化的计算设备库存。

Google 新闻报道往往会将这些层次压缩成一个庞大的支出数字。投资者需要将它们区分开来，因为每一层都承担着不同的现金流和折旧风险。

这场建设潮已进入工业化阶段。其核心问题不再是企业能否建设足够的容量，而是收入能否在融资和更换成本重塑经济模型之前成熟起来。

为何 Big Tech 在警示信号下仍持续投入

超大规模云服务商之所以在收入到来前提前建设，是因为它们称现有基础设施无法满足已报告的需求。

Microsoft 表示，预计将在 2026 年日历年投入约 1,900 亿美元资本支出，其中约 250 亿美元归因于组件成本上涨。

该公司还预计，至少到 2026 年底都将受到容量限制。它面临的挑战是，能否足够快地部署 GPU、CPU 和存储资源，以满足 Azure 需求。

Microsoft 表示，仍有超过 6,000 亿美元的业务尚待交付。这一指标包括其更广泛业务中的已签约承诺，而非单独披露的 AI 利润池。

这一区别很重要。庞大的积压订单可能表明未来需求，但并不会自动揭示利润率、客户集中度或所需投资。

Microsoft 认为，随着使用量增长，其按使用量计费的服务可以将基础设施转化为收入。其资本投资展望也将信心与更高的产品使用量和持续的云容量限制联系起来。

Amazon 提出了类似论点，并对时间安排提供了更多细节。该公司表示，AWS 必须在客户能够使用服务之前购置土地、电力系统、建筑、芯片和服务器。

据 Amazon 称，这一前置周期可能长达 6 至 24 个月。建筑可使用数十年，而芯片和服务器的预期寿命通常短得多。

Amazon 预计 2026 年资本支出约为 2,000 亿美元。首席执行官 Andy Jassy 表示，其中相当大一部分已对应客户承诺。

一个已披露的案例是 OpenAI 超过 1,000 亿美元的承诺。Amazon 表示，其他协议要么已完成但尚未公布，要么仍在谈判中。

AWS 还报告称，2026 年第一季度其 AI 收入年化运行率超过 150 亿美元。该公司表示，2025 年新增了 3.9 吉瓦电力容量。

Amazon 预计到 2027 年底，其总电力容量将翻倍。该公司认为，一旦系统可用，新增容量便会立即产生收入。

该公司还正通过其自主设计的 AI 加速器 Trainium 减少对 Nvidia 的依赖。Jassy 表示，Trainium 最终可能每年节省数百亿美元资本支出。

这仍是公司预测，而非经独立验证的节省。不过，这表明超大规模云服务商正通过定制芯片来应对成本问题。

Google 通过其 Tensor Processing Units 采取了类似策略。Microsoft 已开发 Maia 加速器，而 Meta 则持续投资自研芯片，同时采用第三方硬件。

这些定制设计有两个目的：既可降低每单位计算量的支出，也可减少对单一供应商短缺的风险敞口。

不过，单位成本下降并不保证总支出降低。更便宜的计算能力可能吸引新的工作负载，从而增加整体基础设施需求。

这种效应类似于道路扩建：它起初可以缓解拥堵，却也会鼓励更多人开车。效率提升带来的消费扩张，可能快于其降低单项任务成本的速度。

因此，这些公司同时在应对当前需求和预期中的未来使用量。训练大型模型消耗巨大资源，但在部署后，推理会成为持续性的工作负载。

推理是指运行经过训练的模型来响应请求的过程。它可涵盖编程辅助、广告系统、文档分析、搜索和自动化商业任务。

企业采用又增加了一层压力。客户往往希望 AI 系统靠近其既有应用和数据，这有利于成熟的云平台。

这些因素都无法证明每一座规划中的设施都是必要的。但它们确实解释了为何高管将建设不足视为竞争威胁。

缺乏可用容量的公司可能失去持续数年的合同。它也可能难以在服务外部客户的同时支持自身消费者产品。

这种担忧形成了自我强化的竞争。每家超大规模云服务商都将竞争对手的建设活动视为必须确保更多芯片、电力和项目地点的证据。

其结果类似于 19 世纪的铁路竞争。没有一家运营商愿意让竞争对手控制关键线路，即使重复建设的线路会削弱整个行业的回报。

Google 新闻与 1873 年铁路的类比

最有力的历史类比并非 AI 没有价值，而是有价值的网络也可能吸引超过其所有者偿还能力的资本。

美国铁路里程在南北战争后迅速扩张。铁路公司连接了此前运输成本高昂的城市、农场、矿区、港口和工业中心。

这些基础设施带来了持久的生产率提升。它开辟了全国市场，加速了定居进程，并降低了货物运输成本。

但融资结构更加脆弱。铁路发起人高度依赖债券、土地投机、乐观的运输量预测以及投资者信心的持续。

当信心减弱时，1873 年 9 月 Jay Cooke & Company 的倒闭助推了一场金融恐慌。该银行曾深度参与 Northern Pacific Railway 的融资。

信贷收紧，铁路建设放缓，企业倒闭，失业率上升。由此引发的经济收缩持续时间超过了最初的市场冲击。

这一教训令人不安，因为底层技术本身是有效的。铁路并非虚构产品，但围绕它们建立的金融索偿仍超出了许多运营商的承受能力。

AI 数据中心建设潮存在重要差异。Alphabet、Amazon、Meta 和 Microsoft 从广告、软件、商业和云服务中获得了可观的运营现金流。

它们还拥有成熟客户、全球分销网络以及投资级融资渠道。其资产负债表与 19 世纪的投机性铁路发起人几乎毫无相似之处。

BlackRock 投资机构的一份报告认为，当前 AI 支出较早期基础设施热潮更多依靠自筹资金。这一区别确实为抵御突发融资崩溃提供了保护。

然而，比较在边缘领域变得更具意义。Neocloud 运营商、私营开发商、特殊目的融资工具以及高杠杆租户，并不具备相同的资产负债表实力。

Neocloud 提供针对 AI 工作负载优化的 GPU 算力。许多这类公司依赖数量有限的大型合同，为设备采购和建设融资。

BloombergNEF 追踪到，截至 2026 年 3 月的六个月内，超大规模云服务商与 neocloud 之间潜在租赁合同的总额超过 1,000 亿美元。多数协议的期限为五年。

五年足以支持项目融资，但实体基础设施的可运营时间可能更长。这种错配会在首批合同到期后带来续约风险。

算力本身则呈现相反的问题。即使会计折旧计划假定 GPU 可使用数年，它们的经济价值也可能比建筑物贬值得快得多。

FactSet 估计，2026 年算力将约占超大规模云服务商支出的 60%。2022 年这一比例约为 43%。

更短的使用寿命将增加年度折旧费用，也可能迫使运营商在早期投资尚未实现预期回报前就更换设备。

当前二级市场的价格表明，较旧的 Nvidia A100 和 H100 加速器仍具实用价值。供应稀缺和持续需求有助于维持其经济价值。

这些证据目前支持较长的折旧期限，但并不保证在供应约束缓解后，这些期限仍然合适。

铁路业的类比也凸显了产能过剩。多家运营商可能都识别到真实需求，却共同建设了超过客户最终购买量的产能。

如果发生这种情况，基础设施仍然有用，但盈利能力会下降。云服务商将下调租赁价格、提供更大折扣，或自行消化利用不足的设备。

客户可能会从这种结果中受益。为这些产能提供融资的投资者则将承担大部分调整成本。

因此，Google 新闻搜索结果中出现的那句话值得仔细解读。“像在 1873 年一样狂欢”并不是预测人工智能会消失。

它是在警示回报、资本结构和重复建设的风险。一项富有生产力的技术可以存续，而早期资产所有者仍可能遭受痛苦的减记。

因此，核心较量在于投入承诺与变现能力。超大规模云服务商可以指出供应短缺和已签约需求，而投资者仍缺乏衡量 AI 专项利润的透明指标。

这一分歧不能靠统计数据中心数量来解决。它需要有关利用率、定价、客户质量以及扣除折旧后所产生现金的证据。

数据仍未揭示 AI 的盈利能力

大型科技公司报告的需求足以支撑建设，但披露细节仍不足以证明这些支出将带来有吸引力的回报。

Amazon、Alphabet、Microsoft 和 Meta 并未单独披露其 AI 数据中心投资所带来的销售额和利润。

Amazon 将相关业绩纳入 AWS。Alphabet 报告 Google Cloud，而 Microsoft 则将 Azure 纳入其 Intelligent Cloud 部门。

这些业务还包含与生成式 AI 无关的成熟计算服务。它们的利润率无法隔离出近期部署的加速器所产生的回报。

Meta 还带来了额外的衡量难题。它主要将 AI 基础设施用于广告、推荐和消费者应用，而非销售云算力。

该公司可以将互动度或广告表现的改善归因于 AI。投资者却很难将这些收益与其他产品和市场变化区分开来。

近期云业务利润率看似令人鼓舞。AWS 报告的营业利润率为 39%，而 Google Cloud 在 2026 年第二季度达到 35.6%。

Google Cloud 的可比利润率在一年前为 20.7%。尽管基础设施成本上升，Microsoft 的 Intelligent Cloud 利润率仍维持在约 41%。

然而，高管并未将每一项改善都归因于 AI。Alphabet 还警告称，随着新系统投入运营，新增产能将对云业务利润率构成压力。

盈利能力缺口是AI 回报争论的核心。分析师可以观察总体支出和综合云业务利润率，却无法看到最新设施带来的直接回报。

产能限制进一步复杂化了局面。短缺可以支撑高价格和高利用率，掩盖供需平衡市场下的实际经济状况。

关键考验将在供应变得更容易获得时到来。届时，运营商将在价格、性能、可靠性和软件集成方面展开更直接的竞争。

Oppenheimer 分析师 Jason Helfstein 将核心风险定义为产能过剩。如果行业建设得过多，租赁价格很可能下跌。

价格下跌并不必然意味着 AI 需求未能兑现。它也可能源于供应扩张速度超过了持续增长中的市场。

客户集中度则增加了另一层脆弱性。HSBC 技术研究员 Stephen Bersey 估计，OpenAI 和 Anthropic 约占四家超大规模云服务商已披露 AI 相关积压订单的一半。

由于各公司披露合同的方式不同，确切比例仍不确定。这两家 AI 开发商也都是私营企业，外界因此难以评估其财务状况。

这些关系可能形成循环经济。一家云服务商投资 AI 开发商，后者随即承诺向该服务商采购基础设施。

这种安排可以支持产品开发并保障早期需求。但当资金和采购紧密相连时，它也会使收入质量更难解读。

Amazon 对 OpenAI 的承诺说明了所涉规模。该合同支持 Amazon 的观点，即建设有客户支持，而非出于投机。

但单一超大型客户也可能增加集中度风险。如果使用情况、融资条件或模型经济性发生变化，设施所有者仍将面临风险。

FactSet 发现，外部融资在整个行业中正变得愈发重要。截至 2026 年年中，新增年度债务相当于资本支出的 32%，高于 2024 财年的 9%。

五家主要超大规模云服务商历来通过运营现金流为大部分投资融资。支出的快速增长正日益推动它们转向债务、租赁、股权和合资企业。

Oracle 展示了这种压力如何会首先出现在资产负债表较弱的企业上。S&P 于 2026 年 7 月将 Oracle 的信用评级下调至 BBB-minus。

FactSet 将这一决定与资本支出增加、自由现金流为负及客户集中度联系起来。其余超大规模云服务商保留了明显更大的财务灵活性。

这种对比有助于界定可能出现的压力传导顺序。即使最大的平台并未崩溃，融资环境也可能先在较小的开发商和基础设施合作伙伴周围收紧。

一家仅有少数合同的 neocloud 所面临的再融资风险，与 Alphabet 不同。一家等待数年才能接入电网的开发商，所承担的风险也与 Microsoft 不同。

地方社区还要承担企业回报未能反映的成本。数据中心可能需要新的输电设备、发电能力、供水系统、道路以及税收激励。

电力需求构成最直接的瓶颈。建设进度可能快于公用事业公司审批并接入大型负荷的速度。

电力短缺可能导致收入延迟，而利息、租赁和设备承诺仍在持续。它也可能促使项目转向愿意批准新增发电能力的地区。

硬件通胀构成另一项风险。Microsoft 将其 2026 年资本计划中的约 250 亿美元归因于更高的组件成本，尤其是内存和相关设备。

这笔支出并不一定能购买到按比例更多的产能。其中一部分只是用于补偿更高的投入价格。

乐观情形仍然可信。云服务需求正在增长，AI 使用量不断扩大，企业报告的订单量超过其当前服务能力。

怀疑论情形同样具体。投资者缺乏直接的盈利数据，客户需求高度集中，而使用寿命较短的硬件占支出的比例不断上升。

两种情形都不支持简单断言这轮繁荣安全无虞或注定失败。现有证据反而表明，执行失误的容错空间正在收窄。

投资者和技术采购方接下来应关注什么

接下来的三个信号将显示，这一轮建设浪潮究竟是在形成富有生产力的基础设施，还是昂贵的产能过剩。

第一个信号是新设施投入运营后的利用率。资本支出只衡量投入，而利用率则显示已安装系统是否吸引到付费工作负载。

Microsoft 表示，产能将在整个 2026 年持续受限。Amazon 报告存在未满足的需求，并预计将在新增电力容量可用时将其变现。

这些说法应当带来可见的结果。产能到位后，云业务收入增长应当加快，同时部门利润率不应持续崩塌。

较弱的结果则会表现为收入增长放缓，而资本支出仍居高不下。这种组合将表明建设速度正在超过变现能力。

剩余履约义务也值得关注。这一会计指标代表企业预计将在未来确认的已签约收入。

不断增长的履约义务可以支持需求论点。但投资者仍应审视合同期限、取消权、客户集中度以及所需的基础设施支出。

第二个信号是加速器短缺缓解后的定价。稀缺性目前支撑着新旧 GPU 的高租赁价格。

价格稳定将表明需求仍在吸收新增供应。在高利用率下价格下降，可能反映出健康的效率提升。

若价格下跌同时利用率下降，则会发出更严重的警告。它将表明运营商建设可替代产能的速度超过了客户需求。

定制芯片也属于这一信号的一部分。Amazon 的 Trainium 和 Google 的 Tensor Processing Units 可以减少对 Nvidia 的依赖，并改善特定工作负载的经济性。

其成功应通过更低的单次推理请求成本和更高的利润率来体现。不应只根据部署芯片的数量来判断。

开发商和企业采购方应比较完整的工作负载经济性。软件兼容性、模型可用性、网络和迁移成本，可能超过名义上的芯片节省。

第三个信号是融资行为。AI 资本开支热潮始于企业动用巨额内部现金流，但外部资本如今正扮演更大角色。

债务、售后回租安排或表外合作伙伴关系的进一步增长，将表明支出正在考验即使是最强大的企业现金引擎。

这并不自动意味着困境。将长期基础设施与长期融资相匹配，可能代表审慎的财务管理。

当融资期限与资产或合同期限不匹配时，警告信号就会出现。如果缺乏续约假设，短期客户租约无法安全地支撑长达数十年的场地义务。

信用评级变化可以及早揭示这种紧张关系。Oracle 的评级下调表明，在行业需求明显走弱之前，资本需求和客户集中度就可能对企业施加压力。

开发商还应关注超大规模云服务商是否持续上调业绩指引。反复上调将强化当前产能仍然不足的观点。

伴随自由现金流走弱的业绩指引上调，则值得更严格审视。市场最终将要求证明，增长能够为设备更换周期和融资成本提供资金。

对企业技术采购方而言，这轮建设浪潮既带来机会，也带来依赖。更大的算力容量可以降低推理成本，并扩大先进模型的可及性。

但它也可能促使企业围绕长期定价仍未明朗的供应商构建工作流。采购方应保持数据可移植性，并在切换仍具可行性时测试替代方案。

知识工作者面临着类似挑战。AI 服务可以生成有用的研究材料、初稿、代码和摘要，但其输出仍需与可信来源建立关联。

结构化的 AI knowledge base 能帮助团队在供应商和模型变动时保留文档、决策和证据。

当基础设施竞争加速时，这一层的价值会更加凸显。底层供应商可以更换，而组织仍能保留其工作背景和核验轨迹。

关注 Google 新闻的读者不应把每一项支出公告都视为胜利或崩溃的证据。更值得关注的问题是利用率、单位经济效益和融资质量。

在接下来的超大规模云服务商财报中，按顺序关注三项指标：扩容后的云业务增长、加速器定价，以及对外部资本的依赖程度。

如果云业务增长加快且利润率保持稳定，扩建逻辑就会更具说服力。如果价格与利用率同步下滑，1873 年的类比就更难被忽视。

如果在利润尚未显现前，债务和租赁持续攀升，风险将从科技股转移至信贷市场和基础设施合作伙伴。

铁路时代还提供了最后一条纪律：不要把一个成功的网络，与为该网络融资而发行的成功证券混为一谈。

AI 可以成为关键基础设施，而个别运营商仍可能过度建设、再融资不当，或接受低于资本成本的回报。

同样的区分也适用于技术决策。应在扩张中的算力能够创造可衡量价值时加以利用，但避免仅基于预期稀缺性作出承诺。

AI 数据中心建设正在产生真实资产和真实服务。尚未解决的问题是：在竞争、折旧和融资各自分走一部分后，谁将获得经济剩余。

当下一条 Google 新闻标题宣布又一座园区、芯片订单或多年期云合同之际，请始终记住这个问题。派对已经看得见，最终账单却还没有。