美国 AI 基建融资已超出科技巨头现金能力，引发系统性风险担忧

美国 AI 基建融资已进入风险更高的阶段，预计投资总额超过 10 万亿美元，超出了科技公司能够通过内部资金支持的规模。如今，这一扩张日益依赖债务、租赁、私募信贷、合资企业和特殊目的实体。这种转变带来了企业追求的建设速度与投资者所需的财务透明度之间的矛盾。

哥伦比亚商学院教授 Stijn Van Nieuwerburgh 的一项新研究估计，到 2032 年，计划中的投资将平均占美国国内生产总值的约 3.6%。这一经济占比高于早期铁路、公路、电气化或电信扩张。

这并不只是又一场关于 AI 估值是否类似泡沫的争论。眼下的问题在于，AI 所依赖的实体基础设施将如何融资。Amazon、Google、Meta、Microsoft、Oracle、模型开发商、数据中心运营商、银行、私募贷款机构和基础设施基金，如今都面临相互关联的风险敞口。

乐观情形依然颇具支撑。强劲的 AI 需求、高设施利用率以及不断改进的模型，能够产生支持投资的现金流。风险则会在融资承诺增长速度快于已验证收入、且合同结构的复杂性令损失难以追踪时显现。

美国 AI 基建融资发生了什么变化

AI 扩张已从企业支出周期，转变为由杠杆化基础设施承诺构成的网络。

早期投资主要依赖大型科技公司产生的现金。超大规模云服务商可以购买处理器、扩建云区域和建设设施，而无需广泛依赖外部贷款机构。其盈利的广告、商业和软件业务提供了可观的融资能力。

如今，拟议中的建设规模已超出这一模式。Van Nieuwerburgh 的会议草案预计，美国在 2025 年至 2032 年间的投资将达到 10.3 万亿美元。这一估算涵盖数据中心建筑、电力系统、网络设备、冷却基础设施和专用计算硬件。

该预测相当于美国年度 GDP 平均 3.63%。研究称，相比之下，19 世纪末的铁路扩张每年约占 2.2%。州际公路和电信繁荣期的年度占比则均略高于 1%。

规模本身并不会造成系统性风险。当所有者使用股权融资、披露义务并产生可靠回报时，大规模投资仍可控。当所有者和使用者是不同主体、且对同一项目拥有不同索偿权时，结构就变得更为重要。

超大规模云服务商可能租用数据中心运营商的容量，而不是自己拥有建筑。运营商则可能通过特殊目的实体，即 SPV，为建设融资；SPV 可在法律上隔离项目及其义务。银行、私募信贷基金、机构投资者和设备供应商都可能为另一层融资提供资金。

这些安排让企业能更快建设并保留灵活性。它们也将风险敞口分散在不总是以传统企业债务形式出现的合同之中。长期租约、最低采购承诺、担保和残值协议在经济下行时仍可能表现得像债务。

实体建设目标同样引人注目。Reuters 报道称，Van Nieuwerburgh 保守估计，未来七年将新增 183 吉瓦的数据中心容量。按其比较口径，目前已安装容量约为 57 吉瓦。

吉瓦衡量的是电力容量，也反映每个项目的工业化规模。设施需要变电站、电网连接、冷却设备、变压器、网络系统以及大量先进处理器。每一项组件都会引入新的供应商、合同、期限和融资来源。

其结果是，AI 基础设施债务市场已延伸至传统科技债券之外。它包括项目融资、私募贷款、设备担保贷款、证券化以及商业地产结构。因此，一次挫折可能影响从未直接投资 AI 公司的债权人。

这一转变形成了核心矛盾。建设要达到规划规模，需要外部资本；但外部资本也使体系杠杆更高、关联性更强。美国 AI 基建融资的透明度正在下降，恰恰发生在其经济重要性不断上升之际。

现金充裕的科技公司已触及融资能力边界

Amazon、Google、Meta 和 Microsoft 的财务实力依然强劲，但若不作出取舍，它们的资产负债表无法吸收每一个拟议 AI 项目。

大型科技公司在 AI 投资竞赛中拥有多数基础设施开发商无法比拟的优势。它们具备投资级信用评级、经常性收入、成熟的云业务和庞大的现金储备。这些优势仍令它们区别于较小的数据中心运营商和模型初创企业。

然而，即便是这些企业，支出计划的扩张速度也超过了其能够轻松依靠经营现金流支撑的程度。S&P Global Ratings 估计，五家获得评级的云服务商将在 2026 年支出约 7500 亿美元。该组包括 Alphabet、Amazon、Meta、Microsoft 和 Oracle。

S&P 预计这项支出将相当于它们合计营收的约 38%。其随后发布的信用展望预计，到 2027 年，超大规模云服务商合计资本支出将超过 1.3 万亿美元。它还预计，六家主要公司在 2026 年和 2027 年将出现负自由经营现金流。

负自由经营现金流并不意味着这些公司面临即时困境。多数公司仍拥有盈利业务、宝贵资产以及进入公开债券市场的能力。但这确实意味着，扩张正在给内部融资模式施加压力。

应对方式包括发行债券、签订更长期的租约、成立合资企业，以及吸引外部基础设施投资者。企业还可以通过担保或合同承诺支持项目，而无需直接借入全部建设成本。这可以降低披露的资本支出，同时保留对未来容量的使用权。

正是在这里，经济所有权变得更难看清。开发商可能在法律上拥有一处设施，而一家科技公司提供其预期收入的大部分。如果该租户减少需求，物业价值和开发商的债务承载能力都可能同步下降。

模型开发商构成了另一处集中风险点。它们的产品推动云计算需求，但一些开发商依赖于出售这些计算资源的同一家公司提供融资或商业支持。投资资金可以流向开发商，再通过云采购回流给投资者。

此类循环关系本身并不必然不当。供应商经常为客户融资，企业也常投资具有战略重要性的合作伙伴。真正的担忧出现在：披露的增长部分依赖交易对手彼此为采购提供融资之时。

国际清算银行在其融资分析中得出了审慎的结论。该机构发现，预期投资需求要求融资从经营现金流转向债务，私募信贷的作用也在不断扩大。不过，它仍将当前宏观经济和金融稳定风险描述为中等。

这一区别至关重要。现有证据支持“脆弱性正在上升”，而非“危机已经开始”的断言。大型科技公司的资产负债表，仍强于参与过多次历史投资崩盘的铁路公司、电信运营商和投机性开发商。

压力首先出现在距离这些企业核心业务一步之遥的实体之中。新云服务商、独立运营商、建设平台和高杠杆项目载体的现金流往往更薄弱。它们的信用质量更依赖利用率、再融资条件和少数大客户。

因此，最薄弱的一环可能位于数据中心冠名企业之外。租户可以重新谈判、整合工作负载，或放弃扩张计划。开发商及其贷款人则仍要为一座围绕专门需求建设的昂贵设施负责。

这种错配将企业层面的灵活性转化为系统层面的风险敞口。最大型企业可以调整战略，但债权人却无法轻易迁移一座专用园区，也无法收回老化处理器的原始价值。

真正的取舍是更快扩张与财务透明度之间的平衡

复杂融资能够扩大建设能力，但也可能掩盖项目表现不佳时最终由谁承担损失。

SPV 可以持有单个数据中心，并以其合同和资产为抵押筹集债务。合资企业可以将科技租户与房地产或基础设施投资者结合起来。证券化可以汇集合同付款，并出售具有不同风险等级的索偿权。

每种技术都有合理用途。数十年来，项目融资一直为发电厂、管道、交通系统和通信网络提供资金。将项目分离出来，可以让长期资产与寻求长期回报的投资者相匹配。

AI 设施使这一成熟模式变得更加复杂，因为其硬件的折旧速度可能快于传统基础设施。建筑和电网连接可能在数十年间保持价值，而其中的处理器则可能随着新系统提升性能或降低运营成本而更快失去经济价值。

这带来抵押品风险。若预期需求下降，贷款人可能发现设备可回收价值低于其最初假设。围绕某一冷却系统或功率密度设计的数据中心，也可能需要进行高成本改造，才能适配后续硬件。

合同支持可以抵消部分不确定性。长期租约和照付不议协议要求客户即使实际使用未达预期，仍需为容量付费。但这些保护措施只是转移风险，而不是消除风险。

租约只有在租户仍愿意且有能力履行时，才能支持开发商。担保通过在其他地方设置或有义务来保护某一家贷款人。当多个项目依赖同一租户、供应商或芯片供应商时，表面上独立的风险敞口就会变得高度相关。

Van Nieuwerburgh 将某些结构的不透明性与次贷危机前出现的特征相比较。这一类比关注的是透明度和分层索偿权，而不是声称数据中心债务等同于次贷住房债务。AI 项目的借款人、抵押品、合同和投资者基础都不同。

这一限制至关重要。AI 数据中心系统性风险情景并不需要数百万家庭出现按揭式违约。它可能始于较低利用率、项目延迟、租户信用走弱、设备价值下跌或再融资不可得。

私募信贷使衡量风险变得更困难，因为其贷款的交易频率低于公开债券。估值更依赖模型、管理人估计和协商定价。在市场价格发出明确信号之前，压力可能已经累积。

国际货币基金组织在其稳定性评估中指出了与循环融资相关的担忧。该机构警告称，日益增强的互联性可能会将某一脆弱参与者遭受的冲击传导至更广泛的 AI 生态系统。

IMF 并未断言危机不可避免。它说明了梳理各方联系为何重要。Amazon、Alphabet、Microsoft、Nvidia、Oracle 以及其他核心企业，可能同时扮演供应商、客户、投资者、担保人和借款人的角色。

这种重叠改变了分析师解读财务报表的方式。传统债务比率可能未纳入租赁承诺、采购担保，或通过未并表合资企业持有的敞口。企业披露在技术上可能仍然准确，却无法呈现完整的系统性全貌。

政策应对不一定是禁止这些结构。加强披露可揭示租户集中度、到期安排、抵押品假设、担保情况以及放贷机构之间的关联。统一的报告标准也能帮助监管机构区分多元化基础设施投资与对同一需求预测的重复敞口。

缺乏这种透明度时，投资者可能会低估相关性。位于不同州的十个项目看似实现了分散化，但若它们都依赖同一家模型开发商、同一份云服务合同或同一个再融资市场，情况便并非如此。

因此，取舍非常现实。不透明的结构有助于调动快速建设所需的资本，但也更难判断风险究竟被广泛分散，还是仅仅隐藏在多个环节中。

收入门槛考验整个投资逻辑

最具挑战性的假设并非人们会使用 AI，而是 AI 收入能否增长到足以支撑数万亿美元资本投入的水平。

Van Nieuwerburgh 估计，到 2032 年，该行业每年需要约 3.7 万亿美元的收入，才能获得计划投资所预期的回报。Reuters 报道称，OpenAI 和 Anthropic 目前合计年收入估计约为 1,000 亿美元。要达到所需水平，收入年增长率需约为 80%。

这些数字是估计值，而不是针对整个行业的经审计预测。尽管如此，这一对比仍揭示了当前模型收入与基础设施计划所需现金流之间的差距。云服务、广告、企业软件及其他 AI 相关收入同样可以支撑回报。

乐观情景始于利用率。若企业将 AI 纳入软件开发、科研、客户支持、媒体制作、医疗保健和工业运营，计算需求便可能保持高位。不断增长的推理工作负载——即已部署模型响应请求时产生的负载——可在高成本训练任务结束后填补设施产能。

模型能力的提升还可能创造用户愿意付费的应用。AI agents 或可执行更长的任务序列，并消耗更多计算资源。企业部署也可能从试验阶段转向持续性的生产工作负载。

然而，对算力的需求并不会自动带来足够的利润率。模型提供商之间的竞争可能在使用量上升的同时压低价格。效率更高的模型可用更少的处理器或电力完成相当的工作。

开源和低成本模型构成了另一项压力。客户可能选择性能已足够、但算力要求不那么高的系统。这将有利于普及，却会削弱高端基础设施背后的收入假设。

硬件进步具有双面性。更快的处理器可使 AI 服务更便宜、更有用；但它们也可能在放贷机构收回原始投资之前，使较老的集群失去竞争力。

这正是 AI 基础设施债务背后的核心经济权衡。单位成本下降有助于扩大市场，却可能侵蚀现有资产的价值。强劲需求有助于提高利用率，但价格竞争可能限制由这些需求产生的现金。

电力供应构成另一项约束。国际能源署预计，到 2030 年，数据中心将占美国电力需求增长的近一半。其能源预测预计，届时全球数据中心耗电量将达到约 945 太瓦时。

即使客户需求仍然强劲，电力瓶颈也可能延迟项目完工并降低回报。变压器、涡轮机、输电能力、许可和并网审批的周期都比软件开发更长。一个部分完工的园区几乎不产生收入，却仍持续消耗资本。

地方阻力进一步增加了不确定性。社区已对电价、用水、土地需求、噪音和税收激励提出担忧。因此，即便融资承诺已落实，项目仍可能面临政治和监管延误。

这些压力并不否定投资逻辑。它们说明，单一的需求预测无法涵盖项目风险。收入、定价、利用率、硬件效率、电力交付、建设成本和融资条件必须相互匹配。

历史上的基础设施繁荣往往在建设者破产的同时，仍留下有价值的网络。铁路改变了商业格局，尽管投资者在许多公司身上蒙受损失。电信繁荣期间铺设的光纤，在此前一轮金融崩溃后支撑了后来的互联网增长。

AI 基础设施可能遵循类似模式。社会或许能获得有用的计算能力，但具体的所有者和放贷机构可能回报不佳。技术的重要性与投资盈利能力是两个不同的问题。

这一区别对企业采购方和 AI 用户至关重要。融资调整并不意味着 AI 会消失。它反而可能促使提供商整合、放缓产能扩张、改变云服务定价，并决定哪些服务能够获得持续投资。

系统性风险并不意味着崩盘迫在眉睫

这一警告针对的是传导机制，而非财务困境已经开始的证据。

Van Nieuwerburgh 明确写道，当前的发展并不意味着财务困境迫在眉睫。强劲的应用增长、高利用率和持续的技术进步，可能带来稳定的现金流。他的警告聚焦于预期变化时的下行风险。

Brookings 也概述了他的结论：现在就将当前 AI 基础设施等同于早期的系统性信贷繁荣还为时尚早。核心担忧在于，表外结构可能在下行周期到来前掩盖相关性敞口。更好的衡量方法比恐慌更有必要。

若干因素降低了近期风险。最大的 hyperscalers 在生成式 AI 之外还拥有有价值的业务。其广告、电商、订阅、企业软件和成熟的云服务提供了收入缓冲。

许多基础设施投资者使用的也是长期资本，而非可随时挤兑的存款。养老金、保险公司、主权投资者和私募基础设施基金不一定面临与依赖短期负债融资的银行相同的赎回动态。这可以降低风险传染的速度。

即使原始预测落空，实体资产仍保留一定价值。电网连接、土地、建筑物和光纤线路可服务其他计算租户。对传统云服务的需求也支持能够承载多种工作负载的设施。

不过，这些保护因素因项目而异。高度专业化的设备比土地或电力基础设施贬值更快。拥有单一主导租户的园区，比多元化托管设施面临更高的集中度风险。

私募信贷还将压力转移到传统银行监管之外。这或许能使受存款保险保护的机构免受直接损失，但并不能阻止养老金、保险公司、资产管理机构或企业借款人承受这些损失。

AI 数据中心的系统性风险事件很可能通过多重相连的压力显现。利用率可能低于预测，从而减少项目现金流。抵押品价值可能下降，同时放贷机构要求更多保障或拒绝再融资。

开发商随后可能推迟项目、设备订单和工程款支付。供应商和区域承包商的收入可能走弱。其他基础设施借款人的信贷利差也可能扩大，其中包括项目更健康的企业。

宏观经济影响之所以重要，是因为 AI 投资已成为美国增长的重要贡献因素。Federal Reserve 报告称，2026 年第一季度企业固定投资按年率增长 11%。该机构将这股增长动力很大程度归因于支持 AI 服务的基础设施。

因此，突然收缩的影响将不止于科技估值。它可能减少建设活动、设备需求、招聘和地方税收预期。这是行业调整演变为更广泛经济影响的一条路径。

不过，放缓并不会自动演变为金融危机。只有当损失损害重要中介机构、限制其他领域的信贷，或触发被迫抛售资产时，才会形成系统性风险。公开信息尚不足以证明这一门槛已被触及。

更准确的结论是有条件的。美国 AI 建设热潮的融资方式因杠杆和合同关联不断扩大，形成了向更广泛市场传导压力的可信渠道。该渠道是否会变得危险，取决于敞口集中度、再融资需求和底层收入的韧性。

读者应避免两个极端。其一是将每一笔数据中心贷款都视为崩盘临近的证据；其二是假定技术需求会使融资细节无关紧要。

这两种立场都忽视了其中的权衡。AI 可以创造持久的经济价值，同时其基础设施市场中过度加杠杆的一部分仍可能遭受严重损失。

三项信号将显示风险是否正在上升

收入转化、项目层面的信贷表现和披露质量，将决定这轮建设热潮仍是投资繁荣，还是演变为金融稳定问题。

第一个信号是 AI 使用量向持续收入的转化。投资者应将计算需求与实际现金创造能力进行比较，而不能只看用户数量或模型活跃度。收入必须增长，且不能过度依赖折扣、合作伙伴融资或循环采购安排。

利润率同样值得关注。提供商可能报告销售额快速增长，却以更快速度增加算力投入。自由现金流的改善，将强化需求能够支撑已在建设中的基础设施这一判断。

价格下降需要谨慎解读。更低的成本可以扩大采用范围并形成更大的市场，但也可能令开发商和云服务提供商更难获得现有项目假设的回报。

第二个信号是 hyperscalers 之外一层的信贷表现。应关注数据中心运营商、neoclouds 和 SPVs 的再融资条件、评级变动、项目延期、契约修订和违约情况。这些借款人通常杠杆更高，收入来源也较不多元化。

公开债券利差可提供早期市场信号，但只能揭示部分图景。私募贷款、担保、租赁承诺和资产支持型结构需要单独审视。融资成本上升可能在任何付款违约发生前就削弱项目。

项目取消同样需要结合背景来看。削减投机性产能可能提升行业纪律，而不会威胁更广泛的系统。若一批项目因无法再融资而取消，其意义则截然不同。

第三个信号在于，监管机构和企业是否改善信息披露。投资者需要获得关于租赁负债、最低采购义务、租户集中度、剩余价值担保以及未合并合资企业的一致信息。他们还需要更清晰地了解每一层由谁提供资金。

更完善的报告不会消除亏损，但会让这些亏损更容易定价，也更不容易令相互关联的债权人措手不及。透明度还可以区分稳健项目与依赖激进利用率假设的架构。

因此，接下来的几个财报周期应回答一个明确的问题：AI 收入和现金利润率是否正在追上固定承诺，还是企业新增义务的速度快于变现？

开发者、企业采购方和知识工作者都应密切关注这个答案。健康的调整或许能在保留有用产能的同时降低价格、淘汰较弱项目。无序的修正则可能减少供应商选择、延迟部署，并收紧技术预算。

美国 AI 基础设施扩张的融资如今已成为产品环境的一部分，而不再只是债券投资者关心的问题。在接受繁荣叙事或崩盘叙事之前，应关注收入质量、再融资条件和合同披露。这些信号将揭示：当资本不再宽容时，谁能够持续推动这轮扩张。