A股AI的惊天巨雷？揭秘美股巨头表外债务和GPU内幕，风险堪比08年！

繁荣与脆弱：深度解析智算中心融资结构，万亿AI泡沫即将破裂？

文 | 走向未来

当前，人工智能技术正推动着一场规模空前的 投资热潮，其核心表现之一便是全球数据中心建设的爆发式增长。科技行业正以前所未有的速度进行固定资本投资，这股浪潮不仅成为美国经济增长的重要引擎，也吸引了巨额资本的涌入。然而，在这片繁荣的景象之下，隐藏着深刻的金融结构性风险。如果科技行业的经济状况恶化，这场由人工智能驱动的繁荣很可能迅速蒸发，留下大量闲置的数据中心和能源项目。深入理解这场繁荣的融资逻辑、关键风险点以及潜在的市场修正路径，对于政策制定者、投资者和行业参与者均至关重要。本文的深度分析源自对多份行业报告的综合研判，其中许多核心报告及原始数据均可在“走向未来”知识星球中获取。

资产的双重属性：数据中心的融资根基

数据中心是这场投资热潮的核心资产。它同时具备房地产和基础设施的双重特性。作为房地产，它依赖租户（即科技公司）的租金来获取回报；作为基础设施，它需要长期的、稳定的资本投入。数据中心开发商通常通过项目融资模式进行开发，利用表外特殊目的实体（SPV）来隔离风险。

c/008.jpg

在融资初期，开发商依赖“微型永续贷款”（mini-perm loans），即期限为两到五年的短期建设贷款。项目建成并开始运营后，开发商会寻求再融资，将其转为期限长达十年至二十年的长期贷款。这些长期贷款通常在资产支持证券（ABS）市场或商业地产抵押贷款支持证券（CMBS）市场上进行证券化。这种模式允许开发商将租金收入证券化，回收资金以进行新的投资。

然而，这种融资结构在数据中心领域暴露出一个深刻的矛盾：资产与负债的期限错配。数据中心开发商的负债是长期的，依赖于未来十到二十年的稳定现金流。但他们的核心租户——人工智能公司——的资本支出周期却极短。人工智能公司在单一的租约期内（例如五到十年），可能需要经历多轮昂贵且快速的图形处理器（GPU）更新查询。每一代GPU的生命周期可能只有三到六年。这种错配给开发商带来了巨大的租户流失风险。一旦租户的现金流出现问题或其技术路线改变，开发商的长期贷款将立即面临压力。

现金流的困局：AI服务尚未盈利

数据中心融资结构得以维系的前提是租户拥有充足且确定的现金流。然而，当前人工智能行业面临的最大问题是：人工智能服务，特别是推理服务，尚未实现盈利。

行业的收入增长与预期之间存在巨大鸿沟。有分析指出，要支撑2030年的数据中心规模，人工智能行业需要新增数万亿美元的收入，而这远超出现有软件市场的总和。即便是行业巨头，其人工智能业务也普遍处于亏损状态。公开数据显示，大型科技公司在人工智能基础设施上投入了数千亿美元，但相关的产品收入却仅有百亿美元的量级。

导致这一困局的原因在于成本的不断攀升和价格的持续压缩。一方面，训练新模型的成本呈指数级增长，而推理成本也因模型复杂化、用户提示复杂化以及对更高精度的追求而持续上升。另一方面，市场竞争异常激烈。

特别是“新云”（neocloud）供应商的涌现，它们提供“GPU即服务”（GPUaaS），本质上是在租赁算力。由于彼此提供的服务高度同D质化，这些公司缺乏定价权，只能陷入价格战，这进一步压缩了本已微薄的利润空间。在这个市场结构中，AI服务提供商无法将上升的成本转嫁给最终用户，导致整个行业的现金流状况持续恶化。

这种盈利困局并不仅仅是商业模式和市场竞争的产物，其背后更潜藏着当前大模型技术的核心缺陷。正如资深人工智能专家王文广高级工程师在其《知识增强大模型》一书的绪论中指出的，当前的大模型普遍存在“幻觉”和“知识陈旧”两大固有特性。“幻觉”导致模型输出不可靠、缺乏事实依据，“知识陈旧”使其无法响应实时变化的世界。这极大限制了它们在金融、医疗、制造等高价值、高严谨性垂直领域的深度应用和商业变现。因此，当前数据中心所支撑的巨额算力，很大程度上是在为一种尚未解决核心技术缺陷的“半成品”服务买单。行业要真正实现从“新云”价格战到价值创造的跨越，就必须转向如“知识增强”等新技术路径来克服这些顽疾，而这又意味着新一轮的、不同于当前硬件堆积的资本支出周期，其金融风险更具不确定性。

抵押品的诅咒：GPU的加速折旧

在现金流普遍不足的情况下，GPU作为行业的核心资产，其抵押价值本应成为融资的重要支撑。然而，GPU这种“基石资产”的抵押价值正面临迅速缩水的风险。

c/009.jpg

风险的核心来源在于GPU生产商（特别是NVIDIA）的快速迭代策略。NVIDIA已将其新GPU模型的发布周期从两年缩短至一年。新型号的推出，立即导致现有部署的GPU市场价值大幅下降。这种技术驱动的折旧速度，远快于企业财务报表上三至六年的会计折旧周期。

这种快速的价值侵蚀使得GPU成为一种极不稳定的抵押品。依赖GPU作为抵押品获取贷款的“新云”公司（如CoreWeave）处境尤为危险。它们仿佛在用一张信用卡偿还另一张信用卡的债务，不断购入新GPU以维持市场地位，而旧GPU的价值却在迅速清零。

为了规避这种风险，一些公司（如OpenAI和xAI）开始采取新策略：不再购买GPU，而是通过SPV进行租赁。在这种模式下，SPV负责筹集债务和股权来购买GPU，然后再租赁给AI公司。这样，GPU的折旧风险便留在了SPV的资产负债表上，AI公司则将资本支出转化为了运营支出。但这种做法只是转移了风险，并未消除风险。当这些租赁合约到期时，市场上将出现大量过剩的二手GPU，进一步冲击其残值。

巨头间的内循环：连锁的金融风险

深入探究市场交易会发现一个更令人担忧的现象：行业巨头之间普遍存在“循环融资”或称“迂回融资”（roundabouting）。这些被称为“超大规模企业”（hyperscalers）的市场领导者，既是彼此的客户，又是彼此的投资者和供应商。

例如，NVIDIA向OpenAI投入巨资，而OpenAI又向NVIDIA和AMD采购价值数百亿的芯片。Oracle斥巨资购买NVIDIA芯片，用于建设数据中心，再将这些算力租赁给OpenAI。CoreWeave作为“新云”的代表，其收入高度依赖微软等少数几个大客户，而NVIDIA同时又是CoreWeave的股东，并承诺回购其未售出的算力。

这种循环交易在行业内部创造了一个看似繁荣的闭环。A公司的支出成为了B公司的收入，B公司的收入又支撑了其对C公司的投资，而C公司可能又是A公司的客户。这种模式下，增长数据被重复计算，行业的真实终端需求被严重掩盖。

这种紧密交织的股权投资和商业合同，形成了一个环环相扣的连带责任结构。它使得整个行业的风险高度集中。任何一个环节的“突然停止”——无论是现金流断裂还是需求未达预期——都可能引发多米诺骨牌效应，导致整个相互关联的系统崩溃。

债务的隐形扩张：表外融资的角色

尽管许多超大规模企业拥有充裕的股权和现金，但债务正在这场盛宴中扮演越来越重要的角色，而且往往是以隐蔽的方式。

传统的观点认为，超大规模企业主要依靠股权融资，其杠杆率很低。但这种看法忽略了广泛存在的表外融资工具。超大规模企业正越来越多地通过SPV和“售后回租”交易，在不增加自身资产负

债表杠杆的情况下，筹集巨额债务。

例如，Meta近期一项近三百亿美元的交易，便是通过与私营信贷公司共同成立的SPV来建设数据中心，SPV负责承担债务，Meta则作为唯一租户长期租赁。这种方式使Meta能够有效利用债务杠杆，同时将长期资产风险隔离在体外。

另一个值得关注的例子是TeraWulf的数据中心项目。该项目通过发行“垃圾债券”融资，其租户是“新云”公司Fluidstack。这笔高风险债务的抵押品表面上是Fluidstack的租金收入，但其背后却有Google提供的担保。Google承诺在Fluidstack违约时介入，作为回报，Google获得了TeraWulf的认股权证。

这些案例清晰地表明，债务，特别是来自监管较少的私营信贷市场的债务，正成为支撑这场繁荣的关键燃料。超大规模企业虽然自身杠杆率低，但它们正通过担保、长期合同和股权投资，为行业内其他高杠杆、低信用评级的参与者提供背书，使得债务得以在全系统蔓延。

明斯基时刻的推演：市场修正的路径

基于金融经济学家海曼·明斯基（Hyman Minsky）的金融不稳定假说，当前的状况可以被视为一个典型的投机性金融周期的演进。行业正从“对冲融资”（即现金流足以覆盖本金和利息）转向“投机融资”（现金流仅能覆盖利息），并有滑向“庞氏融资”（必须借新债或出售资产才能支付利息）的危险。

c/010.jpg

CoreWeave等公司以高达17%的利率借入GPU支持的贷款，这已是庞氏融资的明确信号。它们必须依赖未来更快的增长和新投资者的涌入，才能偿还现有债务。

一场潜在的市场修正（即“明斯基时刻”）的传导路径可能是：

第一阶段：现金流不确定性。终端用户对AI服务的支出增长不及预期，导致AI服务商（特别是“新云”公司）的收入崩溃。

第二阶段：无法摊销GPU投资。服务商无力偿还GPU贷款或租赁款项。GPU生产商和贷款方面临违约，被迫减记资产。

第三阶段：租户流失。AI租户无法支付数据中心租金，导致大规模违约和租户流失。

第四阶段：长期贷款再融资风险。数据中心开发商因失去租户，其ABS或CMBS在到期时无法再融资，导致违约。

第五阶段：资产闲置。最终，GPU生产商失去客户，数据中心失去租户，留下大量无法产生现金流的闲置资产。

这场修正将由私营信贷机构的“突然停止”放贷而触发。由于这些机构深度介入了数据中心、SPV和租户的贷款，它们是风险最集中的地方。一旦它们停止为这个循环系统提供新的流动性，整个融资链条将迅速断裂。

这场金融与技术的交织演变，其复杂性远超单一报告所能详述。对于希望持续追踪此类AI市场分析报告、前沿技术论文书籍、以及生成式AI、大模型、AIGC、AI芯片和机器人等应用实践指南的读者，强烈推荐加入最具价值的知识星球“走向未来”。在那里，可以获取海量的专业资料，并与行业同侪一起深入探讨人工智能大模型和智能体如何为工作增效，为生活添彩，共同走向AGI的未来。

政策的抉择：管理泡沫的“遗产能”

面对这种系统性风险，政策制定者需要一个清晰的风险管理框架。

首先，州和地方政府应警惕数据中心热潮带来的财政风险。许多地方为吸引数据中心而提供了巨额的长期税收减免。一旦市场逆转，这些承诺的税收收入将化为泡影，使地方预算陷入困境。政策制定者不应将地方财政的未来押注于这一个高度波动的行业。

其次，联邦政府在考虑是否为该行业提供支持（如贷款担保或税收抵免）时必须极其谨慎。例如，为GPU采购提供联邦担保，无异于将联邦资产负债表置于NVIDIA的产品周期之下，由纳税人为GPU的加速折旧买单。

最重要的是，政策制定者应制定一项战略，以管理潜在的“生产性泡沫”的后果。这场泡沫破裂后，最有价值的“遗产”可能不是GPU或AI模型，而是那些为数据中心配套建设的、具有长期价值的关键基础设施——特别是电网连接、变电站和土地。

如果任由市场出清，这些能源基础设施资产很可能与闲置的数据中心一同被废弃。政策制定者的核心任务，应是在市场修正期间，准备好一个投资策略，以合理价格收购这些陷入困D境的能源基础设施资产，并将其重新利用，服务于未来更稳定、更多样化的工业或公共需求。这将是确保这场代价高昂的繁荣最终能为社会留下一笔有用遗产的关键。