AI基础设施

一、5000亿美元的金融工程实验 2026年8月10日，Nvidia宣布与Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs和KKR六大金融机构签署谅解备忘录，建立AI计算基础设施融资平台，计划动员超过5000亿美元的第三方资本用于数据中心建设。 表面上看，这不过是一笔大规模的产业融资。但如果你仔细看交易结构，会发现一件不寻常的事：Nvidia承诺为单个融资项目提供最高25%的GPU残值担保。也就是说，如果贷款到期时GPU的二手价值低于预期，Nvidia会自掏腰包补差价，上限是GPU价值的四分之一。 这不是普通的供应商融资。这是Nvidia在告诉华尔街：我的芯片是资产，不是耗材——你可以像对房地产放贷一样，对我的GPU放贷。 BlackRock CEO Larry Fink说得更直白，他称这是"金融工程的下一个未来"，并直接将其与1970年代抵押贷款支持证券（MBS）的诞生相类比。Goldman Sachs CEO David Solomon说他们在为"Nvidia算力支持的信贷"创造一个市场。 当华尔街最大的几家机构开始把某种东西当作"可贷款的资产"，一场金融化进程就已经开始了。 二、GPU从硬件到金融资产的跃迁 要理解这件事的深层含义，我们需要回顾金融史上的一个核心概念：资产证券化。 1970年代，美国的银行发现，如果能把房贷打包成可交易的证券，就能释放资本、分散风险、让更多机构参与放贷。这就是MBS（抵押贷款支持证券）的起源，后来演变为全球最大的固定收益市场之一。1980年代，汽车贷款和信用卡欠款也被证券化。2000年代，各种衍生品层出不穷。 每一次金融化的本质都是同一件事：把一个不流动的资产变成可定价、可担保、可交易的金融工具。 现在，Nvidia试图对GPU做同样的事。 逻辑链条是这样的： AI需要算力 → 企业需要大量GPU GPU很贵 → 一台B200服务器造价超过30万美元，一个万卡集群动辄数亿美元 企业不想一次性买断 → 资本支出压力太大，折旧拖累财报 解决方案 → 用GPU本身作为抵押物，向金融机构贷款 问题 → 金融机构不知道GPU的残值是多少，不敢放贷 Nvidia的答案 → 我来担保残值，你来放贷 这就是GPU金融化的第一阶段：从硬件采购变成信用贷款，从资产负债表内的折旧项变成表外的融资标的。 三、25%残值担保：精明的风险定价还是定时炸弹？ 整个交易中最关键的机制是Nvidia的GPU残值担保。理解这个数字，就理解了整个模式的风险结构。 担保机制怎么运作 假设一个金融机构为一座数据中心提供10亿美元的贷款，该数据中心的底层资产是Nvidia GPU。贷款期限5年。5年后，如果这些GPU的市场价值低于当初评估的价值，Nvidia承诺补偿差额，最高补偿金额为GPU初始价值的25%。 这个设计有几个特点： 逐项目审核：不是一揽子担保，每个项目独立评估 风险共担：Nvidia最多承担25%，剩余75%的风险由金融机构自己消化 Nvidia不做信用评估：借款人资质、现金流分析、贷款结构设计全部由金融机构完成 Jensen Huang称之为"显著低于其他算力融资安排中的风险敞口"。从Nvidia的角度看，这很精明——只需要25%的或有负债，就能撬动5000亿美元的资本流动，杠杆率20倍。 Michael Burry的质疑 但不是所有人都买账。电影《大空头》的原型、投资人Michael Burry公开抨击，称超大规模厂商的折旧做法是"现代最常见的欺诈之一"。他的核心论点： Nvidia的GPU每2-3年迭代一代，H100 → B100 → B200 → Rubin，节奏极快 企业却按5-7年折旧，严重高估了GPU的实际经济寿命 他估计2026-2028年间，折旧被低估了约1760亿美元 这不是小数目。如果Burry是对的，那么GPU残值担保的25%可能远远不够覆盖实际贬值。 Jensen Huang的反驳 Huang的反击同样有力： A100在2020年发布，六年后仍在商业使用中，而且还在产生收入 GPU租赁价格不降反升：H100的年租价格从2025年10月的每小时1.70美元上涨到2026年3月的2.35美元，B200更是达到每小时5.30-7.05美元 CUDA软件生态持续增值，老芯片通过软件优化获得新能力，延长了经济寿命 这是一个关于"硬件折旧"的根本分歧。传统IT设备遵循摩尔定律，性能固定，随时间贬值。但GPU的"经济产出"不是固定的——它取决于AI模型架构、软件优化和市场需求。当AI推理需求爆发式增长时，老GPU的价值反而可能因为需求增加而上升。 ...

一个数字背后的拐点 本周，美国五大科技巨头的财报季划下句点。一个数字让华尔街集体沉默：2027年，这五家公司对AI基础设施的资本开支预测合计将超过1万亿美元。 这是什么概念？1万亿美元相当于美国GDP的2.8%。如果把它当作一个国家的GDP，可以排进全球前20。两年前（2025年），这个数字还不到5000亿。两年翻倍，而且增速还在加快。 但真正刺眼的不是绝对数字，而是自由现金流的崩溃。Meta最新的季度报告显示，自由现金流从去年同期的85亿美元骤降至7.84亿美元——一个下降幅度超过90%的数字。换句话说，Meta每花1美元赚取的现金，几乎全部被AI基础设施吞噬。这已经不是"投资未来"的叙事能解释的了。 当全行业的自由现金流开始转负，一个残酷的问题浮出水面：这场万亿美元豪赌，谁能在它结束之前证明回报？ 四种赌注，四种命运 仔细拆解五巨头的财报，你会发现它们看似在做同一件事——建数据中心、买GPU、训练模型——但各自的赌注截然不同。这种分化本身就说明，行业已经过了"闭眼投"的阶段。 Meta赌的是算力可以商品化。 扎克伯格在财报电话会上透露，Meta已开始探索将多余的GPU算力出售给第三方。这等于说，Meta把自己定位为AI时代的"电力公司"——我不只为自己用，我还卖给别人。这个逻辑看似合理（算力确实稀缺），但问题是：算力不是电力。电力的边际成本几乎为零（只要水还在流、风还在吹），而GPU算力的边际成本涉及电力消耗、芯片折旧、散热维护——每一项都是真金白银。Meta的自由现金流骤降已经证明了这一点。 英伟达赌的是需求会再膨胀5到10倍。 黄仁勋在接受Axios采访时表示，公司2025-2026年的订单积压已达5000亿美元。这个数字令人震惊——它意味着即使英伟达现在停止接受新订单，现有订单也够它忙活好几年。但5000亿美元的积压订单同时也是一个风险信号：这些订单的背后是谁？如果云厂商的AI收入不达预期，这些订单会不会被取消或延迟？ 微软和亚马逊赌的是云计算的规模效应。 两家公司的云收入确实在加速增长，AI相关服务的贡献率逐季攀升。但规模效应的前提是利用率持续提升——建好的数据中心必须跑满。目前行业平均GPU利用率数据不透明，但多方估计在40%-60%之间。这意味着相当一部分已部署的算力仍在空转。 谷歌赌的是全栈整合。 从自研TPU到Gemini模型到搜索和云分发，谷歌试图证明"自己做所有环节"能获得最高效率。但全栈也意味着全风险——任何一个环节的落后都会拖累整体。 四种路径，四种风险profile。市场已经开始用脚投票：Meta财报后股价下跌10%，而对AI收入更多元化的公司则获得了溢价。 芯片不是瓶颈，物理世界才是 如果说资本是第一道约束，那么物理基础设施是第二道，而且可能更难突破。 过去两年，行业讨论的瓶颈集中在芯片：台积电的产能、HBM的供应、CoWoS封装的良率。但现在，一个更古老的瓶颈正在浮现——电力和人力。 麦肯锡的最新报告预测，2023到2030年间，美国需要额外培养13万名电工、24万名建筑工人和15万名施工主管，才能满足AI数据中心的建设需求。Meta甚至拨款1.15亿美元自办建筑工人培训学校，首批5000名学员免费入学——一家社交媒体公司开始培养电工和建筑工，这个画面本身就是时代隐喻。 为什么电力成为瓶颈？一个60兆瓦的数据中心项目，每月因缺工延迟的损失就达1420万美元。而AI数据中心的电气系统成本（包括变压器、配电、UPS、散热）占总成本的45%-70%。这不是写代码能解决的问题，这是需要物理世界中的人去拧螺栓、拉电缆、焊接头的问题。 瓶颈还在沿产业链向上游传导。全球被动元器件龙头村田（Murata）的最新财报显示，MLCC（多层陶瓷电容器）订单同比暴增85.5%，电感订单增长40.4%。这些硬币大小的元件是每一块电路板的基础材料——从GPU板到电源模块到散热控制器，无处不在。村田的订单暴增意味着产业链的每一个环节都在被AI算力需求拉扯。 所以真实的情况是：你有资本（1万亿美元），但你不一定有足够的电力去驱动这些GPU，不一定有足够的电工去接线，不一定有足够的MLCC去组装板卡。 芯片本身可能反而是最容易解决的环节。 循环融资：隐藏的系统性风险 在资本开支的狂欢中，有一个较少被讨论的结构性风险：循环融资模式（circular financing）。 这个模式的运作方式是这样的：英伟达卖GPU给云厂商 → 云厂商用这些GPU建数据中心 → 云厂商把AI算力租给AI公司（包括OpenAI、Anthropic等） → AI公司用算力训练模型 → AI公司融资的钱很大一部分来自云厂商的战略投资 → 云厂商的投资资金部分来自债务融资 → 债务的抵押物是数据中心的资产价值 → 而资产价值取决于AI公司的收入增长 → AI公司的收入又依赖云厂商的算力价格…… 这是一个闭环的资金循环。只要每个环节都在增长，循环就能继续。但一旦某个环节减速——比如AI公司的收入增长不及预期，或者云厂商的利用率下降——整个循环的张力就会松动。 信用违约互换（CDS）市场已经开始反映这一风险。据报道，涉及大型科技公司的CDS成本近期有所上升。这不是说危机即将到来，而是说明市场已经开始对"如果出了问题"定价。 历史提供了不太令人安心的参照。1990年代末的电信泡沫中，运营商大规模举债铺设光纤网络，最终因为带宽需求增长不及预期而崩盘。当时的问题不是"光纤有没有用"（当然有用），而是"投入的资本能否在合理时间内回收"。今天的AI基础设施投资面临同样的问题。 OpenAI Presence：从卖工具到卖结果 有趣的是，正是在这个"证明回报"的焦虑时刻，OpenAI发布了新产品Presence——一个面向企业客户的Agent部署服务。 Presence的定位值得仔细品味。它不是又一个API或又一个聊天机器人，而是OpenAI的工程师直接入驻客户现场，帮客户选工作流、连接系统、管理测试直到上线。这种模式在传统企业软件中有一个名字：Forward Deployed Engineering（前置部署工程）。 Palantir正是靠这种模式从一个技术公司变成了一个拥有极高客户粘性的企业服务巨头。OpenAI选择相同的路径，背后是一个重要信号：大模型公司正在从"卖工具"转向"卖交付能力"。 为什么这个转变在当前时点发生？因为企业客户已经不满足于"我给你一个强大的模型，你自己想办法用"。他们需要的是可衡量的业务结果——客服响应时间降低了多少、运营成本节省了多少、转化率提升了多少。在资本开支压力下，企业对AI投资的ROI审查越来越严格，谁能交付端到端的结果，谁就能拿到预算。 这意味着竞争维度正在扩展。过去比的是模型跑分和参数量，现在比的是行业Know-How和工程交付能力。对于依赖AI但缺乏内部工程能力的传统企业来说，这既是机会（终于有人帮你做落地了），也是选择压力（如果你的竞争对手用上了Presence而你没有，差距会迅速拉大）。 算力扩张的真正天花板 回到核心问题：AI算力增长的实际天花板在哪里？ 如果把约束条件排列一下： 芯片供应：台积电产能逐步扩张，CoWoS封装瓶颈缓解，2nm制程推进中——中等约束，逐步缓解 资本供应：万亿美元级别投入，自由现金流转负但尚未断裂——短期充裕，中期承压 电力供应：美国数据中心电力需求预计2030年达到总发电量的8%-12%，电网扩容周期以十年计——硬约束 人力资源：13万电工缺口无法通过短期培训完全弥补——硬约束 供应链纵深：MLCC、电感、变压器等被动元件产能扩张需要时间——中期硬约束 需求验证：AI应用收入增长迅速但基数仍小，万亿美元投资的回收期可能长达5-8年——不确定性约束 从左到右，约束条件从"可以用钱解决"过渡到"用钱也一时半会解决不了"。电力和人力，这两个最古老的工业要素，正在成为AI时代最新的瓶颈。 这不是一个技术问题，而是一个文明层面的问题。 我们习惯了数字世界以摩尔定律的速度增长，但物理世界遵循的是另一套规律——你不能用代码加速变压器的制造，不能用算法培训出有十年经验的电工。 一个冷静的判断 万亿美元的AI基础设施投资，最终的结果大概率不会是"泡沫破裂"式的灾难，也不会是"投入产出完美匹配"的理想情景。更可能的结局是： ...