本文来自微信公众号： 数字经济发展评论 ，作者：数字经济发展评论


导语


面对预计高达10万亿美元的AI基础设施建设账单，即使是美国科技巨头，也已无法单靠自有现金流支撑这场算力狂飙。但出乎意料的是，如此庞大的资本开支之下，它们的资产负债表依然保持“轻盈”。


这背后，是一场精心设计的“报表游戏”。布鲁金斯学会（Brookings Institution）的最新研究显示：科技巨头们正通过特殊目的载体（SPV）、高比例项目债与长期租赁合同，把大部分基建债务巧妙地隔离在自身财报之外，动辄千亿的风险敞口随之转给外部资本；而贬值迅速的底层算力硬件，与长达数十年的基建债务之间，正悄然形成危险的错配。


原文标题：《Financing the AI Buildout》（BPEA会议论文稿，2026年9月24—25日）


原文来源：布鲁金斯学会（Brookings Institution）


编译解读：数字经济发展评论


10.3万亿美元——这是美国2025至2032年AI基础设施建设预计投入的资金，平均每年相当于GDP的3.63%。布鲁金斯学会（Brookings Institution）秋季《经济活动论文》（Brookings Papers on Economic Activity，BPEA）会议论文把这轮建设拆成两本账：一本是芯片、电力和数据中心的实体投资，一本是租赁、合资、项目债和私募信贷搭起来的融资网络。后一本账越摊越大，风险也更难从企业报表上看清。


AI热潮背后的实体账单：电力、芯片与数据中心


AI常被描述为一场软件革命，但训练和运行前沿模型离不开大批专用芯片、供电和冷却系统、网络设备，以及为其专门建造的数据中心。论文因此把眼下的扩张称作一轮实体资本投资周期。


功率密度的变化最为直观。传统CPU机柜通常只有5至10千瓦；现在的AI机架功率普遍超过100千瓦，并越来越多地采用芯片直连液冷。


以一座200兆瓦（MW）的AI园区为例，在电能使用效率（PUE）为1.2时，可供IT设备使用的关键负载约为166.7MW；若按每套英伟达GB300 NVL72机柜142千瓦计算，园区大约可容纳1170台高密度机柜。这样的设施全年运行，耗电量约相当于17万户美国家庭。


建造成本也在向算力集中。论文估算，一座200MW训练园区初始造价约82亿美元，其中约22亿美元用于数据中心设施，4亿美元用于增量电力基础设施，56.2亿美元用于IT系统。IT设备占总成本的68.4%。支出集中在算力上，但项目能否建成，仍取决于电力、输电和选址能否配套。


各地项目加总后，规划规模远超最终可能落地的容量。基于Cleanview在2026年7月的项目数据，美国已投运的数据中心容量约57GW，规划待建的项目约509GW，但这一规模最终能否落地仍有较大不确定性。


论文的中心情景估计，2025至2032年新增投运182.8GW，2032年之后还将投运117.2GW，另有226.9GW最终不会建成。按每200MW造价约82亿美元、成本每年上涨4%计算，前一阶段建设需要约10.3万亿美元，年均相当于GDP的3.63%。


论文还把这一估算与历史上的建设热潮作了比较：运河（1836—1841）年均投资占GDP的0.66%，铁路（1870—1890）为2.24%，电气化（1905—1925）为0.50%，州际公路（1956—1973）为1.13%，电信与光纤（1996—2003）为1.10%。


按作者的说法，AI建设的规模比铁路热潮高出约五成，是电信与光纤热潮的三倍多。若这一预测成为现实，美国居民部门的用电量也将翻倍。


巨头的现金不够用了，外部资金正在补位


甲骨文、微软、亚马逊、Meta和Alphabet的资本开支总额，从2020年的约968亿美元升至2025年的4158亿美元以上，2026年预计超过8005亿美元。论文特别指出，五家公司的资本开支合计将首次高于经营现金流。企业现金流依然强劲，却已不足以支撑既定的投资节奏。


资金因此从企业内部转向外部。过去，超大规模云厂商多用留存收益和无担保公司债，自己持有数据中心，也自己承担建设、利用率和资产残值的风险。


如今，专业开发商、房地产投资信托基金（REITs）、基础设施基金和私募股权机构越来越多地出资建设或收购设施，再把算力容量租给科技公司。云厂商不必一次性投入全部资本，也不必将相应债务计入自身报表；外部投资人则获得由长期合同支撑的现金流。


摩根士丹利估算，2025至2028年满足超大规模厂商新增算力需求，需要约2.9万亿美元，其中超过一半来自外部资本，股债比例约为60:40。债务融资中，私募信贷约8000亿美元，规模最大；公司债约2000亿美元，结构化融资约1500亿美元。


不过，整体股债比例会掩盖项目底层的杠杆。科技巨头往往把自有资本投向IT设备，数据中心建筑、电力设施和不动产则通过租赁、项目债和资产支持结构融资。资产一旦装入独立载体，底层项目就能承担更高的负债，而科技公司的报表并不会显示出同等水平的杠杆。


Hyperion融资样本：项目层面九成是债


Meta的Hyperion数据中心项目展示了这套融资结构如何运作。项目初期容量约2.0GW，规划可扩至5GW，总投资约300亿美元。Meta最初全资持有，后来以约25亿美元把80%股权卖给Blue Owl。合资公司Beignet于2025年10月融资270亿美元，获标普A+评级，比Meta自身信用评级低一档；这是美国历史上最大的一笔投资级公司债发行。


300亿美元资产中，约270亿美元由债务融资，债务资产比约90%，偿债覆盖率只有1.12倍。Meta自身的财务杠杆则低得多：按账面权益计算，2025年末约为25%；按市值权益计算，只有4%。公司经营现金流约1300亿美元，至少是2026年偿债额的18倍。两组数字对比即可看出，项目融资在巨头报表之外支撑了多高的杠杆。


这笔交易通过一层层破产隔离的特殊目的载体（SPV）串接而成，债务以未来租金合同作支撑。这一结构把项目与Meta整体资产负债表隔开，增加债权人保护，却也让最终风险敞口更难追踪。贷款方想要长期、稳定的现金流；Meta则希望在技术快速变化时保留调整空间。双方折中的方案，是从2029年起安排五段、每段四年的租约，一直延伸到债券2049年到期。


每到续约节点，Meta都可以终止部分或全部Hyperion租约；一旦终止，相关资产将被出售，公司须补足出售收入与合同约定最低价值之间的差额。这样的残值担保为Meta保留了运营弹性，也使贷款人获得长期信用支撑。按现行美国通用会计准则（GAAP），租约或担保生效之前，Meta不必把这些未来义务列入资产负债表，尽管两项承诺最终至少有一项会发生。


表外义务的规模已经相当可观。穆迪估算，超大规模厂商约有9700亿美元租赁承诺，其中约6600亿美元是尚未入表的未来租约。


《华尔街日报》统计，微软、Alphabet、亚马逊和Meta合计有2.4万亿美元表外负债，其中9040亿美元为未来租约，加上1.52万亿美元未来采购承诺（主要是芯片），表内只有6040亿美元。约3万亿美元的数据中心相关义务中，只有五分之一列在账面上。


这种结构的代价并不低。Beignet债券发行收益率为6.58%，比Meta同期发行类似无担保公司债的成本至少高100个基点；在整个融资周期里，这相当于超过50亿美元的额外利息，最终会反映在Meta支付的租金中。


Meta以更高的融资成本，换来了一张更轻的资产负债表。论文认为，对一家按高增长、低资本强度定价的公司而言，维护这样的报表形象或许值得付出更高的融资成本。


Hyperion可能成为后续项目的模板，其核心是高信用等级租户、高比例项目债、破产隔离载体，以及租约选择权与残值担保的组合，既吸引外部资金，又让租户在报表上保留弹性。Meta与贝莱德在得克萨斯州埃尔帕索合作的960MW Sopaipilla项目，也采用了相近结构，2026年7月发行123亿美元A+级债券。


债务期限很长，底层资产却可能很快过时


论文随后分析融资结构如何传导并放大风险。长期债务和租赁合同押在利用率、技术路线和残值都高度不确定的资产上，几处错配叠加之后，压力就会沿着融资链条传导。


第一处是租户集中。许多AI园区只有一个租户，现金流取决于某家超大规模厂商是否继续租用。若算力需求不及预期，云厂商可能先保障自有设施，把负载从租用的容量上撤出，第三方园区将首先承受调整压力。


第二处是技术迭代。芯片、冷却系统和设施设计变化很快，园区的建筑还没折旧完，里面的设备和布局可能已经过时。机柜功率密度上升、新互连标准或冷却要求，都可能带来昂贵改造；若模型效率提高，或推理转向边缘计算和分布式架构，对大型集中式园区的需求也可能下降。基建贷款期限很长，硬件的经济寿命却可能短得多。


第三处是建设执行。大型园区需要电力、输电、许可和专用硬件按时到位，但这些环节都受产能约束，许多也不由开发商掌控。先进半导体集中在少数企业和地点，地缘政治扰动也可能放大瓶颈。对出资方而言，预算超支只是风险之一；收入也可能延迟产生，甚至低于贷款承保时的预期。


论文用一组门槛数字衡量需求压力：在中心情景下，要让2025至2032年的建设取得10%的无杠杆回报，并假设经营现金流利润率为50%，到2032年需要约3.7万亿美元年收入。


这相当于满负荷情况下每个GB300 GPU小时收费约5.5美元，或在80%利用率下每个计费GPU小时约6.9美元，大致处于当前前沿GPU租赁价格范围。真正的承保问题在于，新增约180GW算力上线后，需求和定价能否支撑这一水平。


风险还沿着融资链条延伸到芯片设计商、云服务商、模型公司、园区运营商和基础设施投资人。这些主体正通过长期合同、战略投资与融资相互绑定。


2026年8月，Apollo、贝莱德、Blackstone、Brookfield、高盛和KKR设立5000亿美元信贷额度，为英伟达芯片融资，英伟达提供25%的残值担保，最高承担1250亿美元；设备供应商由此开始为客户使用自家产品建设的基础设施提供融资支持。谷歌与博通的TPU芯片收购也有类似安排。


市场数据同样显示相关性在上升：上市数据中心REITs的市场贝塔值从约0.5升到1附近，与标普500非AI部分的相关性也上升至接近AI股票的水平。数据中心也随之由对冲AI风险的防御性资产，变为这组系统性风险的一部分。


真正要紧的是，风险能否被看见？


论文没有断言AI基建很快会陷入财务困境。应用增长强劲、利用率高、模型能力持续进步，都可能支撑这些项目产生稳定现金流。作者真正担心的是：当需求不确定、技术迭代快、建设受制约、项目杠杆又高时，一旦预期下修，损失会落到谁身上？


答案很难从传统财务指标里找到。AI基础设施分散在建筑、电力、网络和专用芯片中；相关金融敞口又分散于租赁、合资、担保、项目债和特殊目的载体。只看资本开支，容易漏掉实际建设规模；只看公司资产负债表，也难以判断最终由谁承担需求、再融资和残值风险。


论文因此提出四个需要厘清的问题：如何度量分散在实体资产和融资工具中的总敞口；如何提高租赁、担保和独立融资载体的披露透明度；如何让建筑、硬件折旧、租约与债务期限更匹配；以及银行、保险、私募信贷基金和证券化载体分别持有多少风险、损失会如何传导。


作者的提法更为具体，即对整个经济资本堆栈按可比口径披露，逐项说清谁拥有每项主要资产、谁负有债务、谁签署租约、谁为建设或残值提供担保，以及需求或收入不及预期时由谁承担损失。监管者则据此绘制银行、保险、养老金、债券基金与私募信贷工具各自的敞口。


从运河、铁路到电信，历史上的大型资本投资，往往在需求不及预期、融资收紧，或技术采用与债务期限错位时才演变成金融事件。对这轮AI基建而言，论文给出的建议并不复杂：趁融资结构尚在成形，先把风险计量清楚、把披露规则立起来。