关于 AI 资本开支，市场的多空分歧正在错位。
AI 投资命题的核心问题已经换了形态。半年前市场质疑的是 AI 能否变现到足以支撑万亿级投入，这个关于变现存在性的问题，已被企业端汹涌的 token 消费证伪了空头；取而代之的新问题是变现的广度。
在 token 成本的下降追上用量的爆发之前，单位算力的稀缺溢价会持续抬高终端成本，把边际用量挡在门外。JPM 在其最新报告中将这一转变概括为从信仰到成本；本文认同这一判断，并认为它正是理解当前周期的钥匙：同一个事实，既支撑了 capex 的确定性，也埋下了需求侧的脆弱性。
本文的核心判断是：供给侧的融资闭环逻辑成立，但高度依赖于算力稀缺持续、资产估值维持这一隐含前提；而这个前提的松动点不在融资端，在变现端。
一、供给侧的闭环：capex 与融资为何必然兑现
capex 与融资的兑现是一个自我强化的闭环，其确定性不来自乐观情绪，而来自三个环环相扣的硬约束。
起点是需求侧的算力短缺。三大算力提供方的口径高度一致：需求显著超过可用产能、有更好的模型却因产能不足无法交付。在这种环境下，capex 不是是否要花，而是不投就丢份额的竞争性被迫投资。这决定了支出的刚性。
第二环是缺口的数学必然性。即便是全球现金生成能力最强的一批公司，多年期经营性现金流也无法独立覆盖这一量级的支出。四大美国超大规模厂商 2026 年合计资本开支指引约 7,000 至 7,250 亿美元，2027 年大概率突破 1.1 万亿；即便届时经营性现金流仍超 9,000 亿美元，自由现金流也将系统性转负。需要外部融资由此成为会计上的必然结果，而非主动选择。
第三环是承接容量的充足性。高评级公司债未来五年可承接约 2.1 万亿美元，杠杆融资约 3,500 亿，私募信贷尚有约 5,430 亿美元待投资金、基础设施类资产管理规模已近 1.8 万亿。年内超大规模厂商已发行约 1,070 亿美元境内高级无担保债、620 亿非美元债、220 亿项目融资债，叠加近 850 亿股权融资；AI 相关债务已占高评级债市的 6.2%（2024 年底仅 3.9%），若计入广义生态（直接为数据中心供电的公用事业、供应发电机的工业企业等），占比达 15.5%、约 1.4 万亿美元，事实上已成为该市场最大的行业。
三环合一：需求逼出刚性支出，支出规模注定超过自有现金，缺口必须外部融资，而市场容量足以承接，进而强化继续投资的底气。
这个闭环之所以在过去半年从论点变为进行时，根本原因正是前述叙事转变的上半段：变现的存在性已被确认，投资因此有了底气。
二、上调的真实驱动：杠杆与估值溢价，而非融资成本
本轮总量预测的上调——总资本开支由 5.1 万亿上修至 5.5 万亿、其中债务融资部分上修至 4.1 万亿——主因并非利率下行带来的融资成本改善。
总额上调的第一驱动是产能：2030 年前的数据中心增长预期由 122 GW 上修至 138 GW，单位 MW 开发成本的小幅下调仅部分抵消了这一增量。债务部分上调的第一驱动则是贷款成本比（LTC）假设的整体抬升——已披露项目的 LTC 均值已超 85%，部分项目超过 90%。
融资环境良性确实贡献了一部分，但更重要的是成本-估值溢价：一个项目以每 MW 1,500 万美元的成本扩产，对应的市值增量往往达每 MW 2,500 万美元。
按当前估值计，90% 的 Loan-to-Cost 实质上接近 60% 的 Loan-to-Value。抬高杠杆的底气主要来自资产市场估值远高于建造成本这一事实，而非借贷便宜本身。
卖方倾向于把高杠杆完全用正面语言包装，称其为资本留存，即趁市场友好多举债、把现金流与股权额度留待未来利率更高时降负，是管理层为雨天保留可选性的明智之举。
但需要指出，LTC 逼近 90%、多家厂商 2027 年自由现金流转负、个别厂商净杠杆高企且表外租赁规模庞大，同时也是周期顶部的过度举债特征。
电信行业曾在 1999 年占高收益指数的 23%，随后在 2001 至 2003 年录得约 75% 的累计违约率；能源行业在 2009 至 2014 年扩张后，于油价崩盘的 2015 至 2016 年录得双位数年化违约率。
高杠杆的安全性是有前提的。也就是成本-估值溢价的可持续性；而估值溢价的根基，恰恰建立在变现端的乐观假设之上。
三、成本约束的中枢：用量的对数级增长与成本的线性下降
当变现的存在性不再是问题，新的约束在成本端浮现。其物理机制可归结为一组速率的错配：token 用量呈对数级跃升，而单位 token 成本仅呈线性下降（在此处为了直观，用了线性拟合，实际上token的单位成本下降也为指数级，但是速率低于用量跃升）。
用量端的爆发由 agentic 工作负载驱动。与一次性推理不同，agentic 任务需要模型规划、推理、调用工具并迭代，单任务的 token 消耗比对话式工作负载高出一个数量级，平台遥测数据显示其中位数高达 23.4 倍。
宏观层面，单一平台的月度 token 处理量已达约 3.2 千万亿、同比约 7 倍。这种增长是阶跃式的，由工作负载形态的质变所驱动。
成本端的下降则是渐进的。中端模型的单位价格已从 2022 至 2023 年的约每百万 token 30 美元，降至如今每百万 token 数美分级别；企业混合成本在一年内由约 18.40 美元降至 2.31 美元，降幅 87.4%。但关键在于：成本下降的速率追不上用量上升的速率。
时间上的错配意味着：在可见的未来，效率红利会被用量增长不断重新吸收，单位算力的稀缺溢价不会消失，终端成本因此易上难下。
四、错配的两面性：稀缺溢价既是供给侧的定价权，也是需求侧的挤出
上述错配对 AI 价值链的两端作用相反——它是供给侧的利好，却是需求侧的隐患；而市场目前只充分定价了前者。
对供给侧而言，算力稀缺即定价权。只要 token 处于供不应求，所有算力都是稀缺且可定价的资产，这正是 capex 上调与高 LTC 杠杆的现实支撑。
对需求侧而言，同一个稀缺溢价意味着终端成本的持续抬升，而这正在抑制采用的广度。证据并非来自需求不足，恰恰相反，来自付费方的成本压力：2026 年 71% 的受访企业报告 AI 成本超支；某大型出行平台的 CTO 承认其全年 AI 预算在 4 月即告耗尽；尤为关键的是，连资金最充裕的买家也在主动限流——某超大规模厂商已限制工程师对大模型的访问权限、并取消部分编程工具的授权以控制成本。
这不是需求疲软的信号，而是成本约束开始压制本应发生的采用。需求是真实的，但成本把它挡在了门外。
这把判断带回到变现算术的脆弱性。按卖方测算，该板块需约 7,000 亿美元的年收入，才能在 AI/数据中心建设上实现 10% 的资本回报；这一测算还叠加了 50% 稳定利润率、30% 税率，以及前述高 LTC 等一长串相互复合的假设。下表给出其敏感性结构。
表 1 变现敏感性结构（成本节约固定为 200，单位 $bn）。基准档为 700 亿收入对应 10% 资本回报。
这张表的脆弱性不在任何单一数字，而在其结构：每一档收入目标的达成，都隐含采用持续放量的前提；而采用的放量，恰恰被前一节所述的成本错配所约束。
一旦成本抑制采用、收入爬坡不及预期，链条会反向传导：变现预期回落，资产估值回落，成本-估值溢价收缩，逼近 90% 的 LTC 便从资本留存瞬间变为过度举债。
至此叙事闭合：供给侧的融资闭环之所以成立，依赖于变现端维持估值溢价；而变现端的真实约束已从能否变现切换为成本能否压住采用。上半场的确定性与下半场的脆弱性，本就是同一枚硬币的两面。
五、资产类别层面的方向含义
篇幅限制，本文仅在资产类别层面给出方向性区分。区分的轴线只有一条：暴露于稀缺溢价（受益），还是暴露于采用广度（承压）。
受益于稀缺溢价的一端。
其一是定制化算力（ASIC/XPU）及其经济性：在算力受电力约束、性价比成为硬通货的环境下，定制硅相对通用 GPU 的总拥有成本优势（约 30% 至 40%）与单位 GW 资本开支优势，推动其份额持续上升，单位出货占比已从 2026 年的约 42% 升向 2027 年的约 53%。
其二是上游电力与发电设备：电力是数据中心增长的真正物理约束，其稀缺性独立于变现进程而存在。
暴露于采用广度的一端。
其一是纯算力变现的 neocloud：高杠杆、短资产久期、收入直接挂钩 token 用量，对成本抑制采用最为敏感，其债券相对超大规模厂商的利差已显著走阔。
其二是依赖企业 token 预算放量的应用与软件层：其增长假设直接建立在采用广度持续扩张之上，是成本约束的直接承压方。
其三是高 LTC 的项目债与高收益数据中心债：其安全边际依赖前述估值溢价，一旦溢价收缩最先受冲击。
居中且需保留审视的，是超大规模厂商的股权估值：信用无虞，但当前估值隐含了采用永续放量的假设，而这恰是本文认为最需被检验的变量。
写在最后
真正决定这轮 AI capex 周期成败的，不是算力建得起、钱融得到，而是 token 成本下降的斜率能否在企业 AI 预算被烧穿之前追上 agentic 用量的阶跃。这场赛跑的结果，是全部估值溢价的最终地基。
精彩评论