社区

提及AI泡沫，很多人会问：AI到底有没有需求？即便AI有需求，谁来为这些需求提前买单？但最近，华尔街开始发现或许债务才是关键。

过去两年，市场讲AI，基本都在讲英伟达订单、云厂商Capex、大模型参数、Token消耗、HBM产能、数据中心电力瓶颈。这些故事讲得很好，链条上基本所有公司都从中受益。

同时也带来了超5,700亿美元的AI相关债券。这一惊人的数字更是代表着：AI基础设施的建设，现如今不只是科技公司的资本开支问题，已经慢慢地变成了一个信用市场问题。

过去处于牛市当中，靠股权市场定价。但AI牛市进入下半场，定价权开始转向债券市场。

谁要借钱，谁的信用利差会不会扩大，谁的自由现金流会不会转负，谁的评级会不会被下调，谁的融资结构里藏着表外债务，开始变得越来越重要。

也就是说，AI泡沫即便被刺破，极大的可能是因为债务，而非需求。

一、泡沫破灭往往是从融资断裂开始

很多技术泡沫在最热的时候，需求并没有消失。

泡沫真正破裂，往往不是因为长期方向错了，是因为资本市场提前把未来十年的增长都折现进股价，然后融资环境突然变了。

AI所面临的也是如此。

AI需求是真实的。企业确实在用大模型，云厂商确实在扩建数据中心，推理Token确实在增长，GPU确实供不应求，HBM确实紧张，电力确实成为瓶颈。

但资本市场从来不只看需求。

资本市场更关心的是：这些需求能不能转化为自由现金流？

AI并非没有需求没有未来，只是这个未来正在被越来越昂贵的债务提前买下来。

过去的Big Tech利润十分可观，自己就能产生巨额现金流。

所以过去很多投资者觉得，大厂投入AI不用担心。

但现实里，为了发展AI，Amazon获得了大额贷款工具，Meta被曝考虑通过大规模股权融资为AI基础设施找钱，Alphabet、Meta等hyperscalers也在持续进入债券市场。

如果连Amazon、Meta、Oracle这种公司都要频繁使用债务、股权、项目融资和长期租约，那么AI Capex的规模可能已经超过了传统科技商业模式的舒适区。

过去的轻资产、高毛利、高回购、高自由现金流也将不复存在。

而市场轻资产和重资产公司的估值方法完全不同，Big Tech将面临重新被估值。

二、业绩好，不代表股价一定涨

Oracle的案例也极具代表性，表面看，Oracle的AI云故事很漂亮。云基础设施收入高增长，剩余履约义务大幅上升，客户订单也很强。放在过去，这种业绩应该是科技股投资者最喜欢的故事：AI需求爆发，云业务加速，未来收入可见度提升。

但股价反应并不友好。

原因很简单，市场看见了另一面：Oracle计划把资本开支大幅推高，并且需要通过债务和股权融资来支撑AI基础设施建设。

这正是AI交易残酷的地方。

当市场情绪好的时候，Capex叫作“未来增长的投资”。

当市场开始紧张的时候，Capex就会变成“今天现金流的黑洞”。

Oracle让投资者意识到，AI云不是一个轻资产故事。不像传统软件那样，写一套代码，可以复制给千万客户，边际成本极低。AI云更像是一个超级重资产平台：你要先买芯片，建机房，接电网，铺网络，上液冷，做冗余，签长期能源合同，然后等客户慢慢消耗算力。

这套模式当然可以赚钱，但对资本回报率的要求也更高。

如果AI云收入增长很快，但自由现金流持续恶化，市场就会开始质疑：这些增长到底值多少钱？

过去投资者给云厂商高估值，是因为云业务既有增长，也有规模效应，还有很强的现金流。

现在AI把云业务重新推回重资产时代。

这就是估值体系的变化。

以前市场问：云收入增速是多少？

现在市场问：为了这点云收入，你要花多少钱？

三、藏在租约和SPV里的债才是真正的危险

AI债务真正复杂的地方，在于它不一定都叫“债务”。

公司债、贷款工具、股权融资、数据中心长期租约、take-or-pay合同、电力购买协议、芯片租赁、通过SPV进行的结构化融资。这些本质上都是对未来现金流的提前锁定，都隐藏着巨大的债务风险。

最近的Apollo、Blackstone、Broadcom案例便是通过结构化安排，AI算力、芯片租赁、数据中心容量和未来现金流可以被包装成融资资产。这样安排可以降低短期资产负债表压力，让AI公司获得更多算力；但也会把风险转移到更复杂、更难被普通投资者看清的地方。

这很像金融系统最熟悉的一种模式：只要底层资产价格上涨，所有人都觉得结构化融资很聪明。一旦底层资产回报不及预期，问题就会从“谁赚钱最多”变成“谁承担最后亏损”。

现在GPU可能变成抵押物，变成租赁资产，变成项目融资的底层资产，变成私募信贷的信用支撑，变成AI创业公司换取算力的资产负债表工具。

这会让AI基础设施建设速度更快，也会让泡沫堆积速度更快。

因为当资本市场相信GPU永远稀缺、算力永远涨价、AI需求永远外溢时，所有人都会愿意给这类资产融资。

但如果有一天模型推理成本大幅下降，芯片供给开始过剩，云厂商价格战加剧，GPU残值下滑，数据中心出租率下降，那么这些看起来安全的融资结构就会迅速暴露风险。

泡沫破灭时，最先出问题的往往并非最显眼的公司，其实是那些杠杆藏得最深的结构。

如果AI泡沫因为债务而破，以下几类公司要尤其关注：

第一类，低毛利但高营收的AI服务器公司。这类公司订单很大，看起来增长很快，但需要垫资采购。如果现金转换周期拉长，就会出现“收入越高，现金越紧”的问题。

第二类，Capex激进但自由现金流恶化的云厂商。如果Capex持续上修，收入兑现慢，债务增加，回购下降，估值就会被压缩。

第三类，依赖单一大客户的数据中心开发商。客户集中度越高，项目融资风险越大。一旦客户延迟扩张或重新议价，债务压力会迅速放大。

第四类，靠融资购买算力的AI创业公司。算力成本太高、模型价格战太激烈会导致对融资依赖性增加。一旦资本市场转冷，生存压力会非常大。

第五类，估值已经把十年增长都计入股价的AI配套公司。电力设备、液冷、光模块、PCB、铜缆、变压器、数据中心REITs都可能是长期赢家，但如果短期估值已经提前透支，债务周期一收紧，就会十分危险。

四、AI数据中心像“新基建”背后的风险

很多人喜欢把AI数据中心叫作新时代的基础设施。

因为数据中心像电网，像铁路，像通信网络，前期投入巨大，建设周期很长，一旦建成可以持续服务大量客户。

但AI数据中心和传统基建有一个根本不同：

传统基建的资产寿命很长，技术变化相对慢。

AI数据中心的技术周期太快。

一条铁路不会在三年后因为轨道标准变化而突然过时；一个机场不会因为飞机算法升级就失去价值；但一个AI数据中心有可能因为芯片架构、液冷方案、网络结构、功耗密度、推理范式变化，迅速面临改造压力。

这就带来一个非常大的错配：融资期限像基础设施，技术周期像消费电子。

很多AI数据中心项目依赖长期租约、长期债务和长期电力合同，但底层技术资产的更新速度却非常快。今天还很先进的GPU，三年后可能就以不是首选；今天主流的训练架构，五年后可能已经被更便宜的推理体系替代。

所以说，AI数据中心的融资风险比传统基础设施要高得多。

如果市场用传统基建的低风险逻辑给AI数据中心融资，却低估了AI技术的折旧速度，那么泡沫就会在债务端积累。

五、AI泡沫的破灭路径，可能是这样发生的

AI中蕴藏着许多的风险，AI泡沫问题十分复杂，但大家也不用过于担心。

因为泡沫不会突然在某一天被宣布破灭，会一步一步发生。

第一步，云厂商继续提高Capex。

市场一开始很兴奋，因为Capex意味着需求，意味着英伟达订单，意味着HBM扩产，意味着服务器链继续增长。

第二步，资本开支开始挤压自由现金流。

公司收入还在增长，但自由现金流下降，回购减少，债务增加，折旧上升。投资者开始从“收入倍数”切换到“现金流倍数”。

第三步，债券市场开始要求更高利差。

AI相关债务发行太多，投资级债市场需要更高收益率吸收供给。信用利差一旦扩大，股权市场会同步下修估值，因为资本成本变高了。

第四步，评级机构开始审视表外义务。

长期租约、芯片租赁、数据中心容量承诺、电力购买协议，都可能被重新计入风险评估。一些看起来资产负债表干净的公司，会突然显得没有那么轻。

第五步，市场开始惩罚“需要融资才能增长”的公司。

低毛利AI服务器厂商、高Capex云厂商、依赖SPV的数据中心开发商、现金流弱的AI应用公司，会最先被杀估值。

第六步，订单反噬供应链。

如果云厂商放缓Capex，服务器厂商订单下修，HBM扩产节奏调整，液冷、电源、光模块、PCB、铜缆、电力设备都会面临预期回落。

第七步，AI叙事从“赢家通吃”变成“谁活下来”。

更加AI债务风险或许非常大，但并不等于AI是骗局。

恰恰相反，AI之所以会形成这么大的债务，正是因为需求真实存在。只是需要判断资本市场是否用过高价格提前购买了这个价值。

只是AI的力量虽然很强大，但不代表每一家AI公司都值得今天的估值，也不代表每一笔AI债务都能安全偿还，更不代表每一个“AI基础设施项目”最后

所以AI真正的分水岭是谁能把GPU、数据中心、电力和模型能力，转化为稳定、可持续、足够覆盖资本成本的自由现金流。如果做不到，AI债务就会从牛市燃料变成泡沫引信。

泡沫破灭时，人们不会说AI没有未来。他们只会突然意识到：这个未来，之前被买得太贵了。