AI基础设施循环融资风险：一场用抵押贷款撑起的“镜厅游戏”
AI建设潮里最新的债主们，正拿GPU当抵押品放贷；行业最大的芯片供应商，转身又把自己的芯片租回来充营收；而站在整套体系中心的租户，至今没有实现过盈利。顺着债务往下查，所谓的需求信号，其实是融资信号。
在某个数据中心的机柜里，一排图形处理器正兼职扮演着贷款抵押品的角色。每块芯片造价数万美元，其继任者的每单位算力成本只会更低，可贷款机构依然心甘情愿地为这一整机柜押上数亿美元。这个机柜，正是窥探AI基础设施循环融资风险的最佳窗口：这轮繁荣早已不再单靠股权和乐观情绪驱动，而是靠抵押着方向错误的硬件经济账的债务撑起。
把钱借给一年比一年便宜的芯片，账要怎么算？
这套机制脱胎于飞机租赁，又把逻辑倒了过来。债务被装进一个与运营方账目保持距离的特殊目的载体（SPV），规模由两样东西决定：GPU的市场价值，以及绑定其上的云计算合同。还款周期跟着芯片的有效寿命走，大致相当于英伟达两代产品之间的间隔。CoreWeave开创了这套模板，2023至2024年间以GPU机队及其绑定合同为抵押，累计发债近100亿美元，详情见其招股说明书（S-1文件）。
细读这份文件会发现一个安静的事实：真正的抵押品从来不是那堆金属。放贷方是按照与信用良好的租户签订的合同来定价的，CoreWeave招股书披露，其2024年62%的营收来自单一客户微软。换句话说，GPU贷款本质上是租户信用贷款的变体。那问题来了：租户的信用又从何而来？答案越来越多地指向芯片厂商自己。
循环融资为何让租户本身变成了抵押品？
顺着最新的交易链条追下去，这个循环相当直白。英伟达计划向OpenAI投资最多1000亿美元，随着这家实验室部署10吉瓦的英伟达系统分批支付，两家公司的联合公告写得很清楚。AMD走得更绕：OpenAI承诺采购6吉瓦算力，AMD则回赠最多1.6亿股的认股权证，随着这家实验室采购并部署AMD芯片逐步归属，详见其监管文件：股权流向客户，只为让客户买得起芯片。与此同时，英伟达把云端支出承诺翻倍至260亿美元，其中包括向自己出售芯片的云服务商回租算力。一家制造商掏钱消费自家产品，这算的不是需求，这算的是照镜子。
每一环单独看都合法，也都说得过去。可一旦供应商的现金以营收的名义流回自己账上，这条营收曲线衡量的就不再是企业想要什么，而是供应商开支票的意愿有多强。红杉资本的David Cahn在《AI的6000亿美元之问》里把账算得很清楚：要撑起这轮建设所需的营收，远超行业目前实际能赚到的钱。上世纪90年代末，电信设备商玩过同一套把戏，为客户的采购提供融资，再把这笔钱包装成“需求旺盛”报出去。融资一停，需求也就跟着蒸发了。
AI的需求曲线，会不会其实只是融资曲线？
顺着合同追，集中度会说明一切。甲骨文最近一个报告季度的剩余履约义务（RPO）达到4550亿美元，同比增长359%，据其季度财报披露，此前它签下了公司历史上规模最大的一批云合同。OpenAI已经公布了一项规模达五千亿美元的建设计划。据笔者自行统计，仅计入在监管文件或公司公告中有公开价格标签的承诺，一家仍未盈利的实验室背后牵涉的承诺支出就超过6000亿美元；算上同样尚未盈利的几家最接近的竞争对手，前沿实验室几乎撑起了已公布建设规模的大头。这一数字应视为下限而非精确估计，因为它排除了所有未披露金额的交易。
比总数更重要的是这套机制本身：如果你的头号租户在亏钱，你的需求曲线其实就是它的融资曲线。云计算增长看似是企业广泛采纳AI的信号，很大程度上却只是少数几家实验室持续融资能力的体现。一旦融资环境收紧，租户付不起租金，而房东早已把大楼抵押给了那个自以为楼本身才是安全资产的债主。
推理成本越降，产能过剩为何反而越严重？
这里有个违反直觉的转折：每一次效率提升，都在给这套融资体系再拧紧一圈螺丝。斯坦福大学AI指数报告估算，截至2024年10月的两年间，调用GPT-3.5级别模型的成本下降了280多倍，而每一代新硬件还会把成本再往下压。这对采用者是好事，对靠营收还本付息的贷款机构却是噩梦，因为营收等于用量乘以价格，价格又在持续下跌。用量可以大幅增长，营收池却可能在债务之下不断萎缩。
标准的反驳是杰文斯悖论：算力越便宜，用得越多，需求终将消化产能。长期看大概率成立。可问题在于，“长期”恰恰是加了杠杆的资产负债表等不起的东西。世纪之交铺设的光纤，今天确实承载着海量流量，可当年为此融资的钱，大多没能撑到流量涨起来的那一天。看对了需求方向、却太早下场加杠杆，和看错方向是同一笔亏损交易。
房东们在冒汗的时候，买家该怎么做？
把两种风险分开看，因为它们并不是一回事。融资风险是真实存在的，技术风险却不是。不管债务落在谁头上，模型能力都在持续进步，所以正确的应对是调整姿态，而不是缩回观望。
租算力，别买算力。如果这轮建设最终产能过剩，接下来几年就会变成算力的买方市场，而那些锁定了高价长约的企业，到头来等于在补贴竞争对手的折扣价。把省下来的预算，花在决定AI能否真正带来回报的苦活上：数据质量、治理与场景纪律。我们关于动手建设前先做好AI准备的指南梳理了应有的顺序，一套务实的技术战略能帮你判断哪些工作负载才真正值得配置专属算力。在部署智能体的场景里，务必让它们始终处于切实的人工可控范围之内，这样供应商的资金链一旦打晃，就不会立刻传导成你自己业务的震荡。
这类循环往往比怀疑者预期的持续更久，而这一轮背后确实是真正有用的技术在驱动。可当抵押品、租户和营收全都指向同一小撮资产负债表时，这就不是什么欣欣向荣的地产牛市了。这是一间挂着按揭的镜厅，而验房师，迟早都会上门。
常见问题
什么是AI行业里的“循环融资”？
指任何供应商的资金最终又流回自己产品销售的安排：芯片厂商投资一家实验室，实验室再把这笔钱花在采购该厂商的GPU上；向客户发放认股权证作为采购激励；或是把自家芯片建成的算力再租回来自用。每一笔交易单独看都合法，也都说得过去，但整个循环制造出表面上的需求，并粉饰了报表上的营收。上世纪90年代末，电信设备商玩过类似的把戏，融资一停，“需求”也就随之消失。
AI这轮建设会不会重演互联网泡沫破裂的剧本？
更贴切的参照是当年的光纤铺设。技术是真实的，产能最终也确实被用上了，但当年借钱铺光纤的公司，大多没能撑到流量真正涨起来的那一天。如果真出现产能过剩，受冲击的更可能是持有硬件抵押债务的一方，而不是使用这项技术的企业。产能过剩，对债主是危机，对其他人则是一次打折的机会。
企业是否应该等市场“冷静”下来再采用AI？
不必，但采购方式要变。租用算力而不是自建，能在价格下跌时保持灵活；省下来的预算，更值得投入数据质量、治理与团队能力建设，这些才是真正决定AI能否物有所值的因素，无论那些撑起这轮建设的实验室未来命运如何。
相关阅读
本文由 Abyshire 专有编辑系统的 AI 编辑角色撰写，并经我们的团队审核。