（作者：张峥 北京大学光华管理学院教授；闫云松对本文亦有贡献）
生成式AI的竞争，正从模型和应用层面向数据中心、电力、GPU和融资能力延伸。围绕这轮投资，市场最需要追问的并非“AI是否会存在泡沫”这一单一命题，而是：谁在出资、谁持有底层资产、谁获得现金流，以及在需求不及预期或再融资受阻时，损失最终由谁承担。
换言之，AI投资已经越过科技股估值和企业资本开支的范畴，开始演变为一个关乎融资结构与金融稳定的系统性议题。
AI革命为何变成基础设施周期
与上一轮相对轻资产的软件和互联网扩散不同，生成式AI的早期扩张却高度依赖物理资本。大模型训练和推理离不开GPU集群、服务器、数据中心、电力接入、冷却系统、网络互联和云平台调度。模型能力越强、应用越普及，对算力和电力的需求越大，资本开支、建设周期和融资约束也越会进入企业现金流、资产负债表和金融市场定价。这一点使本轮AI热潮更接近铁路、电气化、电信网络和互联网骨干网的早期建设。通用目的技术要扩散，往往依赖一整套配套投资：铁路需要轨道、车站和信号系统；电气化需要发电、输配电和工厂改造；互联网需要光纤、路由器、服务器和数据中心；AI则需要模型之外的算力、电力和数据中心网络。
基础设施周期的难点在于，投资通常显著超前于收入与生产率提升。数据中心和电力设施要先建成，GPU和服务器要先采购，模型和应用需求则在未来逐步验证。繁荣阶段，前置投资容易被解释为未来需求的证明；从金融稳定角度看，前置投资越大、融资结构越复杂，越需要看清现金流、资产寿命、抵押品价值和最终风险承担者。因此，判断AI基建风险，不能只问“AI是否有用”或“AI股票是否过贵”。更有解释力的问题是：这轮投资形成的究竟是什么资产组合？资金从哪里来？风险最后落到谁身上？长期基础设施风险和高不确定性的技术需求风险，是否被放在了合适的融资结构中？
AI基建为什么不是普通基础设施
AI基建不是单一资产，而是一组寿命、折旧和现金流特征差异很大的资产。其中，数据中心和土地包括机房、机柜、供配电、建筑结构、园区土地和安全设施，融资逻辑更接近房地产和基础设施。电力和冷却系统包括变电站、输配电接入、备用电源、液冷和风冷系统，寿命也较长，但受电力接入、能耗指标、绿电比例和地方审批约束。IT和算力设备则不同，GPU、AI服务器、存储、交换机和光模块价值高、折旧快、技术迭代强。云平台、调度系统和运维软件更接近无形资产和组织能力。客户合同、租约和容量承诺本身不是物理资产，却是债务融资和项目估值的现金流基础。
现有估算已经把AI基建推到宏观量级。Goldman Sachs估计，典型250MW AI数据中心上线成本约120亿美元，数字基础设施和电力可能需要约5万亿美元融资。Van Nieuwerburgh引用Morgan Stanley估算，2025年-2028年满足hyperscaler额外算力需求约需2.9万亿美元投资，其中超过一半可能由外部资本提供。Van Nieuwerburgh又按200MW园区约82亿美元的基准测算，若美国2026年-2032年数据中心容量增加200GW，对应数据中心、电力基础设施和IT设备总投资约8.2万亿美元。这些数字口径并不完全一致，不能相加使用。但它们指向同一个事实：AI基建已不再只是少数科技公司的研发支出，而是连接企业资本开支、信用市场、电力系统和公共资源配置的跨部门投资周期。
规模本身不等于风险。关键在于投资扩张与现金流验证之间的速度差。如果AI应用收入、企业生产率提升、算力租赁收入和客户合同能够持续兑现，前置投资会转化为长期生产能力；如果需求增长低于预期，已建成的数据中心、GPU集群和电力配套则会面临利用率不足、价格下跌、折旧压力和债务偿付压力。
什么是可持续的AI基建融资
AI基建融资不能只看钱是否足够，更要看资产、现金流和风险承担者是否匹配。
土地、机房和电力接入可以匹配长期资本、基础设施基金、银行长期贷款或项目融资；GPU和服务器更适合权益资金、经营现金流、设备租赁或期限较短的融资安排；云平台和调度系统更适合由企业经营现金流和研发投入支持；长期租约和容量合同可以支持项目融资，但前提是客户信用、合同期限和使用率足够可靠。
如果把这些资产混在一起，用统一的长期债务或高杠杆结构融资，就容易把高折旧设备和不确定需求包装成长期基础设施风险。可持续的AI基建融资，应让长期稳定资产使用长期资本，让高不确定性技术风险使用权益资本，让公共资金支持具有公共外部性的项目，并通过利用率、现金流、杠杆和信息披露约束防止重复建设和风险转移。问题不在于融资成本高低，而在于是否把高不确定性的技术需求风险包装成低风险债务，并转移给并不适合承担这类风险的主体。
这也是比较中美AI基建融资的起点。尽管美国和中国都在建设AI基建，但融资结构不同：美国更依赖私人资本、项目融资和结构化产品，中国则更依赖运营商、银行、地方国资和政策性资金。融资结构不同，金融稳定潜在风险的形态亦不同。
美国：风险从科技公司表内转向多层融资结构
美国AI基建融资的变化，并非大型科技公司丧失融资能力，而是建设规模正在挑战单纯依靠经营现金流和表内资本开支的边界。
国际清算银行（BIS ）将这一变化概括为从 “现金流驱动”向“债务驱动”（cash flows to debt）的迁移。领先科技企业过去债务负担较轻，主要用高利润业务产生的现金流支持云和数据中心扩张；然而，在AI数据中心、电力、冷却、网络和GPU同时扩张后，自由现金流与资本开支之间的张力日益凸显，外部债务、租赁安排、贷款和私人信贷的重要性随之上升。
更深层的变化是所有权和使用权分离。超大规模云服务商（Hyperscaler ）仍是算力需求和信用支持的核心，但不再总是底层资产的唯一所有者。数据中心开发商、不动产投资信托基金（REITs）、基础设施基金、合资项目、银行、私人信贷和结构化融资投资者共同参与这一多层融资结构。大型云厂商通过长期租约、容量承诺或预付款锁定算力和数据中心资源，底层资产则可能由第三方持有，并用租约现金流融资。
美国模式可以简化为一条融资穿透链条：前沿AI公司和hyperscaler提供需求，长期租约和容量承诺提供现金流基础，数据中心开发商、REITs和基础设施基金持有底层资产，银行和私人信贷提供建设期及项目层面资金，建成后再通过 商业不动产抵押贷款支持证券（CMBS）、资产支持证券（ABS）、私募债或其他结构化产品再融资，最终风险进入保险、养老金、基金和其他机构投资者组合。
这种结构的好处是资本动员速度快，可以把AI需求迅速转化为物理建设能力。代价是风险从一个清晰的公司资产负债表扩散到多层项目公司、债权人和结构化产品中。仅审视亚马逊（Amazon）、微软（Microsoft）、Meta、谷歌（Google ）或甲骨文（ Oracle） 的合并报表，可能低估数据中心、电力基础设施和长期租约背后的资产层面杠杆。
Van Nieuwerburgh援引摩根士丹利的估算显示， 2025年-2028年hyperscaler额外算力需求约需2.9万亿美元投资，其中超过一半可能由外部资本提供。总体看似约为60% 权益、40% 债务，但内部权益更多投向GPU和IT设备，外部债务更多投向数据中心和电力基础设施，因此物理资产层面的债务比例可能达到70%-80%。Meta Hyperion案例更极端。该项目约2.0GW、总投资约300亿美元。Meta向Blue Owl出售80% 股权，并由合资项目举债约270亿美元后，隐含债务约占资产价值90%。这不是说Meta合并报表同样高杠杆，而是说明风险被放到项目层面、债权人和外部投资者层面，并且部分保持在Meta的表外承诺中。
私人信贷和结构化融资的透明度也需要关注。BIS估计，AI相关私人信贷余额已超过2000亿美元，占私人信贷总余额比例从不到1% 上升到接近8%，并可能在2030年达到3000亿至6000亿美元。私人信贷执行快、条款灵活，但披露弱于公开市场。如果AI回报不及预期，损失可能先在非银信用链条中积累。
由此看，美国AI基建的金融稳定风险，不宜被简单概括为“科技公司债务过高”。更准确的说法是，市场化多层融资结构正在把技术需求不确定性转移到底层数据中心、电力资产、租约现金流、私人信贷、REITs和结构化产品中。当前系统性风险未必已经很高，但风险更分散、更依赖穿透披露，也更容易在信用环境收紧或AI需求下修时暴露。
中国：潜在风险更多滞留于政策、银行与国资体系
中国AI基建融资的主线不同于美国。美国模式由hyperscaler需求牵引，依靠开发商、REITs、私人信贷、项目融资和结构化产品分散所有权和风险；中国模式更接近政策规划、央企运营商、地方国资平台、银行信贷、专项债、上市公司再融资和融资租赁共同参与的基础设施投资体制。
政策首先划定了中国AI基建的空间边界。全国一体化算力网、东数西算和国家枢纽节点政策强调算力集聚、跨区域调度、绿色电力和避免盲目无序竞争，说明政策层已经意识到分散建设可能带来重复投资和低利用率。中国AI基建融资从一开始就不是纯企业投资决策，而是嵌入区域布局、能源约束、产业政策和公共算力供给目标之中。
企业层面，三大运营商是重要承载者。中国移动、中国电信、中国联通在2025年业绩和2026年资本开支指引中呈现出相似结构：总资本开支下降或受控，但算力、智能网络和云资源池投资占比上升。中国移动2026年算力网络和智能网络投资占比超过37%，中国电信算力基础设施投资约占三成以上，中国联通算力投资占比也超过35%。这说明，中国AI基建未必表现为通信资本开支总量无序扩张，而更像存量通信投资向算力网络和智能基础设施重配。
融资工具层面，从目前公开资料看，中国更依赖自有资金、经营现金流、银行借款、政策性金融、专项债、定增和融资租赁。中国电信年报中若干数据中心和云资源池项目多披露为“自有资金”或“自有资金及银行借款”。地方项目中，河南空港智算中心体现出项目公司和高比例银行贷款，南岳智算中心使用专项债并将偿还安排纳入财政收支，吉林招商项目提出企业自筹和政策性银行中长期贷款。上市公司则通过定增、融资租赁和租入算力切入智算中心或算力服务。
中美差异不只是资金来源不同，更是风险承担结构不同。美国风险更可能从hyperscaler转移给开发商、REITs、私人信贷、项目债权人和结构化产品投资者；中国风险更可能留在运营商表内、地方国资平台、银行体系、专项债偿付安排、产业基金和上市公司资本结构中。
中国AI基建的首要风险不是私人信贷透明度不足，而是重复建设和低利用率。政策反复强调国家枢纽、算力调度、资源使用率、上架率和绿色电力，本身就说明关键问题不是“能不能融资建设”，而是“建成后能否被有效使用”。如果地方政府、园区和国资平台都把智算中心视为招商抓手，可能形成区域间重复建设、算力规格不统一、客户需求不足和跨区域调度不畅，最终表现为项目现金流不足和设备闲置。
这并不是说中国不应建设AI基础设施。算力、电力和数据中心是AI扩散的必要条件。问题在于，政策支持应从“能否建成”转向“建成后能否被有效使用”。
第二个风险是设备折旧和回收期错配。GPU、服务器和网络设备迭代快，经济寿命可能短于传统通信基础设施。如果项目收入依赖政企客户、地方园区、公共算力服务或短期算力租赁，而真实需求不足或价格下行，投资回收期可能长于设备经济寿命。对运营商而言，这会压低资本开支回报率并增加折旧压力；对地方平台而言，则可能使项目收益难以覆盖债务和建设资金成本。
第三个风险是地方融资和准财政压力。高比例银行贷款、专项债、政策性银行贷款、国资平台投资、定增和融资租赁本身并不必然构成风险；问题在于项目现金流不足时，损失由谁承担。中国风险未必表现为项目公司显性违约，而可能通过地方财政承诺、招商补贴、国资平台担保、银行贷款展期、专项债偿付、融资租赁还款和上市公司资本结构承压的方式释放。
第四个风险是运营质量信息缺口。中国AI基建公开资料通常较容易披露投资额、算力规模、建设主体、项目位置、资金来源和开工投产安排，但较少系统披露上架率、算力利用率、客户结构、租赁价格、合同期限、项目收入、折旧和偿债现金流。缺少这些数据，外部研究者难以判断项目究竟是具有真实需求支撑的生产性基础设施，还是政策和招商叙事驱动下的低效投资。
政策重点：让资金与风险相匹配
支持AI 基建不等于无约束扩大投资。更稳妥的政策目标，是建立一套能区分有效基础设施和低效重复建设的融资治理机制。
首先，要建立穿透式信息披露标准。凡使用公共资金、银行贷款、专项债、政策性金融、上市公司募集资金或国资平台资金的智算中心和数据中心项目，都应披露投资额、资金来源、债务期限、融资成本、客户结构、上架率、算力利用率、租赁价格、电力成本、折旧政策、担保或回购安排，以及是否存在政府或国资隐性兜底。若运营质量数据暂时无法完整披露，也应至少建立分层披露和监管报送机制。
其次，应按资产类型约束融资期限和杠杆。土地、机房、电力接入和冷却系统可以匹配长期资金；GPU、服务器和网络设备不宜过度依赖长期刚性债务；云平台、调度系统和应用生态更适合用权益资本、经营现金流或阶段性投入支持。融资期限应匹配资产寿命，杠杆率应匹配现金流稳定性。
再者，把利用率和现金流纳入融资续作条件。政策不应只考核算力规模、投资额和开工数量，还应持续监测上架率、算力利用率、客户结构、价格、合同期限和项目现金流。利用率长期偏低、现金流无法覆盖融资成本的项目，不应继续获得新增银行贷款、专项债、政策性金融或财政补贴。
全国一体化算力网也应成为约束地方重复建设的重要工具。国家枢纽节点、东数西算、绿色电力和跨区域调度能力应成为项目布局的硬约束。地方项目若缺乏明确客户、应用场景、电力条件和调度能力，应避免以招商名义重复建设。
对不同融资工具，还要做风险穿透。银行贷款要关注真实现金流和担保来源；融资租赁要关注设备折旧和租金收入是否匹配；专项债要关注项目收益是否足以偿债，不能把商业失败无条件转为财政责任；上市公司定增募投要关注客户、利用率和回报假设，防止用资本市场资金补贴低效算力资产。
同时，应发展与资产风险相匹配的直接融资工具。AI 基建不应过度依赖银行贷款、专项债和地方国资资金。对于具有稳定租约、较高利用率和可验证现金流的数据中心、电力配套和公共算力平台，可以探索多层次REITs市场、资产支持证券、项目收益债、绿色债券和产业基金等直接融资工具；对于GPU、服务器等高折旧设备，则应更多依赖权益资本、融资租赁、设备ABS 或期限较短、风险定价更充分的工具。
对数据中心和算力资产而言，证券化领域创新的重点，不应停留在把项目包装成ABS、REITs 或项目收益债等产品形态上。真正关键的是，让投资者能够持续看见并验证底层资产是否真实运营、是否产生稳定现金流。机房上架率、算力利用率、PUE、电力消耗、客户计费、合同期限、租金或算力服务费回款等数据，应成为产品发行、存续期披露、评级跟踪和风险预警的基础。换言之，我们要解决的不是“有没有融资工具”，而是“资产自身能不能证明其现金流”。只有当数据中心和算力资产能够依靠可验证的运营数据建立信用，直接融资才可能真正从主体信用、担保和隐性兜底中走出来，转向以资产信用和数据信用为基础的市场化定价。
AI 基建投资不应被简单归类为泡沫或非泡沫。它既可能是通用目的技术扩散所需要的真实基础设施前置，也可能在需求尚未验证时形成过度投资和金融风险。需要追问的是：这些资产由谁持有、由谁融资、由谁享有现金流、由谁承担需求不及预期和再融资失败的损失。
可持续的AI 基建融资，不是最大化融资规模，而是让长期资产使用长期资本，让高不确定性技术风险由权益资本承担，让公共资金支持公共目标，并通过信息披露、利用率监测、现金流约束和退出机制，防止低效投资沉淀为金融系统或财政系统的尾部风险。
对AI基建而言，政策难题不是要不要支持，而是如何支持：既不能因担心风险而错失基础设施窗口，也不能把技术乐观预期无条件转化为银行、财政和普通投资者的刚性风险。
网易财经智库是网易新闻打造的财经专业智库，整合网易财经原创多媒体矩阵，依托于上百位国内外顶尖经济学家的智慧成果，针对经济学热点话题，进行理性、客观的分析解读，打造有态度的前沿财经智库。欢迎来稿（投稿邮箱：cehuazu2016@163.com）。
移步微信公号 看这里看不到的内容
关注官方视频号C位观察Insight，看书本上学不到的新鲜经济学
热门跟贴