第 2.11 章｜资本与市场结构

当 AI 建设开始超过部分公司的经营现金流，技术问题就会变成融资问题。谁提供资本、用什么资产担保，以及收入能否在债务到期和设备过时前兑现，将决定这一轮周期怎样结束。

AI 数据中心要先花钱、后产生收入。云厂商预订芯片和电力，数据中心签长期租约，新云购买 GPU，模型公司再用未来融资和客户收入支付算力。建设规模越大，钱从支出到回款之间的时间越长，融资结构就越重要。

资本可以把未来供给提前到今天，这是产业快速扩张的必要条件；它也可能让多个公司根据同一份未来需求重复建设。技术最终成功，与一轮资本错配并不矛盾。互联网长期改变世界，电信和光纤投资者仍曾因建设速度、债务和买入价格遭受损失。

为什么资本开支越大，市场反而越紧张

Microsoft、Alphabet、Amazon 和 Meta 对 2026 年的资本开支指引合计约 7,250 亿美元，若加入 Oracle 规模更高。不同公司财年和统计口径并不完全一致，数字适合表示方向，不适合机械相加后当作精确市场规模。¹

资本开支最初被市场当作需求证明：云厂商愿意投入，说明它们看见真实客户。随着支出接近甚至超过部分公司的经营现金流，问题发生变化：

• 这些资产何时通电并开始折旧？
• AI 增量收入是多少，毛利多少？
• 新收入是否只是替代原有云和软件收入？
• 建设期间的现金缺口由自有资金、债券还是合作伙伴承担？
• 如果需求晚两年出现，谁有能力等待？

一家现金充裕的超大云可以用广告、零售或软件利润补贴建设；一家新云必须依靠债务和大合同；一家模型公司则可能不断融资支付算力。三者都在建设 AI，却拥有不同的生存时间。

从终端客户倒推：谁最终为一座 AI 工厂付款

一座数据中心的资本可以来自多层：

无论结构多复杂，最终偿付来源只有几种：企业或消费者为 AI 应用付费，客户因 AI 节省成本而愿意支付，广告与其他业务补贴 AI，或者政府为战略能力买单。

如果产业内部不断互相投资，却没有更多外部现金进入，融资只是延长验证时间。终端收入出现后，资本结构可以放大股东回报；终端收入不足时，同一结构会放大损失。

循环融资怎样放大真实需求

典型循环是：

芯片公司投资模型公司 → 模型公司与云或新云签长期算力合同 → 云平台向芯片公司采购设备 → 设备订单支持新一轮融资与估值

每笔交易都可能有合理商业目的。芯片公司希望培育客户，模型公司需要锁定算力，云平台需要合同支持建设。问题不在“循环”本身，而在同一笔资本是否被当作多次独立需求。

例如，供应商投资 10 亿美元给客户，客户再用其中一部分购买供应商产品。会计上仍可能形成收入，但需求质量低于来自独立、盈利终端客户的现金。若客户下一轮融资失败，订单、云合同和供应商投资会同时受影响。

判断循环融资质量，可以问：

1. 最终付款人是否拥有与供应商无关的外部收入？
2. 合同是否包含预付款、take-or-pay 和取消保护？
3. 供应商投资占客户采购金额多少？
4. 交易是否需要持续提高私募估值才能运转？
5. 同一资产是否被多次抵押或用于支持多层融资？

循环融资不等于虚假需求，但会提高相关性。看似分散的公司，可能共同依赖同一个终端现金流。

GPU 变成抵押品以后，产品更新就是信用事件

新云和数据中心可以用 GPU、客户合同、机房或电力协议作为抵押融资。债权人会估计资产在违约后的回收价值，并设置贷款价值比、利率和契约。

传统工业设备可能使用十几年，GPU 的经济价值却受每代性能价格比和租金影响。一台设备仍能运行，不代表它还能以原价格出租。新一代芯片如果用更少电完成同样任务，旧集群租金会下降，二手价值也会下降。

假设一批 GPU 用五年贷款融资，但两年后租金下降 50%。即使客户没有完全消失，现金流也可能不足以覆盖利息和本金；抵押品价值下降又使再融资更难。股权承担第一损失，债务利差和评级通常会比收入更早反映压力。

因此，GPU 融资需要把三种寿命分开：

• 物理寿命：设备还能否运行；
• 会计寿命：公司用几年折旧；
• 经济寿命：客户还愿意以足够租金使用多久。

真正决定信用的是第三种。

折旧政策可能让利润看起来比设备更年轻

公司购买服务器时，不会一次性把全部成本计入利润表，而是按预计寿命逐年折旧。延长折旧年限会减少当期费用、提高利润，却不会改变市场租金和芯片竞争力。

如果旧设备仍满载、可以转向推理与批处理，较长寿命可能合理；如果利用率和租金下降，财报利润就会高估经济价值。投资者应把以下项目放在一起：

只看收入增长，会漏掉为获得收入付出的资本；只看利润，又可能被折旧假设影响。自由现金流也不能单独看，因为建设高峰中的负现金流可能是理性投资。关键是负现金流是否对应可验证、按期兑现的终端需求。

股票看起来分散，可能只是同一笔资本开支的不同索取权

一个投资组合同时持有超大云、Nvidia、光模块、液冷、电气设备、新云和私募信贷，看似跨越多个行业。穿透后，它们可能都依赖少数云厂商继续提高资本开支。

它们只是同一现金流的不同索取权：

• 云厂商股东承担最终资本回报；
• 供应商股东提前获得设备订单；
• 新云股东承担利用率和杠杆；
• 债权人拥有合同和资产抵押；
• 资产管理人通过发起和管理债务收费。

如果云厂商削减建设，设备订单、新云利用率和信用都会同时受压。跨层持股不等于真正分散。真正分散要来自不同最终付款人、不同融资来源、不同地区和不同失败条件。

2026 年市场领导面扩宽、部分超大科技股相对转弱，说明投资者开始更关心现金回报，而不只把资本开支当作利好。² 这不证明周期结束，只表示估值对兑现速度更敏感。

私营估值把回报推向更远未来

模型公司和 AI 应用公司在私募市场获得很高估值。私募轮次并不是公开股票的直接可比价格：新投资者可能拥有清算优先权、反稀释、保证回报或特殊信息权；交易量小，价格也不连续。

高估值会带来两种影响。第一，公司必须实现更大的未来收入，才能让普通股获得回报。第二，估值本身可以支持人才招聘、并购和下一轮融资，形成暂时的竞争优势。

购买高溢价封闭式基金或特殊工具以获得私营公司敞口，可能同时支付资产估值和流动性稀缺溢价。投资者需要看穿到普通股权利、净资产折溢价和退出路径，而不是被“唯一入口”说服。

人才交易也揭示一类财务报表外稀缺：模型研究员和芯片工程师。高额薪酬、团队并购和授权交易可以保留人才，却增加未来固定成本。技术资产可能集中在少数人身上，一旦团队流失，已支付商誉和估值未必保留价值。

中国用另一套融资方式，也承担另一种风险

中国 AI 建设更多依靠政府引导基金、国家大基金、国企资产负债表、地方补贴和银行信贷。它较少出现美国式公开 GPU 抵押循环，却可能把低回报项目更长时间留在体系内。

美国市场融资的优点是价格信号快、失败项目更容易失去资金；缺点是信用一旦收缩，会迅速传导。中国政策融资可以跨越短期利润，支持国产替代和战略产能；缺点是项目回报更不透明，地方重复建设、关联交易和补贴依赖可能延迟暴露。

分析中国公司时应拆分：

• 政府补助与经营利润；
• 政策订单与市场化订单；
• 国资股东减持和持股目的；
• 大股东股权质押；
• 关联方应收与回款；
• 已建园区利用率和现金回报。

美国体系的核心风险是资金突然变贵，中国体系的核心风险是政策优先级改变，或低效率资产长期占用资本。

谁能赚钱，而不直接承担利用率风险

资本链中并非所有公司都持有 GPU。资产管理人、私募信贷平台和基础设施基金可以通过发起费、管理费、利差和长期合同获得收入。它们理论上能在建设扩张中赚钱，而不承担全部设备股权风险。

但“轻资产”不能等同于无风险。管理人可能保留贷款、提供担保、依赖融资活动和资产价格；违约会影响募集、声誉和费用。投资者要看公司究竟赚取经常管理费，还是通过资产升值和高杠杆获得利润。

供应商同样可能提前收到预付款和不可取消订单，把利用率风险留给客户。这样的收入质量高于为客户提供长账期或投资后才获得的订单。合同结构决定供应链利润是否真的转移风险。

一次融资冲击怎样沿产业链传播

可以用一个简单序列理解下行：

模型公司融资不及预期 → 延迟或缩减算力合同 → 新云利用率下降、收入转化推迟 → GPU 抵押债务利差走阔 → 新云减少下一批 GPU 和数据中心订单 → 芯片、网络、液冷、电气设备和施工订单放缓 → 云厂商重新评估资本开支 → 供应链估值先于收入下调

这条链不会每次完整发生。强劲终端应用收入可以在任何一处切断传导；不可取消合同也能把损失留给某一层。但它说明信用指标为什么可能是 AI 周期的领先信号。

先做现金流压力测试，再相信巨额合同

建议固定检查：

1. 超大云是否下调、延迟或重新分类资本开支；
2. AI 增量收入能否覆盖新增折旧、利息和维护；
3. 新云已投运利用率、租金、客户集中和合同转化；
4. GPU 抵押融资的信用利差、评级和贷款价值比；
5. 私营模型公司是否降价融资、增加特殊条款或推迟上市；
6. 供应商对客户的投资是否快于客户外部现金收入；
7. 应收账款、预付款和现金回款是否支持账面收入。

多头确认不是再签一份巨额合同，而是外部现金付费需求持续增长，资本开支后的自由现金流改善，旧设备仍有经济用途，债务期限与合同匹配。

最强反证是资本开支下调、利用率下降、GPU 租金下跌、信用利差走阔和折旧政策变化同时出现。那时，AI 供应链可能比普通半导体周期更快收缩，因为股权、债务和设备订单已经被同一需求连接。

判断资本风险，需要回答一个具体问题：

当收入比计划晚来两年时，谁有现金等，谁必须再融资，谁会被迫低价出售资产？

图表与关键证据来源