社区

作者简介 | 吴家琦，香港国际新经济研究院集团高级合伙人，首席经济学家。斯隆学者, 师从于诺贝尔经济学奖得主 A. Michael Spence，并在其门下获得意大利SDA博科尼管理学院经济学年度最佳论文，论文呈送世界银行高管作为决策内参阅读; 在Andrew Scott教授和Elias Papaioannou教授的指导下获得伦敦商学院斯隆经济学最佳论文，以及危机经济学满分论文；伦敦商学院资产管理和权益投资管理全校第一；在情绪金融学之父Richard Taffler 教授的指导下获得华威商学院情绪金融与投资者心理学论文与学位论文最优评级。

一项技术可以改变经济，也可以让为它出资的人蒙受巨额损失。互联网投资热潮留下的这条教训，同样适用于今天的AI。技术最终能够提高多少生产率，投资者能够获得多少回报，金融体系能够承受多大损失，是三个需要分别回答的问题。把它们连接起来的，是现金流形成的时间、收益的归属，以及风险在金融机构之间的传递。AI前景的叙事越宏大，就越有必要想办法以大道至简的方式去看清这些具体条件。

上世纪末的电信建设曾给投资者一个极具吸引力的承诺。在淘金热中，只要向淘金者出售铲子，便可以分享繁荣而避开寻找金矿的风险。光纤网络、通信设备和带宽供应商，看起来正是互联网时代的“卖铲人”。然而，它们的客户往往依赖相同的增长预期和融资环境。当客户扩张受阻、资金来源收紧，供应链上的订单也会一起萎缩。世界通信和环球电讯的破产说明，建设关键基础设施的企业同样会受制于过度投资、沉重负债和客户支付能力。

基础设施的长期价值，可以与早期投资者的亏损同时存在。铁路、电网和互联网骨干网都曾为后来者创造机会，而接手资产的企业可能以远低于原始建设成本的价格进入市场。威廉·詹韦的分析由此区分两个维度：投机资金形成了什么生产能力，以及相关风险落在金融体系的什么位置。“生产性泡沫”可以留下有用资产，原投资者却未必从中获利。后来者的成功，可以证明技术具有价值，却不能倒推每一项早期投资的成本、估值和融资安排都是合理的。

所需收入的规模确实惊人，但数字必须放回原来的模型去分析。波士顿咨询公司估算，到2030年，全球除中国以外的AI终端市场，每年约需2.6万亿美元支出，才能在其假设下覆盖运营、折旧等成本，并提供模型设定的投资回报。这是成本覆盖测算，不能直接当作届时必然实现的收入。报告同时认为，这一规模具有可实现性，并强调大型云厂商经营现金流对建设的支持。对AI投资的批评，必须正面检验这种乐观解释，而不能只用“大到难以想象”代替分析。

在BCG的付款方分配中，企业客户承担最大部分，其余来自消费者、云厂商内部使用和新兴技术。能否形成这样的支出，取决于采用速度、设备利用率、服务定价与成本变化。外部客户付费与内部使用创造的经济收益，需要共同支撑这些投资安排。如果需求或利润率低于预期，拥有可观收入的公司也可能无法赚回投入；经营收入能否转化为可供出资者取得回报的现金，还取决于回款进度、经营成本和持续投入。

要让这些支出成为现实，AI商业化的速度格外重要。一套技术在演示中表现出色，到企业愿意长期付费之间，还隔着可靠性、工作流程、员工培训、配套软件和责任安排。采用者需要确认，使用AI带来的收益足以覆盖接入、监督、纠错与组织调整的成本。即使这些条件逐渐具备，竞争也可能把大部分收益通过降价交给客户。社会生产率提高，并不意味着模型公司、云服务商和设备供应商都能保持高利润。

融资合同则有自己的时间表。企业可以继续试验应用，债务利息、租赁付款和其他合同义务仍须履行。判断一项建设能否持续，不能只看收入增长，还要看经营支出、设备更新和必要投资之后，剩余现金是否足以覆盖到期付款。持续融资可以为探索争取时间，但如果偿付安排依赖投资者不断接受更乐观的预期，商业化的一次延误就可能转化为财务压力。

等待本身还可能改变资产价值。数据中心的土地、电力连接、建筑与计算设备，具有不同的经济寿命。设备仍能运转，不等于它仍有足够竞争力。英格兰银行指出，芯片寿命存在不确定性，数据中心也可能因无法支持新一代设备而提前落后。这会同时影响未来收入和抵押品价值。将AI基础设施直接类比于长期使用的铁路或光纤，容易低估维持竞争力所需的追加投入。

AI服务的收入也不必主要来自裁员。企业可能为新增产出、更高质量、新产品或更低的技术成本付费，也可能把原有软件和服务预算转向AI。劳动替代当然值得警惕，但节省的工资不能直接等同于全社会收入的净减少。就业转换、商品降价、利润分配和新增需求都会影响结果。若岗位减少快于就业与收入的调整，家庭资产负债表和消费需求可能受到冲击。这是需要评估的传导机制，不能由AI支出总额直接推算。

终端需求能否独立成立，在融资与销售相互交织时尤其重要。2025年11月，Anthropic公布了向微软Azure采购300亿美元算力的承诺；同一合作中，英伟达和微软分别承诺向Anthropic投资最高100亿美元和50亿美元。这将投资方、供应商与采购方连接在同一组交易中。相关金额是已公布的承诺，尚不足以说明实际付款进度，或客户对后续注资的依赖程度。

这样的合作可以帮助客户获得计算能力，也能帮助供应商确定需求。它的薄弱处在于，客户的购买能力可能部分依赖供应商继续出资，而供应商又把这些采购计入自己的增长前景。当融资收缩，客户可能减少采购，供应商则同时面对订单下降和投资价值缩水。产业链各环节记录的营业收入，不能简单相加，充当彼此独立的最终需求。需要追问的是，如果关联出资停止，有多少客户仍有能力继续购买。

当前公开的合作金额能够说明这些关键关系存在，却不足以衡量这种依赖有多深。订单需要转化为实际交付，收入确认与现金回收并非同一回事，回款也未必足以覆盖全部成本。评估融资循环，应继续核对客户收入来源、采购承诺的约束程度，以及融资方对后续注资是否保留选择权。若这些环节被一个总金额掩盖，增长看起来可能比真实支付能力更稳固。

即使这套安排出现困难，企业损失也不会自动变成系统性金融危机。决定后果的，是谁最终承担损失，以及承担者自身如何融资。长期投资者如果主要使用自有资本，可以接受资产缩水而不必立即还债。依赖借款、抵押品或短期资金的机构，则可能在价格下跌时被迫出售资产、减少放贷。同样规模的损失，落在不同的资产负债表上，可能产生很不相同的后果。

因此，“债券融资”与“银行贷款”不能被当作安全和危险的简单分界。企业发行高收益债券，同样增加了债务；债券持有人是否使用杠杆、是否面临赎回、是否依靠银行授信，仍然需要继续追踪。Jordà、Schularick与Taylor的历史研究发现，信贷扩张伴随房地产泡沫时，经济衰退往往更严重、复苏更缓慢。这是一项历史关联证据，支持把杠杆和融资结构放在分析中心；它并不直接预测某次AI投资调整的后果。

AI融资的现实同时包含缓冲与风险。建设资金的主要来源，与新增融资的变化方向，需要分别考察。英格兰银行2026年7月的报告指出，相关企业使用债务融资的速度明显加快，但此前相对有限的债务存量仍有助于约束即时风险。Meta、Alphabet、亚马逊、微软和甲骨文这五家公司，在2025年末只占美元投资级债务存量的约3%，而截至2026年5月初，它们占2026年初以来新增发行的比例已超过15%。前者衡量存量，后者衡量流量，不能据此声称债务规模增长了五倍。两项指标共同提示，新的融资需求正在改变市场构成。

大型科技公司的现金流和资本实力可以提供缓冲，产业链其他环节却未必具备同样条件。私人信贷尤其需要沿着资金关系进一步审视。银行向非银行贷款机构提供融资后，即使没有直接向AI项目放贷，也可能间接承受其风险。若项目收入落空、抵押品贬值，债权人收紧条款或要求还款，压力便可能传向其他借款人。英格兰银行已经把这种间接敞口列为需要关注的渠道。

风险大小还要结合融资条款判断。承诺期限较长、资本缓冲充足的机构，可能有时间重组项目、消化损失；需要迅速补足抵押品或应对资金撤回的机构，则更容易采取同步收缩的行动。因此，发现银行与私人信贷之间存在联系，只是分析的起点。敞口相对资本有多大、资金何时到期、谁能够要求提前偿付，才决定这种联系会在压力下产生多大影响。

股票市场集中度问题则涉及另一种放大作用。当少数科技公司的盈利预期主导指数表现，集中下跌可能通过家庭财富、企业投资和供应商订单影响实体经济。但市值损失能否进一步破坏信贷供给，还取决于杠杆、融资期限、资本缓冲和关联敞口。仅凭科技股权重更高、名义债务金额更大，就断言下一场危机必然超过2008年，跨过了尚未得到证明的因果环节。

投资浪潮也存在逐步调整的可能。项目取消、估值下降和建设放缓，都可以减少企业对新鲜现金的渴求，为实际需求追赶产能留出时间。前提是债务与合同款项仍能按时支付，损失能够由有能力承担的投资者吸收。较危险的情形，是现金流不及预期、再融资收紧与抵押品贬值同时发生。借款人被迫出售资产和削减支出，又进一步恶化债权人的回收前景。融资退潮由此既反映经营困难，也可能加深经营困难。

政策准备应围绕这些能够查证的关系展开。投资承诺与客户采购的联系、基础设施债务背后的担保、最终风险承担者，都需要更清楚的披露。压力测试应同时考虑采用延迟、利润率下降、资产寿命缩短和再融资受限，并检验损失是否会压缩其他部门的信贷。英国筹备2027年G20主席国议程时，已把AI对增长与就业的影响纳入讨论；金融结构的承受能力也应成为其中的一部分。

AI可能带来持久的经济收益，也可能使一部分出资者无法履行自己的债务。两种结果可以同时发生。对这轮投资浪潮最有意义的判断，是看尚未确定的技术回报，是否配上了能够承担相应风险的资本，以及融资体系能否承受等待、失败与调整。技术潜力为投资提供了理由，但是全市场的融资结构却必须为试错、等待和失败留出空间。