文章核心观点 - AI融资担忧的核心在于商业收入能否覆盖债务、利息与折旧的扩张，收入持续增长是维系投资融资循环的关键 [2] - 收入降速不等于需求见顶，技术与应用的突破可能重新带来增量 [2] - 当前市场对股票估值的担忧明显高于对AI产业技术发展前景本身的担忧 [37] 一、AI融资担忧再起，高杠杆云厂商信用重估 - 美国AI融资风险近期再次成为市场关注焦点，类似担忧曾在去年10月至今年1月持续出现，当时市场主要质疑AI企业之间的循环融资、巨额资本开支以及未来回报能否覆盖投入 [6] - 今年2—3月Coding能力明显提升、Agent应用快速扩张，市场看到AI可能带来更大收入后融资风险担忧逐渐下降，但近期随着新应用亮点减少、融资规模继续上升，信用和资本回报问题又重新浮现 [6] - CoreWeave股价过去一个月下跌超过30%，当年4月发行的债券收益率升至约15%，价格跌至面值的79.15% [6] - CoreWeave五年期CDS利差超过1000个基点，市场定价隐含的五年累计违约概率已超过60% [6] - 甲骨文五年期CDS利差升至288个基点，标普信用评级已于7月下调至BBB-，仅高于非投资级一档 [6] - 市场正在根据现金流和资产负债表质量对云计算企业重新进行信用分层，去杠杆可能引发跨市场流动性紧张 [6] - 五大美国云厂商今年迄今为止资本开支已超过8000亿美元 [9] - 截至10月28日，今年全球云计算巨头和数据中心开发商发行了近3680亿美元债券，是去年同期的六倍多，已达美国当前赤字净融资需求的八分之一以上 [9] - 2025年至2026年8月期间发行的AI投资级债券加权平均期限为16—17年，而投资级企业债市场平均期限是10年，对美国国债需求形成明显挤出，成为推动美债实际利率上升的重要力量 [12] - 今年以来与表外载体相关的债券和资产支持证券发行规模已达750亿—1000亿美元 [12] - 截至2026年年中，主要Hyperscaler的数据中心租赁承诺总额达到1.2万亿美元，其中约8200亿美元对应尚未起租的租约 [12] - AI产业已形成非常庞大的跨市场融资体系 [12] 二、高杠杆新型云厂商与AI数据中心开发商的融资模式 - 当前AI产业中对利率和信用条件最敏感的主要是高杠杆新型云厂商和AI数据中心开发商，这些企业大量依靠债务和资产抵押进行融资 [15] - 抵押资产不仅包括已建成的数据中心、购买的GPU，还包括从模型厂商和下游客户获得的长期计算服务订单 [15] - 企业依靠未来订单取得融资，再用融资购买GPU、建设机房和电力设施，形成持续扩张 [15] - 这一融资模式与过去房地产开发存在一定相似性，AI数据中心开发商利用土地、机房、GPU和长期算力订单获得融资 [15] - AI项目还需配套建设电厂、电网、冷却系统、建筑和各种设备，部分项目开发环节具有较强的固定资产融资特征 [15] - 但AI不能简单类比房地产，房地产长期需求主要取决于人口、家庭形成和城市化率等变化较慢的变量，而AI模型训练与推理能力存在快速提升甚至跨越式突破的可能 [16] - AI的"分子"不是稳定、线性变化的变量，可能在一段时间停滞后突然实现跃升 [16] - 融资风险的判断不能只看债务规模和融资成本，还需观察模型能力和商业收入能否在较短时间内实现新的突破 [16] 三、AI收入的"飞轮"特征 - 当前AI融资体系已具有明显的飞轮特征：更大规模的模型训练和数据中心建设需要更多融资，融资需求提高又推动长期利率和企业融资成本上升，企业必须取得更快收入增长才能覆盖成本 [17] - 要获得更高收入需要推出更强模型、扩大推理需求和应用范围，而前沿模型能力持续提升又通常需要增加训练投入 [19] - 由于训练端直接盈利能力弱于推理端，更多训练投入往往意味着进一步增加融资需求，使投资规模、利息支出和模型研发相互推动 [19] - 融资需求越大、资金成本越高，对收入增速的要求也越高，整个体系越来越需要依靠模型能力和商业收入持续突破维持运转 [19] - 英伟达、芯片企业和云厂商向模型公司投资，模型公司随后又将部分融资用于购买这些企业提供的芯片和计算服务，一笔资金可能在产业链不同企业之间反复流转并分别形成投资、收入和订单 [19] - 云厂商利用订单进行抵押融资，扩大GPU采购和数据中心建设，进一步放大信用创造 [19] - 英伟达还开始通过信用担保等方式帮助部分新型云厂商获得融资，成为"算力央行"，相当于把自身较强的信用能力向下游算力企业延伸 [19] - 新云企业获得融资后继续购买英伟达GPU，英伟达获得更多销售收入但同时也承担部分下游信用风险 [19] - 正向扩张阶段循环融资和信用担保可以提高投资速度，但如果最终需求低于预期、订单被削减，信用收缩也可能沿着产业链逐层放大 [20] - 在高杠杆、高周转环境下，正向时信用是加速器，反向时去杠杆同样可能成为放大器 [20] - 杠杆本身具有中性特征，关键在于融资资金是否真正提高生产效率和商业收入 [20] - 判断融资是否合理，最重要的始终是借来的钱能否形成足够高的未来回报 [20] 四、头部科技公司信用状况与利率影响 - 微软、苹果等企业债券5年期CDS价格约40—60基点，谷歌、亚马逊约70—90基点，Meta、英伟达约100—120基点，明显低于高杠杆新型云厂商CoreWeave等 [23] - 随着融资需求不断扩大，国债基准利率上升也会提高企业的绝对融资成本 [23] - Meta近期CDS上升与其提出约8250亿美元的长期资本开支承诺有关 [23] 五、产业链传导与"牛鞭效应" - AI模型公司收入增长如果低于预期，云厂商首先会受到影响，模型厂商减少新增订单、调整计算资源使用计划后，云厂商产能利用率下降，已有GPU和数据中心面临闲置压力，资本开支也可能被迫压缩 [24] - 云厂商减少GPU采购后，上游芯片、服务器、光模块和电力设备订单也会受到影响，再向上游传导则可能影响半导体设备、材料和关键零部件厂商 [24] - 这一过程具有典型的"牛鞭效应"：下游需求下降一部分，上游为防止库存积累可能减少更多采购，此前根据高增长预期扩张产能的企业还要承担新增固定资产和库存成本，上游利润和估值受到的压力甚至可能超过下游 [24] 六、AI基础设施的成本与折旧压力 - AI基础设施至少需要覆盖折旧、利息以及电力、人力和其他运营成本 [25] - 建筑折旧年限可能达到20年，但GPU、服务器等设备更新较快，未来折旧压力会持续累积 [25] - 中国数据中心建设较快，乌兰察布等地采用预制钢结构，部分项目约6个月就可以完成建设 [25] - 美国数据中心建设普遍需要一年多到两年，还受到土地审批、施工劳动力、电网接入以及部分地方要求数据中心自建电源等因素影响 [25] - 建设时间越长，融资成本和项目投产时间错配的问题越突出，随着融资规模持续扩大、国债利率和部分企业信用利差上升，利息成本还会逐年累积 [25] - 即使电力和日常运营成本相对稳定，折旧与利息也足以对未来几年AI产业利润形成越来越大的要求，AI赚钱的速度必须跟上融资和折旧增长的速度 [25] 七、硬件估值与软件应用落地 - 硬件产业的估值支撑最终需要软件和应用落地 [26] - GPU、HBM、光模块等硬件价格上涨既具有周期性，也可能反过来提高模型训练和Token使用成本 [26] - 如果硬件价格持续上升、模型调用成本过高，应用扩张会受到抑制；应用使用量不足又会导致云厂商数据中心利用率下降和后续采购订单减少 [26] - 当前市场对部分硬件公司即使继续交出超预期财报也没有过去那么积极，真正需要的是模型公司、软件公司和AI应用拿出更强的收入增长证明 [26] - 硬件产业能否维持之前定价的盈利增长，最终仍然取决于下游商业化能否持续扩张 [26] 八、OpenAI与Anthropic的近况 - OpenAI在9月底披露的年化经常性收入约500亿美元，低于此前市场普遍预期的约700亿美元 [27] - 500亿与700亿之间存在统计口径差异，主要取决于是否计入云厂商和投资合作方渠道产生、需要分成的收入，采用更广口径OpenAI年底ARR仍存在接近700亿美元的可能 [27] - GPT-6、Astra等模型能力提升加上产品降价，OpenAI部分周度Token使用量重新超过竞争对手，说明其收入和使用需求仍在扩张 [27] - Anthropic三季度收入约168亿美元，环比增长45%，绝对规模仍在扩大，但较二季度三位数的环比增速明显放缓 [28] - Anthropic三季度增长主要集中在7月，8—9月的月度增速可能已放缓至个位数，而此前2—5月公司对外展示的ARR月度复合环比增速超过30% [28] - 二季度Coding能力突破后大型科技和软件客户集中采购模型服务、签订较大订单形成高基数，三季度新增大单减少，竞争对手产品进步和降价又迫使模型厂商降低调用价格，使收入增速难以维持此前水平 [29] - Anthropic收入放缓还与其反蒸馏和安全叙事联系在一起，反蒸馏措施可能减少部分模型调用量 [31] - Anthropic已于10月26日向SEC提交S-1文件，截至6月底现金及现金等价物与短期投资合计约1317亿美元，上半年经营现金流已转正，扣除固定资产购置支出后的自由现金流约34亿美元 [32] - 据媒体对公司投资者会的报道，Anthropic三季度自由现金流也保持为正，一定程度上缓解了市场对其短期资金状况的担忧，招股书披露后AI相关股票出现反弹 [32] - 现金流改善尚不能证明长期盈利模式已经稳固，未来算力投入仍将带来较大的资金需求 [32] - 市场对Anthropic潜在估值区间为1.5万亿—2万亿美元，部分投资者预计公司年底年化收入可能达到1000亿美元 [33] - 若以年底900亿—1000亿美元年化收入作为测算情景，2万亿美元估值对应约20—22倍年化收入，1.5万亿美元则对应约15—17倍 [33] - 估值能否获得支撑既取决于年底收入规模能否兑现，也取决于2027年能否维持较快增长 [33] 九、大模型用户使用与商业化趋势 - 当前模型使用量仍在增加，但人均支出增速已有所放缓 [34] - 普通用户每月支出达到一定水平后追加Token消费的意愿有限，企业也逐渐从鼓励多用Token的"Token Maximization"转向考核投资回报率 [34] - 员工根据任务难度选择模型，简单工作使用低成本开源模型，复杂任务再调用前沿闭源模型，多数日常工作中模型能力差异未必足以抵偿价格差距，能力提升并不必然带来前沿模型收入的同步扩张 [34] - 收入增长放缓不意味着AI应用需求接近终点，Coding、AI for Science和AI短剧等场景仍有较大的Token需求 [34] - 以中国AI短剧为例，小团队借助生成式AI即可快速完成编剧、导演和制作，每月产出数十部作品，单部爆款的收入可能覆盖多部作品的成本 [34] - AI仍可通过提高生产效率拓展商业化空间，但具体收入仍需以实际经营数据确认 [34] 十、美股三季报与云厂商表现 - 云厂商需要向市场证明资本开支仍然具有合理回报，尤其是云业务毛利率、数据中心产能利用率、已签订单兑现和未来资本开支纪律 [35] - 谷歌第三季度云业务收入同比增长103%，达到307亿美元，但强劲的云增长未能抵消广告业务不及预期与现金流恶化的影响 [35] - 谷歌当季自由现金流约为-91亿美元，且预计2027年资本开支仍将显著增加，股价盘后一度下跌约10% [35] - 市场担忧的不只是投入规模，还包括AI搜索对传统广告变现的影响，即用户使用量增长能否同步转化为更高收入与现金回报 [35] - 微软Azure同期收入同比增长48%，自由现金流达到186亿美元，明显高于预期，并预计下一季度Azure收入按固定汇率增长49%—50%，股价盘后上涨逾3% [35] - 两家公司都实现了较快的云增长，但微软提供了更有力的现金回报与后续增长证据 [35] - 即使GPU、光模块等硬件企业财报继续超预期，若软件和应用端缺乏新的商业化进展，仍难以单独支撑产业链此前较高的估值 [36] - 市场需要看到订单持续兑现、盈利能力改善，以及扣除大规模投入后仍能形成的现金回报 [36] 十一、避险资产与宏观事件 - 美国长期国债收益率重新回落至5%以下，而黄金没有同步出现明显上涨，说明投资者当前可能更担忧AI相关股票估值和融资条件，尚未全面转向对AI产业长期前景的否定 [37] - 美国国债可以直接受益于风险资产回调和资本开支预期降温，黄金则同时受到高油价、通胀与加息预期等因素约束 [37] - AI产业需求真正转弱时，实际利率回落和美元信用叙事可能进一步支持黄金，但目前市场更多是在调整此前过高、过快上涨的科技股估值 [37] - 11月3日美国中期选举是重要时间节点，选举结束后美伊冲突可能出现不同路径，霍尔木兹和曼德海峡局势存在进一步缓和的空间，但美国也可能在政治约束减弱后采取新的军事行动，短期重新推高油价和地缘风险 [38] - 10月美联储继续加息更多是一种"纠偏"举措，市场把更多注意力转向12月议息会议 [38] - 接下来美国市场需要同时消化科技企业三季报、AI融资信用变化、中期选举以及中东局势 [38]