九牛网专访中欧-毕盛金融市场研究中心：万亿AI基建会否引爆金融危机

记者吴斌上海报道

当全世界都在追逐AI的星辰大海时，支撑这场智能革命的钢筋水泥，正被悄然移出科技巨头的资产负债表，变成一张张难以穿透的金融蛛网。

中欧-毕盛金融市场研究中心高级研究员、哥伦比亚大学商学院教授斯蒂恩·范·尼乌韦伯格（Stijn van Nieuwerburgh）近日发布研究报告《AI基建融资》（Financing the AI Buildout），从规模、融资架构和风险分布三个维度，对当前AI基础设施投资热潮进行了系统性分析。中心主任王任轩近日在接受21世纪经济报道记者专访时介绍了这项研究的核心发现：AI基础设施投资正经历一场规模罕见的融资结构变革。科技巨头为维护估值灵活性和信用评级，越来越多地通过SPV（特殊目的实体）、短租约和剩余价值担保（RVG）等工具，将数据中心相关负债配置于表外。研究同时识别出若干值得关注的潜在风险：融资结构的杠杆累积与透明度下降、技术快速迭代带来的资产价值不确定性，以及供应链集中度和租户集中度风险。

(中欧-毕盛金融市场研究中心主任王任轩，受访者供图)

研究报告的一个核心观察是，数据中心房地产投资信托基金的市场Beta值已在过去几年内从约0.5上升至近1.0，意味着市场正以高成长、高风险的逻辑为其定价，但数据中心既不完全符合传统基础设施资产的特征，也不同于纯粹的成长型资产。王任轩指出，养老金、主权基金等机构投资者在评估数据中心资产时，可能需要重新审视传统地产或基建模型的适用性，充分考虑技术迭代、电力瓶颈和结构化产品杠杆等因素带来的不确定性。

在这场万亿美元级的AI基建竞赛中，中国虽面临芯片供应链和融资工具不足的短板，但拥有国家级电力统筹和特高压输电的先天优势；美国虽金融创新活跃，但电网老旧、并网长达四年，物理瓶颈已率先成为制约因素。

展望未来，研究报告指出，与铁路、互联网等历史基建浪潮相比，本轮AI投资规模更大、折旧更快、融资结构也更为复杂。范·尼乌韦伯格认为，目前断言该行业已构成系统性风险为时尚早，但历史经验表明，大规模、高杠杆的基础设施扩张往往在需求不及预期或融资条件收紧时引发金融压力，这一潜在机制值得持续关注。王任轩结合市场背景进一步指出，如果AI下游应用进展不及预期，更可能的结果是行业内的局部洗牌和财富重分配，而非波及银行体系的系统性金融危机，核心原因在于此轮主要风险承担者是私募信贷、养老金等长期资本，而非短期储户资金。

轻资产架构：科技巨头从自建转向表外融资

AI基础设施资本投入巨大，迫使科技巨头从自建转向租赁。范·尼乌韦伯格的研究测算，建一个200兆瓦的AI数据中心需要花费82亿美元，其中约三分之二是GPU等IT设备成本，三分之一是数据中心建筑和电力基础设施。美国未来数年计划新增约200吉瓦数据中心容量。

王任轩介绍道，研究报告记录了科技巨头资本支出的快速上升：五大超大规模云服务商（hyperscalers）的合计资本支出从2020年的约900亿美元飙升至2026年预计的约6550亿美元，资本支出占经营现金流的比例也大幅提高，AI基建正在消耗其大量的内生现金流。

在这一背景下，超大规模云服务商面临一个两难困境：如果通过大规模债务等表内融资方式填补资金缺口，数千亿美元的重资产进入资产负债表后，投资回报率（ROIC）将大幅下降，市场可能将其估值逻辑从“轻资产、高增长”科技公司重新定价为“重资产、低回报”基础设施公司，导致估值倍数压缩；评级机构也可能随之下调信用评级，抬高融资成本。因此，将基建债务配置于表外、保留资产负债表灵活性，成为科技巨头的优先选择。范·尼乌韦伯格的研究以Meta的Hyperion项目为案例进行了具体分析。

例如，Meta要建一个规模约2吉瓦、价值约300亿美元的超大型数据中心（Hyperion项目），并于2025年10月将项目80%的股权以约25亿美元出售给私募信贷机构Blue Owl，双方成立合资公司Beignet。

Beignet随后发行了约273亿美元的投资级债券（标普评级A+），是美国历史上单只规模最大的投资级公司债，债券利率为6.58%，比Meta直接发行无担保公司债利率约高出120个基点，合计多支付逾57亿美元利息。该项目的债务杠杆率约为90%（273亿美元 / 304亿美元），远高于Meta本身资产负债表上约25%（账面价值口径）或约4%（市值口径）的杠杆水平。

Meta与Beignet签订了五个连续的4年短期租约（2029—2049年），租约期限与IT硬件更新周期匹配，同时附加剩余价值担保（RVG）——若Meta选择不续约，须补偿资产出售价值与担保最低价值之间的差额，以保障债券持有人的本金安全。范·尼乌韦伯格的研究指出，由于GAAP会计准则的特殊安排，Meta无需将未来租赁义务或RVG的或有负债计入资产负债表，形成一种监管套利。穆迪的数据显示，超大规模云服务商合计约有9700亿美元的租赁承诺，其中约6600亿美元尚未在资产负债表中体现。

多空并存：如何看待数据中心投资前景

在呈现潜在风险之前，王任轩介绍了研究中梳理的看多论据——这构成了客观评估这一资产类别的重要背景。

从需求侧看，现代经济已高度依赖数据，数据中心是关键基础设施；AI的生产力提升潜力巨大，应用场景仍在不断扩展；新数据中心的建设周期较长，供给受约束，这支撑了现有运营商的定价权。事实上，北美数据中心空置率目前处于历史最低水平，租金增速处于历史最高水平。

从金融结构看，范·尼乌韦伯格的研究也指出了这一融资架构的积极意义：大规模投资的风险分散于更广泛的资本提供方——养老金、保险公司、私募信贷基金等长期资本，这些机构使用的是长期锁定资金，没有短期储户挤兑的压力，从跨周期角度看具备一定的抗风险能力。此外，AI和数据中心类的股票及债券投资，在一定程度上也为投资者提供了对冲AI所带来的劳动力市场和行业替代风险的工具。

王任轩还介绍了研究中五类值得关注的潜在风险。一是超大规模云服务商面临的资本成本上升风险。若AI营收增速不及预期，超大规模云服务商的资本支出与经营现金流之比将持续扩大。一旦表外租赁义务逐步“显性化”并进入资产负债表，将推高杠杆率，进而带来信用评级下调和估值倍数压缩的双重压力，反过来提高数据中心的租赁成本。这一风险的关键变量是AI收入能否在IT设备约五年的经济寿命内快速兑现——目前很多AI服务仍以免费或补贴形式提供，商业化定价模式尚未得到充分验证。

二是大量租赁承诺并未体现在科技巨头的资产负债表上。其融资结构与2008年金融危机前的“发起-分销”模式存在一定相似性：数据中心经由CMBS（商业抵押贷款支持证券）或ABS（资产支持证券）等结构化产品流向养老金、保险公司和公募基金，最终投资者可能难以全面评估底层资产的实际杠杆率和风险特征。学术研究（Gete and Mercader, 2026）已发现数据中心抵押贷款领域存在“发起-分销”模式的早期迹象。

此外，数据中心的建设和运营面临显著的物理层面约束，包括：电网接入审批周期漫长（美国平均并网等待时间约四年）、IT基础设施供应链（芯片、存储、光刻机等）存在瓶颈，以及对电力和水资源的高度依赖带来的运营成本不确定性。这些约束可能导致项目延期或成本超支，影响已融资项目的回报预期。

技术过时风险也需要警惕。与铁路或高速公路等寿命长达数十年的传统基建不同， AI数据中心中核心IT设备（GPU等）的经济寿命约为五年，折旧速度远快于传统基建资产。更大的不确定性来自潜在的颠覆性技术转变：量子计算、边缘计算、AI推理专用芯片效率的大幅提升，以及算法效率改进（如需要的训练算力下降）等，都可能使现有大型集中式训练数据中心的利用率和价值大幅下降。数据中心往往为特定用途定制建造，再部署能力有限，使得技术迭代风险更难规避。

最后，数据中心系统性风险上升。范·尼乌韦伯格的研究通过实证发现，数据中心REIT的市场Beta值近年来从约0.5升至约1.0，意味着这类资产与整体股市的联动性显著增强，不再表现为传统的防御性基础设施资产特征。AI生态系统还呈现出较强的内循环特征：英伟达参与众多战略合作，OpenAI向甲骨文做出大额算力承诺，甲骨文又大量采购英伟达芯片，AI初创公司实际上借助超大规模云服务商的信用评级获得融资。这种紧密绑定意味着AI应用端的风险可能在整个生态链中快速传导。

王任轩补充指出，机构投资者在评估数据中心相关资产时，应将技术过时风险和租户违约风险以更高的风险溢价纳入估值模型，并建立针对IT设备快速折旧的专项估值框架。

一个突出的定价悖论备受关注：数据中心究竟是基础设施类资产还是成长型资产？范·尼乌韦伯格的研究指出，数据中心REIT的Beta值已从约0.5升至约1.0，表明市场正以成长型科技资产的逻辑为其定价，但数据中心在本质上是一种能产生现金流的基础设施类房地产，只是由于租约期限缩短（从15年缩短至4年左右），现金流的期限变短、波动性增大，使得传统基础设施估值模型已不完全适用。与此同时，它也不同于成长型资产——成长型资产通常对应未来预期现金流而当期不产生稳定回报，而数据中心已能产生租金收入。

王任轩指出，目前市场尚未形成对数据中心准确定价的一致认知，这既意味着潜在的错误定价风险，也可能为具备专业估值能力的机构投资者提供机会。机构投资者应将技术迭代风险和需求结构转变（如从训练转向推理）纳入估值模型，而非简单套用商业地产的低收益率基准。

历史镜鉴：AI基建与过往基建浪潮的比较

与19世纪的铁路、20世纪初的电气化以及20世纪90年代的互联网光纤相比，范·尼乌韦伯格指出，本轮AI基础设施投资热潮在三个维度上呈现出新特征。

规模更大。2025-2032年年均投资预计约占美国GDP的2.8%，超过了铁路时代（2.4%）和互联网时代（0.8%）的历史峰值。

折旧更快、稳定性不同。铁路、电网、光纤能使用几十年乃至百年，而AI数据中心中约70%的成本是GPU和IT设备，这些硬件经济寿命约为五年，折旧速度远快于传统基建，且对稳定电力供应的极端依赖也是前所未有的。

融资结构更复杂。无论是修建铁路还是铺设互联网光缆，融资主要是相关企业的表内举债，风险相对透明。而本轮AI巨头通过复杂的表外工具和资产证券化，将融资风险分散至更广泛的资本市场，结构更为复杂，透明度也更低。

范·尼乌韦伯格指出，基于现有证据，现在得出该行业已构成系统性风险的结论为时尚早。但历史经验同样表明，高杠杆的大规模基础设施扩张，往往在需求或融资条件转变时引发金融压力；AI生态系统的内循环特征和结构化融资的复杂性，可能在不利情景下放大损失的传导效应。

展望未来，王任轩对记者道，如果AI应用端的商业化进展不及预期，引发2008年金融危机级别的系统性金融危机的可能性较低——核心原因在于，本轮主要风险承担者是私募信贷、养老金和保险公司，这些机构使用长期锁定资本，不存在短期储户挤兑的风险；而微软、谷歌、Meta等科技巨头本身自由现金流充沛，具备较强的抗压能力。但行业层面的局部洗牌与财富重分配几乎难以完全避免：信用链条中最脆弱的AI初创公司和新兴云服务商将面临较大压力，持有结构化债券和私募信贷的养老金和基金也可能承受资产减值。

金鼎配资提示：文章来自网络，不代表本站观点。