ARTICLE · 1089164
AI算力开始抵押借钱:当芯片变成“新房地产”,真正的风险是什么?
AI算力开始抵押借钱:当芯片变成“新房地产”,真正的风险是什么?
过去两年，AI行业最常见的融资故事，是一家模型公司拿到新一轮投资，估值随之跃升。现在，故事正在发生变化。 进入AI基础设施的钱，不再只来自风险投资和科技巨头的现金流。银行、债券基金、私人信贷和结构化融资机构也开始入场。GPU、TPU、数据中心，甚至尚未兑现的客户合同，都被装进一个个融资结构里，成为可以评估、抵押和借款的资产。 一笔与Blackstone、Alphabet相关的AI基础设施融资，规模达到220亿美元，贷款将用于购买Google的TPU，并由芯片价值及客户合同提供支撑。Lambda在8月完成9.26亿美元高级担保贷款，抵押物同样包括GPU服务器、配套基础设施及其产生的现金流。 这意味着，AI已经不只是一场技术竞赛，也不只是一场股权投资热潮。它正在变成一场规模庞大的信用扩张。 芯片，开始有点像这个时代的新房地产。 但它比房地产更新得更快，也可能贬值得更快。 一、AI的钱，为什么开始从“融资”走向“举债”？ 训练和运行大模型，需要的不是一笔轻资产的软件开发费用，而是一整套重资产系统：芯片、服务器、机柜、网络、电力、冷却设施和数据中心。 这些投入有一个共同特点：钱必须先花，收入却要在未来几年慢慢回来。 如果只依靠股权融资，原有股东会被不断稀释，资本成本也很高。只要企业能够拿出一份多年期客户合同，并证明相关算力已经有人购买，债务融资就会变得可行。 于是，一套新的逻辑形成了： 客户承诺购买算力，算力公司据此购买芯片；金融机构把芯片、合同和未来现金流放进一个特殊目的载体，再向项目提供贷款；项目产生的收入，则被优先用于还本付息。 从金融结构看，这与商业地产并不陌生。 写字楼可以凭借租约融资，收费公路可以凭借未来通行费融资，光伏电站可以凭借长期购电协议融资。现在，GPU集群也开始凭借算力合同融资。 Lambda甚至直接把AI基础设施称为一种可以与其他“有合同、能产生收入的资产”并列的新投资类别。 这不是一句宣传口号，而是AI产业发展阶段变化的标志：当一个行业开始大规模使用债务，它所出售的就不再只是增长想象，还必须出售现金流的可预测性。 
二、芯片为什么能够成为抵押物？ 一块高端芯片当然不是土地。它之所以能够支撑贷款，并不只是因为购买价格高，而是因为它能持续出租算力。 金融机构真正关心的，通常不是“这批GPU当初花了多少钱”，而是三个问题：谁会使用它、使用多久、产生的收入能否覆盖债务。 如果客户是信用良好的大型科技公司，合同期限足够长，并且采用“不用也要付费”的承诺采购模式，那么未来收入就更容易被测算。芯片、机房和合同结合起来，便形成了可以融资的资产包。 CoreWeave披露，其承诺型合同在2026年第二季度贡献了98%的收入。一些融资还通过独立的特殊目的公司持有计算设备和客户合同，把项目风险与母公司其他业务尽量隔离。 这套结构看起来很稳：前面有芯片，后面有合同，中间有持续扩张的AI需求。 问题恰恰出在“看起来很稳”。 
三、它像房地产，却比房地产更脆弱 房地产的核心优势，不只是能够出租，还在于土地具有稀缺性，建筑的经济寿命通常足够长。即使租户更换，物业本身仍可能继续使用。 芯片则完全不同。 它在物理上也许还能运行很多年，但金融机构关心的不是它能不能亮机，而是它到时还能不能以足够高的价格出租。 新一代芯片一旦在性能、能耗和软件生态上形成明显优势，旧芯片不需要损坏，也可能迅速失去经济竞争力。客户不会因为一台服务器还能工作，就继续为它支付原来的价格。 这使算力资产面临一种特殊折旧：物理寿命尚未结束，经济寿命可能已经缩短。 英国央行在金融稳定报告中也提醒，AI基础设施越来越依赖信用市场；如果设施的经济寿命缩短，抵押物价值以及可用于偿债的现金流都可能下降。信用评级机构KBRA列出的关键风险，同样包括硬件竞争力、更新需求、再出租能力、剩余价值和客户集中度。 所以，芯片抵押融资最关键的问题不是“GPU值多少钱”，而是“几年后还有谁愿意以什么价格租用它”。 
四、真正的风险，藏在四个错配里 1. 技术迭代与还款周期的错配 贷款往往要用数年偿还，而芯片的竞争力可能在更短时间内被新产品重新定价。 只要新一代芯片的单位算力成本、能耗或推理效率显著改善，旧设备的租金就可能下降。借款人仍按原计划还债，抵押物创造现金流的能力却可能弱于最初假设。 AI越进步，这种风险反而越突出。因为推动行业增长的技术迭代，也可能同时加速上一代资产贬值。 2. 客户合同与贷款期限的错配 CoreWeave在8月完成的一笔26亿美元贷款，期限接近5年，而支持这笔融资的客户合同平均期限约为3年。 这意味着合同结束后，债务可能还没有还完。接下来的两年，企业必须让原客户续约，或者把算力重新租给其他客户。 如果市场需求持续旺盛，这不是问题；如果算力价格下跌、客户转向新一代芯片，或者模型训练需求发生变化，再出租就会成为风险真正暴露的时刻。 金融机构承担的，已经不只是客户按时付款的信用风险，还有对未来算力市场的判断风险。 3. 产业繁荣与客户集中的错配 AI基础设施看似服务整个科技行业，但最有能力签订巨额长期合同的客户，仍集中在少数云厂商和头部模型公司。 当算力公司、芯片公司、模型公司、云厂商和资本机构彼此投资、采购、担保与融资时，产业链会形成一个高速旋转的闭环：投资带来订单，订单支持融资，融资购买更多芯片，更多芯片又支撑更高估值。 这套飞轮在需求增长时效率惊人，但它也容易让同一份最终需求，在不同公司的订单、积压收入和融资材料中被反复放大。 表面上看，风险分散在很多项目和主体之间；沿着合同和担保关系向下追，最终付款人可能仍是少数几家公司。 
4. 建设速度与真实利用率的错配 数据中心不是买来芯片、接上电源就能赚钱。它还需要稳定电力、网络、冷却系统、运维能力和持续的客户负载。 如果项目建设速度超过真实需求增长，首先下降的未必是行业叙事，而是设备利用率。利用率下降会压低收入，收入下降会削弱偿债能力，偿债压力又会迫使运营商降价争夺客户。 AI基础设施最危险的时刻，不一定是“没人使用AI”，而可能是所有人都相信需求会增长，于是同时建设了过多、过快、结构相似的算力。 五、债券市场已经开始比股票市场谨慎 股票投资者可以为十年后的想象支付溢价，债券投资者首先关心的却是下一期利息能否按时支付。 这也是为什么，信用市场可能比股价更早暴露产业结构的变化。 路透社援引高盛数据称，超大规模云厂商2027年的债务发行规模预计将达到4200亿美元，比2026年估算值增加约60%。AI相关发行人的信用利差约为115个基点，高于整体投资级市场约78个基点的水平。 这并不意味着金融机构认为大型科技公司即将违约。更准确地说，市场开始担心三个问题：融资规模是不是增长得太快、投资回报什么时候出现，以及投资组合是否已经过度集中于同一批AI公司。 资本仍然愿意为AI提供资金，只是不再愿意用昨天的价格承担明天的风险。 六、这是不是一场新的泡沫？ 现在就把AI基础设施定义成泡沫，仍然过于简单。 与很多纯概念投资不同，大量AI数据中心拥有真实设备、真实客户和多年合同。企业对训练、推理和智能体的算力需求也确实在增长。Lambda的9.26亿美元贷款就对应一名投资级客户的确定部署，贷款期限和摊还计划也被设计为与合同现金流及设备使用周期相匹配。 真正需要警惕的，不是债务本身，而是债务建立在什么假设上。 如果贷款依赖高信用客户、保守的算力价格、足够的现金流覆盖和合理的设备残值，它可以成为扩大AI基础设施的有效工具。 如果贷款依赖的是持续上涨的芯片租金、永远紧缺的算力、必然续约的客户和不会改变的技术路线，那么债务只是把今天的乐观提前变成了可以花掉的钱。 泡沫并不是资产价格上涨的同义词。真正的泡沫，是把不确定的未来收入，当成确定的今天资产。 七、对中国市场来说，真正该问什么？ 中国同样在建设智算中心、城市算力平台和面向大模型的云基础设施。未来，芯片融资、设备租赁、项目贷款和以合同现金流为基础的融资方式，都可能更加普遍。 值得借鉴的不是“如何把GPU变成抵押物”，而是金融机构已经开始追问的那组问题： 谁是最终付费客户？订单来自独立市场需求，还是关联交易与阶段性补贴？合同期限能否覆盖债务期限？客户退出后，设备能否重新出租？三年之后，这批芯片的性能和能耗是否仍有竞争力？如果利用率下降，项目还能否覆盖利息？ 过去，行业喜欢用“拥有多少算力”衡量实力。下一阶段，更重要的指标可能是：算力被谁使用、使用多久，以及每一度电、每一张卡最终产生多少可持续现金流。 结语 AI的上半场，资本追逐模型、参数和估值；进入下半场，越来越多的钱将流向电力、芯片、机房和网络。 当这些资产开始被抵押、分层、评级和交易，AI就从科技行业走进了信用体系。它获得了更强的扩张能力，也把技术风险传递给了银行、债券基金和更广泛的金融市场。 芯片成为“新房地产”并不可怕。真正的风险是，人们只看见了它像房地产一样可以抵押，却忘了它不像土地那样耐久。 未来AI产业最稀缺的，也许不只是芯片，而是能够穿越技术周期、持续偿还债务的真实现金流。
过去两年，AI行业最常见的融资故事，是一家模型公司拿到新一轮投资，估值随之跃升。