夜雨聆风AI 产业链里的循环融资扭曲收入质量。
当 Microsoft 投资 OpenAI，OpenAI 消耗 Azure；NVIDIA 投资 CoreWeave，CoreWeave 采购 NVIDIA GPU；Oracle 参与 Stargate，OpenAI 又把推理负载放到 Oracle Cloud 上，这些收入在会计上可以确认，但它们并不完全等同于独立第三方需求。
所以AI 收入的关键问题是增长里有多少来自真实客户，有多少来自供应商自己喂出来的需求。
循环融资审计：当供应商投资客户，AI 收入的质量就开始打折
在会计准则的框架里，一笔收入的确认需要满足几个条件：商品已经交付或服务已经提供，收款权利已经确立，金额可以被可靠计量。这些条件全部满足之后，收入就可以被记录在利润表里，和其他任何来源的收入一起，构成公司总收入的一部分。
但会计准则没有要求公司回答另一个问题：这笔收入的对手方，和你之间是否存在除商业交易之外的其他关联关系？这笔收入的资金来源，是否最终可以追溯到你自己的投资或贷款？你确认的这笔收入，是否有一部分本质上是你的投资在账本上的另一种体现？
这些问题，是传统财务分析框架里的盲区。在大多数行业里，它们不是重要的问题，因为供应商和客户之间通常不存在投资关系，收入的独立性可以被基本假设。但在 AI 产业链里，这些问题变得极为关键，因为 AI 产业链里的循环融资结构，已经达到了一个需要被系统性审计的规模和密度。
什么是循环融资闭环
循环融资闭环的定义很简单：供应商 A 投资客户 B，客户 B 用投资款向供应商 A 购买产品或服务，供应商 A 确认收入。在这个闭环里，A 的收入有一部分来源于它自己的投资——不是来自独立第三方客户的真实商业需求，而是来自它自己的资本在账本上走了一圈之后的回流。
这个结构在经济上的问题，不是它违规，而是它掩盖了真实需求强度。如果 OpenAI 的算力消耗有 30% 来自 Microsoft 的投资承诺（以 Azure 信用的形式），那么 Azure 对外呈现的 AI 云收入增长，就有 30% 不是来自独立市场需求的拉动，而是来自 Microsoft 自己的投资循环。这 30% 的收入在利润表里和其他 70% 的收入完全相同，但它的质量、可持续性、以及对真实市场需求的代理能力，都低于后者。
当市场用 AI 云收入增速来判断 AI 商业化进展时，它实际上是在用一个被循环融资扭曲的指标来衡量一个真实的经济现象。这个扭曲在 AI 叙事高峰期很难被发现，但在验证期，当循环融资的规模开始收缩，被扭曲的收入数字就会以超预期的方式下滑，市场会把这个下滑误解为 AI 需求疲软，而实际上它只是循环融资停止运转的结果。
第一个闭环：Microsoft × OpenAI × Azure
AI 产业链里规模最大、结构最复杂、信息最不透明的循环融资闭环，是 Microsoft 和 OpenAI 之间的关系。
这个闭环的结构是这样的：Microsoft 向 OpenAI 承诺投资超过 130 亿美元，这笔投资有相当一部分不是以现金的形式兑现，而是以 Azure 算力信用的形式——OpenAI 获得了在 Azure 上消费一定额度算力的权利，而不是可以自由支配的现金。OpenAI 使用这些算力信用在 Azure 上进行 GPT 系列模型的训练和推理，Azure 确认 AI 云收入。
这个结构意味着，Microsoft 确认的 Azure AI 云收入里，有一部分来自 OpenAI 消耗的算力信用，而这些算力信用的资金来源是 Microsoft 自己的投资承诺。从现金流的角度看，Microsoft 没有真正付出现金——它承诺的算力信用，只有在 OpenAI 实际消耗时才变成 Azure 的收入确认，而 Azure 的成本（维持数据中心运营、GPU 折旧）是真实的。所以 Microsoft 在这个闭环里做的，本质上是：用承诺提供算力的方式"投资"了 OpenAI，然后从 OpenAI 的算力消耗里确认了自己数据中心的运营收入。
这个结构在会计上是合规的，但它使 Azure AI 云收入里包含了一个无法从外部准确量化的"内部消耗"成分。Microsoft 没有义务单独披露 OpenAI 消耗了多少 Azure 算力、占 Azure AI 云收入的多大比例，也没有义务说明算力信用和现金投资各占多少比例。外部分析者能看到的，只是 Azure 整体的 AI 云收入增速，无法知道其中有多少是真正来自独立外部客户的商业需求。
更复杂的是，这个闭环还有第二层：OpenAI 的 API 收入（来自企业客户和开发者调用 GPT API 的费用），相当一部分也在 Azure 上运行，Azure 从中再次确认收入。所以 Azure 的 AI 收入来源包括：Microsoft 365 Copilot 的企业订阅（相对干净的独立收入）、Azure OpenAI Service 的外部客户使用（相对干净的独立收入）、OpenAI 内部消耗的算力信用（循环融资成分最高）、以及 OpenAI 企业 API 调用产生的基础设施费用（混合来源）。这四个来源在 Azure 的财报里是合并呈现的，没有拆分，使收入质量的判断极为困难。
第二个闭环：NVIDIA × CoreWeave × OpenAI
第二个值得深入审计的循环融资闭环，涉及 NVIDIA、CoreWeave 和 OpenAI 三个主体，是 AI 产业链里最典型的"供应商参与融资客户然后客户消费供应商产品"的结构。
NVIDIA 参与了 CoreWeave 的融资轮次，成为 CoreWeave 的股东之一。CoreWeave 用融资款（包括 NVIDIA 的投资和其他私募信贷）向 NVIDIA 购买 GPU，NVIDIA 确认数据中心收入。CoreWeave 把这些 GPU 租赁给 OpenAI，OpenAI 支付 GPU 租金给 CoreWeave，CoreWeave 用租金偿还债务和维持运营。
在这个三角闭环里，NVIDIA 同时扮演了供应商（向 CoreWeave 卖 GPU）和投资者（持有 CoreWeave 股权）两个角色。当 CoreWeave 向 NVIDIA 购买更多 GPU，NVIDIA 的数据中心收入上升，同时 NVIDIA 作为 CoreWeave 股东的持股价值也可能随之上升。这个双重受益结构，使 NVIDIA 有动力通过投资来刺激 CoreWeave 的 GPU 采购需求，而 CoreWeave 有动力通过更多借款来扩大 GPU 采购规模——因为 GPU 规模是 CoreWeave 向客户展示产能的核心指标，也是维持高估值的关键依据。
这个闭环的脆弱性，在 CoreWeave IPO 之后变得可以被更仔细地观察。CoreWeave 的主要客户是 OpenAI 和 Microsoft，客户集中度极高——据报道 OpenAI 在 CoreWeave 的收入里占据相当大的比例。而 OpenAI 使用 CoreWeave 算力的资金来源，有一部分来自 Microsoft 的算力信用投资。这意味着这个三角闭环里，资金的流动路径是：Microsoft 投资 OpenAI（算力信用）→OpenAI 在 CoreWeave 消费算力→CoreWeave 向 NVIDIA 购买 GPU→NVIDIA 确认收入。最终的收入确认在 NVIDIA，但资金的原始来源在 Microsoft，中间经过了两个中间节点的账本循环。
第三个闭环：Oracle × OpenAI × Stargate
2025 年初宣布的 Stargate 项目，是 AI 产业链里迄今为止规模最大的循环融资结构，也是最难被外部分析的一个，因为它的细节披露极度不透明。
Stargate 的表面结构是：OpenAI、SoftBank、Oracle 和 MGX 共同出资 5000 亿美元，用于在美国建设 AI 基础设施。这个数字本身就值得审计——5000 亿美元是分阶段的承诺，不是立即到位的现金；其中 SoftBank 的承诺以融资为基础，不是 SoftBank 自有资产的直接投入；Oracle 承诺提供的，部分是数据中心基础设施而不是现金。
更关键的是，在这个结构里，Oracle 既是 Stargate 的共同出资方，又是 Stargate 数据中心的建设和运营提供商，同时 OpenAI 承诺把大量推理工作负载部署在 Oracle Cloud 上。这意味着 Oracle 在 Stargate 里同时扮演了三个角色：投资方（出资建设）、供应商（提供基础设施服务并收取费用）、以及基础设施运营者（确认 AI 云收入）。当 OpenAI 在 Oracle Cloud 上运行推理任务时，Oracle 确认的云收入，有一部分来自 Oracle 自己在 Stargate 里投资建设的基础设施，有一部分来自 OpenAI 用融资款支付的服务费，而这些融资款里又有一部分来自 SoftBank 的承诺，而 SoftBank 的承诺本身又依赖未来的融资。
这个多层嵌套的结构，使 Stargate 的真实经济性几乎无法从外部准确评估。它可能是一个真正意义上的产业合作结构，也可能是一个把承诺变成新闻、把新闻变成估值、把估值变成融资能力的叙事工具。在 Stargate 的第一期实际建设完工、OpenAI 的推理收入开始真实覆盖 Oracle Cloud 的租金之前，这个结构的经济含量是一个 D 级证据，不能被当作 AI 产业商业化进展的 A 级信号来使用。
第四个闭环：超大厂 × 模型公司 × 云信用的系统性结构
除了上面三个具体的闭环案例，AI 产业链里存在一个更系统性的循环融资结构：几乎所有主要模型公司（OpenAI、Anthropic、Mistral、Cohere 等）都同时接受了云厂商的战略投资，这些投资有相当一部分以云算力信用的形式兑现，而这些模型公司的主要算力消耗，就发生在给它们提供投资的云厂商平台上。
Google 向 Anthropic 投资约 20 亿美元，Anthropic 把大量训练和推理工作负载部署在 Google Cloud 上；Amazon 向 Anthropic 承诺投资最高 40 亿美元，Anthropic 同时承诺将 AWS 作为主要云提供商；Microsoft 投资 OpenAI，OpenAI 在 Azure 上运行；Oracle 参与 OpenAI 的基础设施项目，OpenAI 在 Oracle Cloud 上部署推理。
这个系统性结构意味着，全球主要 AI 云平台（Azure、Google Cloud、AWS、Oracle Cloud）的 AI 工作负载增长，有相当一部分来自被投资模型公司的算力消耗，而这些算力消耗的资金来源，可以追溯到云厂商自己的投资承诺。整个 AI 云收入的增长，因此包含了一个系统性的循环成分，这个成分的规模目前无法从公开信息里准确量化，但它的存在是确定的，而它的扭曲效应——使 AI 云收入高估了来自独立外部需求的增长——是在整个 AI 产业分析框架里被普遍忽视的。
云信用的会计处理：同一笔钱的两种身份
要理解循环融资为什么能够在财务上完全合规地运作，需要理解云信用的会计处理方式。
当 Microsoft 向 OpenAI 承诺提供算力信用，这个承诺在 Microsoft 的账本上以"递延收入"的形式存在——Microsoft 已经建设了承诺提供的算力基础设施，这部分资产已经在资产负债表上体现为折旧资产，但收入要等到 OpenAI 实际消耗算力时才能确认。当 OpenAI 调用 Azure 的算力，Microsoft 从递延收入里释放相应金额，计入当期收入，同时对应的算力成本（电力、折旧）也在当期体现。
这个处理方式在会计上完全正确，但它有一个重要的信息效应：投资承诺和收入确认之间存在时间差，而市场观察到的是已经确认的收入，不是投资承诺的存量。这意味着，当 Microsoft 在某个季度大幅提高对 OpenAI 的算力信用承诺，这个承诺不会立刻出现在 Azure 的收入数字里；但当 OpenAI 在接下来的季度大量消耗这些算力信用，Azure 的 AI 云收入就会出现一个看起来来自"需求爆发"的增长，而实际上这个增长的部分来源是此前已经做出但尚未消耗的投资承诺。
这个时间差，使循环融资对收入的扭曲效应，比看起来更难追踪——因为扭曲不是即时的，而是有时间延迟的。投资承诺在今天做出，对收入的影响在未来的某个季度显现，而这两个时间点之间的连接，在公开信息里是不可见的。
如何识别循环融资的规模
在现有的信息披露体系下，精确量化 AI 产业链里循环融资的总体规模是不可能的，因为关键的合同条款（算力信用的金额和消耗节奏、最低消费承诺的细节、收入分成安排）都不在法定披露要求的范围内。但有几个间接指标，可以用来估算循环融资的大致规模和动态变化。
第一个指标是云厂商的"递延收入"余额变化。递延收入余额的快速上升，往往对应着对合作伙伴（包括模型公司）的算力信用承诺规模的扩大；递延收入余额的消耗速度，对应着这些合作伙伴实际消耗算力的速度。Azure、Google Cloud、AWS 的递延收入数字，可以在其季报的资产负债表里找到，这是目前最接近循环融资规模代理指标的公开数据。
第二个指标是模型公司的年报（如果有）或融资条款披露里关于"云服务承诺"的描述。OpenAI 在与 Microsoft 合作协议里有关于最低云消费承诺的条款，但这些条款的具体金额通常不被披露。Anthropic 在 Amazon 投资的新闻稿里明确提到了"将 AWS 作为主要云提供商"，这暗示了一定程度的消费承诺，但同样没有量化。追踪这些间接文字描述的细节变化，可以定性地判断循环融资的松紧程度。
第三个指标是模型公司在不同云平台之间的工作负载分配变化。当一家模型公司开始把工作负载从单一云平台迁移到多云部署，意味着它对单一云厂商的依赖在下降，对应的循环融资闭环可能在松动。这个变化通常会在技术社区（模型公司的工程博客、API 服务的延迟测试报告）里留下可追踪的足迹，早于正式的商业公告。
循环融资收缩的市场影响：被误读的需求疲软信号
理解循环融资最实用的一个应用，是理解它收缩时对市场的影响，以及如何避免把循环融资收缩误读为 AI 真实需求疲软。
当云厂商的投资承诺规模开始收缩（无论是因为模型公司开始多云化、还是因为云厂商自身的资本约束、还是因为模型公司的算力需求结构变化），对应的云收入中来自循环融资的部分就会下降。如果这个下降发生在一个季度里，Azure 或 Google Cloud 的 AI 云收入增速就会出现低于预期的情况。市场观察者会把这个低于预期解读为"AI 需求疲软"，然后触发对整个 AI 产业链的悲观情绪。
但如果这个低于预期实际上是循环融资规模的正常收缩，而不是真实终端需求的减少，那么这个悲观情绪就是被错误触发的，正确的解读应该是：AI 云收入正在从循环融资驱动的增长转向独立外部需求驱动的增长，收入质量在上升，即便增速在短期内看起来放缓。
能够在这个区分上保持清醒，需要对循环融资的存量和流量都有持续的追踪。这是 AI 产业链研究里信息密度最高、但最难通过公开信息实现的分析维度之一，也是把研究质量从普通分析提升到机构级的关键区分点。
循环融资审计的四个核心问题
对任何疑似存在循环融资结构的 AI 公司，审计框架可以压缩成四个核心问题。
第一，这家公司的主要客户中，有哪些同时是这家公司的投资方或被投资方？如果客户和投资关系重叠的比例超过 20%，就需要对这部分收入的独立性进行单独评估。
第二，这家公司的收入里，有多少来自"云信用消耗"或"算力信用兑付"？这类收入在会计上是真实的，但其资金来源的独立性低于来自外部现金付款的收入，需要单独标注。
第三，如果把循环融资的成分从总收入里剔除，剩余的独立外部收入增速是多少？这个数字才是真正代表 AI 商业化渗透进展的核心指标，而不是包含循环融资的混合增速。
第四，这家公司的循环融资规模在扩大还是收缩？扩大意味着短期内收入数字会继续被支撑，但同时意味着未来某个时点循环收缩的幅度会更大；收缩意味着短期内收入增速承压，但收入质量在提升，长期可持续性在改善。
从审计到判断：循环融资在 AI 产业周期里的角色
循环融资不是一个 AI 特有的现象，在历次科技产业周期里，供应商投资客户、客户消费供应商产品的结构都曾出现。但 AI 这一轮的特殊性在于循环融资的规模和密度都达到了历史上少有的水平——在短短三年里，全球最大的科技公司几乎同时成为了 AI 模型公司的主要投资方和主要算力供应商，这种双重关系的系统性存在，使 AI 云收入的循环成分在整体规模上达到了不可忽视的程度。
这个现象本身不是丑闻，也不一定预示着崩溃。循环融资在产业形成期有其合理性——云厂商通过投资绑定最重要的 AI 能力提供商，确保平台上有最优质的 AI 服务，同时通过算力信用而非现金投资降低了直接的资本风险。这个策略在 AI 叙事高峰期是理性的商业决策。
但随着 AI 产业进入 2026 年的验证期，循环融资的存量开始变成一个需要被认真对待的变量。模型公司的算力消耗能力有上限，当现有的算力信用承诺被消耗完毕，后续的续约条件将反映真实的市场价格而非战略绑定价格，届时 AI 云收入里的循环成分会自然收缩，收入增速会以难以区分原因的方式放缓。
所以接下来最值得关注的，是各大云厂商是否开始在财报里单独披露来自"战略合作伙伴"的收入占比，以及主要模型公司是否开始在融资文件里披露云服务最低消费承诺的规模和剩余期限。这两个披露标准一旦出现，整个 AI 云收入的质量评估就会发生根本性的改变，市场对 AI 商业化进展的判断基础也会随之更新——届时，那些收入质量更高、独立外部客户占比更大的云平台，将获得显著高于循环融资依赖度高的平台的估值溢价，而这个重新定价的过程，目前还没有开始。
