美国经济从未如此依赖单一产业的基建扩张。

布鲁金斯学会经济学家Stijn Van Nieuwerburgh在9月发布的研究中给出了一个震撼性的数字：2025年至2032年间，美国AI数据中心、电力设施、网络设备、GPU及其他AI基础设施的累计投资将达到约10.3万亿美元，年均投入相当于美国GDP的3.63%。

这个比例需要被放在历史坐标系中才能理解其分量。1870至1890年铁路建设高峰期，年均投资约占GDP的2.20%；1956至1973年州际高速公路建设约为1.13%；1996至2003年互联网与光纤建设热潮约为1.10%。

AI基建的投资强度，是铁路时代的1.6倍，是互联网时代的三倍以上。

Van Nieuwerburgh的论文标题是“为AI建设融资”（Financing the AI Build-Out），发表于布鲁金斯学会秋季BPEA会议。其核心判断是：AI建设相对经济规模的体量，已经超过了美国历史上任何一次技术基建浪潮。

一、企业现金流追不上资本开支，融资结构正在发生根本性变化

理解10.3万亿美元这个数字的关键，不在于它的绝对值，而在于它意味着什么。

Meta和微软等科技巨头的AI投资规模，已经超过了它们的运营现金流。Van Nieuwerburgh在播客中指出：“像Meta和微软这样的公司，现在在AI投资上的支出超过了它们通过运营现金流带来的收入。”这意味着，它们越来越依赖租赁、合资企业和私人信贷来为这些投资融资。

融资方式的变化，正在改变风险的可观测性。

过去，科技巨头的主要融资来源是自有现金流和公开债券市场。这两者都是透明的：现金流可以在财报中看到，债券发行有公开的定价和披露要求。

但现在，融资正在从公司资产负债表转向合资企业、私募信贷和特殊目的载体（SPV）。Van Nieuwerburgh的定性是：这种转变“使得风险更难被看见”。

二、Meta的Hyperion案例：90%杠杆如何“消失”在表外

研究中最具冲击力的部分，是对Meta路易斯安那州Hyperion数据中心项目的解剖。

该项目约300亿美元的项目资产，承载了270亿美元的债务，项目层面的债务资产比高达90%。但这些债务并不直接列入Meta的资产负债表。

Meta的操作机制是这样的：Hyperion项目由一家名为Beignet的合资企业持有，Blue Owl参与其中，Meta仅持有该合资企业20%的股份。Meta通过提供约280亿美元的残值担保来支持项目的债务融资。

残值担保（RVG）是理解这种结构的关键。 它的逻辑是：如果项目在未来某个时点（如租约到期后）的资产价值低于某个水平，Meta将弥补差额。从会计角度看，这使Meta能够将债务留在合资企业的账上，而不用合并到自己的资产负债表里。但Meta的经济责任是真实存在的——如果资产价值下跌，它必须买单。

这种安排并非孤例。穆迪发现，五家超大规模企业——亚马逊、Meta、Alphabet、微软和甲骨文——背负着6620亿美元的未来数据中心租赁义务，这些义务尚未体现在其资产负债表上。KBRA的分析师Doug Kolandrea对此的评价是：“这极大地复杂化了这些公司的信用风险状况”。

三、1.4万亿美元的“影子债务”：谁在持有风险

Van Nieuwerburgh的估算，将这种结构的总规模量化了出来。

相关融资结构涉及约1.4万亿美元债务，其中约7000亿至8000亿美元由银行持有，私人信贷与银行之间亦存在授信等连结。

Alphabet的情况提供了一个更具体的样本。该公司在与数据中心相关的信用衍生品下的最大义务，在短短六个月内从169亿美元升至438亿美元，而资产负债表上仅确认了8.15亿美元的公允价值。

这种错配的含义是：投资者从财报中看到的债务数字，可能只反映了融资全貌的一部分。 真正的经济敞口，隐藏在附注、合资协议和担保条款里。

问题的核心不在于这些公司违反了什么规则。Van Nieuwerburgh明确表示，研究并未认定AI已形成泡沫，也未指控Meta违反会计规则。核心关切在于“风险透明度不足” ——当债务从可见的资产负债表转移到不透明的表外结构时，市场定价这些风险的能力就被削弱了。

市场已经在为这种不透明性定价。Beignet债券的收益率在报告期内从发行时的约5.65%升至约6.95%，高出Meta自身发债成本约1个百分点以上。投资者在为看不见的风险要求更高的补偿。

四、这次和2008年有什么不同

Van Nieuwerburgh在论文中做了一个重要的区分：当前的数据中心融资，和2008年次贷危机的结构有本质差异。

期限匹配不同。 2008年危机的核心是期限错配——用短期资金（商业票据、回购）支撑长期资产（30年期抵押贷款）。而数据中心多以长期债务支应长期资产，期限结构更为稳健。

资产性质不同。 抵押贷款的底层资产是房价，数据中心底层资产是GPU和数据中心本身。GPU的折旧速度快于建筑物，这是潜在的风险点——摩根士丹利测算，若GPU可用6年、数据中心可运营15年，1万亿美元投资需要在6年内产生约1.5万亿美元营收才能支撑回报。但数据中心的长期租约（通常15至20年）提供了比抵押贷款更稳定的现金流预期。

Van Nieuwerburgh的结论是审慎的： “目前的数据中心多以长期债务支应长期资产，与2008年次贷危机中以短期资金支应长期资产的期限错配有所不同，不能直接据此断言将爆发金融危危机”。

但这不意味着风险不存在。如果AI需求、收入或工程进度不如预期，损失可能先由项目股东承担，再波及债权人。高杠杆将削弱吸收损失的缓冲。

五、融资成本正在上升，回报时间表却在拉长

一个正在恶化的变量是融资成本。

英特尔CEO陈立武和博通CEO陈福阳在10月齐声警告：资金或成AI发展的最大瓶颈。 债券收益率走高可能推高数据中心建设和芯片采购的融资成本，进而挤压相关项目的经济效益，而此类项目可能需要数年时间才能产生回报。

30年期美债收益率站上5.7%，10年期突破5.3%。这些利率水平直接推高了SPV和合资企业的债务融资成本。Beignet债券收益率从5.65%升至6.95%的变化，反映的正是市场对AI杠杆风险重新定价的过程。

与此同时，AI基建的回报时间表在拉长。 一个万卡级数据中心的建设周期通常为18至24个月，从投产到满负荷运营还需要额外的爬坡时间。而GPU的代际更迭速度（约每18个月一代）意味着，当一座数据中心满负荷运转时，它所用的芯片可能已经被更新一代的产品部分替代。

六、真正的风险：信息不对称下的定价失灵

Van Nieuwerburgh的政策建议指向一个更根本的问题：AI基建的风险不是“太大了”，而是“看不见了”。

他主张建立可比较的完整融资披露，追踪资产所有者、债务承担者、租约签署者及担保方，并辨识银行、保险、退休基金与私人信贷之间的风险连结。政策目的是改善定价与及早掌握风险集中，而非阻止AI投资。

这个建议的逻辑是：如果风险是透明的，市场可以定价它。如果风险是不透明的，市场只能忽略它——直到它变得无法忽略。

2008年的教训不是“次级抵押贷款不应该存在”，而是“次级抵押贷款的风险没有被充分披露和定价”。当所有人都不知道风险在哪里时，风险就在所有地方。

AI基建正在以美国历史上最大的相对经济规模进行投资。这个判断有坚实的数据支撑：3.63%的GDP占比，超过铁路、高速公路和互联网任何一次基建浪潮。

但投资规模本身不是风险。风险在于，当投资规模如此之大、融资结构如此复杂时，市场的定价能力能否跟上。

Meta的Hyperion项目展示了一种模式：90%的杠杆，通过合资企业和残值担保，从母公司的资产负债表上“消失”了。这种模式在会计上是合规的，在经济上是真实的。问题不在于它是否合规，而在于当足够多的项目采用这种结构时，整个系统的风险图景就不再清晰。

Van Nieuwerburgh的研究没有说AI会崩盘。它说的是：在崩盘之前，先搞清楚钱在哪里。这个建议听起来像常识，但在一个每年投入数万亿美元、融资结构不断创新的市场里，常识往往是最容易被忽略的东西。