美国算力基建热潮：泡沫争议与长期潜力探析

1.当前美国在通用人工智能加速逼近的背景下，大规模投入算力基础设施建设，意在抢占未来技术制高点。尽管业界担忧算力投资已显现泡沫化苗头，但整体风险仍在可控范围内。技术快速迭代、头部AI企业营收飙升、以及各行业加速上云带来的实际需求，为这一轮巨额投资提供了现实支撑，使其并非空中楼阁。

2.据统计，美国规划中的大型数据中心项目总装机容量已超过45吉瓦，预计将撬动逾2.5万亿美元的投资。《大西洋月刊》曾描绘一种潜在的崩盘路径：若巨额投资无法如期变现，资本市场情绪突变，引发防御性抛售，将触发系统性下跌——科技股估值压缩、投资放缓、进而波及AI基础设施、芯片及数据中心等整个链条。

3.AI模型厂商的增长曲线异常陡峭，对芯片算力的渴求持续膨胀。以OpenAI和Anthropic为代表的美国公司，在个人与企业两端均斩获可观营收。据预测，OpenAI今年底年化收入有望突破200亿美元，远超此前预测的130亿美元，较去年40亿美元激增5倍，并计划2030年达数千亿美元规模。

4.今年三季度，亚马逊、微软和谷歌的云业务受AI驱动，营收分别达330亿、309亿和152亿美元，同比增幅分别为20%、28%和34%。海量行业应用推升了Token消耗量，仅Google一家，10月公布的月均Token使用量即高达1300万亿，显示AI落地已进入实质阶段。

5.历史经验表明，并非所有长期投资都会演变成灾难性泡沫。判断关键在于投资是否具有生产性，以及资金来源是否稳健。荷兰郁金香泡沫属典型的非生产性投机，极易破裂；而本轮投资多为产业资本主导，杠杆率相对温和，且与2000年互联网泡沫时期相比，当前科技巨头估值虽有上升，但业绩支撑更为坚实，泡沫化程度远不及当年。

6.当然，美国此轮AI算力热潮也面临技术迭代放缓、产业链循环投资、债务杠杆攀升等潜在隐患，短期内可能出现估值回调甚至去泡沫阵痛。但这并不意味着方向性错误。纵览技术发展史，几乎所有通用目的技术从萌芽到基础设施化，都经历过周期性过热与理性回归。铁路、电力、互联网莫不如此，最终决定历史地位的并非泡沫本身，而是泡沫退去后沉淀下来的能力与资产。

近期美国科技巨头密集发布AI基础设施投资计划，数万亿美元级投入及交叉持股等新型融资模式引发全球关注。《纽约时报》10月评论直言：“本世纪第三次泡沫——人工智能泡沫已至，投资者无视回报周期疯狂涌入。”

总体而言，当前美国算力投资既是对AGI趋势的超前布局，也契合其内外扩张战略。虽然不能排除泡沫破裂及债务融资风险，但技术迭代速度、大模型企业营收高增长、以及行业上云需求，均赋予该投资一定合理性。需持续跟踪后续演进。

算力基建狂潮背后的潜在泡沫隐忧

巴克莱10月31日报告显示，美国规划中大型数据中心总装机容量已突破45吉瓦，预计吸引超2.5万亿美元投资。典型如OpenAI，一个月内连曝三项超大规模算力合作：与甲骨文、软银部署至少10吉瓦的“星际之门”；与博通联合研发10吉瓦定制AI加速器；与AMD合作未来数年部署不少于6吉瓦AMD GPU。Meta正推进多个“泰坦集群”，包括俄亥俄州1吉瓦普罗米修斯项目，及计划扩容至5吉瓦的路易斯安那州亥伯龙项目。亚马逊预计2026-2027年新增约13吉瓦容量。在AI投资浪潮中，英伟达市值一度超越德国、日本GDP，登顶全球第一。

AI能否带来可持续增长与回报？巨额资金从何而来？OpenAI与英伟达、甲骨文等合作是否存在循环投资嫌疑？围绕技术、产业与金融的争议愈演愈烈，AI泡沫论甚嚣尘上。《大西洋月刊》设想的崩盘机制是：若投资无法兑现收益预期，资本市场转向，防御性抛售启动，将触发科技股估值压缩、投资放缓、AI基础设施连锁受累的螺旋式下跌。

行业对当前AI领域循环投资的质疑

AI算力是否存在真实需求支撑？

判断基建泡沫与否，首要看市场是否有足够需求消化数百万卡级数据中心。当前算力主要消耗方为大模型企业（OpenAI、Anthropic、xAI、Meta等）、调用模型的创业公司与个人用户、云厂商（微软、亚马逊、谷歌）及新型云服务商（如CoreWeave）。

相比互联网，全球AI个人用户渗透率仍有巨大空间。GPT周活用户达8亿仅用两年多，而互联网达到此规模耗时13年，显示AI渗透速度惊人。全球GPT、Gemini、Claude等大模型个人用户去重后约10亿，而全球互联网用户已达55亿，渗透率68%，这意味着AI用户数有望持续扩张，进而推高算力需求。

大模型企业增长斜率陡峭，芯片需求水涨船高。以OpenAI和Anthropic为例，其个人与企业两端收入已相当可观。

Sam Altman近日透露，预计今年底OpenAI年化收入将超200亿美元，较此前预测的130亿美元大幅上调，相比去年40亿美元激增5倍，并计划2030年达数千亿美元。未来8年，OpenAI拟投入约1.4万亿美元打造算力基础设施。Altman认为，基于当前AI使用趋势及用户需求规模，算力不足风险远大于过剩风险。11月1日，Altman与微软CEO纳德拉共同受访时表示，过去一年OpenAI算力已扩展10倍，若再增10倍，收入几乎可同步增长10倍。

OpenAI于三季度发布的收入预测

另一明星公司Anthropic营收同样迅猛，预计今年底ARR达90亿美元，2026年目标200亿至260亿美元，较去年10亿美元增长9倍。公司预计2028年实现700亿美元收入及170亿美元现金流。

行业落地方面，AI已深入众多领域。美国政企用户对API和公有云接受度高，先进模型得以低成本快速部署，企业采用率17个月增长3倍，并为云厂商带来可观回报：今年三季度，亚马逊、微软、谷歌云收入受AI拉动分别达330亿、309亿、152亿美元，同比增长20%、28%、34%。海量行业使用推高Token消耗，仅Google一家10月月均Token使用量达1300万亿（较7月980万亿再创新高）。a16z合伙人近期表示，过去17个月全球Token处理量增长150倍。即便模型推理效率持续提升，算力需求仍需匹配倍速增长。

针对未来算力需求，黄仁勋提出三个Scaling Law：预训练、后训练强化学习、推理过程均存在规模法则，支撑算力持续扩张。在刚结束的GTC大会上，黄仁勋称市场对英伟达GPU需求旺盛，过去四个季度已售出600万块Blackwell GPU，预计Blackwell和Rubin系列明年销售额将达5000亿美元。相较分析师预测的今年2070亿美元营收，英伟达2026年增速将超2倍，市值一度突破5万亿美元，分析师甚至看高至8.5万亿美元。

黄仁勋在接受Bg2 Pod访谈中提出的AI Scaling Law

归根结底，需求取决于AI发展速度。若能保持现有态势，突破瓶颈，近期实现AGI并在各行业产生效益，则有望如高盛所料：AI广泛普及为美国经济增加约20万亿美元，其中约8万亿美元以资本收入流入企业，为本轮大基建提供更强合理性。

行业领军者对于AGI实现时间的预测（尽管对于AGI的定义不同）

此外，建造数据中心及其配套本土供应链，也是美国再工业化战略的重要抓手。这些百亿美元级超大数据中心建设，可有效拉动美国土建、钢构、机电、冷却、模块化机房及发电、储能等成套工业链条，与亚利桑那州台积电工厂、美光内存投资、英特尔晶圆厂项目逻辑一致，助推制造业回归。

资金源自何处？债务杠杆暗藏风险

尽管OpenAI拥有高增长预期，但其1.4万亿美元投资计划仍饱受质疑。首席财务官莎拉近期表示：“我们正在寻找由银行、私募股权甚至政府机构组成的生态系统，探讨政府支持方式为融资提供保障，在股权融资基础上增加债务融资。”此言论引发争议，Altman随后澄清并非寻求政府兜底，即便失败纳税人也不该为商业决策买单。这一事件凸显OpenAI自身收入与未来投资间的巨大缺口，挑战巨大。即使2030年OpenAI收入达2000亿美元，届时现金流方能转正。微软近期文件显示，OpenAI第三季度亏损超120亿美元。对此，Altman透露公司正探索新商业模式，如即将推出的企业级服务、新型消费设备、机器人等，并考虑直接向企业和个人出售算力资源，开启AI云服务。Altman还提到，未来收入可能来自难以量化的新领域，如能进行科学发现的人工智能。

从参与本轮算力基建的美国科技公司看，英伟达、微软、谷歌、亚马逊、博通、Meta、特斯拉、甲骨文的现金+等价物（不含短期投资）合计超2000亿美元，现金流相对充足，为投资提供了基础底气。

但债务可能是未来风险最集中的领域。今年以来，美国AI公司发债规模已超2000亿美元。Meta联手私募Blue Owl发行债券筹资270亿美元建设亥伯龙数据中心，创私募债纪录。微软携手贝莱德推出300亿美元基金，投资数据中心及AI电力设施，最终目标通过债务融资筹集高达1000亿美元。xAI采用特殊目的实体模式，由Valor Equity Partners与阿波罗全球管理公司主导，通过独立实体筹集200亿美元，购入英伟达芯片后独家租赁给xAI，xAI仅承担5年期租约。瑞银分析师警告，AI企业资本开支快速扩张主要靠债务推动，AI相关债务正以每季度约1000亿美元速度累积，部分被置于表外。摩根士丹利预测到2028年，全球AI数据中心和芯片总支出将达2.9万亿美元，其中科技巨头提供1.4万亿美元，剩余1.2万亿美元缺口预计通过债务融资填补，私募信贷基金将提供其中的8000亿美元。可以预见，大量金融衍生品工具将不可避免出现，令人联想起次贷危机风险。

泡沫迹象已现但风险可控，有望跨越周期

历史上，并非所有长期投资都是泡沫。判断标准一要看其是否具有生产性，荷兰郁金香泡沫属非生产性，易破裂。二要看资金来源是产业自有投资还是大量举债，是否被包装成衍生品加杠杆。

过去许多跨十年甚至跨代际的投入，共同点是将通用目的技术（GPT）变成基础设施，带来持续生产率提升与新型产业网络。即使中间夹杂阶段性过热或价格泡沫，但最终资产与能力沉淀下来，成为长期发展依托。如美国州际高速系统（1960s–1990s）投资，形成了全美统一物流与通勤网络，降低了交易成本，催生了连锁零售、新型供应链等形态，成为经济繁荣的重要基础。

COATUE对历史上数次大的基础设施投资的回顾

根据COATUE研究，对比2000年互联网泡沫时期大型企业估值，当前整体虽有上升，但仍在相对合理区间，有较强业绩支撑。

COATUE对当前时段和2000年互联网泡沫时期科技股的估值对比

总体上，当前美国算力基建已有泡沫迹象，但尚未失控，且有望化解。可用以下框架简单推演：

第一种情形是风险可控：如果需求侧支撑强劲，且技术突破（接近AGI）速度快，能够消化高风险的资金结构和资产特性。

第二种情形是风险较高：如果需求侧支撑不足，而资金结构风险（如高杠杆、表外债务）和资产特性风险（如芯片快速折旧）较高。

其中，资产特性风险常被忽视。当年互联网泡沫虽有大量“暗光纤”未被使用，但光纤寿命长达25年以上，后期随着互联网再度兴起，这些光纤发挥了重要作用。芯片则不同，当前虽供不应求，但芯片折旧周期仅5年左右，一旦过剩，价值将迅速损耗，埋藏更大风险。

此外，电力也是美国算力基建面临的重大制约。据测算，到2030年，数据中心可能占美国能源消耗的10%，而2022年仅为2.5%。随着更大规模数据中心用电激增，输电线路、变电站和管道建设、升级的成本需由用户分摊，可能进一步推高商用和民用电费。自2020年以来，美国居民平均电价已上涨超30%。卡内基梅隆大学预测，到2030年，数据中心扩张将使全美平均电费再上涨8%，部分密集区涨幅可能高达25%。

总体而言，美国当前的AI算力投资浪潮，确实存在技术迭代减缓、产业链循环投资、资金杠杆加高等潜在风险，也可能在短期内经历估值回调甚至“去泡沫”的阵痛。但这并不意味着其方向错误。纵观技术史，几乎所有的通用技术在成为基础设施的过程中，都伴随着周期性过热与纠偏。无论是铁路、电力还是互联网，真正决定成败的，不是泡沫是否存在，而是泡沫退去后留下了什么。

如果算力投资能推动AI能力的持续演进、产业效率的结构性提升，并促成更开放、更普惠的技术生态，那么即便经历阵痛，这场新基建仍可能成为下一轮科技与经济增长的底座。未来几年，美国AI算力的故事，也许不只是“泡沫”的故事，更是一次关于生产力新边界的集体试验。