来源：安邦智库(ANBOUND)

陈莉

硅谷AI融资潮释放的阶段性信号

近期，硅谷科技巨头和AI独角兽密集传出大额融资、债券发行与IPO筹备消息，正在释放一个具有阶段性意义的信号：美国的AI产业的融资方式已经从过去以风险投资、战略投资和科技巨头内部现金流为主，转向更加依赖公开资本市场、债务市场和长期金融工具的阶段。换言之，AI不再只是一个由技术突破驱动的产业故事，也正在成为一个由资本市场持续定价、持续输血、持续放大的金融故事。其背后反映出的，不仅是单个企业融资需求的扩大，更是整个AI产业从轻资产科技创新，转向重资产、基础设施化和能源化竞争之后，对资本动员体系提出的新要求。

从最新动向看，Alphabet、OpenAI、Anthropic和SpaceX是这一轮硅谷AI融资潮中最具代表性的几个案例。

据路透社6月8日报道，OpenAI已经秘密提交美国IPO文件，虽然公司没有披露发行规模和具体时间表，但市场消息显示，其上市估值目标最高可能达1万亿美元，并可能最早于2026年9月推进上市。此前，OpenAI已披露正在以约8400亿美元的估值融资1100亿美元，投资方包括软银、亚马逊和英伟达等重量级机构。

Anthropic的动作更具有“抢跑”意味。据报道，Anthropic先于OpenAI秘密提交了IPO文件，早于OpenAI进入公开上市准备阶段。更值得注意的是，Anthropic在5月底刚完成一轮650亿美元融资，投后估值达到9650亿美元。虽然这类估值仍有待公开市场检验，但其抢跑OpenAI寻求上市说明顶级AI公司正在把资本市场窗口视为战略资源。谁能率先上市，谁就可能率先建立公开市场估值锚，率先进入机构投资者的资产配置视野，并在后续融资、并购、员工股权激励和算力资源锁定中获得更强议价权。

SpaceX的史诗级IPO更是引发全球关注。6月12日，SpaceX完成全球最大规模IPO，最初以每股135美元发行5.5556亿股，募资750亿美元，IPO定价对应公司估值约1.77万亿美元。由于投资者认购需求超过2500亿美元，公司上市后承销商又行使超额配售权，额外购买8330万股，使SpaceX IPO总募资额升至857亿美元。上市首日，SpaceX股价一度上涨28%，盘中估值突破2.25万亿美元，收盘仍上涨约19%，市值超过2万亿美元。随后股价继续走高，显示出资本市场对其“航天+卫星互联网+AI基础设施”叙事的强烈追捧。SpaceX本身并非传统意义上的AI公司，但在Starlink低轨卫星网络、全球通信基础设施、边缘计算和马斯克旗下xAI的协同下，它正在被资本市场重新纳入AI基础设施的叙事之中。也就是说，AI融资潮已经不再局限于大模型公司本身，而是向云计算、芯片、数据中心、通信网络、能源和空间基础设施扩散。资本市场购买的，是美国科技体系对下一代AI生态的整体想象。

与OpenAI、Anthropic等AI独角兽通过IPO打开公开市场融资渠道不同，谷歌母公司Alphabet近期则通过增发股票向市场融资。据报道，Alphabet计划通过股权融资筹集800亿美元，其中包括伯克希尔·哈撒韦100亿美元私募投资，随后由于投资者需求强劲，公司又将融资规模上调至847.5亿美元，融资结构包括180亿美元A类和C类普通股销售、167.5亿美元存托股票发行、伯克希尔100亿美元私募投资，以及第三季度启动的400亿美元ATM发行计划。作为全球现金流最充沛、资产负债表最稳健的科技巨头之一，Alphabet长期以来更习惯于通过股票回购向股东返还资本，而不是通过增发股票向市场融资。正因如此，Alphabet此次操作更具有信号意义。

除了股权融资，债券市场也正在成为美国AI资本动员的重要渠道。据路透社6月15日报道，英伟达计划通过美国公司债发行筹集250亿美元，这是其自2021年以来首次进入投资级债券市场，市场需求一度达到850亿美元，显示出投资者对AI核心资产债务工具的强烈配置需求。英伟达方面表示，此次发债主要用于一般公司用途，包括偿还和再融资既有债务，并不主要用于资本开支，但这一事件的信号意义仍然明显：即便是现金流和盈利能力最强的AI芯片龙头，也开始主动建立更具流动性的信用融资基准。除此以外，Meta提交最高300亿美元债券发行计划，Alphabet也披露了首次发行日元债券的安排。

这些案例释放出的阶段性信号是，AI资本支出正由风险资本扩展到全球股票和债务市场，科技公司正在通过更广泛的资本市场工具为长期扩张储备弹弹药，而由于AI产业“规模-资金”的结构性矛盾，这一长期的大规模的融资潮的可持续性存疑。

科技企业的AI成本不断走高

科技公司纷纷上市、增发股票和债券，实质上反映的是AI产业的资金需求已经从企业内部扩张，向更广泛的公开资本市场蔓延。问题在于，为什么一个AI行业会迅速演变成如此庞大的融资需求？

答案在于，AI已经不再只是模型研发和应用开发，而是在很大程度上转化为一场基础设施建设竞赛。大模型要继续演进，就需要更多芯片、更大规模的数据中心、更强的电力供应、更复杂的冷却系统、更稳定的网络传输和更长期的算力合同，直到AI企业需要承担的已不是一般企业所能承担的。正是在这个意义上，AI成为了一个“资金黑洞”，它不断吸纳资本，在相当长的时期内未必能够形成稳定回报，而一旦停下脚步，就可能“全盘皆输”。

AI技术路线迭代推高长期算力成本

AI成为“资金黑洞”的第一层成本，是算力成本。AI技术路线的更迭导致AI计算成本正在从一次性训练成本，转向持续性推理成本和长期运行成本。早期市场关注大模型，主要集中在预训练阶段，即企业用大规模数据和算力训练出基础模型，此时预训练成本已经十分高昂，随着大模型进入后训练、推理增强、多模态交互和AI智能体阶段，AI算力成本正在发生变化。算力消耗不再只是训练时发生，而是贯穿模型使用、模型迭代和用户交互的全过程。

当前大模型竞争已经明显从“参数规模竞赛”转向“推理能力竞赛”。所谓慢思考推理、多步推理、复杂任务规划和工具调用，意味着模型在回答一个问题时，不再只是简单生成文本，而是要进行多轮判断、调用外部工具、检索资料、执行代码、校验结果，并在必要时进行自我修正。这类推理模式显著提高了单次调用成本。尤其是在企业服务、代码生成、金融分析、法律审查、科学研究和自动化办公等场景中，用户需要的不是简单聊天，而是更复杂、更可靠、更长链条的任务执行，这必然要求模型消耗更多计算资源。

AI智能体的兴起进一步提高了对算力的需求。传统聊天机器人通常由用户发起请求，模型作出回应，调用频率相对可控，而AI智能体可能在后台连续运行，自动拆解任务、调用工具、访问数据库、生成中间结果并不断迭代。这意味着，智能体的任务执行方式本身更容易造成token（模型处理信息的最小计量单位）膨胀。一个智能体在完成任务时，往往需要反复读取上下文、检索文档、调用工具、测试结果、修复错误和重新规划路径，这些步骤都会不断放大token消耗。近期针对SWE-bench Verified等编码任务的研究显示，智能体编码任务的token消耗可达到普通代码推理和代码聊天任务的约1000倍，主要由输入token推动。同一任务的多次运行，token消耗差异最高可达到30倍，并且更高token消耗并不必然带来更高准确率。而token消耗的背后，则是GPU推理、电力、冷却、云服务和数据中心资本开支。AI企业收入增长越快，服务调用越多，需要生产和消耗的token也越多，其算力成本和基础设施投资压力也随之上升。这也解释了为什么行业开始讨论“token经济”。

多模态模型同样加剧了成本压力。文本模型主要处理语言信息，而多模态模型需要同时处理图像、音频、视频、代码和结构化数据。视频生成、实时语音交互、图像理解和机器人控制等场景，对算力、内存、带宽和存储都提出更高要求。尤其是视频生成和实时交互应用，一旦面向大规模用户开放，所需计算资源远高于传统文本生成。

因此，AI企业面临的算力成本水涨船高。高昂的成本令AI公司即使收入快速增长，也面临长期亏损。

OpenAI的情况具有代表性。OpenAI到2030年前的累计计算支出可能达到约6000亿美元，即使其收入增长迅速，计算支出的增长速度也在同步抬升。根据其审计财务文件，OpenAI在2025年营收达130.7亿美元，亏损约385亿美元（约合人民币2601亿元），将近营收的三倍。所以说，现在大模型企业面临的核心问题不是有没有用户，而是用户增长和收入增长能否覆盖持续扩张的算力成本。如果收入增长跟不上推理成本、云服务合同和数据中心支出，AI公司就会陷入“越增长、越烧钱”的悖论。

更重要的是，算力成本正在被长期合同锁定。OpenAI、Anthropic等大模型企业为了确保下一代模型训练和长期推理服务不中断，需要提前与微软Azure、亚马逊AWS、谷歌云等云服务平台签订大规模算力采购或租赁合同。这类“算力远期承诺”实质上构成了未来数年的财务刚性支出。一旦收入增长慢于算力支出，企业就会迅速陷入现金流压力。也就是说，AI企业融资并不是为了储备一笔宽松资金，而是为了覆盖已经提前锁定的计算资源和未来资本开支。融资一旦放缓，不仅意味着研发放缓，也可能意味着无法履行算力采购和云服务合同，从而影响产品运行和客户交付。

因此，AI企业即使收入快速增长，也可能长期面临成本压力。因为AI服务的使用越深入，用户越多、任务越复杂、Agent调用越频繁，token消耗就越大，算力成本也随之增加。传统软件企业通常具有较强边际成本递减特征，用户越多，单位成本越低，但生成式AI和AI Agent的推理成本具有明显的持续性，用户增长并不必然马上带来利润率提升，更可能带来更高的计算成本。

AI从模型研发转向基础设施建设

随着AI计算需求日益增长，AI投资不可避免地延伸至物理世界。从资本开支看，AI已经进入基础设施级别的投入周期，S&P Global Visible Alpha的数据称，微软、亚马逊、Alphabet和Meta计划在2026年用于数据中心、芯片和其他AI基础设施的支出约为6350亿美元，高于上一年的3830亿美元，也远高于2019年的800亿美元。现在的AI 投资更接近于一轮新的基础设施建设浪潮，科技公司为了能够保证AI业务运转顺利，都在直接或间接参与建设能够长期运行的“算力工厂”。

“算力工厂”将电力、GPU/AI芯片、服务器、数据中心、网络、冷却系统和调度软件组织起来，持续生产AI模型训练和推理所需的“算力”，最终产出的是token、模型能力、AI服务和自动化任务执行能力。可以说，“算力工厂”是AI时代的基础设施。

数据中心可以在1年甚至数月内建起来，但计算消耗的电力和水等资源却没有那么容易获取。因此，建设“算力工厂”最核心的成本之一，来源于能源基础设施建设。

AI数据中心的单位电力密度远高于传统云计算机房。美国能源信息署（EIA）预计，在AI数据中心和电气化趋势推动下，美国的电力需求将从2025年创纪录的41950亿千瓦时上升到2026年的42440亿千瓦时和2027年的43810亿千瓦时。AI竞争已经开始对电网、发电能力和地方能源系统形成结构性压力。美国联邦能源监管委员会（FERC）近期要求美国主要电网运营商重新审查大型用电客户，尤其是数据中心的接入规则，原因正是AI数据中心带来的用电需求正在冲击既有电网连接流程和成本分摊机制。

电力需求迅速增长，但美国电网基础设施老化、输电扩容缓慢，又制约了AI电力供给，导致“AI电荒”越发严重。Lawrence Berkeley National Laboratory的电网排队数据显示，截至2025年底，美国已有超过2060GW的发电和储能项目正在寻求并网，但大多数项目最终会被撤回，能够建成投运的项目还需要越来越长时间完成研究和接入流程。与此同时，落基山研究所（RMI）也指出，美国并网队列中仍有超过2.2TW的发电和储能项目等待接入，许多项目需要等待多年才能完成接入研究。

这种困局直接逼得微软、亚马逊等科技巨头放弃等待电网，转而直接买下现成的、已经接入电网的核电站，或者干脆自己在数据中心旁边盖天然气发电机。微软、亚马逊、谷歌、Meta等公司开始通过长期购电协议、核电合作、场外电源、天然气电厂和可再生能源项目来锁定未来电力供应。

2024年9月，Constellation宣布与微软签署20年购电协议，推动三哩岛一号机组重启，并将其更名为Crane Clean Energy Center。该核电机组装机容量约835MW，计划在完成监管审批后于2028年重启，其电力将用于匹配微软在PJM电网区域数据中心的用电需求。谷歌则与Kairos Power签署协议，计划从多个小型模块化反应堆（SMR）采购核能，这是全球首个企业层面的多反应堆核能采购协议。Kairos Power表示，相关项目将为谷歌数据中心提供清洁电力，首个部署目标为2030年前后。亚马逊和Meta也在加快锁定核电资源。路透社报道称，Talen Energy与亚马逊扩大核能合作，计划从宾夕法尼亚州Susquehanna核电站向AWS数据中心供应最高1920MW电力。这说明云计算巨头已经将核电厂附近的数据中心和长期核电供应视为AI基础设施布局的一部分。Meta方面，路透社2026年1月报道称，Meta与美国中部三座Vistra核电站签署20年购电协议，并与两家小型模块化反应堆企业开发项目。此前，Meta还与Constellation签署协议，支持伊利诺伊州Clinton Clean Energy Center延续运营。

AI需求推动工业硬件周期爆发

AI 成为“资金黑洞”的第三层成本，是工业硬件和供应链成本。算力不是凭空产生的，数据中心也不是空壳，真正支撑AI运行的是GPU、TPU、高带宽内存、先进封装、高速互联、服务器、交换机、电源管理、变压器、配电柜和散热设备等一整套硬件系统。大模型能力越强，对硬件性能的要求越高；模型调用越频繁，对硬件供应和集群稳定性的要求也越高。

其中，AI 芯片是最核心的硬件成本。根据Morgan Stanley的测算，2026年微软、亚马逊、Meta、Alphabet计划用于扩建数据中心和AI芯片的支出约6300亿美元，其中约70%流向英伟达芯片，其余才是土地、建筑和电力设备。可以看出，在AI基础设施扩张中，芯片不是普通零部件，而是整个算力工厂资本开支的核心“吞金兽”。

由于AI计算需求旺盛，现在全球高端AI芯片及其关键配套环节出现结构性短缺。英伟达最新芯片Blackwell以及即将于2026年秋季出货的Vera Rubin平台，是当前和下一阶段AI算力竞争的关键硬件。问题在于，这些前沿AI芯片不仅依赖英伟达的设计能力，也依赖台积电的先进制程和CoWoS先进封装能力，还依赖高带宽内存、高速互联和服务器整机能力。任何一个环节出现瓶颈，都会推高整体成本并限制算力扩张。当下英伟达Blackwell芯片已经出现供不应求，先进封装能力也成为制约AI芯片出货的关键瓶颈。台积电虽然持续扩产，但业内仍普遍认为CoWoS等先进封装产能在短期内难以完全满足全球AI芯片需求。

除了芯片，传统工业硬件也开始出现挤兑。数据中心不能直接使用高压电网的电，必须通过高压变压器、配电柜和电源管理系统进行降压、稳流和分配。随着AI数据中心密集建设，全球高压变压器、开关设备、配电柜、发电机组和电力管理设备需求同步上升。根据行业分析机构伍德麦肯兹（Wood Mackenzie）的数据，自2019年以来，北美市场（特别是美国）的高压变压器市场需求暴涨119%。这说明AI资金黑洞并不只吞噬芯片和服务器，也开始吞噬传统电力设备和工业硬件产能。电力设备原本属于周期较慢、扩产周期较长的工业品，而AI数据中心建设正在把它们推向供需紧张状态。

散热设备同样成为瓶颈。AI芯片功耗高、热密度大，高性能集群往往需要液冷系统、冷板、泵、阀门、冷却分配单元、热交换器和机房级热管理系统。谷歌近期与中国液冷设备供应商接触，寻求采购数据中心冷却系统，正反映出美国超大规模数据中心巨头对中国高精密液冷散热系统的刚性采购依赖。尤其是在Blackwell等高功耗芯片大规模部署之后，传统风冷方式难以支撑更高密度计算，液冷设备从辅助设施变成核心基础设施。

网络设备和通信硬件也是重要成本来源。大模型训练需要大规模集群之间进行高速、低延迟的数据传输。这就需要高性能网络交换机、光模块、高速互联架构、服务器整机、电源管理和散热设备。随着模型规模扩大，硬件瓶颈往往不只出现在芯片本身，也会出现在内存带宽、网络延迟、机柜功率密度和数据中心布线等细节环节。

综合来看，AI成为“资金黑洞”，并不是因为某一个环节特别昂贵，而是因为算力、基础设施和工业硬件三类成本叠加在一起，形成了持续吸金机制。三者共同决定了AI成为重资产、长周期、高折旧和高供应链约束的新型巨无霸产业。也正因为如此，原有的风险投资、战略投资和科技巨头内部现金流，已经难以独立支撑这场竞争。

AI融资进入“全面金融化”时代

AI成本的持续膨胀，已经使科技企业原有的融资模式难以继续支撑这场竞赛。过去支撑科技创新的风险投资、私募股权和科技巨头内部现金流，适合支持早期技术创新、产品验证和商业模式扩张，但很难长期托起数百亿、上千亿美元级别的AI基础设施建设。传统VC可以点燃技术创新，却无法持续供养GPU采购、云算力租赁、数据中心建设、电力锁定和长期推理成本；即便是软银愿景基金这类大型科技资本，在AI投资进入更高强度阶段后，也需要借助桥贷款和其他外部融资工具继续加码。与此同时，微软、亚马逊、Alphabet、Meta等科技巨头虽然拥有强大现金流，但在AI资本支出快速膨胀后，也不可能长期只依靠内部资金硬扛。

对于科技企业来说，AI要继续发展，就必须把融资范围扩展到股票市场、债券市场、养老金、共同基金、主权财富基金、私募信贷、项目融资和资产证券化体系。正是在这个意义上，AI融资进入“全面金融化”阶段，本质上是传统融资体系承载力不足之后的必然结果。所谓“全面金融化”，并不只是AI企业纷纷上市，也不只是科技巨头发行债券，而是AI基础设施建设正在被拆解为不同期限、不同风险和不同收益结构的金融资产，并由公开股权市场、债券市场、私募信贷、项目融资和基础设施基金共同承接。换句话说，AI已经不再只是科技企业内部的研发投入，而正在变成资本市场可以定价、交易、融资和再包装的长期投资主题。

股权融资与IPO：公开市场为AI增长重新定价

对OpenAI、Anthropic、SpaceX等企业而言，进入公开市场的意义并不只是为早期投资人提供退出渠道，更重要的是把AI企业的未来增长预期交给公开市场定价。一旦完成上市，企业就可以获得更高的估值透明度、更强的再融资能力和更稳定的员工股权激励机制，也能利用股票作为并购、合作和人才竞争的工具。对于仍处于高投入、高亏损或高资本开支阶段的AI企业而言，IPO本质上是把远期增长故事转化为当下融资能力。

这一趋势已经十分明显。OpenAI、Anthropic等大模型企业推进上市，说明AI独角兽已经不能只依靠风险投资和战略投资维持扩张。模型训练、推理服务、云资源采购和企业客户交付，都需要持续资金补充。与此同时，SpaceX的上市进一步拓宽了AI融资叙事的边界。SpaceX本身并非传统大模型公司，但在Starlink低轨卫星网络、全球通信、边缘计算和xAI协同想象下，资本市场将其重新纳入AI基础设施平台的定价框架。

更值得注意的是，股权融资并不只发生在初创企业身上，也开始出现在成熟科技巨头身上。Alphabet的大规模股权融资具有阶段性意义。作为长期现金流充沛、过去更倾向于股票回购的科技巨头，Alphabet反向增发融资，说明AI资本开支压力已经传导到最强资产负债表的公司身上。公开股权融资由此不再只是成长型企业的融资工具，也成为成熟科技巨头补充AI资本开支、分散股东压力和提前锁定长期资金的重要方式。

债券融资：信用市场为AI基础设施提供长期低成本资金

与股权融资相比，债券融资更适合支持数据中心、芯片采购、电力合同和云基础设施等长期资本开支。AI基础设施建设具有前期投入大、资产周期长、现金流回收慢的特点，单纯依靠股权融资会稀释股东权益，单纯依靠经营现金流又会压缩自由现金流和股东回报。因此，对大型科技公司和高信用企业而言，债券市场成为承接AI资本开支的重要渠道。

当前AI相关债务发行已经明显升温。路透社6月15日报道，英伟达计划通过美国公司债发行融资250亿美元，这是其自2021年以来首次进入投资级债券市场。该交易最初计划融资200亿美元，但由于投资者需求达到850亿美元，最终发行规模扩大至250亿美元；债券分为七个期限，最长期限至2056年。值得注意的是，英伟达并不是典型的数据中心开发商，也没有像微软、亚马逊、谷歌和Meta那样大规模建设云基础设施，但作为AI芯片龙头，其债券融资仍然具有示范意义。英伟达表示，募集资金将用于一般公司用途，包括偿还和再融资既有债务；消息人士还指出，此次发行的一个重要目的，是为英伟达的信用成本建立流动性基准，而不是直接为资本开支融资。这说明，AI产业链龙头已经开始把债券市场作为长期战略工具，通过提前建立信用曲线，为未来更大规模融资、并购、供应链投资或资本支出建立市场定价基础。

还有亚马逊计划发行约370亿美元的11部分债券，Meta此前也申请发行了最高300亿美元的债券，以支持高成本AI基础设施扩张。也就是说，债券市场已经转变为科技巨头支撑AI基础设施扩张的重要资金来源。

AI 债券融资还在突破美元市场，向欧元、英镑、瑞郎、日元和加元等全球债券市场扩散。路透社5月11日报道，Alphabet披露计划首次发行日元债券，Amazon则准备首次发行瑞郎债券，原因是AI支出飙升正在促使美国科技公司向美国以外投资者融资。报道还显示，Alphabet此前一周通过欧元和加元债券合计融资近170亿美元，其中包括90亿欧元债券和85亿加元债券。此后，Amazon也在加拿大市场发行140亿加元、约100.4亿美元债券，创下加拿大公司债市场纪录。在此之前，Amazon还在3月通过八部分欧元债券融资145亿欧元、约168.8亿美元，成为欧元公司债市场有史以来最大单笔交易。由此可见，AI融资已经不再只是美国科技股市场内部的故事，而是开始改变全球公司债市场的供给结构和机构投资者配置方向。

债券融资的优势在于，它可以把AI基础设施建设的资金成本长期化、标准化和市场化。股票市场承担增长预期和估值波动，债券市场则承担信用风险和固定收益回报。只要投资者相信科技公司未来能够依靠AI云服务、模型收入、企业客户合同和基础设施租赁产生稳定现金流，债券市场就可以持续为AI资本开支提供资金。但这也意味着，AI投资风险开始进入信用市场。一旦未来AI投资回报不及预期，相关企业的信用利差、融资成本和债券估值都可能被重新定价。

私募信贷、项目融资与基础设施资产化：把AI重资产拆出融资

私募信贷、项目融资和基础设施资产化，这部分不一定表现为公开市场募资，却是AI融资全面金融化中极具结构性意义的环节。随着AI投资越来越重资产化，科技公司不可能把所有数据中心、电力设施、GPU集群和长期租约都留在自身资产负债表上。于是，数据中心、长期云服务合同、购电协议、GPU集群和电力项目，开始被重新包装为可融资、可抵押、可租赁、可证券化的基础设施资产。

Meta与Blue Owl围绕大型数据中心的融资安排，就是这一趋势的典型案例。通过合资、租赁和外部资本参与，Meta并不是简单用自有资金建设数据中心，而是把AI数据中心从公司资产负债表上的重资产，转化为由私募资本、基础设施基金和长期租约共同承接的金融资产。对科技公司而言，这种结构可以缓解资本开支压力，降低表内债务负担；对金融机构而言，数据中心则被视为拥有长期租约、稳定现金流和AI增长叙事的新型基础设施项目。

这种机制未来可能继续扩展。AI数据中心需要电力、土地、冷却、储能、变压器和网络设备，这些环节都可以被拆解为项目融资对象。长期云合同可以支撑贷款，长期购电协议可以支撑能源项目融资，数据中心租约可以支撑基础设施基金投资，GPU集群和服务器资产也可能被包装为租赁和抵押资产。由此，AI融资不再停留于科技企业融资，而是进入基础设施金融、能源金融和资产证券化领域。

综合来看，AI融资全面金融化的核心，不是某一种融资工具取代另一种融资工具，而是AI基础设施被纳入多层次金融体系之中：股权市场为AI未来增长定价，债券市场为长期资本开支提供信用资金，私募信贷和项目融资则把数据中心、电力和云合同等重资产拆解为可投资资产。正是在这一过程中，AI从科技产业内部的研发周期，转化为整个资本市场共同参与的长期金融周期。这既能够扩大AI建设的资金供给，也意味着AI投资回报、资产折旧、数据中心利用率和信用风险，将越来越深地影响股票市场、债券市场和私募资本体系。

AI融资“全面金融化”带来的行业重组与系统性风险

AI 融资进入全面金融化阶段之后，其影响已经不再局限于“企业能否融到钱”。当 AI 企业越来越多地通过股权融资、公司债、IPO、项目融资、私募信贷和资产证券化工具填补“资金黑洞”时，资本市场本身也开始重塑AI行业结构。前文所讨论的融资工具，能够在短期内放大AI基础设施建设能力，但也会带来新的行业后果和金融风险。一方面，资本会加速向少数具备全球融资能力、云资源、芯片供应和客户入口的头部企业集中，强化行业“马太效应”；另一方面，高估值融资、高杠杆扩张和重资产折旧，又可能把AI风险从科技企业内部扩散到股市、债市、私募信贷、数据中心资产和金融机构资产负债表。由此，AI金融化既是美国科技体系放大投资强度的手段，也可能成为未来系统性风险的重要来源。

资本集中强化头部企业“马太效应”

AI全面金融化带来的第一重结果，是行业资源加速向头部企业集中。AI竞争资本门槛迅速抬高。能够继续留在牌桌上的企业，不仅要有模型能力和技术团队，还必须具备持续融资能力。由此，传统意义上的“二八定律”正在向更极端的“百分之一法则”演化。

从融资分布来看，路透社援引PitchBook数据称，2025年第一季度，全球AI初创企业融资达到731亿美元，占全球风险投资总额的57.9%，其中仅OpenAI 就融资400亿美。也就是说，AI融资看似繁荣，但相当一部分资金集中在少数巨型融资事件中。路透社也指出，全球风险投资交易数量自2022年以来下降约44%，但资金越来越集中于1亿美元以上的大额融资，且大量资本流向头部AI公司。融资集中度上升意味着，头部企业获得更多资源，而第二梯队和第三梯队企业则更容易陷入资金真空。当资本越集中于这些头部平台，它们越有能力提前锁定英伟达GPU、云服务合同、电力供应和顶级人才，而资源优势又进一步提升模型能力和客户粘性，形成新的融资优势。这种循环会让头部AI企业在技术、资金和基础设施三个维度同时扩大领先。

因此，在AI融资全面金融化的趋势下，AI行业可能加速走向类似云计算行业的集中路径。云计算早期也曾有大量企业参与，但随着资本支出、数据中心规模、网络基础设施和企业客户迁移成本持续提高，市场最终高度集中于亚马逊AWS、微软Azure和谷歌云等少数平台。AI可能出现类似局面：早期创新相对分散，但随着资本、算力、能源、客户入口和安全合规能力不断向头部集中，行业将越来越接近赢家通吃。中小型AI公司即使具备差异化模型或应用能力，也可能因为无法承担推理成本、云服务账单和客户交付成本，被迫出售、转型或依附于大平台。

更重要的是，金融化还会改变企业治理目标。全面金融化之后，AI 企业不仅要面对技术竞争，也要面对IPO对赌、债券评级、股权投资人退出、公开市场季度业绩和现金流压力。原本以长期模型能力和安全治理为目标的研发竞赛，可能被资本市场改造成围绕收入增长、用户规模、估值扩张和融资窗口的短期竞赛。企业为了维持高估值，可能提前推出尚未成熟的产品，加快商业化节奏，或在安全治理、数据使用和模型可靠性上承受更大压力。由此，马太效应不仅会改变行业生态，也可能增加创新萎缩和安全治理风险。

AI大规模融资的可持续性危机

AI是带有基础设施属性的系统工程，需要长期建设算力中心、采购芯片、扩建数据中心、锁定电力资源、配置冷却系统和通信网络，还要持续承担推理、智能体、多模态应用和长期算力合同带来的运营成本。值得注意的是，现在整个资本市场被动员起来，是否真的有能力长期支撑这种规模的基础设施建设，还存在疑问。

当前资本市场融资表面上规模很大，但这些钱并不是无成本资金。资本进入AI，是为了利润、利息、估值增长和退出回报，而不是无条件供养一个近似公共基础设施的体系。市场往往看到高估值制造出超级富翁，看到马斯克、黄仁勋或AI独角兽创始人因资本市场定价而财富暴增，却容易忽视这些账面财富并不等同于可长期投入AI基础设施建设的真实现金流。真正进入企业的资金，还要支付融资成本、债务利息、股权稀释成本、芯片采购、数据中心建设、电力供应、硬件折旧和运营维护。随着大模型基础设施越来越集中于少数头部企业，资金需求也会越来越向超大规模、长周期和高风险方向集中。由此，即便资本市场给予很高估值，真正能够用于AI基础设施建设、并以较低成本服务企业和社会的资金，仍可能远远不够。

这就形成了AI的“规模-资金”矛盾：如果AI要服务于更广泛的企业、公众和社会发展，它就必须具备低成本、广覆盖和持续可用的基础设施属性，但如果AI要满足资本市场的回报要求，它又必须不断提高收入、扩大收费、强化商业化和维持高利润率。AI是否收费、如何收费、收费多高，都会直接影响其基础设施价值。收费越高，AI的普惠性和扩散能力就越弱；收费越低，企业又越难覆盖芯片折旧、数据中心运营、电力成本和债务利息。

诱发更广泛的系统风险

当前资本市场对AI企业的定价，越来越依赖于企业未来多年高速增长、高利润率的假设，而不是当前现金流表现。AI企业估值越高，后续融资和上市越容易，但估值越高，也意味着未来需要更大的收入和利润来证明当前定价合理。一旦商业化收入、企业付费率和生产率提升不及预期，估值压力就会反向转化为经营压力，最后诱发更广泛的金融系统风险。

从当下AI企业的经营情况来看，几乎全面临经营压力。由《金融时报》和《财富》曝光的OpenAI内部审计文件揭示了OpenAI面临的极其严峻的财务现实。OpenAI在2025年的总收入达到了惊人的131亿美元（远高于前期的预测），但其总成本和开支飙升至340亿美元，导致全年的运营亏损达到209亿美元，最终净亏损高达385亿美元。这一亏损额几乎是2024年的8倍。

可见，市场并不是根据当前利润为AI公司定价，而是在提前资本化未来模型平台和企业入口的潜在价值。这种高估值逻辑本身并不一定错误。AI确实可能成为通用技术，重塑软件、搜索、云服务、办公、代码、金融和企业流程。但问题在于，当前估值已经把大量尚未兑现的生产率提升和企业付费能力提前计入价格。硅谷科技巨头今年用于 AI 的支出将达到约6000亿美元，这一历史性的资本投入正在压缩自由现金流并考验华尔街的耐心。Amazon、Meta、Microsoft等公司在加大AI投资的同时，也不得不通过裁员、员工买断和成本控制来缓解投资压力。也就是说，AI投资并不是没有代价，它正在挤压科技巨头其他业务、现金流和股东回报空间。

市场对AI投资回报的担忧已经开始显现。6月23日，全球科技股及半导体板块遭遇了被称为“芯片风暴（Chip-Wreck）”的集体砸盘暴跌。纳斯达克100指数大跌 3.3%，韩国KOSPI指数更是由于科技股遭到恐慌性抛售而一度触及熔断。这轮调整的底层逻辑，正是华尔街对科技巨头无底线烧钱（CapEx）却换不来对等利润的集体反思。

这也是为什么Alphabet CEO桑达尔·皮查伊会公开提醒AI泡沫风险。皮查伊承认当前 AI 投资热潮中存在“非理性”成分，并表示如果AI泡沫破裂，没有公司能够完全置身事外，包括谷歌在内。其表态并不是否否认AI的技术价值，而是提醒资本市场可能过度提前定价未来收益。对于AI企业而言，高估值能够带来资金便利，但也会形成更高增长压力。对于资本市场而言，高估值能够支撑融资扩张，但也可能带来估值的大幅调整。

随着AI融资的“全面金融化”，AI融资已经不再停留于少数风险投资人的股权投资，而是通过上市、公司债、私募信贷、项目融资和数据中心资产证券化进入更广泛的金融体系。高估值一方面会降低企业当期融资成本，使其更容易继续扩张数据中心、锁定算力合同和发行债务；另一方面也会把未来收入增长和利润兑现的压力不断向后累积。一旦 AI 企业收入增长、企业付费或生产率提升不及预期，市场首先会下调对企业未来现金流的假设，进而压低股票估值；而股票估值下降又会削弱企业再融资能力，提高债券融资成本，并迫使市场重新评估其长期算力合同、数据中心租约和云服务承诺的可持续性。

由此看，AI融资的全面金融化既可能创造超级富翁，也可能因无法兑现足够回报而反噬这些超级富翁、资本市场预期和AI应用前景。AI是一个“吞金兽”，它确实具有推动生产方式变革的潜力，但如何对待、解决并驯服这个吞金兽，使其既能满足资本回报要求，又能真正服务于社会发展，当前仍没有成熟答案。

AI融资“全面金融化”对中美AI竞争的影响

AI 融资全面金融化之后，中美AI竞争已经不再只是模型、算法和人才竞争，而是进入资本市场、芯片供应、能源基础设施、云服务生态、开发者网络和应用场景共同构成的体系能力竞争。

过去，AI竞争主要体现为谁能训练出更强模型、谁能聚集更好人才，但在大模型进入高强度算力投入、数据中心建设和电力保障阶段后，真正的竞争变量变成了谁能持续组织更大规模、更低成本、更长周期的资金，并把这些资金转化为芯片、算力、电力和产业应用。美国的优势在于，它能够依托全球资本市场和美元体系，把AI基础设施建设转化为整个资本市场共同承担的长期投资周期。从前面的分析可知，硅谷AI融资全面金融化，也令美国信用市场能够为AI龙头企业提供长期资金承接。可以说，美国AI体系的强处，已经不只是模型能力，而是“技术—资本—基础设施—客户”的闭环：科技公司获得融资后购买算力，算力厂商依靠长期合同建设数据中心，芯片公司依靠订单扩大产能，资本市场再根据这些现金流预期为科技公司提供债务和股权融资。

相比之下，中国发展AI则面临融资约束。中国虽然并不缺少政策资金、产业基金和大型互联网企业投入，但难以像美国企业一样依靠全球资本市场、美元融资、国际债券市场和全球机构投资者支撑超大规模资本开支。DeepSeek近期完成超过500亿元人民币、约74亿美元首轮融资，估值超过500亿美元，这在中国科技领域已经相当罕见，但与美国头部 AI 企业和云巨头数百亿乃至数千亿美元级别的资本开支相比，仍存在量级差距。

因此，中国AI竞争不宜简单复制美国“超级模型—超级算力—超级数据中心”的高资本开支路线，而应更加重视成本效率、应用落地和产业链整合。DeepSeek的低成本路线提供了一个参照。DeepSeek曾表示其V3模型使用英伟达较低端H800芯片、耗时两个月、成本低于600万美元。虽然这类口径仍需结合训练范围和实际效果谨慎理解，但至少说明，在芯片受限和资本约束条件下，中国企业可以通过模型架构、训练方法、工程优化和开源生态降低成本。中国的优势不在于与美国简单比拼“谁花钱更多”，而在于制造业场景丰富、工程化能力强、应用落地速度快，并拥有从国产芯片、服务器、液冷散热、电力设备、数据中心到行业应用的完整产业链基础。未来，中国需要把AI更深地嵌入制造、能源、交通、金融、政务、医疗、教育、智能汽车和机器人等实际场景，通过行业降本增效形成真实生产率提升。中美AI竞争进入体系能力竞争阶段后，决定胜负的不会只是参数规模和融资规模，也包括谁能把资本、算力、能源和应用更有效地转化为可持续的产业能力。对于中国而言，成本效率、应用落地和产业链协同，不只是外部限制下的权宜之计，而是在资本和芯片约束下参与长期AI竞争的核心战略。

总结

硅谷新一轮AI融资潮并不是一轮普通的科技公司融资热，而是AI产业转向基础设施竞争后，所引发的资本动员方式变化。随着大模型训练、推理、智能体、多模态应用和长期算力合同不断推高成本，AI企业面对的已不再是一般研发支出，而是芯片、能源和工业硬件共同构成的重资产投入。这些融资事件共同说明，AI建设已经超出风险投资、战略投资和企业内部现金流的承载范围，必须由更广泛的资本市场来托举。因此，AI融资进入“全面金融化”阶段。

AI融资全面金融化的积极意义在于，美国可以借助全球资本市场和美元体系，把AI 基础设施建设推向远超单个企业现金流的规模，但其风险也同样明显：资本会加速向头部企业集中，行业马太效应进一步强化；重资产折旧、产能过剩和投资回报不足可能通过股市、债市、私募信贷和数据中心资产向金融市场外溢。

资本市场可以制造超级富翁（马斯克的SpaceX的史诗级IPO就是一例），也可以在短期内放大融资能力，但账面财富和高估值并不等于能够长期投入AI基础设施建设的真实现金流。资本进入AI，是为了获得回报，而不是无条件支撑一个近似公共基础设施的体系。若AI收费过高，其基础设施属性和普惠价值就会被削弱；若收费不足以覆盖芯片折旧、数据中心运营、电力成本、债务利息和股权稀释，资本市场又可能从“奖励扩张”转向“惩罚烧钱”。这意味着，AI作为“吞金兽”，真正困难的不只是融资，而是如何被资本市场、产业体系和社会需求共同驯服。

对于中国而言，中美AI竞争已经进入体系能力竞争阶段。美国依靠资本市场、芯片、云服务和全球生态放大投资强度，中国则面临先进芯片、融资能力和国际生态约束。因此，中国不宜简单复制美国式高资本开支路线，而应更加重视成本效率、应用落地和产业链整合，把有限资本、算力和能源更有效地转化为可持续的产业能力。（完）

本文作者为安邦智库宏观研究中心研究员陈莉。

实测! AI 智能体在如何烧光你的钱？AI先锋官，2026.4

OpenAI财报泄密：去年亏了2600亿，36氪，2026.6

四大科技巨头资本开支集体“狂飙”：2026年将超6000亿美元，新浪财经，2026.1.24。

美国能源信息署：AI使用激增推动美国电力需求今明两年续创新高，财联社，2026.4.8.

Queued Up:Characteristics of Power Plants Seeking Transmission Interconnection，Lawrence Berkeley National Laboratory，2026.

The Interconnection Queue Continues to Be a Barrier to US Economic Competitiveness，Alisa Petersen，3.17.

Constellation to Launch Crane Clean Energy Center, Restoring Jobs and Carbon-Free Power to The Grid，Constellation,2024.9.20

How Big Tech"s $630 bln AI splurge will fall short，Reuters Breakingviews, 2026.3

Untangling the US transformer supply chain crisis，Wood Mackenzie，2025.8

AI startup valuations raise bubble fears as funding surges，Reuters，2025.10