面对AI对经济影响的一连串商业与技术不确定性，宾夕法尼亚大学沃顿商学院金融学教授杰西卡·瓦赫特选择绕开预测，直接从一项她称为「显著事实」的前提出发：少数超大规模云厂商正在投入巨额资金建设AI数据中心。她与合著者不去判断AI模型最终会有多好用、多普及，而是倒推这些公司的盈利需要以多快速度增长，才能支撑其到2027年的支出——他们估算届时相关支出将接近1.1万亿美元。

这套「算账式」方法得出的结论颇为刺眼：若计入资本成本、15%的回报率以及资产折旧，这些AI公司需要在2030年前将自身生产率提升2.7倍才能实现盈亏平衡。瓦赫特认为这并非不可能，其对应的经济增长强度大致相当于美国自1990年代中期起持续约十年的IT繁荣期。但她也指出，要在2030年前完成，「意味着把大量增长压缩进短短几年」。若无法达到这样的利润目标，她警告，公司将拖欠利息支付，进而面临破产风险。她与合著者在论文中写道，如果生产率繁荣「未能兑现」，「当前这轮建设将成为历史上最大规模的资本错配」。瓦赫特此前曾担任美国证券交易委员会（SEC）首席经济学家兼经济与风险分析部主任。

风险并非空谈。超大规模云厂商今年预计将支出约7500亿美元建设遍布全美的巨型数据中心，且支出势头未见放缓。按部分预测，Alphabet、微软、亚马逊、Meta以及甲骨文（与OpenAI合作）这几家公司的AI资本投资总额，未来四年可能超过5万亿美元，属于历史上任何行业规模最大的资本投入之一。

问题在于收入端明显跟不上。曾在拜登政府时期执掌SEC、现为麻省理工学院斯隆管理学院教授的加里·根斯勒指出，超大规模云厂商计划花掉数万亿美元，而今年AI相关总收入大约只有1500亿至2000亿美元。他表示，支出尚未带来相称的收入，这是事实，接下来的问题是这笔投资未来能否收回。

这场万亿美元级别的追问，关系到大型AI公司的财务健康乃至美国整体经济——这些投资可能很快膨胀到约占GDP的3%。答案也将决定那些造价高昂的数据中心本身的命运。没有人真正清楚这些耗资数十亿美元的庞然大物未来能有多赚钱、多有用。尽管AI模型近年进步惊人，但需要多少算力仍是未知数：技术可能变得更高效、从而降低对原始算力的依赖；AI产品需求也可能放缓，或客户转向更便宜的模型。

今年风险进一步放大，因为这些公司开始大量借债来建设更多数据中心。自由现金流——经营现金流减去资本支出——预计很快将转为负值。即便是以现金充裕著称的Alphabet，最新一季财报显示其近1200亿美元的可观营收被AI基础设施支出吞噬，出现约59亿美元的自由现金缺口，这是自2004年谷歌上市以来的首次。

短期内，这对多数公司并非重大财务忧虑：它们盈利丰厚、现金储备深厚。但债务成本高昂，部分投资者已开始失去耐心。如果未来对数据中心算力的需求下滑，公司仍需偿还借来的钱。更麻烦的是，随着贷款通过各类金融机制层层传导，风险正在向整体经济扩散。

仅覆盖新数据中心的巨额账单还不够。随着借款增加，超大规模云厂商还要承担不断上升的资本成本，并需要拿出足够亮眼的回报来说服投资者与债权人。此外，它们还必须消化设施内数十亿美元芯片的折旧——这是埋在投资中的一颗定时炸弹。数据中心核心的昂贵GPU芯片（这类计算电子设备约占成本的60%）性能大约每两年翻一番。这一进步速度解释了AI模型日益精妙的原因，但也带来代价：今年和明年上线AI数据中心的业主，若想保持竞争力，到本十年末还需为下一代芯片再花数十亿美元。普林斯顿大学信息技术政策中心的米希尔·克希尔萨加尔表示，若缺少这些投入，数据中心可能沦为「废壳」——散落各处的搁浅资产。

直白地说，AI公司需要开始赚多得多的钱，而且要快。但仅靠做大盈利，仍不足以长期支撑其数据中心投资。生产率才是关键：在某个时点，AI还必须创造出广泛的经济增长。