布鲁金斯学会在秋季《经济活动论文》（BPEA）会议论文中估算，2025至2032年美国AI基础设施建设预计投入约10.3万亿美元，年均相当于GDP的3.63%。论文将这笔开支拆成两本账：一本是芯片、电力与数据中心的实体投资，另一本是租赁、合资、项目债和私募信贷搭起来的融资网络。后一本账越摊越大，风险却越来越难从企业报表上看清。

先看实体账单。AI常被描述为软件革命，但训练和运行前沿模型离不开专用芯片、供电与冷却系统、网络设备以及专门建造的数据中心。论文以一座200兆瓦AI园区为例：在电能使用效率1.2时，可供IT设备使用的关键负载约166.7兆瓦；按每套英伟达GB300 NVL72机柜142千瓦计算，园区约可容纳1170台高密度机柜，全年耗电量相当于约17万户美国家庭。该园区初始造价约82亿美元，其中IT系统占56.2亿美元，约占总成本的68.4%。

规划规模远超最终可能落地的容量。基于Cleanview在2026年7月的数据，美国已投运数据中心容量约57GW，规划待建约509GW。论文中心情景估计，2025至2032年新增投运182.8GW，2032年后还将投运117.2GW，另有226.9GW最终不会建成。按每200兆瓦造价约82亿美元、成本每年上涨4%计算，前一阶段建设需要约10.3万亿美元。横向比较，这一投资强度比19世纪铁路热潮高出约五成，是电信与光纤热潮的三倍多。

问题在于，巨头的现金已经不够用了。甲骨文、微软、亚马逊、Meta和Alphabet的资本开支总额从2020年的约968亿美元升至2025年的4158亿美元以上，2026年预计超过8005亿美元。论文特别指出，五家公司资本开支合计将首次高于经营现金流。资金因此从企业内部转向外部。摩根士丹利估算，2025至2028年满足超大规模厂商新增算力需求需要约2.9万亿美元，其中超过一半来自外部资本，股债比例约为60:40；债务融资中私募信贷约8000亿美元，规模最大。

Meta的Hyperion数据中心项目展示了这套结构如何运作。项目初期容量约2.0GW，规划可扩至5GW，总投资约300亿美元。Meta最初全资持有，后来以约25亿美元把80%股权卖给Blue Owl。合资公司Beignet于2025年10月融资270亿美元，获标普A+评级，比Meta自身信用评级低一档，是美国历史上最大的一笔投资级公司债发行。300亿美元资产中约270亿美元由债务融资，债务资产比约90%，偿债覆盖率只有1.12倍；而Meta自身按账面权益计算的财务杠杆2025年末约为25%，按市值权益计算只有4%。项目融资在巨头报表之外支撑了远高于表内的杠杆。

这笔交易通过层层破产隔离的特殊目的载体串接，债务以未来租金合同作支撑。从2029年起安排五段、每段四年的租约，一直延伸到债券2049年到期。每到续约节点，Meta都可以终止部分或全部租约；一旦终止，相关资产将被出售，公司须补足出售收入与合同约定最低价值之间的差额。按现行美国通用会计准则，租约或担保生效之前，Meta不必把这些未来义务列入资产负债表。代价是Beignet债券发行收益率为6.58%，比Meta同期类似无担保公司债成本至少高100个基点，整个融资周期相当于超过50亿美元的额外利息。

表外义务的规模已经相当可观。穆迪估算，超大规模厂商约有9700亿美元租赁承诺，其中约6600亿美元是尚未入表的未来租约。《华尔街日报》统计，微软、Alphabet、亚马逊和Meta合计有2.4万亿美元表外负债，其中9040亿美元为未来租约，加上1.52万亿美元未来采购承诺，表内只有6040亿美元；约3万亿美元数据中心相关义务中，只有五分之一列在账面上。

论文随后分析融资结构如何放大风险。长期债务和租赁合同押在利用率、技术路线和残值都高度不确定的资产上，几处错配叠加后压力会沿融资链条传导。一是租户集中，许多AI园区只有一个租户，若算力需求不及预期，云厂商可能先保障自有设施，第三方园区将首当其冲。二是技术迭代，芯片、冷却系统和设施设计变化很快，建筑尚未折旧完，设备与布局可能已经过时。三是建设执行，电力、输电、许可和专用硬件都受产能约束。论文用一组门槛数字衡量需求压力：在中心情景下，要让2025至2032年建设取得10%的无杠杆回报，并假设经营现金流利润率50%，到2032年需要约3.7万亿美元年收入，相当于满负荷下每个GB300 GPU小时收费约5.5美元，或80%利用率下每个计费GPU小时约6.9美元。

风险还沿融资链条延伸到芯片设计商、云服务商、模型公司和基础设施投资人。2026年8月，Apollo、贝莱德、Blackstone、Brookfield、高盛和KKR设立5000亿美元信贷额度为英伟达芯片融资，英伟达提供25%的残值担保，最高承担1250亿美元。市场数据也显示相关性上升：上市数据中心REITs的市场贝塔值从约0.5升到1附近，与标普500非AI部分的相关性也升至接近AI股票的水平。

论文并未断言AI基建很快会陷入财务困境。应用增长强劲、利用率高、模型能力持续进步，都可能支撑项目产生稳定现金流。作者真正担心的是：当需求不确定、技术迭代快、建设受制约、项目杠杆又高时，一旦预期下修，损失会落到谁身上。论文因此建议，趁融资结构尚在成形，先按可比口径披露整个经济资本堆栈——谁拥有资产、谁负有债务、谁签署租约、谁提供担保，以及需求不及预期时由谁承担损失。