面對AI對經濟影響的一連串商業與技術不確定性，賓夕法尼亞大學沃頓商學院金融學教授傑西卡·瓦赫特選擇繞開預測，直接從一項她稱為「顯著事實」的前提出發：少數超大規模雲廠商正在投入鉅額資金建設AI資料中心。她與合著者不去判斷AI模型最終會有多好用、多普及，而是倒推這些公司的盈利需要以多快速度增長，才能支撐其到2027年的支出——他們估算屆時相關支出將接近1.1萬億美元。

這套「算賬式」方法得出的結論頗為刺眼：若計入資本成本、15%的回報率以及資產折舊，這些AI公司需要在2030年前將自身生產率提升2.7倍才能實現盈虧平衡。瓦赫特認為這並非不可能，其對應的經濟增長強度大致相當於美國自1990年代中期起持續約十年的IT繁榮期。但她也指出，要在2030年前完成，「意味著把大量增長壓縮排短短幾年」。若無法達到這樣的利潤目標，她警告，公司將拖欠利息支付，進而面臨破產風險。她與合著者在論文中寫道，如果生產率繁榮「未能兌現」，「當前這輪建設將成為歷史上最大規模的資本錯配」。瓦赫特此前曾擔任美國證券交易委員會（SEC）首席經濟學家兼經濟與風險分析部主任。

風險並非空談。超大規模雲廠商今年預計將支出約7500億美元建設遍佈全美的巨型資料中心，且支出勢頭未見放緩。按部分預測，Alphabet、微軟、亞馬遜、Meta以及甲骨文（與OpenAI合作）這幾家公司的AI資本投資總額，未來四年可能超過5萬億美元，屬於歷史上任何行業規模最大的資本投入之一。

問題在於收入端明顯跟不上。曾在拜登政府時期執掌SEC、現為麻省理工學院斯隆管理學院教授的加里·根斯勒指出，超大規模雲廠商計劃花掉數萬億美元，而今年AI相關總收入大約只有1500億至2000億美元。他表示，支出尚未帶來相稱的收入，這是事實，接下來的問題是這筆投資未來能否收回。

這場萬億美元級別的追問，關係到大型AI公司的財務健康乃至美國整體經濟——這些投資可能很快膨脹到約佔GDP的3%。答案也將決定那些造價高昂的資料中心本身的命運。沒有人真正清楚這些耗資數十億美元的龐然大物未來能有多賺錢、多有用。儘管AI模型近年進步驚人，但需要多少算力仍是未知數：技術可能變得更高效、從而降低對原始算力的依賴；AI產品需求也可能放緩，或客戶轉向更便宜的模型。

今年風險進一步放大，因為這些公司開始大量借債來建設更多資料中心。自由現金流——經營現金流減去資本支出——預計很快將轉為負值。即便是以現金充裕著稱的Alphabet，最新一季財報顯示其近1200億美元的可觀營收被AI基礎設施支出吞噬，出現約59億美元的自由現金缺口，這是自2004年穀歌上市以來的首次。

短期內，這對多數公司並非重大財務憂慮：它們盈利豐厚、現金儲備深厚。但債務成本高昂，部分投資者已開始失去耐心。如果未來對資料中心算力的需求下滑，公司仍需償還借來的錢。更麻煩的是，隨著貸款通過各類金融機制層層傳導，風險正在向整體經濟擴散。

僅覆蓋新資料中心的鉅額賬單還不夠。隨著借款增加，超大規模雲廠商還要承擔不斷上升的資本成本，並需要拿出足夠亮眼的回報來說服投資者與債權人。此外，它們還必須消化設施內數十億美元晶片的折舊——這是埋在投資中的一顆定時炸彈。資料中心核心的昂貴GPU晶片（這類計算電子裝置約佔成本的60%）效能大約每兩年翻一番。這一進步速度解釋了AI模型日益精妙的原因，但也帶來代價：今年和明年上線AI資料中心的業主，若想保持競爭力，到本十年末還需為下一代晶片再花數十億美元。普林斯頓大學資訊科技政策中心的米希爾·克希爾薩加爾表示，若缺少這些投入，資料中心可能淪為「廢殼」——散落各處的擱淺資產。

直白地說，AI公司需要開始賺多得多的錢，而且要快。但僅靠做大盈利，仍不足以長期支撐其資料中心投資。生產率才是關鍵：在某個時點，AI還必須創造出廣泛的經濟增長。