资产负债表上的窟窿
财经媒体的头版几乎被这位长期掌舵者的个人丑闻和间谍指控占满。然而让华尔街真正心惊的并不是董事会里的品行风波,而是藏在资产负债表里的那个黑洞。
在这轮人工智能热潮中,黄仁勋的角色远不止一位魅力十足的推销员。一张规模庞大、能够自我循环的金融网络由他一手设计。正是靠着这张网,AI泡沫才得以悬在半空,迟迟没有破裂。
黄仁勋执掌期间,英伟达早已不只是传统意义上的半导体供应商。它一度充当整个AI生态的“中央银行”,同时也是出手阔绰的风投金主。围绕算力竞赛,英伟达先后搭建起总额逾1100亿美元的股权投资组合。其中600多亿美元投向OpenAI、Anthropic等前沿AI公司以及新兴云服务商,其余资金则重点押注上游芯片和供应链龙头。不仅如此,英伟达还借助表外融资和信用支持替客户分担资金压力。超过1000亿美元的数据中心租赁债务由它提供担保,它甚至承诺向自家云服务客户回租算力。
说白了,买英伟达处理器的钱,有相当一部分是英伟达自己掏的。这是一条设计精巧的资本回路:资金从英伟达的金库流出,进入AI实验室和算力云初创公司,转眼又以硬件采购款的形式回到英伟达,变成财报上的营收。
只要黄仁勋仍坐镇网络中心,不断向投资者许诺硅片需求没有尽头、GPU价值牢不可破,这种左手倒右手的资金腾挪就会被视为高瞻远瞩的生态布局。他的突然出局让这层光环破灭,市场不得不正视一个令人不安的事实:英伟达5万亿美元的估值完全倚仗一个循环融资回路,而这个回路的作用就是人为消化芯片产能、硬撑硬件价格。

不过,“仁勋府的倒塌”(the fall of the House of Jensen,套用爱伦·坡名篇《厄舍府的倒塌》)只是表层的一阵震动。在它下面,一道更深的结构性断层正在剧烈错位。就算黄仁勋一直留任下去,美国AI繁荣迟早也要和物理极限、经济现实正面相撞。
无论在硅谷的董事会议室还是华尔街的交易台,人们谈起人工智能,依然带着近乎宗教般的笃信。他们相信,只要把数千亿美元投进芯片、数据中心和吉瓦级电力设施,宏观经济的全要素生产率就一定会跟着上涨。这套源自主流经济学教科书的世界观理所当然地认定,资本越堆越多,经济的生产可能性边界就会自动外移,高效的算力也能顺滑地替代昂贵的人工。
换一副“热经济学”(thermoeconomics)的眼镜来看,结论就大不一样了。在这一视角下,物理能源、原材料和真实的供应链不是电子表格里被动记录的财务科目,而是所有经济活动无法再化约的物质根基。照此审视,美国AI产业的走向与其说是一场锐不可当的工业革命,不如说更像一个不断吞噬自身的泡沫。
美国大规模铺开的AI基建并没有带来一个轻松可得的富足时代,反倒在酝酿双重危机。其一,物理资源被疯狂抽走,经济中的其他部门因此严重缺电、缺资金、缺熟练技术工人。其二是一个足以致命的经济陷阱:举债堆起的基础设施恰好在这时达到峰值,企业对AI的真实需求却可能全线崩塌。
举债撑起的超级周期,与“注水提示词”的神话
AI繁荣的账为什么怎么也算不平?对比一下美国科技巨头投进去的真金白银和实际赚回来的收入,看看两者之间越拉越大的缺口,答案就清楚了。从2023年到2026年,Alphabet、亚马逊、Meta和微软这四家美国超大规模云厂商的年度资本开支合计,由约1300亿美元一路猛增到预计的7300亿美元。短短四年间,资本开支占营收的比重也从相对温和的8.1%蹿升到惊人的34%。相比之下,2026年全行业直接来自AI的营收预计只有1500亿美元左右。
繁荣刚开始的头两年,科技巨头还能靠账上雄厚的现金支撑扩张。从2025年起,一个新趋势逐渐浮现,并在2026年明显提速:资本开支的增长彻底甩开了企业内部现金流的造血速度。为了堵上缺口,又不至于掏空自家资金池,各大云服务巨头纷纷转向公司债市场、银团贷款、私募信贷和表外合资公司。仅仅一年,它们发行的AI相关债务就远远超过2000亿美元。一场原本靠自有现金推动的软件竞赛,就这样变成了一轮高杠杆、靠巨额债务兜底的重资产基础设施超级周期。
更要害的是,这笔巨债的理由是“算力消耗激增”,可其中很大一部分并非来自市场真实、自发的需求。在美国各地的企业里,管理层急于向华尔街交出“数字化转型”的成绩单,于是自上而下给员工下达了硬性的AI使用指标。迫于内部考核,员工们只好把日常邮件、简单摘要乃至零碎的行政杂事统统丢进耗电惊人的大语言模型里过一遍,目的仅仅是凑足词元(token)消耗量。这种现象被称作“刷词元”(tokenmaxxing),由此产生了大量低价值的“提示词泡沫”。云服务商却把这些靠行政命令硬推出来的虚假用量,当成了深不可测的真实需求。它们假设“企业对算力的胃口会无限膨胀”,并以此为前提,投下数千亿美元建造吉瓦级数据中心。
主流经济学理论助长了这种盲目。在它看来,“资本”是一团同质、单一的货币符号,钱堆得越高,回报自然就越多。
其实早在20世纪五六十年代,著名的“剑桥资本争论”就已经在逻辑上推翻了新古典经济学的一个前提,即资本能够被加总成一种同质的生产要素。
皮耶罗·斯拉法(Piero Sraffa)指出,资本并不是某种整齐划一的“魔法物质”,而是车床、输电线、硅芯片、冷却塔等具体物理实体的集合。这些资本品的价值也不是固有的物理量,而是一种相对价格,会随工资、利润率等分配关系的变化而变化。
也正因为这样,技术进步并不是一部“越先进就越资本密集”的单向扶梯。在工资与利润率的不同区间里,成本最低的技术选择可能反复切换。一旦利润率落入某个区间,经济体完全可能经过理性权衡,放弃精密复杂的资本密集型技术,转而采用资本—劳动比更低、更依赖劳动力的生产方式。
这种现象在经济学上叫作“技术再转换”(reswitching)。

剑桥资本争论也叫“两个剑桥之争”(the two Cambridges debate),指的是20世纪50至70年代,新古典综合派与新剑桥学派(即后凯恩斯学派)围绕资本理论展开的论战。论战起于新剑桥学派对资本能否加总的质疑,后来逐步扩展到分配理论、价值理论和一般均衡理论。
“技术再转换”陷阱:一旦企业把成本账算明白……
放眼当下的美国AI行业,引发剧烈“技术再转换”的各项前提条件正在逐一成形。热潮初起时,AI算力之所以显得格外便宜,是因为风险投资补贴和科技巨头的资产负债表替客户承担了硬件建设和运营的真实成本,而白领的薪资水平仍处在正常基准。在那样的环境里,让聊天机器人处理日常行政事务,看上去当然很划算。
如今,两股强劲的反向力量正迎面冲击这一商业模式。首先,企业打着AI的旗号大规模裁减白领、冻结招聘、施压降薪,受冲击白领群体的实际工资被压平,新一轮白领岗位离岸外包潮也随之兴起。其次,支撑AI运行的物理基础设施撞上了坚硬的物质天花板,运营成本急剧上扬。数据中心需要海量、全天候不间断的稳定电力,美国电网却被多重瓶颈卡住:高压变压器订单积压动辄数年,特种电工钢(取向硅钢)严重紧缺,重型燃气轮机的交付排期更是长达十年。电力设施不能像编写软件代码那样凭空造出来,因此新建数据中心获得稳定电力的边际成本正在快速攀升。
这样一来,超大规模云服务商和前沿AI实验室就被逼进了死胡同。假如它们抬高云服务和API价格,把暴涨的电费和偿债成本转嫁给企业客户,正在审核IT预算的首席财务官们很快就会发现一笔账:支付高昂的云服务费,驱动耗电如虎的GPU集群去处理臃肿的日常行政流程,花费远远高于直接聘用薪资已被压低的本地员工或海外外包团队。到那时,企业的token预算会被大幅削减,人为拼凑出来的“提示词泡沫”转瞬即逝。企业也会纷纷发生“技术再转换”,重新依靠人力。
反过来,假如云服务巨头为了抵挡廉价开源模型的竞争而刻意压低token价格,它们就赚不到足够的利润去偿还堆积如山的债务,收回投资成本也会变成遥不可及的幻想。不管选哪条路,这套商业模式都已经走到了尽头。