据预测,仅在美国,2025年至2032年间建设人工智能基础设施的成本就将达到约10.3万亿美元。要使这笔投资划算,AI行业需在这一时期结束前实现约3.7万亿美元的年收入。

上述数据来自哥伦比亚商学院教授Stijn Van Nieuwerburgh,其分析在布鲁金斯经济活动论文会议上发布——这是一个历史悠久的论坛,经济学家们在此发表有关美国经济的新研究。该研究试图回答一个一直困扰着所有关注AI建设浪潮的人的问题:这笔账到底算得过来吗?

建设浪潮背后的数字

核心预测显示,到2032年需新增约182.7吉瓦的数据中心容量。作为参照,这是一个惊人的电力基础设施规模,其投资支出约相当于美国GDP的3.63%。

为直观呈现这一规模,报告指出,这轮建设将超过历史上的基础设施投资,例如铁路网络和州际公路系统的建设。

单位经济模型同样要求严苛。分析估计,在满负荷运行情况下,每安装GPU小时需产生约5.5美元的收入才能实现盈利——这一基准将每块已安装芯片的回报直接与客户为AI算力实际支付的价格挂钩。若利用率降至更现实的80%,这一数字将升至每GPU小时6.9美元。

模型采用的回报门槛假设为10%的无杠杆回报——即在债务融资影响之前的衡量指标——以及50%的现金流利润率。要达到这些基准,AI行业需从现在到2032年维持约80%的年复合收入增长。

这一增速是与OpenAI和Anthropic——分别开发ChatGPT和Claude的公司——目前合计约1000亿美元的年收入运行率相对照的。在约七年时间内从1000亿美元年收入增长到3.7万亿美元,这样的轨迹在融资演示文稿上看起来令人印象深刻,而在风险管理委员会的白板上则显得令人生畏。

融资方式

报告深入研究了融资结构,对于任何担忧系统性风险的人来说,这是一个尤为值得关注的领域。微软、亚马逊和谷歌等超大规模企业——即最大型云和数据中心网络的运营商——正越来越多地借助外部债务和复杂的金融安排来为其AI基础设施雄心资金。

报告指出,这种相互关联性是潜在的系统性风险来源,尤其是在AI服务需求增长跟不上容量建设速度的情况下。AI需求不足将不仅影响科技公司本身,还会波及这些债务另一端的贷款方和投资者。由外部债务融资的数据中心产能过剩,与由留存收益融资的产能过剩是完全不同性质的问题。

3.7万亿美元之问

到2032年实现3.7万亿美元年收入的目标,约相当于该年美国预期GDP的9.2%。

此外,无论融资多么充足,一些物理性制约因素仍可能拖慢建设步伐。在 美国许多地区,发电能力和电网容量仍是瓶颈,而新建电厂和输电线路的许可审批时间往往远远超出AI投资时间表的要求。

报告还提出了关于利用率的问题。建成182.7吉瓦的容量,只有在其真正被使用的情况下才能产生回报。满负荷与80%利用率下每GPU小时5.5美元与6.9美元收入要求之间的差异,说明其经济性对需求波动是多么敏感。

该研究将这些数字作为一项基准,用于评估该行业的收入轨迹能否支撑当前的基础设施投资步伐。以这一标准衡量,未来可观察的指标包括:主要AI实验室的收入披露、已安装GPU容量的利用率、超大规模企业举借外部债务的条款,以及新的发电能力和许可审批突破报告所指出制约因素的速度。