文｜顾翎羽
编辑｜徐青阳
巨额资金正在流向AI。如果一部分投资失败，损失会止于科技公司，还是可能扩散为金融危机？
10月20日，在2026外滩年会“AI与生产率革命：技术跃迁下的宏观冲击”圆桌上，中国人民银行原行长周小川提醒，如此巨额的资金进入人工智能及相关基础设施，一部分投资失败，可能引发金融动荡，甚至酿成危机。他建议开展研究、做好预案，在政策工具箱中储备相应工具。
一天前，美国第70任财政部长、美国外交关系委员会名誉联席主席罗伯特·鲁宾，在与北京大学国家发展研究院院长黄益平的对话中，对这一风险给出了较低的概率判断。他认为，美国大型银行资本较为充足，出现系统性金融问题的可能性很低。不过，个别企业仍可能陷入困境，拖累经济增长。他也承认，自己的判断可能有误。
10月19日至22日，我在上海参加了2026外滩年会。本届年会由中国金融四十人论坛（CF40）与清华大学联合主办，主题为“科技、地缘与全球经济”。关于AI的讨论中，一个问题反复出现：即使这项技术确实能提高生产率，今天投进去的钱，是否都能收回来？
虽然近年来，关于 AI泡沫的讨论从未停止，但这次参会，我感受到一个变化是，讨论不只停留在“AI有没有泡沫”，也开始追问，如果一部分投资失败，应当如何应对。
目前，大型科技公司的资本开支还在扩大，云业务收入也在增长；与此同时，部分AI基础设施企业的债券已经承压。需求增长能否带来足够的收入，覆盖持续扩大的投入，正在接受检验。
更进一步，如果收入迟迟无法兑现，投资损失会由谁承担？它会止于企业和投资者，还是可能扩散到金融体系？
01
AI改变世界，模型公司未必赚到钱
过去几轮科技投资留下了一种期待：率先建立优势的公司，有机会占据市场，并长期获取高额利润。但AI是否会重演这个过程，尚无定论。
10月20日，哈佛大学教授、美国白宫经济顾问委员会原主席杰森·弗曼（Jason Furman）在年会一场圆桌上提出，AI竞争可能不会复制平台互联网时代“赢者通吃”的格局。
他的理由很直接：用户今天可以使用ChatGPT，明天换成DeepSeek。对企业来说，模型能力也并非越强越好。如果能力超出实际需要，成本更低、响应更快的轻量模型，反而更有吸引力。
按照这一判断，领先的模型不一定拥有足够强的定价权。随着竞争加剧，价格可能接近边际成本，甚至低于边际成本。
弗曼由此提出，即使未来全社会的生产率大幅提高，相关收益也可能无法被模型企业顺利变现。这缓解了他对垄断的部分担忧，却增加了他对科技泡沫的担忧。
这意味着，AI有用、客户愿意付费和供应商能够盈利，是三件需要分别验证的事。
更便宜的AI，可以帮助客户降低成本，但客户节省的钱，未必会成为模型公司的利润。如果用户能够方便地切换模型，供应商就很难仅凭曾经投入了多少资金，要求客户支付更高的价格。
同一天，在外滩年会另一场圆桌上，清华大学经济管理学院院长白重恩从另一个角度解释了投入为何难以停下。他认为，模型领域的竞争带有“军备竞赛”的性质。少数参与者都担心投入不足就会出局，因此持续加码。这种竞争未必能够带来有效的资源配置，模型领域可能存在过度投资，而支持应用的投入又可能不足。
两人的判断，指向了模型厂商面临的一种困境：为了留在竞争中，必须继续投入；但客户有更多选择，未必愿意为这些投入支付足够的溢价。
技术领先能够维持多久、客户愿意为它付多少钱，将决定厂商能否收回投资。模型能力的提升，本身无法回答这两个问题。
02
收入在增长，投入增长得更快
当前的投资扩张，有真实的需求作为支撑。中美科技公司的财报里，云服务收入仍在快速增长，部分业务的利润也在改善。
2026年上半年，Alphabet资本开支从上年同期的396亿美元增至806亿美元，增长约104%；同期Google Cloud收入从约259亿美元增至448亿美元，增长约73%。投入与收入都在扩大，但资本开支增长得更快。微软也呈现出类似变化。2026年4—6月，其购置物业及设备的现金支出约358亿美元，上年同期约171亿美元，增长约110%；同期Azure及其他云服务收入增长43%。
中国公司的财报，则更清楚地呈现了不同业务之间的分化。
阿里巴巴2026年4—6月资本开支达到676.78亿元，同比增长75%。按调整后的分部口径，AI云与算力服务收入增长45%至484.37亿元，经调整EBITA增长133%至56.28亿元。但同一季度，阿里AI实验室与应用分部收入只增长16%，经调整EBITA亏损从32.24亿元扩大至138.61亿元。公司将亏损扩大主要归因于AI能力投入增加，以及千问应用相关推理成本上升。在同一家公司，云服务的盈利改善与模型、应用的亏损扩大，同时发生。
百度也出现了基础设施与应用增速的差别。2026年第二季度，集团资本开支从上年同期38亿元增至113.9亿元，接近三倍；AI云基础设施收入同比增长50%至73亿元，AI应用收入则仅增长3%。
这些投入能否收回，要看未来几年客户会使用多少算力，又愿意支付多少钱。对于这两点，年会上的嘉宾并没有给出完全一致的判断。
白重恩在外滩年会上作出了一个区分：他对AI提高生产率持乐观态度，对模型开发公司的盈利能力相对没有那么乐观，但对数据中心服务需求更为乐观。
他以个人电脑作比较：买下电脑后，继续使用的边际成本接近于零；使用AI却仍有相当的边际成本。因此，随着应用发展，他认为未来仍有较大的投资需求。
白重恩还指出，模型领域可能存在过度投资，并不意味着AI产业的所有环节都投多了。在他看来，支持应用的基础设施投入仍显不足，芯片供应也是制约因素。如果供应条件改善，中国可能会增加对AI应用、数据中心及相关基础设施的投资；美国同样面临芯片供需不匹配的问题。
这解释了为什么模型企业利润承压，可以与数据中心需求增长同时发生。竞争可能压低模型价格，应用扩大却会带来更多计算需求。不过，即使客户需求充足，建设成本也未必能够保持不变。
高盛亚太区（除日本外）总裁施南德（Kevin Sneader）则将AI投资称为一把“双刃剑”。他认为，这轮资本开支能够提振亚洲经济，但也存在集中度和资源挤出问题。
施南德提到，建设AI基础设施正在吸收劳动力、能源和供应链资源。在存储芯片领域，资源向高带宽内存（HBM）倾斜，可能挤出其他类型存储产品的投资。在融资端，超大规模云服务商争夺资金，也是推动债券收益率上升的因素之一，但并非唯一因素。
他还提醒，受益于AI投资的经济体，如果过度依赖这一轮增长，也会更容易受到投资放缓或逆转的影响。
对数据中心项目而言，这意味着需求增长的同时，设备、电力和资金也可能变得更贵。能否收回投资，既取决于有多少客户，也取决于为了服务这些客户，需要付出多大的成本。
长期电力供应也是约束。ACWA Power全球执行副总裁兼中国区主席赛乐·阿里·哈卜提（Saleh Al Khabti）提出，AI热潮带来的一个重要问题，是能否获得价格低廉、长期稳定的电力。他指出，拥有能源资源与把电送到需求所在地，是不同的挑战，电网建设因此十分重要。
除了建设和运营成本，技术变化还可能改变未来需要什么样的算力。
周小川将AI相关投资分为三类：大模型及训练所需的算力、数据中心，AI应用，以及半导体、电力、液冷等支持行业。在他看来，生产率提升可能主要来自应用层。他特别提到轻量化模型——将大模型变小，使其能够部署到汽车、笔记本电脑或智能手机中；他也认为，蒸馏及更多AI应用可能带来生产率提升和投资回报。
但这些技术发展，也使今天的投资判断面临不确定性。周小川提醒，大量投资正在涌向数据中心，未来模型和应用会在多大程度上依赖数据中心算力，仍然存疑。
03
企业开始追问：用了AI，究竟赚回多少
AI投资还有一个难以回避的时间差：设备采购和基础设施建设需要先花钱，应用回报却未必很快出现。
清华大学校务委员会副主任杨斌在年会上分享了一个观察：春节后，一些初创企业还在鼓励员工多消耗token；到了下半年，关注点已经转向，这些消耗究竟带来了多少实际经济回报。
token是模型处理信息时使用的计量单位。调用量增加，能说明企业在尝试使用AI，却不能直接说明产品更快交付、客户付了更多钱，或者员工完成了更多有价值的工作。
杨斌指出，AI原生企业与成熟组织采用AI的难度不同。对于后者，组织和工作流程的重塑需要时间，也需要有耐心的资本。
白重恩同样认为，AI应用仍处于早期，要兑现生产率价值，还需要应用发展和企业管理重组，而这些变化并未在所有企业普遍发生。
他举了一个例子：原本需要五小时的工作，现在一小时就能完成，并不意味着人一定会把同一项工作重复做五次。节省的时间可能用于休闲或其他活动，未必完整体现在GDP中。
对使用者而言，AI带来的好处可能是减少加班，也可能是提高质量、增加产出。对供应商而言，只有能够形成持续付费的部分，才会进入收入。
企业还要计算采用AI的完整成本。一次模型调用便宜，不代表完成一项复杂任务就一定便宜。调用次数、工具使用、系统接入和流程调整，都可能增加支出。
因此，从“员工愿意用AI”到“企业能够靠AI获得稳定回报”，仍有一段距离。对于已经投入资金的供应商和投资者来说，这段距离要走多久，直接影响回款和融资安排。
应用最终可能成功，但如果收入兑现得太晚，企业仍可能在等待期间面临现金压力。
04
投资失败，什么时候会变成金融风险？
资本市场已经开始对部分风险重新定价。
10月15日，有外媒报道，部分数据中心和新型云服务商的债券承压，投资者担忧AI相关收入不足以覆盖建设和运营所形成的债务，其中CoreWeave债券收益率接近15%。
CoreWeave是一家专注于AI算力的美国云服务商，主要运营GPU集群，为客户提供模型训练、推理等所需的计算资源。这类业务需要先投入大量资金采购设备、建设基础设施，再通过提供算力服务收回投资。
债券收益率上升，反映出投资者要求更高的回报来承担风险，也可能推高企业后续融资的成本。对债权人来说，技术前景再好，也需要落到一个具体问题上：借款人能否按时付息还本？
如果损失主要由股东承担，首先发生的是估值下调和股权投资亏损。如果项目依靠债务融资，收入不足就可能影响偿债。风险能否继续扩散，要看谁借出了钱、承担了多少损失，以及这些机构之间有怎样的关联。
国际货币基金组织10月发布的《全球金融稳定报告》提出，AI投资及盈利表现如果弱于预期，可能引发相关资产价格回调；上升的杠杆和集中的风险敞口，可能放大调整。
这也是年会上不同风险判断的关键所在——不能只看模型是否继续进步，也不能只看资本开支有多大，更需要追踪的是，哪些企业依赖持续融资才能运转，客户承诺能否变成实际回款，以及损失最终落在谁的资产负债表上。
鲁宾认为系统性金融问题的概率很低，依据之一是美国大型银行资本较为充足。但他并未排除个别企业陷入困境，也承认相关冲击可能影响经济增长。
周小川强调做好预案，则是考虑到巨额投资一旦失败，后果可能超出企业自身，需要提前研究应对工具。
他说，技术演进过程中，部分投资成功、部分投资失败在所难免。“我们应当开展研究并做好预案，在政策工具箱中储备相应的政策工具，以应对这类动荡和影响。”
推荐阅读
田渊栋履新：联手多位AI大牛，6.5亿美元押注“会自我进化的AI”
| 一键关注,明天见 | 看完点个爱心点个赞 |