当下资本市场正以谨慎的目光审视人工智能领域的股权与债券投资 。技术进步、生产率提高与价值增值往往不是同步的，而如今正是一个关键的观察期
。

文丨FT中文网专栏作家黄小雨 、金涛

过去几年 ，人工智能在资本市场上首先是一个估值故事。投资者关心模型能力
、算力规模和未来市场空间
，芯片、云计算以及一批AI公司的估值也随之上升 。但进入2026年，一个新的变化越来越值得重视：AI基础设施投资正在更多借助债券和其他信用工具融资。英格兰银行7月发布的《金融稳定报告》显示 ，截至5月初，Meta 、Alphabet、Amazon
、Microsoft和Oracle五家AI“超大规模科技企业 ”已占美元投资级公司债年内发行量的15%以上
，2026年上半年的债券发行规模已经超过2025年全年
。路透社援引法国巴黎银行的数据称，截至8月10日 ，AI相关债券年内发行规模约为2200亿美元
，而上年同期仅为1250亿美元。与此同时，部分大型科技企业的债券信用利差开始扩大 ，投资者也开始要求更高的风险补偿 。

这当然不能简单理解为“AI泡沫即将破裂
”
。更值得注意的是
，AI投资的约束条件正在发生变化：过去资本市场主要检验技术想象力和增长空间，今后则会越来越多地检验资本回报率。

从估值故事到资本深化

理解这一轮AI投资潮 ，不能只把它看作技术创新
，还应把它看作一次大规模的资本深化 。重大通用技术真正转化为生产率，往往需要大量互补性投资
。电气化需要电厂和电网 ，汽车普及需要公路
，互联网需要通信网络和服务器，AI同样离不开芯片、数据中心 、电力和网络设施。经济学中所谓“生产率J曲线”讨论的正是这种现象：新技术出现后 ，企业往往要先投入资本
、调整组织和重构流程，生产率收益则可能在更晚时候才逐渐显现 。

这一点也使当前AI浪潮与上一轮以搜索、社交媒体和数字商业为代表的互联网扩张有所不同
。生成式AI表现出更强的资本密集性
，随着训练和推理规模扩大，对芯片 、服务器和电力的需求通常也会上升 ，尽管算法和硬件效率的改善会抵消一部分需求。其结果是
，市场仍习惯按照软件行业的高增长逻辑给AI定价，而企业的资产负债表却越来越呈现出基础设施行业的某些特征 。除了收入增长之外 ，折旧
、产能利用率、自由现金流和融资成本的重要性都在上升
。

真正的检验是资本回报率

从经济学上看
，AI投资最终仍要回答一个传统问题：投入资本所创造的回报，能否持续高于资本成本。如果AI能够显著提高劳动生产率 ，今天的大规模资本开支完全可能是合理的 。企业建设数据中心 、购买芯片
，本质上是以当前资源换取未来的产出能力。只要这些投入最终转化为更高的收入
、更低的成本和足够的利润，资本深化就会成为生产率增长的一部分
。

难点在于 ，投资发生在今天
，收益却要到未来才能验证。二者之间的时间差，在低利率环境中容易被忽视 ，而在当前美国实际利率明显高于2010年代里大部分时间的情况下，等待本身就变得更加昂贵 。资本成本越高
，远期现金流的现值越低，项目需要达到的最低回报率也越高
。因而 ，判断AI投资是否合理
，不能只看AI收入增长得多快，还要看为取得这些收入付出了多少新增资本。如果每增加一单位收入都需要持续扩大服务器、数据中心和电力投入 ，收入增长并不必然转化为股东价值 。

AI基础设施还存在一种特殊的经济折旧
。数据中心的建筑 、电网接入和土地可以使用很多年
，但其中价值比较高 的计算设备可能很快就面临技术迭代。一块芯片即使仍能正常运行，只要新一代设备显著降低单位计算成本 ，其经济价值就会下降；如果算法效率快速提高
，同样的任务未来需要更少算力，现有设备的稀缺性也可能下降 。由此形成一个颇有意思的矛盾：企业之所以愿意进行巨额投资 ，是因为相信技术会快速进步；但技术进步越快
，部分既有资本的经济折旧也可能越快
。

当AI融资进入信用市场

此前，国外的AI基础设施投资很大程度上依靠大型科技企业自身强劲的经营现金流。随着对资本的需求持续扩大 ，公司债
、私人信贷、资产证券化以及各种表外融资方式的作用正在上升 。英格兰银行已经注意到，AI融资正在向更广泛的信用市场延伸
，金融体系对这一投资周期的风险敞口也随之增加
。

要知道，信用市场与股票市场对资产进行审视的角度并不相同。股票投资者可以为很远的未来定价 ，债权人则更在意现金流 、债务期限和再融资能力 。特别是当长期债务对应的部分AI资产具有更短的经济寿命时
，期限错配和资产价值变化就非常值得关注。2026年以来，欧洲央行也注意到美国大型科技公司明显增加了欧元债融资
。部分超大规模科技企业的欧元债信用利差已经上升 ，显示投资者开始要求更高的风险补偿。不过
，近来 尚不能据此断言AI融资已经普遍“挤出 ”其他企业融资；更准确地说，随着科技企业在信用市场中占比的提高 ，这种潜在影响已经进入监管机构的观察范围 。

这也是为什么今天讨论“AI有没有泡沫”
，只比较科技股的市盈率已经不够
。更值得观察的是资本开支与收入的关系、自由现金流
、投入资本回报率以及信用利差。如果AI投资最终使资本回报率持续高于资本成本，当前的投资繁荣可以被理解为技术革命所需要的资本形成；反之 ，如果经营现金流长期不足以承担利息、资本更新和新增投资
，市场迟早会从讨论“算力是否稀缺
”转向讨论“算力是否过剩” 。

从算力投入转向投资效率

历史的经验提醒我们，技术价值和投资回报并不是一回事
。铁路 、电信和互联网的扩张过程中都出现过资本集中涌入和随后调整的阶段。19世纪铁路公司的大量破产并没有否定铁路的经济价值 ，互联网泡沫的破裂也没有终止数字经济的发展 。一个技术能够产生巨大的社会收益，并不意味着每一家参与投资的企业都能获得与之相称的私人回报
。对AI而言
，真正值得追问的也不是简单的“有没有泡沫 ”，而是社会生产率收益最终有多大 ，以及这些收益有多少能够转化为投资者可以获得的现金流。

这一点对中国资本市场而言同样重要 。过去几年
，模型
、芯片和算力基础设施一直是国内AI产业布局的重要内容
。2026年在继续部署超大规模智算集群、算电协同等新基础设施的同时，也明确提出推动重点行业人工智能商业化 、规模化应用。这意味着 ，随着AI从技术突破进入到产业应用阶段
，相应的评价标准也应逐渐从“投入了多少
”转向“产出了多少” 。

对企业而言，算力首先是一项生产投入 ，而不是最终经济产出的指标。数据中心建成
、服务器购入
，固然形成了资本，但并不意味着一定会产生与投资规模相匹配的生产率和现金流回报
。未来资本市场真正需要回答的 ，仍是一些并不新鲜的问题：企业投入了多少资本
，形成了多少可持续的现金流，投入资本回报率能否长期高于资本成本？

技术革命需要想象力启动 ，但不能永远依靠想象力融资。当AI从实验室走向资产负债表，从股票估值进入债券定价
，它也就开始接受所有大规模投资最终都无法回避的检验——资本回报率 。

黄小雨，武汉理工大学经济学院特岗教授 ，中国首席经济学家论坛人工智能与资本市场研究院特聘研究员
，清华大学五道口金融学院应用经济学博士，曾任对外经济贸易大学金融学院长聘副教授
。主要研究领域为宏观金融、资产定价 、货币政策与中国经济等 ，主持国家自然科学基金青年项目
、教育部人文社会科学青年基金等科研项目
，入选武汉理工大学“15551 ”青年拔尖人才。

金涛，美国罗切斯特大学数学博士 ，哈佛大学经济学博士
，“高黎数学
”创始人，清华大学恒隆房地产研究中心研究员、中国金融学会理事 、北京雁栖湖应用数学研究院访问教授
、中国首席经济学家论坛人工智能与资本市场研究院副院长 。原清华大学五道口金融学院副教授、美国联邦储备银行波士顿分行研究员 、美国国家经济研究局研究助理
。金涛教授也是微信公众号“高黎数学”、“金岩询问  ”与“新世说
”的主理人。

本文仅代表作者本人观点

责编邮箱 tao.feng@ftchinese.com

图片来源 Getty Images