左脚踩右脚攀登云梯上天宫

阳光的xinsheng

一觉醒来，英伟达放出了一则重磅消息。

联合阿波罗、贝莱德、黑石、博枫、高盛以及KKR等六家华尔街巨头，准备搭建一个规模高达5000亿美元的AI算力融资平台。

听起来有点魔幻，GPU生意做得好好的，转头却开始为客户搭建融资渠道了。

为这事儿我和华尔街的朋友聊了一下，发现他们与国内市场对此的看法完全不同。

先把实际情况讲清楚。

国内报道的是英伟达要成立一只规模达5000亿美元的平台，这个说法是不对的，真正的情况是要做六个或更多独立融资平台。而且这5000亿美元也没有真正募集到，只是计划撬动超过5000亿美元的第三方资本。

而且最有意思的是，目前项目只是推进到签署备忘录的环节，还没有达成最终协议。那么所谓六家机构的出资承诺，自然也不属实。

交流下来，可能的运转方式是这样的。

项目建设初期，可以先引入基础设施股权和优先股，由股权资本承担较高的建设风险和第一层损失；在此基础上，再叠加私募信贷、设备贷款和项目融资。

对于GPU等价值较高、相对标准化的设备，还可以采用GPU抵押融资或融资租赁，让项目方不必一次性支付全部采购成本。

等到数据中心建成投产，并与AI实验室、云服务商或大型企业签订长期算力合同后，未来的租金和使用费便会形成持续现金流。这些现金流还可以进一步打包成债券或证券化产品，出售给保险公司、养老基金和其他长期资金。

整个过程中，英伟达扮演的角色，从单纯的设备供应商，变成了劣后风险承担方。

对于采购英伟达设备的客户而言，获得算力的方式，将由直接购买设备转为租赁设备或算力服务。

简单来说，就是将原本需要一次性投入的巨额资本开支，转化为更易承受的分期租赁或运营支出。

这样一来，客户得到算力，英伟达提前完成销售，金融机构获得利息和管理费，皆大欢喜。

是不是看上去很完美？

可问题是，这种循环融资的持续性到底有多强。

从表面看，英伟达提供担保或融资渠道，下游数据中心和大模型公司获得资金，再用这些资金采购英伟达GPU，英伟达由此确认收入，并继续推动下一轮融资。

芯片订单不断增加，数据中心建设持续提速，英伟达的收入也随之增长。

但如果这些需求主要依靠融资推动，而不是来自稳定的终端需求，那么整个增长链条就会越来越依赖资金持续流入。

如果出现这种恶劣情况，英伟达最终会变成房地美吗？

是有这种可能的。

房地美当年之所以会出大问题，不只是因为撮合资金，还同时做了两件事：购买和持有住房抵押贷款，以及为抵押贷款证券提供信用担保。

当时市场普遍认为，房地美作为政府支持企业，一旦出问题，美国政府不会袖手旁观。这种隐性政府担保降低了房地美的融资成本，却也鼓励其以较少资本承担巨额风险。

当房价下跌、贷款违约率上升后，由于不同资产之间的相关性被严重低估，大量资产同时恶化，最终迫使美国政府在2008年将房地美置于接管状态。

现在的英伟达虽然还没有到这个地步，但也已经初见端倪了。

本来英伟达这家企业就和华尔街巨额资金、老美尖端科技、大量美国老百姓养老金和金融资产高度挂钩，已经具备了“大到不能倒”的特征。

未来如果真的出现AI产业连锁危机，老美政府和美联储很难袖手旁观。

关键在于两三年后，AI应用发展到什么程度，能不能真正赚到大钱。

融资只能解决“今天有没有钱买GPU”的问题，却无法保证“明天有没有钱还债”。

华尔街可以把资金送到AI公司手里，英伟达也可以借此提前锁定订单，但这些钱最终都要靠AI应用产生的现金流来偿还。

如果未来两三年，AI应用顺利落地，企业愿意付费，普通用户也形成稳定的使用习惯，那么整个链条就能形成正向循环。

反过来，如果收入迟迟上不来，支出却一天都不能停，企业的现金流只会越来越紧张。为了维持运营，那些举债的科技公司只能硬着头皮继续融资，用新借来的钱偿还旧债，再用下一轮融资填补这一轮的缺口。

到那个时候，整个融资链条会逐渐演变成一个债务黑洞。

一切的问题的核心，全都在于有没有人最后为AI买单。

往后看，引领AI新叙事的会是什么呢？

目前说法比较多的是RSI。

注意，这个RSI可不是那个看K线用的相对强弱指标，全称叫Recursive Super Intelligence，递归超级智能。

它与传统模型训练方式的最大区别在于：过去人来准备数据、设计规则、调整算法，再根据模型表现决定下一步怎么改。未来将逐渐变成模型参与训练和改进模型。

不明白没关系，看这张图就好了，至少是L3级别。

这样发展，RSI会带来两类需求。

一是训练本身需要更多算力。

过去增加算力投入，主要是为了训练更大的基础模型，或满足持续增长的推理需求。RSI则增加了一个新的需求来源：模型为了持续改进，需要不断进行实验、反馈和再训练。

这意味着，模型训练可能不再是完成一轮后暂停、等到下一代模型开发时才重新启动，而会变成持续进行的过程。训练频率提高、实验数量增加，都会推高对GPU、数据中心和算力服务的需求。

二是更强的模型可能创造新的应用。

当前市场的一项担忧是，办公辅助和Coding Agent的渗透率会不会逐渐接近阶段性天花板。如果AI主要用于写代码、整理材料和回答问题，那么应用增长迟早会遇到边界。

但AI需求具有明显的“能力突破带动应用扩张”特征。模型能做什么，决定了市场会出现什么样的产品。

未来更可能出现类似互联网浪潮爆发时的情况：不是先有明确的市场需求，再开发相应模型，而是模型能力先向前迈一步，进而催生过去无法实现的新产品和新场景。

对投资而言，逻辑也就清晰了：要么押注训练需求扩张，要么押注应用需求释放。

前者交易的是硬件，后者交易的是软件。

从A股角度看，AI的交易更有意思。

当美国开始核算投资回报、韩国关注存储周期、A股资金纠结交易拥挤度时，大家突然发现，AI赚钱好像没有之前容易了，要真真正正拿出结果说话。

沿着这一标准推演，会得出一个与正常思路完全相反的结论：我们在AI领域的竞争力越强，科技股的想象空间反而越小。

原因并不复杂。我们正在从模型、芯片、存储到光模块等多个环节加快突破。技术突破和扩产的速度越快，由稀缺性带来的超额利润就越容易被压缩。当我们的产能上来，和国外公司拼制造业优势的时候，没人能扛得住我们的工业碾压。

在这种背景下，布局国产算力仍是长期逻辑，但依靠稀缺性获得高毛利和超额利润的机会，反而会逐渐减少。