技术路线如何重写资本结构

编辑与定点技术核查：2026 年 9 月 5 日（非全量事实更新）

下一轮 AI 信用事件，未必从模型公司“破产”开始。它可能从一条没有按时送电的变电站、一批交付时已接近换代的 GPU、一个被迫降价的推理合同，或者一笔看似没有重新计息、却在到期日找不到接续资金的固定利率债务开始。

这正是技术路线进入金融学的时刻：芯片架构的改变不再只改变每秒计算量，而是改变收入何时开始、现金流能否被承认、抵押物还能卖给谁、贷款人愿意预付多少，以及谁最终承担整个系统的尾部损失。

执行摘要

本报告的核心判断是：AI 基础设施的融资对象已经从“GPU 数量”转向“可被客户验收、可持续通电、能够产生 SLO 内合格任务的容量—时间—信用包”。 一个计算系统只有在芯片、HBM、封装、互连、软件、机架、冷却、电力、客户合同和验收同时闭环时，才从资本开支变成可融资生产资产。

美国 AI 产业正在形成一套分层的资本结构：模型公司用股权、可转债、战略投资和长期云采购获得跑道；科技巨头用预付款、租约、最低采购、保证和投资级信用把未来需求加工成合同现金流；GPU 云和数据中心运营商把 GPU、园区、电力和合同装入 DDTL、设备贷款、三净租赁、项目票据、私募信贷和 ABS；芯片供应商再以战略股权、权证、残值保证、定制 ASIC 订单和融资平台参与资本形成。BIS 对 AI 基础设施表内外借款的观察、S&P 对 GPU/数据中心证券化的研究，均指向同一变化：风险不是消失，而是在公司、SPV、供应商、客户、贷款人和保险资本之间重新分层。BIS：Financing the AI infrastructure boom｜S&P：Equipping Data Centers Through Securitization

技术变量对融资并非单向利好。效率提升可以让既有同代设备在软件优化后完成更多任务；降价与新产品也可能扩大任务量；新一代硬件又会压低旧设备租价和残值。但这三条通道不能混在一个“效率系数”里：任务量、所需算力、设备等效容量、MW 和收入是不同单位。 新一代 GPU 的能效也不会无成本地改善旧 GPU 的经营现金流；只有完成新增资本开支、安装、调试和客户验收后，新资产的效率才进入项目现金流。

本报告提出三条核心命题：

真正被融资的是合格任务，不是峰值 FLOPS。 只有芯片、内存、互连、软件、冷却、电力、合同和验收同时闭环，资本开支才成为可承保产能。
技术进步会造成现金流与抵押价值分化。 同代软件优化可以改善既有资产 CFADS；硬件换代则需要新资本，同时可能压低旧 GPU 租价、处置价值和借款基础。
对多数在建项目，time-to-power 比峰值性能更接近硬约束。 芯片晚到会延迟收入，电力晚到则会让已到芯片在计息中衰老。

本报告据此建立一套技术—金融弹性框架，回答五个问题：

训练、批量推理、实时推理和 Agent 工作负载如何形成不同的收入与利用率曲线；
模型效率、HBM/互连、芯片代际、液冷和电力瓶颈如何传导到投产时间与单位合格任务成本；
这些变量如何重写 CFADS、DSCR、借款基础、残值、再融资容量和担保项违约时风险暴露；
NVIDIA、Broadcom/AMD、超大规模云厂商、Neocloud、xAI/SpaceX 和能源项目的资本结构为何不同；
在生产率超级周期、纪律化扩张、融资断裂和政策重构四种工作情景中，哪些阈值会放大下行，哪些变量会造成现金流与残值分化。

本文中的四种情景是并列的条件推演，不赋予发生概率。交易金额严格区分已完成融资、承诺额度、合同价值、项目造价、估值、担保上限和非现金对价。

证据边界

[技术事实] 指原始论文、标准组织、政府机构或厂商一手披露能够直接支持的技术状态；厂商性能数据仍是厂商口径，不等于跨工作负载独立验证。
[交易事实] 指截至 2026 年 8 月 30 日可在公司公告、监管文件或明确标注的媒体报道中核对的交易状态与金额语义。
[结构推断] 指本报告从技术或合同事实推导出的现金流、抵押品和资本结构含义，不是来源文件本身的结论。
[条件情景] 指为了测试传导方向而设定的参数组合，不是现实预测，也不对应主观概率。

2026 年 9 月 5 日仅对关键技术来源、公式口径和中英文一致性做定点核查；交易事实仍冻结在 2026 年 8 月 30 日，不能把本稿描述为对所有公司、交易或技术状态的全量最新更新。

一、真正被融资的不是芯片，而是合格任务

1. 从峰值 FLOPS 到可承保产能

传统硬件分析常把 GPU 峰值 FLOPS、显存容量和采购价格当成产能代理。但贷款人购买的不是芯片宣传页，而是未来可以收回本金的现金流。更有意义的生产链是：

工作负载 → 模型/算法 → 加速器 → HBM/封装 → 互连/软件
        → 机架/冷却/电力 → SLO 内合格任务 → 客户现金

为了避免把任务、设备和利用率重复计算，本报告使用一条带单位的桥：

$A=\frac{D\times H\times a\times u\times y}{k}$

其中：

$A$ 是一个期间内完成且被客户接受的任务数；
$D$ 是标准化设备等效容量，不是 MW；
$H$ 是期间小时数； $a$ 是技术可用率； $u$ 是可用设备小时中被生产工作占用的比例；
$y$ 是每个占用设备小时产生的有效算力，已包含硬件、编译器、批处理和 goodput 的效果；
$k$ 是每个合格任务消耗的有效算力，若采用该口径，失败、重试、长上下文和工具调用的算力必须在这里计入一次。

如果任务量 $A$ 已由实际利用率反推，就不能再乘一次 $u$ ；如果 $y$ 已是 goodput，就不能再乘一次 goodput；如果 $k$ 已包含 token 长度与重试，就不能再把 token 或 retry multiplier 乘到设备需求上。MW 也不是任务单位：在给定系统功率下， $MW_{IT}=D\times kW_{system}/1000$ ，设施侧负荷再按定义乘以 PUE。报告只有在设备类型、平均功率和 PUE 均明确时，才把设备等效容量换算为 MW。EPRI 也明确区分名义 IT 容量、设施负荷与年度电量；公告 MW 不能直接当作已运行任务量。EPRI：Understanding Key Data Center Power Metrics

[结构推断] 任何一个物理或合同环节接近零，其他环节的增产都会被最短板吞掉。多买 GPU 不能修复并网延期；建成机房不能修复 HBM 缺货；拥有合同也不能替代验收。

2. 训练与推理已经是两类资本品

[技术事实] Google 在 2026 年 4 月发布的架构说明把 TPU 8t 定位于大规模预训练，把 TPU 8i 定位于采样、服务和推理；同日发布材料称两者将“soon”向 Cloud 客户提供，而不是证明当时已经全行业普遍可用。Google TPU 8t/8i 技术说明｜Google Cloud Next ’26 基础设施公告

[结构推断] 前沿预训练、持续训练、RL、合成数据和安全评测，是高滞后、高方差的能力生产资本；普通推理、检索增强、工具调用、视频生成和 Agent 服务，是更接近用量、SLO 和客户收入的能力消费资本。单一“AI 芯片需求”因而失去解释力，厂商性能仍必须按实际工作负载、软件版本和服务等级折价。

同一 GPU 池若能够在训练和多类推理之间迁移，其利用率、合同替代能力和残值通常更高；专用推理 ASIC 若只有单一锚定客户，则更像一项由长期承购支持的项目资产。训练合同不宜只按 GPU 小时融资，而应绑定模型里程碑、质量验收、后续推理收入和持续采购能力。

3. Agent 让推理需求成为期权，也让失败成本成为债务变量

Agent 的计量单位不应停留在 token。对已运行期间，更稳健的核算是：

$Cost^{accepted\ task}=\frac{Model+Retrieval+Tools+FailedAttempts+Human+AllocatedCapex}{N_{accepted}}$

如果前瞻模型改用 $Cost_{attempt}/P(task\ accepted)$ 的简化式，分子就不能再次包含已经显式建模的重试成本，否则会双计。

即使单步成功率达到 99%，连续 100 步的全链成功率在相互独立的示例假设下也只有 $0.99^{100}\approx36.6\%$ 。这只是数学示例，不是现实 Agent 的经验成功率。[结构推断] Agent 负载的金融价值取决于任务是否可验证、失败是否可回滚、人工接管是否可计价，而不仅是“自主运行了多少小时”。成功率提高会改善收入质量；重试率上升则像隐含电力和芯片超额消耗，侵蚀 CFADS。

二、技术路线进入资本结构的五条通道

通道一：模型效率 → 任务成本 → 价格与反弹

[技术事实] 量化、投机解码、连续批处理、PagedAttention、KV cache 管理和编译器优化可以在特定模型、硬件和服务目标下提高吞吐或降低延迟；论文中的基准结果不能直接当成任意生产集群的永久效率系数。vLLM/PagedAttention 论文｜Speculative Sampling 论文

为使需求反弹与设备需求不混淆，定义价格比 $r_p=P_1/P_0$ ，需求价格弹性的绝对值为 $\eta>0$ ，新任务/质量带来的任务量倍率为 $M_q$ ，每个合格任务算力强度比为 $m_k=k_1/k_0$ ，每设备小时有效算力提升为 $g_y=y_1/y_0$ 。在恒定弹性假设下：

$\frac{A_1}{A_0}=r_p^{-\eta}\times M_q$

$\frac{D_1}{D_0}=\frac{A_1}{A_0}\times m_k\times\frac{a_0u_0}{a_1u_1}\times\frac{1}{g_y}$

第一式给出任务量，第二式才给出设备等效容量需求。如果把价格传导写成 $r_p=g_y^{-\phi}$ ，则在其他变量不变时，设备需求比为 $g_y^{\phi\eta-1}M_qm_k$ 。这不是普遍规律，而是恒定弹性工作模型；较大价格变化不使用 $\eta\times\Delta P$ 的局部线性近似。

防双计规则是：反弹若已进入 $A_1/A_0$ ，不得再次乘到 $D_1/D_0$ ；Agent 步数、长上下文或视频负载若已进入 $m_k$ ，不得再放入 $M_q$ 或 $g_y$ ；利用率若来自任务排队数据，不得再被当成独立需求倍率。只有保持这些分母一致，才能判断效率提升最终减少设备、增加设备，还是只改变闲置和价格。

通道二：HBM、先进封装与互连 → 交付与利用率

[技术事实] AI 系统不是“先进逻辑裸片加总”。HBM 堆栈、2.5D/3D 封装、基板、网络接口、交换 ASIC、光模块、PMIC 和存储控制器共同决定系统是否能够上线。Micron 披露其为 Vera Rubin 设计的 36GB 12H HBM4 已于 2026 年第一季度开始量产出货；SK hynix 披露其 HBM4 于 2026 年第二季度开始量产出货，并计划下半年爬坡。这两项是厂商供应状态披露，不是所有客户、封装和整机均按时取得合格供给的证明。Micron HBM4｜SK hynix 2026 Q2

[技术事实] UCIe、CXL 4.0、UALink 1.0 和 Ultra Ethernet 1.0 的规范已经发布，分别覆盖封装内 chiplet、主机—设备一致性互连、加速器 scale-up 和以太网 scale-out 的不同层级。UCIe Specifications｜CXL 4.0｜UALink 1.0｜Ultra Ethernet 1.0

[结构推断] 规范发布本身不会提高贷款回收率。开放性只有在多厂商互操作、驱动、备件、运维责任和替代客户均达到商业成熟度后，才可能提高资产可迁移性与借款基础；过渡期反而可能增加软件适配、联调责任和故障域。

通道三：GPU/ASIC 与代际变化 → 残值与借款基础

通用 GPU 具有成熟软件、较大二手市场和跨任务迁移优势，适合设备债、承购支持贷款、租赁和 ABS；但其残值受新架构性能/美元、显存、互连、出口限制、机架兼容和二手市场深度影响。云厂商 ASIC 在稳定的大规模内部负载、编译器成熟和高利用率下可以拥有更低 TCO，却不宜把外部转售价值当作主要回收来源。

贷款人的借款基础可以用下列简化最小值表达；实际定义仍以具体贷款文件、估值政策和合格资产规则为准：

$BorrowingBase_t=\min\left(AdvanceRate_t\times OLV_t,\frac{PV(Firm\ CFADS_t)}{Required\ DSCR},Eligible\ Contract\ Capacity_t\right)$

OLV 是有序清算价值，不是账面价值；Eligible Contract Capacity 是按合同尾部、集中度、取消权和客户信用折算后的货币金额。[结构推断] 新芯片性能提升可能提高新资产经营现金流，却同时降低旧 GPU 的租价、OLV 和 advance rate。这是现金流—抵押价值分化，并可能在 LTV 或借款基础触发点形成下行非线性；本报告不在没有明确定义价值函数曲率时把它简称为“负凸性”。

通道四：功率密度、液冷和电网 → time-to-revenue

[技术事实] NVIDIA 的 DGX GB 系统指南给出 GB200/GB300 NVL72 机架约 120kW 的功耗口径；其 2026 年 8 月 800VDC 文章披露了从现有 AC 设施的混合式过渡到原生 800VDC 设施的路线。两者说明高密度供配电和液冷已是现实设计约束，但不证明所有存量设施已经具备该能力。NVIDIA DGX GB 硬件指南｜NVIDIA 800VDC

项目投产时间由最慢环节决定：

$TTR=\max(T_{grid},T_{transformer},T_{civil},T_{cooling},T_{chip},T_{network})+T_{commissioning}$

[条件情景] 若芯片先到而电力晚 12—18 个月，项目会同时承担资本化利息、库存与保管成本、租金起算错配、旧代际贬值和客户延期。这不是对任何具体园区工期的事实断言。

[技术事实] DOE 的数据中心资源中心把发电、输电升级、备用电源和大负荷灵活性列为扩容工具；EPRI 的相关研究也把数据中心负荷与电网协同列为系统问题。DOE Data Center Resource Hub｜EPRI Powering Intelligence

[结构推断] 电力风险不能简化为平均电价。小时级 firm power、并网队列、输电、备用、负荷可移性、需求收费和限电规则往往更决定项目 NPV。

通道五：供给最短板 → 资本开支与融资时钟

可交付容量不是各环节之和，而是：

$Q^{deliverable}=\min\left(\frac{Logic}{n_L},\frac{HBM}{n_H},Package,Substrate,Network,Rack,Power\right)$

当瓶颈从高端逻辑迁移到 HBM、先进封装、网络、液冷、变压器或电力时，非约束环节增产的边际产出可能接近零。融资市场却可能已经按整个项目成本提款、按承诺容量支付利息。这样便形成“资产在账上、收入在未来、技术寿命在流逝”的三重挤压。

三、弹性矩阵：阈值、分化与下行非线性

技术变量	对运营的第一传导	对资本结构的传导	阈值、分化与下行非线性
模型效率与量化	单任务成本下降、吞吐提高	既有资产 CFADS 可能上升；设备需求取决于反弹	任务量与设备需求可反向移动
Agent 步数、重试率	合格任务成本和峰值推理需求变化	收入、电力和人工成本同时变化	失败或人工接管超过阈值后，单位任务利润快速恶化
MoE/长上下文	活跃 FLOP、权重、HBM、网络和 KV cache 的组合变化	芯片数未必下降，内存/互连 capex 可能上升	内存或网络成为约束时出现离散降载
GPU 代际刷新	新系统 TCO 改善	旧设备 OLV、租价和 advance rate 下调；新 capex 上升	新资产现金流与旧资产回收分化
ASIC 份额	稳定负载单位成本下降	云商表内效率提高，外部残值降低	高利用率支持现金流；客户失配放大回收损失
开放互连成熟度	迁移和替代客户增加	回收率、保险可接受度、融资期限可能提高	过渡期适配成本先出现，成熟后可迁移性才兑现
HBM/封装良率	交付与系统吞吐	在制品、预付款和起租日期错配	瓶颈处小幅缺口可造成整机无法验收
功率密度与液冷	每 MW 产出提高	冷却/配电改造和残值分层	跨越设施改造阈值时 capex 与停机时间跳升
firm power/time-to-power	可运行容量与起租	CFADS、建设贷款、DSCR 同步变化	延误跨过流动性或完工测试日期时，下行非线性最强
合同可迁移性	客户退出后替代任务	合同尾部、step-in、回收率提高	替代客户不足时回收区间突然收窄
利用率与峰值预留	收入和能源成本	债务容量与更新储备	接近排队饱和时，尾延迟和违约金可能非线性上升

这里的“下行非线性”只表示越过验收、内存、冷却、DSCR 或再融资阈值后，现金流与损失的边际变化可能突然放大。只有在明确状态变量 $x$ 、价值函数 $V(x)$ 及曲率 $V''(x)$ 后，才应使用严格的凸性或负凸性术语；本报告没有估计这些曲率。

四、资本结构的重新写法：CFADS、残值、EAD 分开移动

1. 三种缺口必须分开

本研究将 AI 基础设施项目拆成三个不同的时钟：

施工期缺口： 完工前的股权、未提款建设贷、客户预付款或完工支持不足；
运营期缺口： CFADS 与储备金不足以覆盖现金利息和计划本金；
到期再融资缺口： 到期净债务超过按 CFADS、DSCR、利率、期限、合同尾部和市场可得性计算的再融资容量。

施工期缺口不自动等于违约，运营偿债覆盖合格也不意味着气球债务安全。[条件模型] 本研究既有条件模型中，DDTL5 未来四季度最低债务偿付覆盖率约为 1.5525，但在 2031 年第二季度仍出现约 6.20 亿美元再融资缺口；2031 年第二季度是模型探针时点，不是法律满期，贷款文件披露的法律满期为 2031 年 11 月 15 日。River Bend 的项目票据全摊还，没有基准气球，却把风险前移到 2027—2029 年建设、验收和租金开始；Lake Mariner 在固定票息下，利率冲击主要压低到期融资容量而不是当期利息。上述数字是条件路径的研究结果，不是对现实违约概率的预测。

借款基础下降也不自动生成同额再融资缺口。更完整的桥是：

$RefiGap_t=\max\left(0,DebtDue_t+Fees_t-NewDebtCapacity_t-DedicatedCash_t-CommittedEquity_t\right)$

债务余额取决于期间摊还、提前偿付和资本化利息；现金储备与已承诺增资会缩小缺口。设备刷新所需新 capex 是另一条资金用途，必须另算，不能既放进 DebtDue 又作为新项目成本再加一次。

2. 技术路线如何改变 CFADS

项目 CFADS 不应只写成“容量 × 租价”。更现实的桥是：

$CFADS=(A\times Price)-Power-Opex-Maintenance-RefreshReserve-Tax$

其中 $A$ 是前文定义的合格任务，不再额外乘 token、重试或利用率；Power 受 PUE、功率密度、firm power、燃气/电网和客户传导条款影响；Maintenance/RefreshReserve 必须包含设备刷新、液冷维护、网络备件和合同要求的储备。

必须区分两类效率：

同代软件效率。 编译器、量化、批处理或缓存管理可在既有设备上改善吞吐，但仍有工程投入、验证、停机、质量回归和价格传导成本；只有净收益进入既有资产 CFADS。
新代硬件效率。 新 GPU 的每任务能效不会无成本惠及旧 GPU。它只有在新 capex、交付、供配电/冷却改造、安装、调试和验收后才进入新资产或合并项目的 CFADS；与此同时，旧资产租价和回收价值可能已下降。

3. 残值是路径变量，不是折旧率

GPU 处置价值由任务留存、软件兼容、显存、网络、机架和冷却适配、出口管制、二手市场、拆卸与再部署成本共同决定。新代际发布是一个状态转换：新设备提高每 MW 产出，同时可能压低旧设备的租价和出售价值。将“技术进步”统一设为残值正向变量，是对贷款人最危险的误读。

新 capex 与旧回收必须形成两个账户：旧资产回收进入原债务的偿付来源，新资产 capex 与其可借款基础进入刷新融资来源。除非交易文件存在交叉抵押、出售回租或明确的现金转移，两者不能自动净额相抵。

4. 担保项的违约时风险暴露不是最终损失

担保名义上限不能直接当作债务或预期损失。对在触发后按缺口赔付的担保，可用下式表达合同性暴露：

$EAD^g_t=I^{active}_t\times I^{triggered}_t\times\min\left(Cap_t,\max(0,CoveredMinimum_t-EligibleRecovery_t)\right)$

EAD 是违约时风险暴露：它描述在激活与触发条件满足时，担保项可能形成的合同性赔付额；它不是最终风险、预期损失或系统损失。证券持有人的最终损失还取决于资产回收、担保可执行性、保证人自身信用、付款时间和其他支持；保证人的经济损失还要考虑代位权与后续回收。

如果多个项目由同一科技巨头或芯片商支持，应按共同需求、共同 GPU 代际和共同电力节点聚合。信用保证可以有两条作用路径：一条只是把损失从证券持有人转给保证人；另一条是在资金及时、可执行且治理有效时，避免流动性驱动的停工，维持维护、供电和客户服务，为替代租户或设备迁移争取时间，从而提高持续经营价值并降低真实经济损失。第二条路径不是普遍守恒定律，必须用停工概率、恢复时间、增量运营成本和回收价值验证。

五、现实案例：芯片商正在成为信用组织者

1. NVIDIA—SB Energy—OpenAI：残值保证把供应商放进项目资本栈

[交易事实] 2026 年 8 月 17 日，NVIDIA 与 SB Energy 披露 PORTS-Pike 安排：初始约 4.25GW IT 负荷、OpenAI 关联承租人、20 年租约链条，NVIDIA 初始累计付款义务上限为 1050 亿美元；另有约 3.8GW 选择权尚未行使。保证通常在建筑 ready-for-service、租约开始后逐栋激活，首批预期自 2028 年起。NVIDIA 同时宣布向 SB Energy 投资 15 亿美元，SB Energy 与 SoftBank 计划建设至少 10GW 发电并通过 AEP Ohio 投资至少 42 亿美元区域电网。NVIDIA 项目公告｜NVIDIA 8-K

1050 亿美元不是当天收到的贷款，也不是 NVIDIA 对 OpenAI 的现金投资。触发后，NVIDIA 通常支付最低租赁价值与替代租约或处置回收之间的缺口；OpenAI 的补偿义务在其自身违约时必须折价。S&P 的评级调整已按逐栋激活和评估回收把该安排作为经济杠杆处理，公开分析显示调整债务口径约从 2028 年的 42 亿美元升至 2031 年的 377 亿美元后递减。S&P：NVIDIA/SB Energy rating action

[结构推断] 这是一种供应商主导的项目融资增信：NVIDIA 用信用和可能的设备生态收益降低项目资本成本，开发商承担土地、电力和建筑前置风险，租户提供未来现金流，债权人取得残值和支持层。若支持在早期缺口时及时到位，它还可能通过避免停工保存项目价值。但错误方向风险同样清楚：如果 OpenAI 需求、NVIDIA 设备销售和园区转租价值同时恶化，保证人的盈利、抵押物和履约能力会同向变差。

2. Broadcom：定制芯片融资的抵押品更窄，分层更深

[交易事实] Broadcom、Apollo 与 Blackstone 在 2026 年 6 月公布约 350 亿美元 AI XPV 初始资本方案，支持 Anthropic 相关的一 GW 以上算力。8 月报道又称其讨论约 700—800 亿美元的更大分层债务包，但截至本报告事实基准日仍未见 Broadcom 的最终 SEC 或公司交割文件。因此，700—800 亿美元只能作为市场报道的谈判范围，不能与 350 亿美元相加，也不能写成已完成融资。Apollo 350 亿美元资本方案｜CNBC 报道

[结构推断] Broadcom 模式若按报道落地，将与 NVIDIA 的园区残值保证形成对照：前者更接近为定制 XPU、采购、客户合同和项目资产组织高级债、次级债及可能的供应商支持；其回收更依赖客户持续使用专用芯片、软件栈迁移成本和次级层吸收损失。定制 ASIC 越高效、客户越稳定，经营现金流支持越强；客户改用 GPU 或自研芯片时，设备专用性会非线性放大残值风险。

3. AMD、Marvell 与 Google：权证把采购变成资本成本

[交易事实] AMD 与 Anthropic 已宣布最高 2GW 的 MI450 系列部署，并包含最高 50 亿美元未来股权投资；这是一种“供应商设备 + 客户采购 + 里程碑股权”的混合结构，不能把未来投资自动计入当期现金。AMD—Anthropic

Marvell 则向 Google 发行最多约 5897 万股权证，初始行权价约 206.58 美元，部分权证按合格收入分档归属，全部绩效权证需要累计约 1200 亿美元合格收入。机械行权金额不是当前投资，权证公允价值也不是融资流入；它的经济实质是供应商以未来稀释换取长期定制芯片需求、客户锁定和生态地位。Marvell 8-K｜Marvell 权证附件

[结构推断] 这类权证是技术路线的金融化：当客户从 GPU 转向定制 ASIC，采购量、芯片收入、供应商估值和稀释义务被绑定在一起。技术成功可能提高供应商权益价值，却增加现有股东稀释；技术失败则可能让权证不归属，但把定制开发成本留在供应商一侧。

六、超大规模云与能源层：把需求信用和电力信用拆出来

1. AWS、Google、Microsoft、Meta 和 Oracle 的不同位置

[交易事实] Amazon 与 Anthropic 的安排包括当前 50 亿美元投资、最高 200 亿美元未来里程碑投资，以及 Anthropic 十年内超过 1000 亿美元的 AWS 技术支出承诺。其经济闭环是：Amazon 提供股权和 Trainium/Graviton 能力，Anthropic 采购 AWS，Claude 再经 AWS 分发；1000 亿美元是未来支出，不是 Anthropic 已收到的融资。Amazon 公告｜Anthropic—Amazon 扩展合作

Google、Broadcom 与 Anthropic 的多 GW 下一代 TPU 合作，以及 Google 的 TPU 8t/8i 分化，说明云厂商可以用自研芯片把性能、编译器、网络和数据中心协同优化；但 ASIC 的外部残值较弱，更适合云商表内资本、长期内部负载或强承购项目，不适合只依赖二手转售的设备贷款。

Microsoft—Constellation—DOE 的 Crane 案例则把长期 PPA、政府贷款和核电重启组合起来：Microsoft 20 年 PPA 已签，DOE 已关闭 10 亿美元贷款，835MW 机组仍取决于许可、工程和预计 2028 年上线。PPA 把未来电力需求资本化，DOE 贷款提供期限，但它不是政府赠款，也没有取消重启和超支风险。Constellation Crane｜DOE Crane Restart

Meta、Amazon、Google 对核电、先进核能和清洁能源的投资同样表明：电力正在成为单独的融资层。电力就绪权、并网队列、PPA、备用发电和电网升级可以在 GPU 到货前获得资本，但远期 MW 不能抵扣近期 time-to-power。

Oracle 的公开业绩披露则展示了另一种“客户出资 GPU + 公司债务”的组合：2026 财年披露约 430 亿美元债务、50 亿美元股权筹资及约 750 亿美元客户预付或客户自供 GPU 支持。关键不是把这些数字加成“Oracle 融资额”，而是拆分公司债、客户合同负债、资产所有权和交付责任。Oracle FY2026 业绩

2. Neocloud：投资级来自结构，不来自标签

CoreWeave 已完成 85 亿美元投资级 GPU 支持 DDTL，并完成 31 亿美元公开银团 HPC 支持融资；Lambda 的 9.26 亿美元高级担保 TLB 定价为 Baa2、SOFR+300bp、2030 年末到期并全额摊还。它们说明贷款人需要的是投资级承购、明确提款条件、可直接介入、快速摊还和资产/合同双重回收，而不是运营商名称本身。CoreWeave 85 亿美元融资｜Lambda TLB

CoreWeave 另有较高利差的 DDTL 结构，其客户合同平均期限短于贷款期限，贷款人实际上承保合同到期后的再签约、GPU 迁移和租价。资产支持贷款因此已经形成多档信用光谱：同样写着“GPU-backed”，可能是投资级项目债、非投资级 DDTL、HoldCo 夹层或短期过桥，不能用一个行业倍数定价。

3. 一个带单位的弹性穿透例：为什么效率提升不等于少借钱

[条件情景] 设一个项目拥有 100MW 已通电 IT 负荷，初始配置为同一代通用 GPU，付费占用率 $u_0=65\%$ ，每个被占用 MW-year 可交付 100 个合格任务单位，任务价格为 1，年电力与运营成本为收入的 45%，设备与配套原始资本开支为 100。基准任务量为 $100\times65\%\times100=6,500$ 个任务单位。以下都是研究示例，不是任何真实项目的预测；比率计算中可用率和利用率保持不变，因此不再额外乘一次 65%。

第一步：只看既有同代设备的软件改善。 若编译器、量化和批处理使每占用设备小时的有效算力提高 30%，即 $g_y=1.30$ ，完成同样任务所需的设备等效容量为 $1/1.30=76.92\%$ ，理论降幅 23.08%。如果项目保留全部设备，任务能力上升；但 CFADS 是否改善仍要扣除工程投入、验证、停机和价格传导，不能把软件效率称为零成本收益。

第二步：使用恒定弹性的精确反弹。 若单位价格从 1 降至 0.8，需求价格弹性绝对值 $\eta=0.8$ ，且不另设新任务倍率，则：

$\frac{A_1}{A_0}=0.8^{-0.8}=1.1954$

任务量增长约 19.54%。20% × 0.8 = 16% 只是小变动下的局部线性近似，本例不采用。把任务量除以 30% 的效率提升后：

$\frac{D_1}{D_0}=\frac{1.1954}{1.30}=0.9195$

所以减少约 8.05% 的是设备等效容量需求，不是任务量。如果 Agent 步骤、长上下文和视频任务使每个合格任务的独立算力强度提高 25%，且这一复杂度尚未包含在任务量或效率中，则：

$\frac{D_1}{D_0}=\frac{1.1954\times1.25}{1.30}=1.1494$

设备等效容量需求转为增长约 14.94%。反弹、复杂度和效率各计一次；若观测到的 $k$ 已包含重试或长上下文，就不再乘 1.25。

第三步：把旧资产经营与新资产刷新分开。 假设新一代 GPU 每任务能效提高 40%，同时旧 GPU 租价下降 35%。未刷新分支中，旧设备得不到 40% 能效提升，却承受租价与 OLV 下跌，旧资产 CFADS 可能恶化。刷新分支中，40% 改善只有在新设备 capex、供配电/冷却改造、安装、调试与验收完成后才进入新资产 CFADS；刷新期间停机、资金成本和新旧设备处置也必须扣除。不能把新设备效率作为旧抵押物的无成本经营利好。

第四步：再融资缺口必须列出债务与资金来源。 为隔离借款基础效应，假设刷新时点为第 2 年末：原始 capex 为 100，原债务余额仍为 70，因为这两年是只付息、无计划本金摊还；专用现金储备为 0，已承诺新股权为 0，交易费用忽略；旧资产在租价与 OLV 下调后的新债务容量为 50。此时才有：

$RefiGap=70-50-0-0=20$

这 20 是上述特定假设下的旧债再融资缺口，不是“借款基础从 70 降到 50”自动生成的会计恒等式。若第 2 年末债务已摊还至 60、另有 5 的专用现金，其他条件不变，缺口只有 5。购买新一代设备的新增 capex、其新借款基础和新股权来源必须另列，不能包含在这 20 里。

第五步：把设施改造和时间放回模型。 若高密度机架使冷却和配电追加资本开支 15%，但送电晚两个季度，收入开始日推迟、资本化利息增加、旧设备在等待期间继续贬值。此时最小约束是 time-to-power；项目的性能/美元提升不能抵销两个季度零收入。贷款人应分别观察 设备到货—通电—验收—起租—摊还 五个日期，而不是只看交付发票。

这个例子说明，真正值得建模的不是“效率提高 30%带来多少 capex 节省”，而是至少五个同时变化的量：任务量、每任务算力、设备/每 MW 有效吞吐、旧设备 OLV、首次正 CFADS 的时间。它们的方向可以相反，并在 DSCR、冷却、合同尾部和再融资窗口处产生下行非线性。

七、xAI/SpaceX：集团股权替代单体信用，但不等于风险消失

[交易事实] SpaceX 与 xAI 的全股票重组、200 亿美元过桥和 250 亿美元长期债券显示，集团可以用更大的股权和债务池替代单一模型公司的融资约束。SpaceX—xAI 合并协议｜SpaceX 过桥贷款披露｜SpaceX 250 亿美元债券

8 月 14 日，SpaceX 又以股票完成对 Cursor 的收购，隐含股权价值约 600 亿美元；这不是新增现金融资，而是以母公司股权把目标公司的成长、员工留任和估值风险传递给 SpaceX 股东。SpaceX—Cursor 8-K

更重要的是，SpaceX 披露部分 Valor 关联 AI 硬件售后回租因不满足出售条件而作为融资处理，相关融资债务约 133.29 亿美元。交易名称是 sale-leaseback，不代表经济上已经把资产出售并脱离资产负债表。对 AI 集团而言，真正的分析对象是：哪一层拥有硬件，哪一层承担租金，哪一层有法律追索，哪一层依靠公开股权支持，而不是并购标题中的估值。

[结构推断] 这类集团资本的优势是融资选择权更大，可以把航天、卫星、云、模型和开发工具放进同一个股权市场；弱点是共同股价、共同流动性和关联交易使风险重新聚合。集团信用替换了单体信用，却没有创造额外终端 CFADS。

八、四种未来工作情景：情景不是概率

本报告并列使用生产率超级周期、纪律化扩张、融资断裂与资产重组、政策与地缘重构四种条件情景，不为它们赋予发生概率。研究重点是每种技术—金融组合在什么条件下切换，以及风险先从哪一层资产负债表显现。

情景 A：生产率超级周期

Agent、代码、科学、广告、机器人和企业流程产生可计价生产率，终端客户愿意为推理支付；同代软件效率与新代硬件投资分别转化为更高付费利用率和更低单位成本，模型公司毛利快于算力价格下降。科技巨头保证较少被调用，项目由经营现金和长期资本接替短期仓储，GPU、TPU、Trainium、AMD 平台和定制 ASIC 同时受益。

金融上最先上行的是可运行电力、标准化数据中心、可迁移 GPU、网络/存储和模型优化软件；最容易被低估的负面是新架构刷新会同时提高新资产经营效率、压低旧 GPU 残值。繁荣期越强，越不能把长期残值当成永续资本，应在高利用率时快速摊还设备债。

情景 B：纪律化扩张

终端 AI 收入持续增长但低于最乐观资本计划；科技巨头继续投资，却把资金集中到电力确定、客户强、可多用途的项目。融资市场开放但严格分层：投资级承购项目进入银行、保险和 ABS，弱客户项目要求更厚股权、更高利差和更短摊还。

这一情景下，最有价值的不是最大 backlog，而是把公告 GW 按时变成已通电、已验收、已产生 CFADS 的 MW。Neocloud 发生并购，强平台吸收有电力或合同但缺资本的项目；固定租赁、最低采购和保证被资本市场按经济杠杆重新计价。

情景 C：融资断裂与资产重组

终端需求仍增长，但低于资本计划；推理价格下降快于成本，旧 GPU 租价下降，多个项目在相近年份需要再融资，电力或建设延迟又推迟收入。客户削减可选容量，Neocloud 股价和可转债受压，私募基金仓储线收紧，ABS 市场暂时关闭。

传导顺序通常是：利用率下降 → 租价下降 → 可转债不转股 → 旧 GPU OLV 下调 → LTV/advance rate 触发 → 资产出售和项目重组。首先受损的是开发商普通股、权证、高估值私募股权和依赖终值的设备债；有强客户、快速摊还、明确 step-in 和真实电力的高级债回收更好。可执行保证若及时阻止停工，也可能改善持续经营回收，但不能假定它总能抵消共同需求、共同技术代际与保证人自身信用的相关性。

情景 D：政策与地缘重构

出口管制、数据主权、能源监管、CHIPS 资金、外资审查和公用事业费率改变可用技术和资本成本。政府贷款、股权和里程碑补助可能降低先进逻辑、封装、核电和电网项目的早期资本成本，但国内采购、许可、数据隔离和电力稳定性要求也会增加建设成本。

此情景的核心不是“政策利好或利空”，而是资本结构按法域分裂：某些 ASIC、GPU、HBM 和云容量拥有政策溢价，另一些设备的出口和二手流动性被折价；拥有本土电力、制造和政府承购的项目更容易获得长期资本，跨境、单一客户和专用架构项目的回收区间收窄。

九、监测信号：把技术路线接到市场价格

未来季度更新不应只记录融资新闻，而应跟踪以下可观察变量：

任务口径： 合格任务的定义、任务数与每任务 token/步骤/工具调用，避免把 token 增长同时计入任务量和复杂度；
训练/推理比例： 预训练、推理时搜索、Agent 和视频任务在总设备小时中的变化；
单位合格任务成本： 模型、检索、工具、失败尝试和人工接管后的真实成本；
有效利用率： 分训练、批量推理、实时推理报告，并说明分母是已安装、可用、已通电还是客户保留容量；
SLO goodput： 峰值吞吐与合格任务、尾延迟之间的差距；
芯片代际价差： 新旧 GPU 每美元、每瓦、每 GB HBM、每设备小时和每 MW 的合格任务；
HBM/封装交期： 认证、良率、在制品和整机交付，而不是只看晶圆产能；
已通电 MW： 把土地、公告容量、并网容量、可用 IT 负荷、设施负荷和客户验收容量分开；
液冷与变压器： CDU、泵、母线、开关设备和变压器交期是否超过芯片交期；
合同尾部： 最低付款、起租、取消权、可迁移性、替代客户和到期时间；
借款基础： OLV、advance rate、合同 PV 与 DSCR 哪一个成为最小值；
再融资窗口： 2030—2032 年同类项目发行量、利差、评级迁移和资本可得性；
保证与交叉暴露： 同一科技巨头、芯片商、电网节点和私募基金在多少项目中重复出现；保证是否只是转移损失，还是实际缩短停工与恢复时间。

其中最有信息量的领先指标不是“宣布了多少 GW”，而是“公告容量到首次收入之间经过了多少季度”。time-to-revenue 拉长时，项目往往先表现为流动性缺口，随后才表现为 DSCR、残值和违约时风险暴露恶化。

十、结论：技术优势只有穿过现金流才是金融优势

AI 资本结构正在经历三个重写。

第一，资产单位从单卡变成系统。 HBM、封装、互连、网络、机架、液冷和电力的互补性，使 GPU 单独抵押的旧假设失效；贷款人更关心整套系统能否被接管、迁移和重新出租。

第二，现金流单位从 token 变成合格任务。 模型效率、Agent 重试、SLO、客户验收和人工接管决定收入质量。任务量增加不等于设备需求同比增加，设备需求下降也不等于收入下降；只有把任务、每任务算力、有效吞吐、利用率和价格放在一条带单位的桥上，CFADS 才可解释。

第三，信用单位从公司变成共同节点网络。 NVIDIA 的设备、股权和残值支持，Broadcom/AMD 的定制芯片与权证，云厂商的采购和保证，Neocloud 的项目债，能源开发商的 PPA 与电网资本，最终可能共同依赖少数模型公司和少数资本市场窗口。法律上的 SPV 隔离并不自动带来经济上的独立；信用保证既可能转移损失，也可能通过维持运营创造真实回收价值，二者必须分别验证。

因此，评价一项“新型 AI 融资”不应从金额大小或表外标签开始，而应追问：

芯片何时到？电力何时通？客户何时验收？任务是否合格？同代软件改善要付出什么成本？新代硬件由谁出资？CFADS 是否覆盖债务和刷新？债务是否在 GPU 竞争寿命内摊还？技术换代时旧抵押物还能卖给谁？失败时谁先承担损失，谁有资本和控制权接管？

如果答案是：有可验证电力、有可迁移系统、有最低现金流、有快速摊还、有独立首损、有真实终端收入，并且新 capex 与旧回收分别有资金来源，那么 GPU 贷款、PPA、项目债、ABS、权证和供应商保证可以组成高效率的工业资本形成机器。

如果答案只是：有巨额合同、有下一轮融资、有科技巨头的隐含支持和有不断上升的估值，那么技术路线不是在降低风险，而是在把未来的风险分配给更多尚未同时看见它的人。

到 2030 年，胜出的未必是宣布资本最多、拥有 GPU 最多或规划 MW 最大的主体，而是能把模型效率、芯片代际、互连、冷却、电力、合同和资本期限按同一时间轴闭合的平台。技术决定系统能做什么；现金流决定系统能借多少钱；资本结构决定这套系统在下一次换代时还能不能活下来。

系列继续阅读

上位框架：《AI 资本栈：当算力成为信用体系》——理解技术变量如何进入整个资本形成系统。
交易穿透：《合同如何变成信用》——理解技术残值如何进入借款基础与损失瀑布。
当前报告：《技术路线如何重写资本结构》——连接合格任务、time-to-power、CFADS、残值与违约时风险暴露。

继续追踪：免费订阅 AI Infra Credit 研究来信，或提交你希望下一步研究的公司、项目与资本结构。首发阶段全部公开研究均提供免费全文。

主要一手来源与延伸阅读

阅读说明： 报告中的情景、弹性和损失数字是条件推演；媒体报道、未提款额度、未来选择权、合同总值、项目造价、担保上限、估值和非现金对价均不直接视为已到账融资。2026 年 9 月 5 日的核查仅覆盖本文标出的关键技术来源与公式，不代表全量市场刷新。

事实改变时，判断也应更新。获取研究更新 ↗