谁在为算力买单？AI 基建进入“发债时代”

摩根大通在开篇就点明了报告的出发点：AI 股票的迅猛上涨确实让部分信用投资者感到不安，担心一旦股价回调，会在债券市场引发连锁反应。

不过，从基本面角度来看，他们认为这种担忧被高估了。科技（Technology）和资本品（Capital Goods）公司整体上现金充裕、杠杆水平不高，资产负债表相对健康；与此不同，公用事业（Utilities）公司虽然杠杆不低，但身处高度监管的行业，收入与现金流的可预期性反而更强。对信用投资者而言，这样的结构并不是典型的 “泡沫型资产负债表”。

报告的一个关键发现是：与 AI 密切相关的投资级公司，其债务规模已从 2020 年底的约 8100 亿美元，增长到目前的约 1.2 万亿美元。这一群体在美元投资级债券指数中的权重从 11.5% 升至 14.0%。如果把这些公司视为一个单独的 “AI 行业”，那么它在 IG 指数中的权重已经超过了美国银行业，是当前 “最大的行业”。

摩根大通的全球股票策略团队曾经做过一组很有代表性的统计：自 2022 年以来，标普 500 指数中 30 只 AI 相关股票，其市值已经上升到整个标普市值的约 43%，而这 30 只股票贡献了指数（剔除英伟达后）超过 70% 的表现。基本面上，这些 AI 公司在过去两年的累计收入增长约 31%，非 AI 公司只有 8%，且低于同期通胀；前者的利润率从 17.3% 升至 25.2%，后者反而从 11.4% 略降至 11.1%。 

简单说，如果把这两年的标普 500 拆成 “AI” 和 “非 AI”，你会发现：没有 AI，那些我们看到的 “美国股市的韧性” 和 “盈利的强劲”，要大打折扣。

但在信用市场上，AI 公司的表现则跟在股市中不完全相同。摩根大通在股票端用自家的 AI 股票篮子（JPAMAIDE）识别了核心 AI 受益股，在此基础上，在投资级企业债中筛选出了 75 家与 AI 关联度最高的公司。它们的债务规模确实在快速上升，但利差表现并没有出现持续、极端的跑赢。

在 2025 年二季度那轮信用市场调整中，这篮子 AI 债券的表现甚至略优于大盘，而对应的 AI 股票却明显更为波动。这说明，在债务端，投资者更看重的是长期现金流与资产质量，而不是短期的估值情绪。摩根大通的结论是：当前阶段，股市中的 “AI 狂欢” 和债市的定价还没有完全同步进入泡沫区间。

报告把这 75 家与 AI 高度相关的投资级公司，按行业分成了几个主要板块：科技（Technology）、非受监管发电企业（独立电力 IPPs）、受监管公用事业（Regulated Utilities）、资本品与制造（Capital Goods & Manufacturing），以及部分媒体娱乐和数据中心 / 通信基础设施 REIT。

在科技板块中，几乎所有我们熟悉的名字都在名单之列：Oracle、Apple、Broadcom、Amazon、Intel、Microsoft、IBM、Cisco、Dell、Qualcomm、NVIDIA、TSMC、Micron、Synopsys、Cadence、Salesforce、Adobe、ServiceNow 等等。摩根大通对这些公司的资产负债表做了一个总体画像：一方面，这些公司是非常高频的债券发行人，存量债务不小；另一方面，它们在资产端又普遍拥有大量现金和短期投资，用 “净债务 / EBITDA” 衡量的杠杆水平其实并不高，有些甚至处于净现金状态。

真正的风险，更多在于一个动态假设：今天我们看到的是 “低杠杆 + 高现金” 的资产负债表，但在未来十多年里，如果管理层选择用这些现金和未来的自由现金流去做大规模资本开支或并购，这个杠杆水平可能明显上移。尤其是考虑到 AI 基建投资的时间跨度很长，这一假设并不能简单静态地看。

报告还提到一个细节：这些科技公司债券的平均期限约为 12.25 年，比整体指数长约 2.25 年。也就是说，市场在很长一段时间内，都要和这些名字的资产负债表 “绑定在一起”，公司未来十年的资本决策，会直接影响到今天买入的债券风险。

在 TMT（科技、媒体、电信）部分，报告回顾了 AI 叙事是如何从 “概念” 走向 “硬资产” 的。一个标志性时间点是 2023 年 5 月，NVIDIA 发布那次被视为 “时代分水岭” 的财报，Jensen Huang 在会上判断：“生成式 AI 正在成为大多数数据中心的主要工作负载，数据中心预算会非常明显地向加速计算迁移。” 事后回看，这句话反而有点 “保守”，因为 NVIDIA 现在估算，到 2030 年之前，全行业在 AI 基础设施上的投入可能达到 3~4 万亿美元。

自那之后，AI 热情迅速席卷 TMT 和更广泛的市场，几乎每一家科技、媒体、电信公司都在财报中强调各种 “AI 顺风”。但真正决定资本开支节奏的，是几家云巨头（Hyperscalers）——Alphabet、Amazon、Meta、Microsoft 和 Oracle。这些公司如今都处于一个 “年化七八百亿美元资本开支” 的轨道上，核心方向是数据中心扩建、GPU 采购、电力与配电设施、土地和网络。

到目前为止，大部分 AI 基建是靠它们自身强劲的自由现金流和资产负债表支持的。但 Oracle 最近打破了这个模式 —— 它通过一次 180 亿美元的大型债券发行，为再融资和 AI 相关资本开支筹资。摩根大通资产管理部门的观点是：过去几年，这场竞赛一直是 “纪律性很强、以现金流为主的投资”；而未来几年，随着竞争加剧，这场竞赛可能部分演变为 “靠举债支撑的军备竞赛”。

融资方式也在发生变化。除了传统的公司债，云巨头们开始越来越多地使用项目融资、资产证券化和私募信贷等工具。报告举了两个例子：其一是 Meta 的 Hyperion 数据中心项目，通过大约 290 亿美元的债务和股权组合完成融资，结构类似 Intel 的 Foundry JV，把项目债务更多地放在 SPV 层面，由数据中心自身的现金流来偿付；其二是 Oracle 计划筹措约 380 亿美元，与数据中心项目绑定，由若干银行先以贷款形式承诺，再通过分销转给传统贷款投资者和私募信贷基金。

在摩根大通看来，这些案例都指向一个趋势：AI 基建的融资，将从单一的 “公司债” 模式，转变为 “公司债 + 项目债 + 私募信贷 + 混合资本结构” 的组合。

AI 叙事中的几位 “主角”，首先是云巨头。Alphabet、Amazon、Meta、Microsoft 和 Oracle 几乎占据了 AI 基础设施投资的大头。它们在全球范围内建设大规模数据中心，采购 GPU，锁定电力资源和长周期的电力购买协议。在很多公司里，资本开支增速已经超过收入增速，管理层给市场传递的信号是：AI 工作负载具有高度黏性，推理需求正在快速扩散到生产力工具、客户服务和内容创作等大量场景，真正的瓶颈已经不再是算力芯片，而是电力和配套基础设施。

从信用视角看，这一轮 AI 投资周期有些类似于 20 世纪 90 年代末的电信大投资周期，但有三个关键差别：一是这些公司的资产负债表起点更健康，二是需求可见性更强，三是价格与合同纪律更好。对债券持有人而言，这是笔 “用短期自由现金流和利润率的稀释，换取长期基础设施支撑的收入与现金流稳定性” 的交易。

其次是 OpenAI。摩根大通把 OpenAI 视为连接 “基础设施” 和 “终端应用” 的中间层 —— 它本身并不大量自建数据中心，而是专注于模型开发训练，通过 API、企业订阅和 ChatGPT 等产品，将这些模型能力打包为 “认知服务” 提供给企业和个人。它一方面设定了前沿模型性能的标尺，另一方面也在争夺终端流量与数据，对传统软件公司来说，OpenAI 同时具有合作伙伴和潜在竞争者的双重身份。

第三是 CoreWeave。它是专门为 GPU 密集型工作负载和 AI 推理打造的 “专业云”，与 NVIDIA 的关系非常紧密，后者既是其大股东，也是其核心供应商。CoreWeave 一方面为 AI 初创公司和中型企业提供算力，另一方面又在算力紧张时期向 Microsoft 等云巨头 “反向供货”，成为它们缓解峰值需求压力的 “释放阀”。摩根大通认为，CoreWeave 很有代表性，预示着未来云计算格局可能不再是简单的 “三大云 + 一堆小玩家”，而是会出现若干专注于算力类型、垂直场景或特定区域的专业云服务商。

市场上有一种声音担心，NVIDIA、CoreWeave、OpenAI、Microsoft、Oracle 等之间复杂的股权与合同关系，会不会形成某种 “循环融资”，把需求和估值都推得过高。摩根大通认为：这些主体之间的确存在高度交织的资本与合同关系，但每一家仍然在服务大量 “第三方真实客户”，当前阶段的需求和现金流仍然是实实在在的，而非完全依赖内部循环支撑。

在半导体与硬件部分，摩根大通强调，AI 对这一板块的影响是 “系统性的”，而不是少数公司的 “暴富故事”。

在计算层面，英伟达（NVIDIA）仍然是绝对主导者，凭借 GPU 产品和 CUDA 软件生态牢牢占据了数据中心 AI 训练与推理市场。AMD 通过 ROCm 软件栈和 chiplet 架构，在性能和成本上逐步缩小差距。英特尔（Intel）则试图通过 Gaudi 加速器以及 “代工 + 自研” 双重路径，在 AI 计算中重新获得一席之地。

在存储与内存方面，美光（Micron）的高带宽内存（HBM）对 AI 工作负载至关重要。在算力密集场景下，HBM 的带宽和能效直接决定了整个系统的性能和成本，产能正在快速上升。

在互联与定制芯片方面，博通（Broadcom）为云巨头提供定制化 ASIC 和网络芯片，是大规模 AI 集群的关键供应商；Marvell 则在光模块、DSP 和数据中心高速互联方面深度受益。高通（Qualcomm）通过移动端和车载平台，把 AI 推理从云端延伸到了终端设备和边缘场景。

在制造与封装层面，台积电（TSMC）几乎承担了所有高端 AI 芯片的代工任务。其先进制程和封装技术（包括多芯片封装等）决定了整个 AI 产业链的扩展速度和经济性。

总体来看，AI 对半导体和硬件板块的影响，已经从单点公司的 “故事”，演变成覆盖计算、内存、互联、电源管理和封装的一整条价值链。随着 AI 工作负载在云、边缘和终端多点开花，这条链上的各个环节会以不同节奏受益，但整体上构成了 “智能经济” 的底座。

在软件与数据层面，报告把公司大致分成几类角色。

一类是企业级平台，例如 Salesforce、ServiceNow、Workday 和 Intuit 等，它们正在把生成式 AI 深度嵌入到 CRM、HR、财务等核心工作流程中，试图通过 AI 助手和自动化功能提高用户黏性和提价空间。这一过程短期内需要承担更高的算力成本，AI 功能的全面变现节奏又相对滞后，因此毛利率可能面临阶段性压力，但长期看，有望通过 “功能升级 + 价格策略” 获得更高的单位收入。

另一类是内容与创作工具，比如 Adobe、Autodesk 和 AppLovin，它们把 AI 用于加速设计、仿真和广告投放优化。对这些公司而言，AI 既是新的生产力工具，也是潜在的竞争来源：开源模型和低成本工具降低了用户更换平台的门槛，使得部分高端功能的收费逻辑面临再平衡。

报告特别提到了一类可能在长期中被结构性冲击的业务模式 —— 以 Concentrix 为代表的客户服务与体验外包企业。它们的商业模式建立在大规模人工客服和外包人力之上，而生成式 AI 正在迅速提升自动客服和自学习智能代理的水平。短期内，AI 可以提高人均效率，带来一定的利润改善；但从更长周期来看，大量人工岗位本身可能被 AI 替代，整个外包需求的总量会承压，收入和定价能力都将面临长期挑战。

此外，还有一类是设计工具和垂直数据公司，例如 Cadence、Synopsys、Verisk 和 Constellation 等。前两者是半导体 AI 化背后的 “工具提供者”，通过电子设计自动化（EDA）帮助芯片公司缩短开发周期、提高良率；后两者依赖行业专有数据，构建具有预测能力的垂直解决方案。对它们而言，“数据护城河” 往往比模型本身更有价值。

在媒体板块，报告用 OpenAI 的 Sora2 作为切入点。新一代视频生成模型可以把文字直接转化为高质量的视频内容，音画同步的效果显著提升，还支持 “Cameo” 功能，将用户或特定形象嵌入到视频之中。配合类似短视频 feed 的分发方式，这种工具极大地降低了生成视频内容的门槛和成本。

对传统媒体公司的而言，风险并不是立刻会出现 “断崖式崩溃”，而是未来盈利轨迹可能变得更加波动、趋势更加偏向下行。一方面，低成本、高质量的视频生成会挤压传统影视与广告内容的边际价值，部分内容制作和发行的收费模型需要重写；另一方面，以 “默认采样、事后维权” 为特点的 AI 内容生态，会迫使传统版权方在维权、检测工具和法律团队上投入更多，抬高运营成本。

同时，传统媒体企业为了维持竞争力，也不得不加大在 AI 工具、交互体验和自研平台上的投入，进一步挤压自由现金流。摩根大通的基线判断是，媒体板块的信用利差未来存在温和走宽的风险。真正能够起到缓冲作用的，是这些公司是否能把自身深厚的 IP 资产嵌入 AI 内容生产链条之中，而不是仅仅站在防守一侧。

在电力与公用事业部分，摩根大通的结论相对直接：AI 数据中心需求叠加本身就持续上升的居民、商业与工业用电，使得美国电力消费的年增速有望从过去十多年约 1% 的水平，提高到未来几年接近甚至超过 2%。在这个需求背景下，新发电项目却受到供应链扰动、历史电价偏低与审批瓶颈等因素制约，形成了较为明显的供需错配。过去几年，美国居民平均电价上涨接近 50%，一定程度上反映了这一矛盾。

在这样的环境下，独立发电商（IPPs）是最直接的受益者，因此摩根大通并不认为 IPPs 的电力基本面在短期内会明显走弱。即便未来数据中心增速不及当前乐观预期，只要居民、商业和工业用电继续沿着过去十年的趋势上升，而新增发电项目建设仍然缓慢，独立发电商的盈利与现金流就很难出现系统性恶化。

受监管公用事业的受益方式略有不同。像 Entergy、Duke、Southern、NiSource 等公司，一方面需要扩建发电与输配电资产，另一方面又可以通过与大型科技企业合作，让后者承担相当比例的前期资本投入。在这一模式下，AI 更像是一个 “放大资产规模、提高长期盈利可见性” 的催化剂，而不是颠覆现有商业模式的冲击力量。

在资本品与制造板块，数据中心和电力基础设施的建设，会转化为对工程服务、设备和零部件的具体需求，最终体现在工业企业的订单和积压量上。

ConstructConnect 的数据表明，2025 年 7 月，美国数据中心建设开工金额约为 140 亿美元，远高于 2024 年同期的 6.8 亿美元，也超过了 2025 年前六个月的总和。未来 6 个月预计还有约 200 亿美元的数据中心项目进入开工阶段。这些投资为一批高信用的工业企业提供了充足的订单来源。由于建设支出高度前端集中，即使未来对 AI 数据中心长期需求的乐观预期有所修正，上游资本品企业在前期已经锁定的订单和现金流，仍然具备较强的支撑力。

报告提醒，如果未来数据中心资本开支或电力投资的节奏不及当前市场预期，这些已经交易在 “溢价水平” 的 AI 受益工业债，可能会回归到更接近同评级同类公司的利差区间。

结语：AI 周期中，信用投资看什么？

综合整篇报告，摩根大通想传递的核心信息，其实可以用一句话概括：AI 在投资级信用里的 “足迹”，已经大到不能忽视，但目前更多是高质量发行人借着 AI 周期扩张资产负债表，而不是简单的 “AI 债泡沫”。

对信用投资者来说，真正值得关注的，也许不是 “要不要完全回避 AI”，而是三件事：第一，这轮 AI 投资周期会把哪些企业的资本结构推得更激进；第二，在公司债之外，各种项目融资、私募信贷和混合工具会如何改变风险在系统内的分布；第三，如果真的出现 AI 股估值的大幅回调，应该通过怎样精细化的行业配置，把这种冲击控制在可承受范围内，而不是简单 “砍掉所有 AI 相关敞口”。

END

交流讨论

请添加此微信