一份新的布鲁金斯会议论文为美国可能出现的AI基础设施投资周期给出醒目数字：2025年至2032年投资10.3万亿美元。这是根据项目容量和成本假设建立的情景，并非已经支出、签约或保证会发生的金额。对投资者而言，更关键的问题不是总数精确到多少，而是如果数据中心和芯片越来越依靠多层外部资本融资，当需求、电力交付或设备价值不及预期时，谁来承担损失？
布鲁金斯的摘要指出，融资正在从企业直接出资转向合资、租赁、私人信贷和证券化。Axios的独立报道也关注外部资本需求，以及复杂结构中风险难以追踪的问题。这些内容都没有把情景变成确定的支出预测，也没有证明信贷危机已经发生。
这个大数字是建模情景，不是账单
论文先梳理美国数据中心项目清单，再对规划中的容量赋予不同的建成概率。在基准情景下，到2032年约有183吉瓦新增容量投入运营；还有一些项目会在之后完工，许多规划项目则永远不会落地。作者随后使用具有代表性的园区成本、假设的年度成本增长率，并把支出分摊到施工年份。得出的10.3万亿美元还包括2032年前为此后才完工的项目投入的资金。论文明确称之为情景，而非预测。
这一区分改变了数字的含义。规划中的设施可能延误、缩小或取消；芯片价格、设计和电力基础设施也会改变成本基准。布鲁金斯在将建模投资额与经济规模比较时，还假设名义GDP逐年增长。因此，标题数字的规模有助于压力测试资本需求，却不能当作不可撤销的企业承诺总额。把它说成精确的未来账单，会掩盖模型背后的关键选择。
作者还把建模得出的年度投资占比与美国以往基础设施周期比较。在相应假设下，这显示扩张可能具有的宏观经济分量，却不能证明每家科技公司都能获得可观回报，也不能证明开支会按模型时间表出现。
硬件占比最大，经济寿命也更短
根据论文中的示例，建设和装备一座200兆瓦AI园区约需82亿美元。约三分之二用于计算硬件和其他IT系统，其余三分之一用于建筑和新增电力基础设施。这是示意性的成本模型，不是所有园区经过审计的平均值。其重要性在于，若技术进步或买家转向其他系统，GPU的经济价值可能比土地和建筑外壳更快下降。
物理约束也不可忽视。国际能源署指出，数据中心可能在几年内建成，但电力系统通常需要更长的规划和建设时间。其全球用电需求研究设置多个情景，因为AI采用速度、效率和能源瓶颈均不确定。这些全球电力情景与布鲁金斯的美国投资模型并不相同，但共同揭示一个机制：如果已安装的算力不能及时并网供电，园区就无法靠它产生收入。
芯片供应商、开发商和公用事业公司可能从大规模建设中获得真实需求。但对出资者来说，价值取决于实际交付的容量、利用率、定价和设备残值。规划支出变大，本身并不能证明每个参与者的利润都会随之增长。
融资链条改变承担风险的人
布鲁金斯估算，Oracle、Microsoft、Amazon、Meta和Alphabet的合计资本开支在2025年超过4000亿美元，2026年可能超过8000亿美元，高于其合计经营现金流。2026年的数字结合了已公布业绩、公司指引和分析师估计。关键限制是，这个序列包含非AI开支，却没有纳入这些公司租赁的数据中心。它提示论文假设下的融资压力，不是纯粹的AI现金消耗指标。
大型云服务商可以向项目公司租用园区，而非拥有并出资建设整座设施。项目的股权可能来自基础设施投资者，债务则来自银行或私人贷款机构，并由长期租户合同支撑。这种安排能让运营公司不必提供全部前期资本，就取得生产能力；同时也把部分债务和建设风险转移至项目。它不会消除租户的经济承诺，也不会消除债权人对租户付款能力的依赖。
论文以Meta的Hyperion融资为例，说明项目层面较高的债务可以与租赁和残值义务并存。这只是一笔交易，不能证明所有AI园区都有同样的杠杆。更广泛的机制仍值得关注：债权人可能依赖少数相同租户，以及价值变化迅速的抵押资产。如果AI需求或供电进度低于预期，现金流、设备转售价值和再融资条件可能同时恶化。风险即使分散到不同投资者手中，也可能保持相关性。
压力测试需要透明度，不需要先贴泡沫标签
外部融资也有合理的一面：信用质量较高的租户签署长期合同，可以支持有用的基础设施；不同投资者也能分别为建筑、电力资产和寿命较短的芯片提供适合的资本。需求疲弱是一种情景，而非已确定的结果。布鲁金斯作者明确表示，现在就认定AI基础设施构成堪比以往信贷泡沫的系统性风险还为时过早。
能改进判断的证据十分具体：已完工并通电的项目与公告数量的差距、签约容量与实际利用率、租户集中度、债务到期安排、租赁和担保义务，以及旧设备的回收价值。公司披露和项目信贷资料需要让投资者能在运营企业与融资载体之间追踪这些敞口。在此之前，10.3万亿美元情景的用途，是追问雄心勃勃的项目清单若实现，资本与风险将在哪里积累；它不是对必然获利或不可避免崩盘的预测。