AI算力商品化：循环融资交易的逻辑与隐忧

近期，AI领域的循环融资与客户关系再次成为讨论焦点：OpenAI 从微软融资，又将资金用于购买微软服务器；英伟达为 CoreWeave 的债务提供担保，而 CoreWeave 采购英伟达 GPU。市场分析者常将这种现象类比 1999 年互联网泡沫时期的循环投资，担心泡沫即将破裂。然而，这类交易所揭示的真正趋势是：AI 正从一项技术产品，加速演变为一种可替代的商品——像电力一样随取随用，背后的金融结构也相应重组。

传统大宗商品市场的循环交易逻辑

在矿业、炼油、港口等基础设施领域，单一企业往往难以独立承担高昂的开发成本，循环交易因此成为常见解决方案。一个典型模式是：地区开发商因资金不足，引入大宗商品贸易公司作为合作伙伴，后者承诺以固定价格包销全部产出，使开发商获得稳定现金流，从而具备偿债能力；贸易公司则借此获得可靠货源，并可能持股以改善治理。

这一模式自 1960 年代以来广泛使用：日本的商品贸易商与开发银行通过承诺采购与股权投资，资助了多项基础设施建设；1980 年代的牙买加、近年来美国为推动关键矿产供应链韧性而撮合的 MP Materials 与美国国防部协议（承诺十年内以不低于每公斤 110 美元的价格采购钕镨合金）都是近期案例，类似的承购协议在电动车产业链中同样普遍。

这种结构之所以成立，核心在于商品具有可替代性、全球市场庞大、交易方拥有销售业绩与良好信用——担保方完全有能力消化承诺的产量。

AI 算力为何具有可替代性

前沿生成式 AI 的训练与推理高度依赖英伟达 GPU。三个因素使 AI 芯片及其数据中心日益接近可替代大宗商品的属性：

• 算力高度同质化：当前绝大多数算力来自英伟达 GPU，使用同代芯片的不同数据中心对超大规模厂商、模型开发者而言差别有限。

• 资本开支门槛极高：规模化模型开发与推理需要投入 100 亿美元以上的数据中心，普通企业必须借助创新融资或依附超大规模厂商才能建成。

• 电力构成另一瓶颈：除 GPU 与内存外，可靠的大规模电力供应是数据中心落地的先决条件。

因此，GPU、电力、数据中心三者叠加形成强需求与长订单积压，新建的数据中心即便自用困难，也很可能以溢价转售给有需求的实验室。这一点已在 SpaceX 与 Meta 身上得到验证——尽管两者都在自研前沿基础模型，其数据中心仍在向外部盈利出租，并具备承接前沿实验室负载的能力。

循环交易的健康面与潜在风险

当一项资产的开发成本极高、又具备可替代性与全球需求时，循环融资往往起到正向作用：它为开发商锁定客户、为贷款方降低风险、为投资方带来确定性回报。然而，并非所有循环交易都遵循这一逻辑。一旦脱节——例如承诺方并不真正具备消化产能的能力，或交易仅在账面上制造增长假象——风险便开始累积，可能在某一刻给企业、投资人乃至整个行业带来难以预料的冲击。

判断 AI 领域循环交易的健康程度，关键在于审视承诺采购或担保的一方是否真有真实需求与履约能力，以及底层算力资产是否真正具备可替代性与转售价值。