资本支出追上了现金流

变化的速度比金额本身更值得注意。

按各家最新指引，微软、谷歌、亚马逊、Meta 与甲骨文五家公司的资本支出总额，已从 2023 年约 1540 亿美元升至 2024 年约 2390 亿美元，2025 年进一步冲到约 4120 亿美元；2026 年这一数字可能接近 7800 亿美元，几乎是 2025 年的两倍。

同期的收入增长明显没有跟上这个节奏。这五家公司的自由现金流合计从 2024 年约 2390 亿美元降至 2025 年约 1910 亿美元，资本支出占经营现金流的比例则从约 50% 攀升至 68%。以 2026 年为例，若资本支出达到 7800 亿美元、经营现金流约 6500 亿美元，那么在分红与股票回购之前，行业就已经存在约 1300 亿美元的资金缺口。

最具象的案例来自谷歌母公司 Alphabet。2026 年第二季度，该公司经营现金流为 391 亿美元，资本支出达到 449 亿美元，自由现金流约为负 59 亿美元——这是 Alphabet 上市以来首个自由现金流为负的季度。亚马逊也出现类似挤压，过去十二个月自由现金流转负，尽管其云业务 AWS 营收仍在快速增长。微软是重要的反例，仍保持正的自由现金流。

从趋势线看，2023 年第二季度至 2026 年第一季度，上述五家公司经营现金流的年化增速约为 23%，而现金资本支出的增速约为 70%。两条线在 2026 年下半年附近收敛，合计自由现金流被推向零。仅 2026 年第二季度，亚马逊、Alphabet、微软与 Meta 四家的资本支出就约为 1650 亿美元。

钱不够，就去借

缺口需要外部资金填补，方式主要有两条。

一是发债。据 FactSet 统计，Alphabet、亚马逊、Meta、微软与甲骨文的增量年度债务占资本支出的比例，从 2024 财年的 9% 升至 2026 年中的过去十二个月 32%。2025 年，五家公司合计发债约 1360 亿美元，覆盖了大约三分之一的资本支出需求；2026 年上半年，这一发行规模已接近 2000 亿美元。全球数据中心相关债券发行额在 2025 年达到 1820 亿美元，较前一年翻倍。

二是压缩回购。五家公司的回购规模从 2021 年第四季度的峰值约 500 亿美元，降至 2026 年第二季度的约 50 亿美元。

高盛在 7 月中旬的策略报告中给出了更直白的判断：超大规模云厂商的 AI 资本支出扩张已逼近自身融资能力上限。其数据显示，亚马逊、微软、Alphabet、Meta 四家 2026 年合计 AI 资本支出预计为 7250 亿至 7700 亿美元，较 2025 年增长超过 77%，规模几乎等同于四家企业全年运营现金流总和。高盛分析师直言：”对错失机遇的恐惧已成为比股东回报更强的激励因素。”

国际清算银行（BIS）在 6 月末的年度经济报告中，将 AI 投资热潮的可持续性列为威胁全球经济的四大压力点之一，并特别提示”循环融资”结构正在累积隐性风险：芯片厂商与云厂商交叉持股、绑定长期采购合同，把股权、债务与供应链协议交织成复杂网络。

“债务炸弹”还是”超级资本开支周期”

围绕这一现象，市场存在两种截然不同的解读。

一派担忧的核心是表外债务。日本经济新闻的一项研究显示，Alphabet、微软、亚马逊、Meta 与甲骨文的表外债务规模约为 1.65 万亿美元，四年间增长约八倍，已超过它们账面报告的 1.35 万亿美元。英国《金融时报》2025 年 12 月曾报道，科技公司通过特殊目的载体等结构，把超过 1200 亿美元的 AI 数据中心支出移出了资产负债表。高盛估计，到 2030 年超大规模厂商在 AI 与数据中心上的支出可能达到 5.3 万亿美元。

这套结构常被拿来与 2001 年破产的能源公司安然（Enron）类比。但持不同意见者认为类比失当。会计师出身的专栏作者吉恩·马克斯（Gene Marks）在《卫报》撰文明确反对”债务炸弹”的说法。他解释了运作机制：企业设立一个不纳入自身财报合并范围的独立实体，由该实体向投资者、银行与金融机构募资并建设数据中心，母公司通过合同获得建成后的独占使用权——数据中心到手了，大部分建设债务却不体现在自己的负债表上。

马克斯的论点是，这种做法本身并不新鲜也不违法。他回忆自己 1980 年代中期入行时的客户、上市生物科技公司 Centocor 就采用过类似的表外融资：设立有限合伙实体，公司只持少数权益，由实体发债并吸收有限合伙人投资，用于新药研发，公司再取得独占使用权。当时数以亿计的资金流入这类合伙制安排，也确实有药物在临床试验中失败，但并未引发股市恐慌，因为风险被分散了。他的结论是：可以审视这些公司、可以细读财报脚注、可以争论合并口径，但不该称之为安然——安然的问题在于那种级别的舞弊，而当下几乎不可能重演。

分析师吉尔·卢里亚（Gil Luria）对彭博法律的表述与此接近：”安然的罪不在于设立了特殊目的实体，而在于隐瞒了它们。”如今监管趋严、披露更充分，同样的工具在合法框架内使用。

中金公司 7 月 29 日的研究报告则给出了一个折中框架。该报告认为，本轮 AI 投资周期已从由科技巨头内部现金流驱动，演变为由企业信用、项目资产与全球长期储蓄推动的信用扩张周期；真正的脆弱之处不在于金融机构是否过度杠杆，而在于融资条件能否延续——低成本资金、高贷款价值比、快速审批能否维持。其结论是：只要 AI 需求与现金流路径尚未被证伪，当前的债务扩张更像一轮超级资本开支周期，而非终极泡沫；2026 至 2027 年是新兴 AI 云服务商局部流动性风险最值得警惕的时间节点。

判断标准正在切换

两派共同承认的一点是：自由现金流转负本身不等于坏消息。对处于重投资阶段的企业而言，这是常态，代价是必须找到其他资金来源来填补缺口。高盛也预计这种压力最终会逆转，自由现金流将在 2028 至 2029 年显著恢复。

真正改变的是定价与评价的逻辑。此前市场遵循”谁烧钱多、谁扩产猛”的思路，上游硬件环节享受量价齐升的高增长估值；如今的关注点转向”谁能高效变现算力价值”，资本开支效率、资产利用率、应用落地速度成为核心指标。用一句概括来说，行业正从”建设思维”转向”运营思维”，从算力建设的上半场进入应用落地的下半场。

对普通读者而言，这场争论的现实意义在于：AI 基础设施的扩张速度，最终要由 AI 应用的收入速度来兑付。技术判断和财务判断需要分开评估——即便对 AI 的长期价值判断正确，投资周期、财务期限与硬件折旧也不会等人。

论文题为《Co-packaged optics for high-performance computing and artificial intelligence》，通讯作者为 SK 海力士 AI 基础设施团队负责人洪承勋（Seunghoon Hong）与弗吉尼亚大学电气与计算机工程系李圭尚（Kyusang Lee）教授，合作方包括伊利诺伊大学厄巴纳-香槟分校、南洋理工大学、麻省理工学院和延世大学的研究人员。

瓶颈从封装里挪到了封装外

在生成式 AI 起步阶段，高带宽内存（HBM）解决的是 AI 加速器封装内部的内存瓶颈，通过大幅提升带宽显著改善了性能表现。但当超大规模 AI 集群把数千颗 GPU 和 HBM 堆叠组合在一起之后，新的瓶颈出现在系统之间的数据传输环节，论文称之为”带宽墙”（bandwidth wall）。

论文给出的关键数据是一组明显的剪刀差：算力吞吐通常每两年增长约 3 倍，而互连带宽在同期只增长约 1.4 倍。差距不断拉大，带宽墙就越来越难绕过。

问题的物理根源在铜线。用于把数据送出芯片封装、在机架之间传输的传统电气互连，随着传输距离增加，信号损耗和功耗都会快速上升，因此被越来越多地视为下一代 AI 数据中心的限制因素。

“即便计算芯片变得更强，如果芯片之间的数据传输跟不上，整体系统性能也无法提升，”李圭尚表示，”用光链路替代存在固有物理限制的铜互连，是通往未来可扩展性最有希望的路径。”

CPO 的思路：把光引擎塞进处理器封装

超大规模 AI 模型已经不在单颗芯片或单台服务器上训练，而是运行在按机架（rack）和 Pod 组织起来的庞大网络中。在这类架构下，系统整体性能不只取决于处理器、内存和 AI 加速器之间的连接，还取决于数据在机架之间流动的效率。

CPO 的核心做法是把光收发器与处理器集成到同一个封装内，让高速电信号只需走封装内部的极短距离，剩下的链路交给光信号完成。光引擎离处理器越近，电信号路径越短，带宽密度和能效就同步提升。

针对下一代 AI 基础设施，研究团队给出了三项明确的性能目标：单节点带宽超过 100 Tb/s、每传输一比特数据的能耗低于 1 pJ、芯片间延迟低于 10 纳秒。论文同时梳理了从 2D 封装到 2.5D 中介层、再到 3D 异构集成的演进路径，并逐一列出了商用化必须攻克的关键技术挑战。

最激进的部分：把光延伸到内存接口

论文最具前瞻性的内容，是提出”以光为中心”（optics-centric）的长期架构设想。目前 CPO 主要解决处理器之间、机架之间的光互连，而 SK 海力士的方向是把光互连继续向内推进，一直延伸到内存接口。

当前的 AI 服务器把 HBM 紧贴 GPU 放置，用数千条电气引线连接，以便快速供给运算所需数据。但 GPU 性能越高，需要的内存容量和数据吞吐量也越大，而 GPU 周围的物理空间有限，持续增加 HBM 堆叠会遇到硬性约束。

SK 海力士给出的方案是不再让内存只能待在 GPU 身边：借助”光中介层”（optical interposer）结构，用光信号把运算资源池与内存资源池直接连接起来，多个 AI 加速器共享同一个大容量内存池。中介层是连接多颗芯片的薄基板，在其中铺设光信号通路，可以缩短 GPU 与内存之间电信号必须走的距离。

“把光互连延伸到内存之后，就能绕过运算芯片周围的物理约束，突破内存容量与布线数量的上限，”李圭尚说，”多个加速器共享一个巨大的内存池，让 AI 模型的规模化拥有更高灵活性。”

不是马上就能买到的产品

需要说明的是，这篇论文并不意味着相关产品立即商用。要在 AI 数据中心大规模应用 CPO，仍有不少技术门槛尚待跨越，包括降低光器件的功耗与发热、开发适配光互连的内存一致性协议、验证光器件在数据中心高温环境下的长期可靠性，以及控制 2.5D/3D 先进封装的良率和量产成本。

论文强调的另一个关键概念是”共同设计”（co-design）——CPO 不是单一器件的升级，而需要把内存器件、控制器、光器件和封装作为一个整体系统协同设计。

这也解释了这篇论文对 SK 海力士自身的意义：其角色正从 HBM 的部件供应商，向参与定义 AI 基础设施系统架构的合作方转变。洪承勋表示，内存公司的角色正在从”单纯提供产品”演变为”帮助客户构建整个系统竞争力的合作伙伴”，公司将继续扩大与客户和生态伙伴的开放合作。

「在 AI 领域，算力就是收入。」英伟达首席执行官黄仁勋说，「我们正把全球领先的长期资本提供方聚到一起，独立为 AI 基础设施提供承销。」

钱花在哪：数据中心与芯片工厂

这笔资金将同时投向英伟达自己的项目，以及合作伙伴正在推进的项目。由该基金支持的基础设施项目，预计包括新建数据中心，用于容纳、运行并冷却成排堆叠的计算芯片——正是这些芯片在处理 AI 的数据与操作。资金还将支持新建芯片工厂，扩大 AI 芯片产能，让买方更容易拿到货。

「算力已经成为一种关键的基础设施资产。」KKR 联席首席执行官乔·贝和斯科特·纳托尔在一份联合声明中表示，「随着我们在数字基础设施上把打法做大，我们学到的一点是：难的不是野心，而是交付。」

眼下几乎每一家主要的科技与 AI 公司，都在用英伟达的计算芯片，也就是图形处理器（GPU），来支撑自家的服务、AI 平台和聊天机器人。使用者名单里包括谷歌、Meta、亚马逊、微软、SpaceX、特斯拉、OpenAI 和 Anthropic。这些公司在过去三年里，仅在 AI 项目与基础设施上就合计投入超过 1 万亿美元，而且后续支出预计还会大幅增加。对英伟达芯片与服务的需求，也把这家公司的股票市值在三年内推高了五倍。

「AI 工厂」：一种可投资的新型基础设施

在周一发布的声明中，黄仁勋把英伟达作为芯片制造商的角色称为公司的起点。「今天，我们在帮助创造一类新的、有生产力的、可投资的基础设施：AI 工厂。」他说。

有了从合作银行与投资方那里调动资金的新渠道，这些机构将能够为这轮 AI 热潮提供更多融资。阿波罗管理着超过 1 万亿美元资产，其总裁吉姆·泽尔特表示：「现代算力已经成为一种稀缺的、任务关键型的资产类别。」他补充说，算力还「有望驱动可观的长期经济增长与生产率提升」。

把算力当成资产来经营，并非孤例。贝莱德上个月与 Meta 单独达成协议，为德州的一座数据中心提供融资并取得多数股权。Anthropic 近期也与麦格理资产管理和新加坡投资机构 GIC 达成协议，投资自有的 AI 基础设施。该公司没有披露交易规模，但表示需要更多融资，原因是旗下聊天机器人 Claude 太受欢迎，「需求要求大量新增算力」。

从芯片供应商，到把数据中心和芯片工厂包装成可承销、可投资标的的组织者，英伟达的角色正在发生位移。而当长期资本第一次把 GPU 集群与传统的机场、港口、电网放进同一个资产分类框架里，AI 基建的融资逻辑也随之改变——它不再只是科技公司的资本开支，而是一门要向出资人交付现金流的生意。

来源：BBC News（记者 Kali Hays）

vLLM 由加州大学伯克利分校团队于 2023 年开源，采用 Apache 2.0 协议，目前已是开源大模型私有化部署事实上的主流选择，被大量云平台和推理服务商集成。它的核心思路，是把操作系统管内存的老办法搬到了 GPU 上。

把显存当成分页内存来管

传统推理框架给每个请求预留一整段连续显存，按最大可能长度分配。一个请求只生成了 100 个词，却按 4096 个词的规格占着位置，浪费极其可观。

vLLM 的做法是分页。KV 缓存（模型生成时缓存的键值向量，避免重复计算）被切成固定大小的块，默认每块存 16 个 token。每个请求维护一张块表，把逻辑上连续的缓存映射到物理上零散的显存页。单块占用的字节数按「2（键和值）× 块大小 × KV 注意力头数 × 头维度 × 数据类型字节数」计算，块池规模常常达到数十万块。

调度器的核心数据结构就是这个空闲块队列。每来一批新词，allocate_slots 先算需要几块——比如预填充阶段有 17 个新词，就是向上取整 17÷16 等于 2 块；池子不够时，引擎会抢占低优先级请求，把它们已占用的块归还池中。

预填充和解码，是两种完全不同的活

引擎面对的负载分两类：预填充是对整段提示词做一次前向计算，属于计算密集型；解码只处理最新一个词，但仍要把整个模型权重和缓存读一遍，属于显存带宽密集型。

老版本 V0 引擎一个步骤内只能二选一，新版 V1 调度器可以把两类请求混在同一步里跑。调度顺序上，已在运行队列中的解码请求优先，剩余的词预算再分给等待队列里的预填充请求。调度策略支持先来先服务和按优先级两种。

前向计算时，所有序列被拍平拼接成一条「超级序列」，靠位置索引和注意力掩码保证各自只看自己的内容。这样就不需要右侧补齐，也就天然支持连续批处理——完成一个请求立刻释放资源补进新请求，GPU 不必等最慢的那条跑完。

四个让长请求不拖后腿的设计

分块预填充：把超长提示词的预填充切成小段，避免一个长请求独占一个引擎步骤，把其他请求的延迟全部拉高。参数上表现为给 long_prefill_token_threshold 设一个正整数。

前缀缓存：多轮对话中系统提示词和历史消息是重复的，相同前缀的缓存块可以在请求之间共享，不必重算。

引导解码：用语法约束的有限状态机限制采样范围，让输出严格符合指定格式。

投机解码与 PD 分离：前者用小模型先猜若干个词再由大模型批量验证，后者把预填充和解码拆到不同资源上执行。

启动时那几秒都在干什么

引擎构造阶段，工作进程会依次完成三件事：分配 CUDA 设备并按 gpu_memory_utilization（例如设为 0.8 即占用八成显存）核对余量、加载模型权重并切换到推理模式、初始化 KV 缓存。

最后一步会先跑一次空转前向计算，对显存拍个快照，据此反推能塞下多少个缓存块。除非显式指定 --enforce-eager，引擎还会针对若干预热批量大小捕获 CUDA Graph，把整串 GPU 操作录成一张有向无环图，后续直接回放，省下逐个启动内核的开销。

这些机制叠加起来，才是「同一张卡多扛几倍请求」的真正来源。对于正在做私有化部署、纠结要不要加卡的团队，先把引擎参数调明白，往往比直接采购更划算。

来源：Aleksa Gordić 技术博客《Inside vLLM: Anatomy of a High-Throughput LLM Inference System》、vLLM 开源项目

2026年1月1日，格雷格·阿贝尔（Greg Abel）正式接替沃伦·巴菲特，成为伯克希尔·哈撒韦的首席执行官。五个月的任期，足以让外界看清这位新掌门与”奥马哈先知”之间的显著差异——尤其在AI领域的投资策略上。

根据伯克希尔2026年第一季度13F-HR文件（5月15日提交SEC），阿贝尔在上任后的头三个月内，清仓了16只股票，将投资组合从42只压缩至29只。与此同时，他将释放出来的绝大部分资金集中押注在一只股票上——谷歌母公司Alphabet。

两阶段建仓，总投资超290亿美元

阿贝尔的Alphabet建仓分为两个阶段。第一阶段，在第一季度内，伯克希尔将其在Alphabet A类股的持仓增加了超过两倍，并新开了C类股头寸，合并持有近5800万股，截至3月底市值约170亿美元。

第二阶段发生在6月1日。Alphabet宣布了一项800亿美元的股权融资计划，用于扩建其人工智能基础设施。伯克希尔以锚定投资者身份参与了一笔100亿美元的私募配售——其中50亿美元购入A类股（每股351.81美元），50亿美元购入C类股（每股348.20美元），较当日收盘价折价约6.5%。

加上公开市场买入，伯克希尔在Alphabet的累计持仓已超过290亿美元，跻身投资组合前五大重仓股之列，仅次于苹果、美国运通、可口可乐和美国银行，将雪佛龙挤出了前五。

大规模清仓背后的逻辑

与Alphabet大举建仓同步进行的，是伯克希尔近代史上最激进的减持潮。阿贝尔在第一季度完全清仓了达美乐比萨、亚马逊、Visa、万事达、联合健康集团等16个持仓。

《华尔街日报》4月刊发的采访中，阿贝尔解释称，他卖掉了前投资经理托德·库姆斯（Todd Combs）管理的股票。库姆斯于2025年离开伯克希尔，转投摩根大通。其中达美乐比萨的退出尤其引人注目——巴菲特本人花了连续6个季度、逐步建仓335万股，此前没有任何迹象表明这只持仓是临时性的。

整体来看，伯克希尔在该季度净卖出约80亿美元股票，买入约160亿美元，卖出约240亿美元。

阿贝尔的信号：AI基础设施成为投资主线

阿贝尔的举动向市场发出了一个清晰信号：在他的管理下，伯克希尔不再回避大型科技公司。巴菲特在任时长期避免重仓单一科技股（苹果是唯一的重大例外），而阿贝尔在短短五个月内就将Alphabet推至前五大持仓。

更重要的是，这笔投资并非简单的二级市场买入——伯克希尔以私募配售方式直接向Alphabet提供成长资本，用于AI数据中心和算力基础设施建设。这种直接注资的方式，在巴菲特时代极少出现。

Alphabet在2026年第一季度的业绩也支撑了这一判断。该季度营收1099亿美元，谷歌云业务首次单季突破200亿美元。云计算积压订单（未来已签约但尚未确认的收入）超过4600亿美元，反映了企业客户对AI基础设施的提前锁定需求。

对中国读者的启示

伯克希尔对Alphabet的290亿美元押注，折射出全球最大资本配置者对AI基础设施投资的判断：这不是短期炒作，而是未来十年最确定的资本支出方向之一。当巴菲特在2026年股东大会上警告”从未见过人们像现在这样热衷于赌博”时，他的继任者正在用实际行动投下信任票。

对于关注AI产业链的中国读者而言，阿贝尔的选择提供了另一个观察维度：在全球AI军备竞赛中，资本正在向拥有云基础设施、搜索引擎垄断地位和多元化收入来源的科技巨头集中。这种集中化趋势，可能在未来几年持续影响全球科技投资版图。

—

*主要信息来源：Yahoo Finance、The Motley Fool、Fortune、The Wall Street Journal，时间截至2026年7月。*