具体做法

按照微软的规划，后续其美国境内所有新建项目都将采用这一方式。在项目建设过程中，微软会收集当地社区意见，并通过生态研究了解项目所在地的环境状况。

微软团队还将使用一款运行在 Azure 云平台上的工具”Ecosystem Intelligence”，对项目地点的水质、生物多样性、噪音控制等多个指标进行评估打分。通过在数据中心周围打造植物缓冲带，可以减弱服务器与发电机持续运转带来的嗡鸣噪声，并降低建筑对周边社区的视觉冲击；部分站点还在考虑种植授粉花园，帮助帝王蝶完成每年一度的迁徙。

覆盖范围

该计划目前覆盖美国与德国的 20 多个站点，并将成为微软在美国所有新建项目的标配。据披露，相关实践始于 2022 年的一座荷兰数据中心；如今微软在全球 34 个以上国家运营着超过 300 座数据中心。

在威斯康星州芒特普莱森特，微软于 2023 年出资 420 万美元修复一条穿越其厂区的溪流，并为雨水塘加装前池以防止泥沙外流；该站点的 Fairwater 项目被微软称为”全球最强 AI 数据中心”。

争议与压力

这项环保举措并未消除外界对 AI 数据中心扩张的担忧。消费者权益组织 Public Citizen 的得州主任 Adrian Shelley 直言，这些做法”基本上是给猪涂口红”——背景是微软今年 6 月与雪佛龙签署了一份 20 年协议，计划为西得州一处全新 AI 数据中心园区供电，该项目预计将成为全美最大规模的天然气发电与数据中心联合开发体之一，首次供电预计在 2028 年。

在得克萨斯州，数据中心 2025 年消耗约 250 亿加仑水资源；研究机构 HARC 预计，到 2030 年这一比例可能从全州总用水量的 0.4% 升至 0.5% 到 2.7%。微软曾提出 2030 年实现”水正效益”与”碳负排放”的目标，但其 2026 年 7 月发布的可持续发展报告显示，2025 财年碳排放量上涨了 25%，主要受数据中心基础设施扩张驱动。

社区博弈

在圣安东尼奥，微软 2022 年曾为建设数据中心砍伐超过 2642 棵树、占地 33 英亩，引发当地强烈不满。按照官方说法，微软现正投资超过 400 英亩的林地与授粉草原修复项目，目标是让土地”比接手时更有生产力”。当地市议会定于 10 月 15 日对数据中心区划规则进行投票，能否在扩张与社区诉求之间找到平衡，将是微软”仿生”计划面临的关键考验。

算力成为大模型较量的主战场

在顶尖大模型性能的争夺中，OpenAI 与 Anthropic 的竞争已进入白热化。而这场较量的核心，正是训练与部署模型不可或缺的基础设施——算力。据《纽约时报》消息，过去几年 OpenAI 在可用算力规模上一直领跑，截至去年其可用算力约为 2 吉瓦，而 Anthropic 仍处于下风，规模约 1.5 吉瓦。

年底同冲 5 吉瓦，明年再翻番

多位知情人士透露，Anthropic 已告知投资者，计划在今年年底前将可用算力储备提升至约 5 吉瓦，并预计到明年年底将这一容量再度翻倍，达到约 10 吉瓦。掌握 OpenAI 内部预估数据的人士称，后者的扩容路径与之大体一致：同样计划今年达到约 5 吉瓦，明年拓展至约 10 吉瓦。

从审慎到激进：阿莫迪的态度转变

在巨额算力支出的态度上，Anthropic 一改此前的审慎立场。其首席执行官达里奥·阿莫迪（Dario Amodei）去年曾暗讽未具名的竞争对手：“我认为业内某些参与者行事过于激进、不计后果，把风险敞口拉得太满了。我对此深感忧虑。”这番言论被广泛视为在含蓄敲打当时正因算力开销备受审视的 OpenAI。如今 Anthropic 自身大幅加码，背景是其正筹备首次公开募股（IPO）。

5 吉瓦意味着什么

5 吉瓦约等于五座大型核电站的峰值输出，足以为数十万张高端 AI 加速芯片持续供电。对大模型厂商而言，算力规模直接决定模型迭代速度与推理成本，是争夺开发者与企业客户的基础。随着两家头部实验室的节奏趋于一致，围绕算力的军备赛仍将持续升温。

智谱于 9 月 13 日宣布完成约 50 亿美元（约 335.4 亿元人民币）融资，其中六成将明确投向下一代 GLM 基础模型与”完全自训练”体系及算力基础设施。这笔资金让这家今年 1 月才登陆港交所的中国大模型公司，在持续升级的”耐力赛”中获得跨多个研发周期调度算力的底气。

一笔”折价配售 + 零息转股”的组合拳

智谱（02513.HK）本轮融资由两部分独立构成，彼此不互为前提。其一是约 20 亿美元的股份配售：以每股 714 港元配售最多 2196.5 万股新 H 股，较 9 月 11 日 793 港元的收市价折让约 9.96%，所得净额约 156.64 亿港元。其二是约 30 亿美元的零息可转债券：以本金 100.5% 发行，初始转股价 892.5 港元（较 793 港元溢价约 12.55%），2027 年到期，本金规模 201.4 亿元人民币，所得净额约 236.1 亿港元。两项合计净额约 392.74 亿港元。

这种”折价配售 + 零息溢价转股”的结构在 AI 公司融资中并不常见。零息设计意味着公司不承担常规票息支出，而溢价转股价把即期股权摊薄压到最低——智谱用更低的当期成本，换来了更大的资金体量。

资金去哪儿了

据港交所公告，募资净额按以下比例分配：

“完全自训练”（Fully Self Training）是本轮研发的重点方向。智谱将其描述为：下一代 GLM 在上一代 GLM 构建的环境中训练，形成递归式自我改进循环（Recursive Self-Improvement，RSI），具体覆盖自动化生成与筛选训练数据、构建可执行可验证的任务环境、提升长程推理与自我验证能力，以及推进国产芯片适配、算子开发和算力调度。

什么是”完全自训练”？

完全自训练指由下一代模型在上一代模型搭建的环境里完成训练，逐步建立递归式自我改进循环。它让模型参与更完整的训练与改进过程，而非单纯依赖人工标注数据，是智谱试图把”模型竞争力”转化为”持续迭代能力”的核心赌注。

商业化已跑出陡峭曲线

支撑这笔融资的，是智谱快速改善的财务表现。2026 年上半年，公司营收达 9.54 亿元，同比增长近 400%，已超过去年全年收入；其中 MaaS（模型即服务）开放平台及 API 服务收入 8.25 亿元，同比增长约 2736%，贡献当期 86.5% 的营收，业务毛利率由负转正至 24.6%。截至 8 月底，智谱按月度收入年化计算的 ARR（年度经常性收入）达到 16 亿美元，较 7 月上旬的 10 亿美元增长 60%。

模型侧，GLM 系列在 2 月至 8 月先后推出 GLM-5、GLM-5.1、GLM-5.2 和 GLM-5.3，保持约每两个月一次的重要升级节奏。

智谱为何采用”折价配售 + 零息转股”结构？

折价配售可快速募得大额权益资金，零息可转债则不产生票息负担且转股前不摊薄股权，溢价转股价更体现投资者对增长的预期。两者结合，让智谱在亟需算力的阶段以更低当期成本拿到约 50 亿美元弹药。

一场关于”谁先耗尽弹药”的耐力赛

把视野拉到全球，智谱的融资节奏折射出大模型行业的共同处境：前沿模型的竞争已从”谁模型更强”转向”谁能在更长周期里持续投入”。与 OpenAI、Anthropic 动辄千亿美元量级的累计融资相比，中国大模型公司的资金池仍显单薄，但智谱 1 月港股 IPO（所得 48.96 亿港元已悉数动用）、7 月配售 1978 万股净筹 313.75 亿港元、再到本轮近 393 亿港元，三步累计形成的储备已足以支撑数个研发周期。

真正的看点不在”融了多少”，而在”完全自训练”能否跑通。一旦递归式自我改进循环成立，模型迭代将部分摆脱对人工数据的依赖，算力与工程能力的复利效应会显著放大。这恰是约 50 亿美元最该押注的方向。

50 亿美元能支撑智谱跑多远？

按公告口径，约 60% 投向模型与算力，可支撑智谱跨多个研发周期安排训练实验、人才与算力调度。对一家半年营收不足 10 亿元、却要参与全球前沿模型竞争的公司而言，这笔资金主要购买的是”不被弹药拖慢节奏”的时间窗口。

本文基于智谱港交所公告、2026 年中期财报，以及证券时报、智东西、新浪财经等公开报道综合整理。

OpenAI 于 9 月 11 日发布工程博客，披露其在线存储平台 Habitat 的演进。Habitat 目前每秒处理超过 7000 万次请求，每周服务超过 10 亿用户，管理的数据规模超过 500PB，覆盖近 40 个地理区域。它支撑着 ChatGPT、OpenAI API、Codex 等产品的数据存取。

Habitat 诞生于 2024 年中，最初是一个与 ChatGPT 主服务器交互的 Python 客户端库，底层对接 Azure Cosmos DB。其目标是让产品工程师无需直接管理数据库即可完成数据存取，系统代为处理数据类型识别、路由、授权、加密、序列化与连接池管理。

一次故障促成架构拆分

随着 OpenAI 产品数量与数据需求增长，客户端库架构在 2025 年中暴露出局限：每次修改共享库都要协调数十个服务部署，发布周期以天计，故障风险随之升高。OpenAI 因此将 Habitat 改造为独立服务，统一管控部署、监控与平台能力，并形成数据安全的一致性控制点——集中执行访问控制、审计日志与底层存储资源权限管理，防范外部、内部与智能体程序对用户数据的未授权访问。

为何离开 Python

OpenAI 在博客中将早期选择 Python 称为”有计划的战略技术债”：优先保证平台稳定与产品迭代速度。但在高并发场景下，Python 的 CPU 与内存开销成为瓶颈，尤其难以压住请求尾延迟。团队通过限定单进程并发、增加工作进程、优化异步调度，以及把连接复用策略从后进先出（LIFO）改为先进先出（FIFO），缓解了负载向慢进程聚集的问题。

2 名工程师加 AI 编码工具完成重写

2026 年第二季度，OpenAI 投入 2 名工程师，并借助 Codex 与 GPT-5.5，将 Habitat 整体用 Rust 重写。官方数据显示，新的 Rust 服务目前已承接 95% 的生产请求，CPU 效率提升 6 倍、内存效率提升 15 倍，平均延迟与尾延迟同步下降。OpenAI 计划在未来数周内彻底弃用 Python 版本。

工程启示

OpenAI 称，超大规模系统的现实路径往往不是一开始就追求”最优”，而是先让控制面、稳定性与产品迭代跑起来，再择机清偿性能债务。Habitat 还参考 TAO 模型只暴露可控的 NoSQL 风格接口，把复杂分析查询通过变更数据捕获（CDC）分流至 Rockset，避免拖累在线存储。后续文章将介绍其 Azure Cosmos DB 存储层扩展与多租户可靠性优化。

按 IDC 美国东部时间 9 月 10 日发布的数据，这一数字意味着当季服务器总营收同比增长 52.0%、环比增长 35.7%。

钱涨了五成，机器只涨了一成半

更值得琢磨的是结构。

当季服务器出货量同比增幅为 15.4%，远低于营收 52.0% 的增速。两相对照，结论很直白：服务器平均售价（ASP）同比上涨了三成以上。

IDC 在报告中解释，出货量的恢复、内存价格的上涨以及持续的组件配额分配，共同推高了 GPU 加速与非加速系统的平均售价。而人工智能基础设施投资的持续扩张，仍然是市场增长的主要驱动力。

拆开看：GPU 服务器拿走一半以上

按算力类型划分，当季 GPU 加速服务器营收达 874 亿美元（现汇率约合 5880.3 亿元人民币），同比增长 28.1%，占整个市场的 52.6%。

这组数据里藏着一个更耐人寻味的细节：GPU 加速服务器的 ASP 涨幅达到 43.6%，但 GPU 出货量反而同比减少了 10.8%。

量在跌、价在涨、收入还在涨——这说明卖出去的机器更少，但每一台里塞的卡更贵。

其它加速服务器的表现更为激进，收入同比增长 237.6%，达到 275 亿美元（现汇率约合 1850.21 亿元人民币）。即便是非加速服务器，ASP 也同比上涨了 33.5%。换句话说，这轮涨价并不只发生在 AI 服务器上，通用服务器同样在被内存和组件成本推着走。

指令集格局：非 x86 逼近半壁江山

按指令集划分，非 x86 平台当季收入达到 744 亿美元（现汇率约合 5005.66 亿元人民币），占总收入的 44.8%。

x86 阵营收入为 919 亿美元（现汇率约合 6183.06 亿元人民币），同比仍有 16.1% 的增幅，规模上依旧领先，但增速已经明显被加速服务器拉开。

对采购方意味着什么

这份报告给出的坐标其实相当实际。

一方面，通用服务器的单价正在被内存与组件成本推高，采购预算需要重新估算；另一方面，真正需要重估的是 AI 算力预算——在一个收入增长 52%、出货量增速仍为个位数的市场里，单台均价大概率还会继续上探。

IDC 同时提到，买家正从少数超大规模云厂商向外扩散，需求面在变宽，但供给端的 GPU、机柜与电力配套，仍是制约出货量释放的现实瓶颈。

1663 亿美元这个纪录，下个季度是否会被再次改写，取决于这些瓶颈松动的程度。

维谛：从机房电源到液冷龙头

维谛是全球数据中心关键基础设施领域最接近纯正的标的。其最新一季（2026财年第一财季）营收达到26.5亿美元，同比增长30%；美洲区有机销售增长44%，调整后营业利润率扩大4.3个百分点至20.8%。更关键的是订单储备：截至季度末，维谛在手积压订单达150亿美元，同比翻倍有余（增幅约109%），预订出货比接近2.9倍。

资本市场的反应最为直接——维谛股价过去12个月累计上涨超过200%，市值从约18个月前的80亿美元膨胀到350亿美元以上，并于今年3月被纳入标普500指数。

伊顿：用并购把”供电+制冷”打包卖

电气设备巨头伊顿走的是另一条路：既卖配电，又把制冷并进来。2026年3月，伊顿以95亿美元收购热管理公司Boyd Thermal，首席执行官保罗·鲁伊斯（Paulo Ruiz）在交易落地后表示，”液冷已不是要不要做的问题，而是有多快的问题”。他说，把博伊德的冷却技术与其电力基础设施结合，就能”从芯片一直服务到电网”。

订单侧同样火热：伊顿电气美洲业务板块2026年第一财季数据中心订单同比增长240%，整体电气业务积压订单增长48%；过去一年伊顿股价涨幅也超过70%。

盖房子与做散热器的，也都来了

康姆福系统是美国数据中心背后的机电总承包商，负责浇筑地基、铺设管线、安装暖通。其第一财季营收同比大增56%至28.7亿美元，稀释后每股收益10.51美元，远超市场预期；在手订单达到124.5亿美元，接近翻番，并已连续第四个季度上调股息至每股0.80美元。

做汽车散热器的摩丁则搭上了AI服务器液冷的快车：在拿到一家AI基础设施开发商1.8亿美元冷却系统订单后，其AI数据中心冷却业务单季营收暴涨158%，并给出2028财年相关收入冲向20亿美元、年均增长50%至70%的指引。

为什么是现在：单柜功耗冲过100千瓦

底层逻辑是物理规律。传统服务器机柜功耗约10至20千瓦，而新一代AI训练机柜可吃下高达100千瓦；一台AI服务器耗电约为传统服务器的5到10倍。芯片侧更直观：从H100到GB200再到下一代Rubin，单卡功耗从约700瓦跃升至1200瓦、再冲向2300瓦，风冷在单芯片约800瓦处便触及极限，再多的风扇也压不住。到Rubin这一代，液冷已从”可选项”变成”物理必选项”。

这直接撑起一个细分市场：全球数据中心散热（热管理）市场预计从2025年的263亿美元增长至2033年的1283亿美元，八年接近翻五倍；瑞银等机构预计数据中心液冷市场到2028年前复合年增速超过30%。

中国市场的参照

这股”卖铲子”的热度同样投射在中国市场。做数据中心温控的英维克2025年营收创下60.68亿元（约8.35亿美元）的纪录，今年3月谷歌采购团队曾专程赴华与其洽谈AI数据中心液冷设备采购。做微通道冷板的银轮股份也在向海外芯片封装与服务器客户拓展。

从渗透率看，中国服务器液冷比例在2026年上半年升至28%，一年前仅为12%；新建的万卡级AI数据中心已普遍全量采用液冷。据行业估算，国内液冷市场规模2026年约3000亿元，2030年有望突破1万亿元。对国内供应链而言，冷板、水泵、换热器等二级零部件，正成为这轮AI基建里最先兑现订单的环节。

该模型覆盖 17 个技术和服务大类、共计超过 200 个细分市场，并基于十项结构性指标逐一判定每个市场的前景，包括 AI 可替代性、劳动力密集度、对智能体工作负载的支持程度、商业模式、数据与信任优势、AI 相关研发投入、监管摩擦、资产密集度以及切换成本。

三类市场被明确列为增长赢家

Forrester 的测算显示，只有三个类别被普遍看好为清晰的增长方向。第一类是基础设施提供商，涵盖云平台、数据中心与存储；第二类是数据与 AI 提供商，包括基础模型、AI 平台、数据管理与治理方案；第三类是网络安全与身份提供商，其中零信任（Zero Trust）架构与 AI 智能体安全被特别点名。

Forrester 副总裁兼首席分析师 Craig Le Clair 指出，人工智能带来的收益并不会在技术市场中平均分布，只有上述三类市场具备明确的增长基础，其余类别的厂商都将被迫适应这一轮变化。

劳动密集型知识工作受冲击最大

在模型的另一端，受冲击最严重的是依赖人力专长的知识工作市场。转型服务、技术实施、软件开发、创意服务、本地化以及企业培训等领域，都因 AI 开始承担原本由人完成的活动——例如编写代码、生成内容与翻译——而承受结构性压力。

与之相对，企业软件板块更可能被「重塑」而非直接取代。业务应用、治理与合规、流程自动化、客户体验与营销技术等品类仍将演化，嵌入的工作流、监管要求、切换成本，以及对数据编排、治理与信任能力日益增长的需求，都会缓冲其被整体替代的风险。

给技术决策者的一张风险地图

Forrester 将市场划分为四个象限：颠覆、中性、争夺与加速。副总裁兼首席分析师 Ted Schadler 表示，对技术和服务提供商而言，真正的挑战不只是看清 AI 在哪里推进，而是理解它将如何重塑所在市场的经济逻辑，从而提前规划投资与防御。

对于企业技术采购方，该模型也可充当一种「采购护盾」，帮助识别那些已经过时、技术债沉重的工具，把预算导向可规模化支撑智能体工作负载的供应商。Forrester 同时发布了两份配套报告，分别阐述模型方法论与具体品类分析，面向其企业客户开放。

8月17日，英伟达（NVIDIA）宣布与能源基础设施企业 SB Energy 达成合作，在俄亥俄州派克县的 PORTS-Pike 科技园区锁定土地、电力与外壳（Land、Power、Shell，简称 LPS）容量，用于专属性承载英伟达 AI 算力。OpenAI 将成为该园区的终端客户，并通过20年租约使用相关设施。这被视为 AI 算力从“产品”走向“基础设施”的又一标志性动作。

规模直达 8 吉瓦

根据英伟达披露，PORTS-Pike 园区初期规划支持4.25 IT-GW（IT 吉瓦）的 AI 工厂容量，英伟达保有将剩余3.75吉瓦一并纳入的选择权，使总规模最高可达8吉瓦。英伟达将作为该园区的独家 AI 算力基础设施提供商，其全栈 DSX AI 工厂平台（涵盖 GPU、CPU 与网络）将部署其中。SB Energy 负责数据中心的建造、持有与运营，OpenAI 则作为承租方长期使用。

为支撑项目，英伟达向 SB Energy 投资15亿美元，并为土地、电力与外壳的建造提供信用支持。据路透社报道，相关担保规模最高可达1050亿美元，覆盖了部分租赁与电力付款，并承诺在 OpenAI 违约时保障场地的最低价值。

旧工业用地焕新

PORTS-Pike 园区坐落于已退役的 Portsmouth 气态扩散厂及周边区域，横跨私人土地与联邦土地。SB Energy 与美国电力公司俄亥俄分部（AEP Ohio）、美国能源部、美国商务部协同推进，预计自2028年起分阶段投运。美国能源部曾将该项目称为“全球最大的租赁用地 AI 数据中心”。

为满足算力用电，SB Energy 与软银（SoftBank）计划新建至少10吉瓦发电能力，并投入约42亿美元用于区域电网基础设施，包括高压输电线路，且承诺不向俄亥俄州普通用户转嫁成本。

就业与社区回报

项目预计在建设期创造约3.5万个岗位，运营期提供约2500个长期职位。社区受益基金规模达8000万美元，其中 SB Energy 与软银初始承诺4000万美元，OpenAI 另追加4000万美元，用于可负担能源、劳动力培训与社区经济发展。

英伟达创始人兼首席执行官黄仁勋表示，土地、电力与外壳已成为 AI 时代的关键资源，锁定长期基础设施，可让 OpenAI 随着每一代新技术迭代反复升级其 AI 工厂。OpenAI 首席执行官萨姆·奥尔特曼（Sam Altman）与软银集团董事长孙正义也分别强调了该项目对医药发现、创业与通用人工智能（AGI）的意义。

对全球 AI 产业而言，这一超大规模园区的推进，再度印证了算力供给正成为各国与各家科技公司竞逐的核心。其融资模式、电力优先的建造思路，以及“AI 工厂”的运营理念，都为观察下一代人工智能基础设施提供了参照。

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。