德銀：超級智能單次訓練成本達9000億美元，AI資本開支轉向債務融資
nashnova research
德意志銀行測算，將訓練週期壓縮至四個月的超級智能單次訓練成本高達9000億美元，而科技巨頭的AI資本開支正從現金流和股權轉向債務融資，收入缺口與信用風險同步放大。
訓練一個「類AGI模型」要燒多少錢？
2026年頂級模型訓練需要10²⁶至10²⁷次浮點運算（FLOPs，衡量算力規模的基本單位）；「類AGI模型」還要再高三個數量級，達到10³⁰ FLOPs。
若用美國現有全部AI基礎設施集中跑一次10³⁰ FLOPs訓練，需要近四年，耗電約6吉瓦，建設成本3000億至5000億美元。
若要壓縮到四個月完成，需要780萬塊NVIDIA最先進的Vera Rubin晶片、26吉瓦設施電力，單次訓練成本9000億美元。這意味著→ 一次訓練的賬單，已超過絕大多數國家的年度軍事預算。
德銀指出，這一建設規模「在和平時期幾乎沒有先例，遠超曼哈頓計劃和阿波羅計劃」。不過報告亦預計，若硬件成本持續下降，2030年代同等訓練的硬件成本或降至約2000億美元，單次訓練成本約200億美元。
錢花出去了，收入跟上了嗎？
Alphabet、亞馬遜、Meta、微軟和甲骨文今年合計資本開支預計接近8000億美元，2030年前每年預計超過1萬億美元，累計將新增4萬億至6萬億美元AI算力。
但收入端遠未跟上：德銀基準預測顯示，2026年不含中國的AI經濟體量剛超過2000億美元——僅為今年資本開支的約四分之一。
Gartner的測算更為嚴峻：2030年前AI需要產生8.5萬億美元收入，但預期收入不超過3.6萬億美元。簡單來說＝ 花出去的錢和能賺回來的錢之間，缺口可能高達近5萬億美元。
融資結構為甚麼在發生質變？
德銀指出，過去三年AI融資「主要不以收入為條件，而是基於對未來回報的信念」。這意味著→ 投資者買的不是當下的利潤，而是一個關於超級智能的故事。
這一格局正在改變：投資性質正從自由現金流和股權轉向債務。超大規模雲服務商正接近資本開支無法被經營現金流覆蓋、淨債務超過EBITDA（息稅折舊攤銷前利潤，衡量一間公司用經營利潤還債能力的指標）的臨界點。
Alphabet已在最近一個季度出現近二十年來首次季度自由現金流為負，全年資本開支指引上調至2050億美元，同時披露了5140億美元尚未確認的數據中心合同收入積壓。
市場怎樣給這些風險定價？
微軟、NVIDIA、Meta、亞馬遜等科技巨頭的信用違約互換（CDS，一種為債務違約投保的金融工具）價格自2025年秋季以來大幅攀升，部分合約成本已翻倍以上；甲骨文、博通等公司升幅更為顯著。
雲端運算公司CoreWeave的案例尤為典型——其CDS市場對違約概率的定價一度超過60%，股價隨之大幅下跌。這反映出市場對高槓桿AI公司的信用信心正在動搖。
2025年全球CDS交易總規模達41.8萬億美元，創歷史紀錄。說白了＝ 越來越多投資者開始花錢買「保險」，對沖AI巨頭還不上債的可能性。
真正的樽頸是甚麼？
德銀指出，即便資金到位，算力擴張的速度也不取決於晶片——電力才是真正的樽頸。
電網接入排隊、渦輪機交貨週期和輸電建設以年計，而組裝並空運最新NVIDIA晶片只需數月。這意味著→ AI基礎設施建設的節奏，被最慢的環節——電網——鎖死了。
Google DeepMind首席策略官賈斯吉特·塞科恩（Jasjeet Sekhon）的判斷更為直白：「我們面臨一種危險——支出發生了，但收入沒有出現。」他將遞歸自我改進描述為「人類有史以來最大科學賭注」的核心投資邏輯。
我們面臨一種危險——支出發生了，但收入沒有出現。
賈斯吉特·塞科恩（Jasjeet Sekhon）
Google DeepMind首席策略官
（2026年8月）
市场有风险，内容仅供研究参考，不构成投资建议。