德银：超级智能单次训练成本达9000亿美元，AI资本开支转向债务融资
nashnova research
德意志银行测算，将训练周期压缩至四个月的超级智能单次训练成本高达9000亿美元，而科技巨头的AI资本开支正从现金流和股权转向债务融资，收入缺口与信用风险同步放大。
训练一个"类AGI模型"要烧多少钱？
2026年顶级模型训练需要10²⁶至10²⁷次浮点运算（FLOPs，衡量算力规模的基本单位）；"类AGI模型"还要再高三个数量级，达到10³⁰ FLOPs。
若用美国现有全部AI基础设施集中跑一次10³⁰ FLOPs训练，需要近四年，耗电约6吉瓦，建设成本3000亿至5000亿美元。
若要压缩到四个月完成，需要780万块英伟达最先进的Vera Rubin芯片、26吉瓦设施电力，单次训练成本9000亿美元。这意味着→ 一次训练的账单，已超过绝大多数国家的年度军事预算。
德银指出，这一建设规模「在和平时期几乎没有先例，远超曼哈顿计划和阿波罗计划」。不过报告也预计，若硬件成本持续下降，2030年代同等训练的硬件成本或降至约2000亿美元，单次训练成本约200亿美元。
钱花出去了，收入跟上了吗？
谷歌母公司Alphabet、亚马逊、Meta、微软和甲骨文今年合计资本开支预计接近8000亿美元，2030年前每年预计超过1万亿美元，累计将新增4万亿至6万亿美元AI算力。
但收入端远远没跟上：德银基准预测显示，2026年不含中国的AI经济体量刚超过2000亿美元——仅为今年资本开支的约四分之一。
Gartner的测算更严峻：2030年前AI需要产生8.5万亿美元收入，但预期收入不超过3.6万亿美元。用大白话说＝ 花出去的钱和能赚回来的钱之间，缺口可能高达近5万亿美元。
融资结构为什么在发生质变？
德银指出，过去三年AI融资「主要不以收入为条件，而是基于对未来回报的信念」。这意味着→ 投资者买的不是当下的利润，而是一个关于超级智能的故事。
这一格局正在改变：投资性质正从自由现金流和股权转向债务。超大规模云服务商正接近资本开支无法被经营现金流覆盖、净债务超过EBITDA（息税折旧摊销前利润，衡量一家公司用经营利润还债能力的指标）的临界点。
Alphabet已在最近一个季度出现近二十年来首次季度自由现金流为负，全年资本开支指引上调至2050亿美元，同时披露了5140亿美元尚未确认的数据中心合同收入积压。
市场怎么给这些风险定价？
微软、英伟达、Meta、亚马逊等科技巨头的信用违约互换（CDS，一种为债务违约投保的金融工具）价格自2025年秋季以来大幅攀升，部分合约成本已翻倍以上；甲骨文、博通等公司涨幅更为显著。
云计算公司CoreWeave的案例尤为典型——其CDS市场对违约概率的定价一度超过60%，股价随之大幅下跌。这反映出市场对高杠杆AI公司的信用信心正在动摇。
2025年全球CDS交易总规模达41.8万亿美元，创历史纪录。用大白话说＝ 越来越多的投资者开始花钱买"保险"，对冲AI巨头还不上债的可能性。
真正的瓶颈是什么？
德银指出，即便资金到位，算力扩张的速度也不取决于芯片——电力才是真正的瓶颈。
电网接入排队、涡轮机交货周期和输电建设以年计，而组装并空运最新英伟达芯片只需数月。这意味着→ AI基础设施建设的节奏，被最慢的那个环节——电网——锁死了。
谷歌DeepMind首席战略官贾斯吉特·塞科恩（Jasjeet Sekhon）的判断更为直白：「我们面临一种危险——支出发生了，但收入没有出现。」他将递归自我改进描述为「人类有史以来最大科学赌注」的核心投资逻辑。
我们面临一种危险——支出发生了，但收入没有出现。
贾斯吉特·塞科恩（Jasjeet Sekhon）
谷歌DeepMind首席战略官
(2026年8月)
市场有风险，内容仅供研究参考，不构成投资建议。