英伟达再次传出将数据中心资产证券化的计划，这次的交易可能将AI算力热潮推向一个危险的新阶段。
据彭博宏观策略师Simon White分析，英伟达拟将数据中心转化为可投资资产的交易，有可能导致AI算力领域出现严重产能过剩，尤其是在基于结果定价模式逐渐成为行业标准的背景下。这一判断的核心逻辑在于：金融化正在人为放大需求信号，掩盖市场已经供过于求的真实状况——这与2008年金融危机前的住房泡沫如出一辙。
White指出，英伟达此次与Apollo、Brookfield、KKR、黑石、贝莱德及高盛达成的合作框架，意在撬动逾5000亿美元资本流入所谓"AI工厂"。英伟达将为部分交易中最高25%的GPU抵押品提供保险，即为其回收价值兜底。这与住房泡沫时期的相似之处难以忽视。彼时，AIG通过为CDO优先级别的债券出售保险，使银行得以减少资本占用，进而分发更多有毒债务——最终在相关性骤升至一时，以国家救助收场。
金融化加速：GPU债券市场的AIG时刻
Simon White认为，这场AI基础设施热潮在规模上已超越历史上的美国州际公路建设（1960年代）和宽带铺设（2000年代）等基础设施扩张周期。为维持这场盛宴持续运转，已有多笔交叉融资和供应商资助交易相继落地——仅涉及英伟达的交易规模就高达7500亿美元。
英伟达CEO黄仁勋明确表示，其目标是将“AI工厂算力”打造成一种可投资资产类别。GPU支持的债务市场今年已呈爆发式增长，而此次新协议则将这一进程推向更深层次——资产证券化与分发。合作伙伴将提供资本、基础设施专业知识，并推动证券化与分发。
通过提升交易吸引力，英伟达将使债务结构中的优先级别债券获得更高信用评级。与此同时，美国证券交易委员会（SEC）刚刚放宽了数据中心债券的证券化规则。White将此比作金融危机期间养老基金最终入场的节点——那往往标志着风险开始向更广泛的负债端扩散，也是危机走向终局的起点。
从表面看，英伟达的风险或许有限。但White提醒，这正是AIG当年的判断——随着时间推移，AIG承接了越来越多自认为无风险且有利可图的义务，最终发现借款人信用压力的相关性上升足以酿成灾难。
产能过剩信号：被金融炼金术掩盖的供需失衡
White的核心担忧在于，金融化正在系统性地屏蔽市场发出的产能过剩信号。与住房危机类似，当今的资本支出热潮更有可能在金融炼金术的润滑下吸引越来越多资本涌入，从而导致过度建设。而算力已经足够充裕的信号恐怕很难引起重视。
在需求侧，White指出衡量标准本身正在发生根本性转变。GPU租赁的标准计量单位是每小时成本，推理环节则是处理每个token的成本。但对终端用户而言，真正重要的是输出结果——我花的每一分钱能换来多少智能价值，或者更直白地说，完成一项任务的成本是多少？
智能成本正在下降，但这一变化并未立即反映在GPU层面的定价上。如果一个模型能用少10倍的token完成同样任务，而GPU的每token定价不变，那么每块GPU的实际效率就相当于提升了10倍。
随着“token最大化”成为历史，模型在处理同一任务时token用量可以大幅波动的证据不断涌现，加之大语言模型（LLM）可被轻易调整以消耗更多token，基于结果的定价模式正越来越受到企业用户的青睐。这一趋势一旦成为主流，将对模型提供商形成压力，推动其减少token消耗，进而压低GPU租赁价格。
同样值得关注的是，GPU的实际利用率据报道严重偏低。Cast AI的报告显示，GPU平均利用率仅为5%；ClearML则发现，近半数企业正在为闲置芯片浪费“数百万美元”。
杰文斯悖论的局限：路径依赖才是市场的真正风险
面对上述效率提升的论据，AI资本支出多头的惯常反驳是杰文斯悖论（Jevons paradox）：算力驱动的智能成本下降，将不可避免地推动需求上升，以量补价。
但White对此并不买账。他认为，杰文斯悖论无法在所有时间维度上持续奏效，而对市场而言，路径依赖才是关键。他判断，在当前大语言模型主导的AI发展阶段，智能需求（而非token需求）在现行价格水平上的增速，迟早会放缓至足以引发算力成本长期下行的程度。
作为贷款方，当抵押品的相关性开始恶化，而另一项关键风险——借款人的信用状况——也同步走弱时，风险将迅速累积。届时，英伟达将不得不履行其保险义务，而与此同时，其自身融资的其他交易也可能出现问题，更不用说其核心产品价值的下滑。Google等同样以自身资产负债表为这场资本支出热潮提供支撑的企业，也面临类似风险。
正如住房危机所揭示的，相关性一旦启动，便不会停下来等人。White的结论是，英伟达此次拟议交易，只是让市场距离再次目睹这一金融自然力量又近了一步。
