AI算力天花板被改写：智能体Token消耗四个月激增14倍，人类用户仅增2.8倍

过去大家总爱追问，英伟达这一季度又能卖掉多少块GPU。如今这个问题正在悄然转向——人们更关注的是，这座AI工厂建好之后到底能产生多少收益，设备的使用效率如何，等新一代芯片面世后，这些旧设备还能否持续创造价值。

这种转向并非没有来由。

AI算力的交易模式，正在从一张简单的订单，变成一套复杂的资产运作体系。

过去客户买GPU、建机房，折旧压力、利用率不达标、技术被淘汰，这些风险都要自己扛。如今情况完全不同了。去年八月，英伟达联合Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs和KKR这六家顶级金融机构，搭建了一个独立的融资平台，计划撬动超过五千亿美元的第三方资金投入AI基础设施。

黄仁勋还表态，英伟达自身最多承担一千两百五十亿美元，约为潜在交易总额的四分之一。

更早之前，去年九月，英伟达就和CoreWeave签署了一份价值六十三亿美元的"算力容量协议"，最长可延续至2032年。

这意味着，如果CoreWeave建成的数据中心出现空置，英伟达需要兜底剩余的算力。这本质上是一份需求保底协议，让数据中心运营商不必担忧空置率，也让银行更乐于为这类项目提供贷款。

由此可以看出，AI算力正从一次性芯片采购，逐步演变为一种可长期持有、持续运营、还能用于融资的基础设施资产。而判断它是否属于真资产，需要看几个关键维度。

第一，这座工厂必须能够持续盈利。

英伟达将AI工厂定义为"持续产出智能的基础设施"——输入的是电力和数据，输出的是Token、推理服务和企业应用。市场如今不仅关注GPU出货量，更看重Token产量、每瓦性能、单个Token成本、设备利用率等指标。

第二，算力必须能够灵活切换客户。

从理论上看，同一套设备今天服务于模型公司，明天对接云厂商，后天可能交给科研机构或政府使用。客户可以更换，工作负载可以迁移，算力本身要具备重新部署的能力，这样资产才有流动性可言。

第三，设备不能买入后就贬值。

GPU、网络、存储、电力、散热和软件，必须纳入同一套系统进行持续优化。CUDA和全栈软件的价值正体现于此——它不仅能加速新芯片的运行，还能让已部署的老设备不断提效。

因此账面上标注的折旧年限，并不等于设备的真实经济寿命。一台被持续打磨的设备，实际服役周期会更长，产出的价值也会更高。

最棘手的一关是残值。残值衡量的是，当客户更换、模型迭代、硬件换代之后，这座工厂能否继续贡献现金流。硬件替代速度、运维成本、客户认证、电力条件，这些要素综合起来，才能判定这究竟是优质资产，还是一笔被高估的折旧包袱。

不过市场最为担忧的，还是"循环融资"这个陷阱。

何为循环融资？

英伟达协助客户获得融资，客户用这笔资金采购英伟达的芯片，英伟达确认营收，再将新增收入用于支持更多客户的融资。若最终缺乏真实的AI服务需求来买单，这个链条就会自我循环，变成资金推动销售、销售反哺资金，与当年房利美、房地美的模式如出一辙。

因此这次英伟达拉来的六家顶级机构入局，真正值得关注的并非那份谅解备忘录签得多么光鲜，而是三件事：资金能否真正落地？客户是否愿意持续为算力服务埋单？项目自身的现金流能否独立覆盖债务、折旧和运营支出？

资本入场，并不代表需求已被验证。这一点，最近CoreWeave和Nebius发布的二季度财报，提供了实实在在的数据支撑。

Nebius二季度营收五点八亿美元，同比增长超过四倍，AI云业务的EBITDA率达到百分之五十。年化营收已达三十亿美元，环比增长近六成。

更值得留意的是定价水平。

长期合同的单位算力价值约为每兆瓦两千万至两千五百万美元，而短期合同报价已攀升至四千万至五千万美元，管理层还透露"本周刚签下首份达到该价位的合同"。按此推算，一吉瓦的合同价值约在四百亿至五百亿美元之间。

Nebius还表示，未来五至六成的资本开支可由客户预付款覆盖，全年预付款预计突破九十亿美元。

新签约项目的平均回本周期已压缩至一年十个月。管理层甚至提到，按现有合同条件，他们可以将2027年的全部产能提前售罄，但并未这样做——因为保留部分产能应对即时需求，未来能够卖出更高的价格。这并非担忧销路，而是在权衡长期锁定与即期定价的收益。

CoreWeave方面，二季度营收二十五点七五亿美元，同比增长翻倍，调整后EBITDA率达到百分之五十九。截至六月底，收入积压已达一千零四十亿美元，这还未计入七月初新签的两百五十多亿美元。公司将全年营收指引上调至一百二十四至一百三十二亿美元，活跃电力目标也提升至超过一点八五吉瓦，规划2030年突破八吉瓦。

CoreWeave的CEO一针见血地点明了需求性质的变化：AI已不再局限于少数前沿模型实验室，而是正向软件、工业系统、金融市场、企业工作流和国家安全等领域全面渗透。还有一个反常的信号——上一代的A100 GPU，去年的价格不降反升，原因是推理需求井喷，供给依然紧张。这表明需求的广度已远远超出"训练最新大模型"这一单一场景。

Nebius证实了稀缺的高品质算力正在获得越来越强的定价话语权，CoreWeave则验证了需求正从少数实验室向更广泛的行业扩散。两家公司从不同角度，交叉印证了同一个趋势。

那么原因何在？

答案隐藏在Token的结构性变化中。

过去两年，市场最关心的无非是OpenAI、Anthropic、xAI还要采购多少GPU，微软、Meta、Google、Amazon的资本开支还能增长多少。这些问题依然关键，但底层的变化是，AI正从模型训练走向推理，从聊天机器人走向智能体，从互联网应用迈向工业、金融、科研和国家安全。

一个关键数据是，智能体的Token消耗量与今年二月相比已扩大十四倍，而同期人类用户仅增长了两点八倍。这意味着AI需求的增量，正从"更多用户使用AI"转向"更多智能体持续执行任务"。

一个智能体为完成复杂任务，需要反复推理、检索、调用工具、读取上下文、校验结果，其Token消耗可达普通人机交互的十倍至一百倍。而智能体的普及，才刚刚拉开序幕。

宏观数据同样能够佐证。

今年年初，AI推理支出首次超越训练支出，上半年AI云推理收入达三百七十五亿美元，占AI云基础设施收入的百分之五十五；推理占企业AI预算的比例已达百分之八十五。全球月度Token总量突破三十千万亿，同比增速约十四倍。

今年五大超大规模云厂商的AI资本开支预计在六千五百亿至六千九百亿美元之间，同比增长约三成六。

英伟达披露，Blackwell和Vera Rubin到2027年底的明确需求已超过一万亿美元。

OpenAI今年二月的年化收入已达二百五十亿美元。超大规模厂商的剩余履约义务积压合计约两万亿美元。

整个社会究竟需要生产多少Token？

又需要多少算力来保障这些Token的持续产出？这正是"AI算力工厂"这一概念的核心要义——GPU、CPU、网络、存储和电力，本质上是生产资料；而Token，正成为这座工厂最基础的产品形态。

最后谈谈谁是受益者，谁面临风险。

英伟达自身无疑是最大的受益方。

这一融资框架的本质，是将英伟达的销售周期延展为资产生命周期。它既抬升了芯片销量的天花板，又将一次性硬件收入转化为可延续的、与使用量绑定的长期收入。

头部算力运营商如Nebius和CoreWeave，同样处于红利期。

在供给紧张、定价权走强的窗口期，谁能率先锁定电力、抢先签下长单、率先跑通"预付款支撑资本开支，资本开支转化为产能，产能带来更多预付款"这一飞轮，谁就能收割本轮红利。

而那些手握稳定电力配额和可扩展园区的参与者，在下游的残值博弈中将占据优势。

风险同样不容忽视。

Michael Burry，即那位因做空次贷闻名的"大空头"，已公开做空Nebius，理由是估值偏高、债务过重。Nebius一季度长期债务已翻倍至八十四亿美元。这类高杠杆的中尾部玩家，一旦需求增速放缓、利用率下滑，现金流可能无法覆盖折旧和利息。高增长严重依赖持续融资，这不是好兆头。

另一重风险是残值被高估。

真正的隐患并非设备卖不出去，而是换代后难以卖出好价。A100涨价是推理需求托举的特例，不可简单推广至所有设备。硬件迭代越快，上一代设备的残值风险就越大。

最大的系统性风险依然是循环融资。

若AI收入最终无法独立覆盖折旧、运维和融资成本，那么客户预付款和机构资本本质上只是将风险延后，并未真正消除。LSEG的报告已指出，企业越来越多地同时为上下游提供融资，这种循环融资将引发传染风险。

归根结底，只有当AI工厂能够持续生产Token和服务，拥有广泛的客户基础，并且在代际升级后继续贡献现金流，算力才真正具备基础设施资产的属性。

融资叙事描绘了方向，但现金流才是检验这套逻辑能否跑通的终极标尺。