硅谷观察｜英伟达为OpenAI担保2500亿美元：华尔街为何开始给"AI中央银行"买保险？

当卖铲子的人开始为矿工的矿场和租金提供担保，华尔街先买了卖铲子人的违约保险。

7月份硅谷有三组信号和华尔街遥相呼应，引发了关于AI估值、资本结构和现金流转化的新一轮讨论。

7月26日，《华尔街日报》披露，英伟达（Nvidia）正在洽谈为OpenAI提供约2500亿美元的融资托底，帮助后者租用软银（SoftBank）旗下SB Energy在俄亥俄州南部开发的10吉瓦数据中心。包括内部芯片在内，该项目总成本可能超过5000亿美元。报道所称的托底主要覆盖租约和建设债务，并不包括英伟达芯片；另有一项最高约3500亿美元的GPU采购融资也在讨论中。

这还不是已经签署的最终合同，更不是英伟达需要立刻支付2500亿美元现金。但信用市场开始重新定价风险。

7月27日，英伟达股价下跌5%。根据彭博社（Bloomberg）援引ICE Data Services的数据，其五年期信用违约掉期（CDS）保费盘中最多上升约14个基点，达到每年约82个基点，是该合约自2025年11月进入活跃交易以来最大的单日盘中升幅。简单理解，为1000万美元英伟达债务购买五年期违约保护，年化保费大约由6.8万美元升至8.2万美元。

一些投资者把这看作AI泡沫到达阶段性顶部的信号。但需要区分：买入CDS不等于断言英伟达即将违约，也不必然等同于股票投机性做空。债券持有人、银行和交易商都可能用CDS对冲新增敞口。82个基点仍远低于困境债务水平，而且这只合约交易历史很短，所谓"纪录"缺少完整周期可比性。

真正新的信号是：过去只给英伟达收入和估值定价的市场，开始给它承担的尾部信用风险定价。

美东的华尔街解读美西的硅谷企业，有时候是隔靴搔痒，不但千里之遥而且存在时差，然而春江水暖鸭先知，与笔者交流的多位硅谷企业家、研究员和投资人对当前估值水平有不同看法：一部分认为某些AI子行业的估值已经偏高，存在阶段性调整压力；一部分认为这是长周期产业革命的早期阶段，当前估值反映的是未来十年的增长预期；还有一部分实干创业者已经不再关注二级市场估值，而是给服务的企业增加了审计层，审计每一个人的token消耗、审计每一个token的投入回报比。

今年7月，硅谷已经出现三组彼此咬合的信号。

7月1日，英伟达宣布与AI云服务商建立一种新的"收入分成与信用支持"模式。几天后，半导体研究机构SemiAnalysis进一步披露，英伟达正在为部分Neocloud（新兴AI云服务商）提供长期算力承购支持：当第三方租赁需求不足时，英伟达按照预先约定的价格承接算力；当租赁收入超过保底线时，英伟达分享部分超额收益。

SemiAnalysis因此把英伟达称为"AI中央银行"。该机构预计，基于特定假设和模型，2024年至2029年AI相关累计资本开支可能达到约11.1万亿美元，到2029年相关未偿债务余额可能增至约7.1万亿美元——这是基于当前投资轨迹和融资结构的推演，而非既定事实。在其比较的资产支持型债务类别中，这一规模仅次于美国住房抵押融资市场。

但这个巨额预测恰恰揭示了英伟达战略转型的底层逻辑：如果未来五年真的会有11.1万亿美元投入AI基础设施，那么谁来保证这些投资能产生足够的现金流偿还7.1万亿美元债务？答案不是简单地卖更多芯片，而是提高每一块GPU的使用效率和价值转化率——这正是英伟达从"卖GPU"转向"管理GPU全生命周期"的原因。

SemiAnalysis的预测存在不确定性，但它提出了一个关键问题：当企业GPU利用率普遍不高时，为什么还需要如此巨额的新增投资？一个可能的答案是市场分层——大型数据中心（OpenAI、Anthropic、微软）的GPU利用率可能远高于中小企业；英伟达通过信用支持和收入分成，实际上是在为这些高效使用者提供担保，同时通过Run:ai等软件帮助中小企业提高利用率。这不是矛盾，而是一个双向市场：顶部客户需要更多算力，底部客户需要更高效率。

第三组数字来自算力的使用端。VentureBeat 7月10日发布的一组企业AI调查最初称，86%的自营GPU企业报告利用率不超过50%。随后公布的基础设施专项报告进一步澄清：在107家合格企业中，有100家自行运营GPU；按受访者去重后，其中83家报告利用率不超过50%。分档回答中，49%选择"不超过25%"，8%表示没有测量利用率——由于题目允许多选，部分答案存在重叠。只有44%的受访企业表示，自己能够严格追踪AI算力的成本和回报。

需要强调的是，这项调查的样本偏向中型企业和AI部署早期企业，并不代表微软（Microsoft）、Meta等超大规模运营商的实际状况，也不等于对全球GPU集群的实时监测。因此，83%这个数字反映的是特定样本群体的自报状态，而非全行业的普遍现实。

上游正在用信用创造更多GPU供给，下游却尚未充分利用已经拥有的GPU；当英伟达继续为需求提供信用时，资本市场又开始为英伟达的信用购买保险。AI产业同时出现了"融资性短缺"、"运营性过剩"和"风险向上游集中"。

这不是两个问题，而是同一个问题的两端：芯片可以通过贷款买入，数据中心可以通过债务建成，但债务最终不能靠GPU数量偿还，只能靠GPU所产生的现金流偿还。无论是训练端的H100还是推理端的优化芯片，最终都要回答同一个问题：能否产生足够的现金流偿还债务？

英伟达不是银行，但它正在提供信用增级

英伟达并没有直接变成一家商业银行，也不是严格意义上的"最终贷款人"。更准确地说，它正在成为AI基础设施的最终承购方、信用增级者和风险缓冲器。

传统的GPU项目融资存在一个三角困局：Neocloud需要先拿到客户的长期算力采购合同，银行才愿意放贷；它又需要先获得贷款和股权资金，才能缴纳设备定金并向客户证明交付能力；数据中心运营商同样要看到客户和融资，才愿意为它预留机房和电力。

过去，解决这个困局的通常是微软、谷歌（Google）、亚马逊（Amazon）或Meta等投资级客户签署的长期"照付不议"合同。银行真正承保的不是Neocloud的经营能力，而是合同另一端大客户的信用。

英伟达的新安排把自己的AA/Aa2级信用放到了这个结构中。根据SemiAnalysis的描述，其典型支持期限约为六年。银行可以在最保守的情景下，估算英伟达承购算力所形成的最低现金流，再决定贷款规模和利率。Neocloud因此不必只服务少数签署五年合同的超大客户，也可以把算力出租给需要一年、几个月甚至更短周期的AI公司。

这对英伟达有三重价值：扩大GPU买家范围，把硬件销售延伸为持续的收入分成，并削弱大客户自研芯片带来的集中度风险。

从战略转型角度看，英伟达正在从单纯的"芯片供应商"演变为"AI基础设施全生命周期服务商"。通过收购Run:ai（英伟达于2024年4月宣布收购，因欧盟反垄断审查推迟数月完成交割）、整合CUDA、NIM和TensorRT-LLM等软件栈，英伟达能够帮助客户从融资、部署、调度到优化的每一个环节。这不仅提高了客户粘性和迁移成本，也扩大了英伟达的可服务市场（TAM）——当客户的工作流、成本管理和推理性能越来越依赖英伟达软件时，即使芯片性能差距缩小，CUDA生态的锁定效应仍然存在。

短期来看，帮助客户提高GPU利用率可能减少一部分冗余采购；但长期来看，如果效率提升降低了单位任务成本，反而可能释放出更多原本无法承受AI成本的应用场景，从而扩大总需求。梁文峰的案例就是一个缩影：当企业通过效率工具证明了Per Token ROI，它们不会减少采购，而是会加大投入。这种"效率提升→成本下降→需求扩张→总算力增加"的正向循环，是英伟达战略转型的积极逻辑。

但信用支持从来不是免费的魔法。英伟达一边确认了更多GPU订单，一边也把自己的信用与下游租赁需求连接起来。如果第三方需求不足，英伟达不仅是卖出铲子的人，也可能成为最后接住闲置铲子的人。

"AI中央银行"这个比喻最值得注意的，恰恰是它的另一面：中央银行可以在市场缺乏流动性时托底，但托底者也会集中承担系统最后一层风险。

华尔街第一次给"AI中央银行"投下反对票2500亿美元托底之所以震动市场，并不只是因为数字巨大，而是它把英伟达模式中的隐含关系变成了显性的或有风险。

第一，OpenAI没有投资级信用评级，软银开发数据中心，银行提供项目融资，英伟达则用自己的AA/Aa2级信用降低贷款人风险。风险没有消失，只是从OpenAI和项目公司的一端，向英伟达的资产负债表转移。

第二，这种结构加深了"循环融资"争议：英伟达出售GPU，同时投资或支持购买GPU的客户，再通过最低收入、租约或债务担保确保项目能够继续采购。只要Token需求、租赁收入和融资市场同时扩张，这个循环会强化增长；一旦其中一环停顿，原本分散在客户、数据中心和银行之间的风险，会沿着担保链条重新汇聚到英伟达。

第三，信用市场担心的不是英伟达今天付不起钱，而是它未来需要为多少尚未被最终需求验证的收入负责。根据英伟达财报，其2025财年（截至2025年1月）经营现金流约为550亿美元；市场预期2026财年经营现金流将显著增长，但具体数字仍取决于需求持续性和毛利率稳定性。2500亿美元也不是立即支出；但如此规模的或有承诺足以改变投资者观察它的方式。过去市场把英伟达当成高毛利芯片公司，现在必须同时评估它作为承购方、融资方和担保人的尾部风险。

这也是为什么此次CDS变化比单日股价更值得关注。股票下跌可以反映估值、仓位和情绪；CDS扩大则直接说明，为英伟达信用风险购买保险变贵了。它不是危机警报，却是风险开始进入价格。

泡沫是否已经见顶，现在下结论仍然过早。正如黄仁勋在7月22日接受Axios采访时所说，未来五年都不太可能出现泡沫，因为供给端的物理约束（芯片、内存、电力、土地、建筑工人全都不够）会自然控制过热节奏。但一个更值得警惕的结构性信号是：当边际需求需要由供给方提供越来越多信用，增长就不再只是产品需求问题，而开始成为资产负债表问题。

当前AI行业的估值分化确实明显：一些成熟的应用公司已经证明了商业模式，另一些高估值公司仍在验证从技术到收入的转化路径。泡沫真正接近顶部的信号，不只是估值高，而是边际需求必须由供给方自己融资，才能继续增长。

因此，2500亿美元担保并没有推翻"AI中央银行"的判断，反而完成了这个比喻的另一半：中央银行不仅创造流动性，也会成为市场集中购买信用保险的对象。

企业不能让芯片吃灰：GPU利用率催生新市场VentureBeat的调查揭示了一个尚未被充分开发的市场机会。

首先，573名技术主管是五项并行调查合计的受访规模，并不是GPU问题的实际分母。基础设施专项调查的合格样本是107家企业，其中100家自行运营GPU。其次，这是一项企业自报调查，样本偏向中型企业和AI部署早期企业，不代表微软、Meta等超大规模运营商，也不等于对全球GPU集群的实时监测。

更关键的是，"GPU利用率"并不是一个单一指标。它可能指流处理器活跃度、显存带宽、功耗、模型算力利用率，也可能只是企业对已购容量的主观估计。GPU全天开机但只承担轻负载，与GPU完全闲置12个小时，是两种不同的经济状态。

但这组数据真正的价值，不是证明AI需求崩塌，而是揭示了一个巨大的效率提升空间——当企业意识到自己浪费了什么，就会寻找解决方案。这正在催生一个全新的软件市场。

低利用率可能来自四层原因，每一层都对应着一个潜在的软件市场。

第一层是需求缺口。企业买了GPU，却没有足够多进入生产环境的AI应用。这需要行业工作流软件，把通用模型能力转化为具体的业务解决方案。

第二层是调度缺口。工作负载存在，但训练、微调和推理任务无法共享资源；队列等待、显存碎片化和峰值预留造成了结构性闲置。这需要GPU调度与资源编排软件，像Run:ai这样的工具正在解决这个问题。

第三层是效率缺口。GPU确实在运行，但模型选择、批处理、量化、缓存和推理引擎没有优化，同样的任务消耗了更多计算。这需要推理优化工具，在不降低结果质量的前提下降低单位Token成本。

第四层是价值缺口。企业生成了大量Token，却没有形成被客户采用的结果，没有减少人工时间，也没有增加收入。机器很忙，损益表却没有变化。这需要AI FinOps与Token审计工具，把算力成本与业务结果连接起来。

这四层不是相互排斥的问题，而是相互叠加的市场机会。提高调度效率可以解决第二层，推理优化可以改善第三层，但真正让AI投资产生回报的，是第四层的业务转化能力。

英伟达真正要保护的，是GPU资产的现金流

市场看到企业GPU低利用率，第一反应通常是：企业下一轮会少买卡，这对英伟达是利空。

这个判断只对了一半。

如果低利用率来自应用需求不足，企业无法证明AI投资回报，新的硬件采购当然可能被推迟；如果低利用率来自调度和软件效率不足，那么提高单位GPU产出、降低单次任务成本，反而可能扩大AI能够进入的业务场景。

一位在硅谷从事AI基础设施创业的企业家梁文峰向笔者分享了一个反直觉的案例：他的团队通过优化调度和推理引擎，显著提升了GPU利用率，训练出了更好的模型。按常理，效率提升应该降低采购需求。但结果是，因为模型效果显著提升，客户愿意支付更高价格，业务快速扩张，团队反而需要采购更多GPU。

"提高利用率不是为了少买卡，而是为了证明这门生意算得过来账，然后理直气壮地买更多卡。"他表示。

这个案例揭示了一个关键逻辑：效率提高最终会减少还是增加GPU需求，取决于一个条件——新增应用和Token需求的增长，能否跑赢每个Token所需算力的下降。只有当降本释放出的需求足够大，"更省算力"才会转化为"购买更多算力"。梁文峰的案例证明，当Per Token ROI足够高时，效率提升不会抑制需求，反而会证明商业模式的可行性，从而释放更大的采购预算。

这也是英伟达收购Run:ai的战略意义。Run:ai能够把GPU组成共享资源池，并按照任务、团队和优先级切分资源。它解决的不是有没有AI需求，而是已有需求能否更有效地运行在英伟达体系内。

再加上CUDA、NIM和TensorRT-LLM，英伟达正在从"卖GPU"转向管理GPU的完整生命周期：帮助客户融资、部署、调度、优化并最终出售Token。

英伟达下一场战争因此不只是提高芯片性能，而是保护整个GPU资产类别的现金流质量。只有客户赚到钱，银行才会继续贷款；只有债务能够续作，Neocloud才会继续采购；只有Token需求持续转化为收入，SemiAnalysis预测的11.1万亿美元资本开支才可能成为可承受的基础设施扩张，而不是一次资本错配。

这也是英伟达为OpenAI等大型客户提供2500亿美元信用支持的深层逻辑：它不是在赌这些客户一定成功，而是在为最有可能高效使用GPU的客户降低融资成本。OpenAI、Anthropic这类公司的GPU利用率很可能远高于中小企业——它们有专门的基础设施团队、优化的推理引擎、明确的商业模式。英伟达通过信用增级，本质上是在说："我押注这些高效使用者能产生足够现金流，而我提供的Run:ai等工具会帮助其他企业追上来。"

从这个角度看，低GPU利用率不是英伟达的威胁，而是它的双重市场机会：对顶部客户（OpenAI/Anthropic/微软）提供信用支持帮助他们快速扩张，对中长尾客户提供效率工具帮助他们提高利用率。前者创造需求，后者释放供给——两者都指向同一个审计指标：Per Token Intelligence能否转化为可验证的收入？

7月27日的CDS变化把这个判断从产业逻辑推进到了资本市场：Per Token ROI不再只是企业管理AI成本的运营指标，也正在变成信用市场判断这些项目能否偿债的底层变量。

Per Token ROI：从概念到落地的挑战

目前的AI基础设施讨论拥有太多技术指标，却缺少一把能够连接技术、业务和资本的尺子。

GPU利用率告诉我们机器忙不忙，但不告诉我们忙得值不值；每百万Token价格告诉我们模型调用便不便宜，却不告诉我们这些Token有没有完成任务；模型跑分告诉我们能力上限，却不告诉我们企业是否因此增加收入。

本文尝试提出一套新的审计框架：Per Token ROI，即每个有效Token创造的可验证价值，相对于其全链路成本的回报。

这里最重要的词不是Token，而是"有效"。失败的推理、重复生成、无人采用的报告、没有解决问题的客服回复，都消耗Token，却不应与真正完成任务的输出获得同样权重。

这套框架可以分成三层。

第一层是硬件效率：每GPU小时产生多少通过质量验证的有效Token。它审计调度、显存、批处理和推理引擎。

第二层是单位成本：每个有效Token承担多少全链路成本，包括GPU折旧、电力、网络、存储、软件、运维以及失败重试。

第三层是业务转化：每个有效Token带来多少可验证价值，例如减少多少人工时间、提高多少转化率、缩短多少研发周期，或者形成多少新增收入。

因此，可以把PerToken;ROI写成：

Per Token ROI = 每个有效Token创造的可验证价值 ÷ 每个有效Token的全链路成本

结果高于1，才说明这套AI工作流在单位经济上创造了正向价值；如果需要计算净回报率，则在这个倍数基础上减去1。对需要依靠债务建设的算力项目，还应继续追问：这些经过验证的AI现金流，能否覆盖每年的利息和本金。

但必须承认，Per Token ROI在实际操作中面临挑战。

"有效Token"的判定标准高度主观、"可验证价值"的归因极其复杂、成本计算的边界模糊。全链路成本是否应包含数据清洗、标注、模型微调的前期投入，是否应分摊IT团队、安全审计和合规成本，不同企业的成本核算口径可能导致Per Token ROI相差数倍。

因此，Per Token ROI更适合作为一个方向性框架，而非精确的财务指标。企业可以从三个维度逐步落地：

一是建立Token使用追踪机制，记录每个任务消耗的Token数量和输出是否被采用；

二是选择少数关键场景（如客服、代码生成、数据分析）进行试点，在可控环境中测试归因方法；

三是设定行业基准和内部对照组，用相对比较代替绝对量化。

一位硅谷企业家在访谈中告诉笔者，他正在给软件客户增加Token审计层，统计Token的使用数量和输出质量。在公司内部，他甚至把"员工每周使用不到一千万Token"视为AI使用不足。这并不是行业标准，却透露出一个变化：企业管理AI，正在从"有没有采购模型"转向"每个Token是否产生结果"。

Per TokenIntelligence：黄仁勋为什么支持这个框架

7月22日，英伟达CEO黄仁勋在接受Axios采访时，从另一个角度验证了Per Token思维的重要性。

"Token其实就是所谓的嵌入，它嵌入了知识，嵌入了智能。由这台机器生成的token数字并不是一个静态的数字，它不像圆周率那样一成不变，随着时间的推移，这个数字编码了越来越高阶的智能。"他表示，"当这些数字随着时间变得越来越聪明时，就会变得更加实用和更有价值，当它们变得更有价值时，人们就愿意为此支付更高的价格。"

这段话揭示了Per Token ROI框架中一个容易被忽视的动态变量：分子和分母都在变化。

从GPT-3到GPT-4，从Claude 2到Claude 3.5 Sonnet，同样的1000个Token，今天能完成的任务比两年前复杂得多。这意味着Per Token ROI公式中的"每个有效Token创造的可验证价值"这个分子，会随着模型能力提升而自然增长——同样的客服任务，两年前需要10次对话，今天可能只需要3次；同样的代码生成，过去需要大量人工修正，现在可以直接进入生产环境。

黄仁勋所说的"PerToken Intelligence"（单位Token的智能密度）提升，本质上就是在降低完成同一任务所需的Token数量，或者说让同样数量的Token能够完成更高价值的任务——这直接提升了PerTokenROI。

但他同时也指出了另一个现实："我们没有足够的芯片，没有足够的内存，也没有足够的土地和电力，我们没有足够的建筑工人来建造数据中心"——这些物理约束意味着，未来五年内Token的供给增速会受到限制，因此企业必须更加关注每个Token的使用效率。

这恰恰是Per Token ROI框架要解决的问题。当算力供给受限时，企业不能简单地靠"买更多卡"来解决问题，而必须回答：现有的每个Token是否被充分利用？是否产生了与成本匹配的业务价值？哪些场景的Token使用效率最高，应该优先配置资源？

黄仁勋在采访中还表达了对AI泡沫的乐观判断，认为供给端的物理约束会自然控制过热。但7月27日CDS市场的反应提醒我们，风险可能不在供给端，而在需求端的转化能力——当83%的企业报告GPU利用率不超过50%，当只有44%的企业能严格追踪AI成本和回报时，问题不是Token是否足够聪明，而是企业是否知道如何让这些聪明的Token产生可审计的业务价值。

Per TokenIntelligence的提升，为PerToken ROI的改善创造了技术基础；但只有当企业建立起从Token消耗到业务结果的完整追踪机制，才能把技术进步真正转化为偿债能力——这也是信用市场在7.1万亿美元债务预测面前，最关心的底层变量。

未来真正值钱的软件，不只是让GPU从50%跑到80%，而是能够回答三件事：哪一个任务消耗了Token，哪一部分输出被业务采用，哪一美元算力最终产生了多少可审计收入。

一个新的效率市场正在形成

围绕Per Token ROI，AI基础设施正在出现四类创业机会，对应GPU利用率的四层缺口。

第一类是GPU调度与资源编排，把分散的卡、任务和团队组织成共享资源池。这是英伟达收购Run:ai的原因——解决第二层调度缺口。

第二类是推理优化，包括模型路由、量化、缓存、批处理和推理引擎，在不降低结果质量的前提下降低单位Token成本。这解决第三层效率缺口。

第三类是AI FinOps与Token审计，把GPU折旧、云账单、模型调用、失败重试和业务结果放进同一套账本。这解决第四层价值缺口——让企业看清每一美元算力最终产生了多少可审计收入。

第四类是行业工作流软件。它不只出售模型调用，而是对客服解决率、代码交付、药物筛选或金融研究等具体结果负责。这解决第一层需求缺口——只有这一层真正扩大，前三类效率提升工具才会转化为新的算力需求。

这比简单讨论"GPU是不是买多了"更重要。企业低利用率不是AI需求崩塌的证据，而是一个正在形成的软件市场的早期信号。判断这个市场能否起来，不能只看GPU有没有点亮，而要看有效Token、业务收入和债务偿付之间能否形成闭环。

算力市场正在从稀缺时代进入效率时代。第一阶段的竞争围绕谁拥有最多GPU；第二阶段的竞争，将围绕谁能让每一块GPU产生最高价值。这个转折点，正是新一代AI基础设施软件公司的创业窗口。

买卡只是资产负债表行为。把GPU利用率转化为有效Token，把有效Token转化为可计量收入，才是损益表能力。

如果GPU利用率不能转化为有效Token，Token不能转化为可计量的企业收入，那么无论是2500亿美元担保，还是7.1万亿美元AI债务市场，最终获得的都只是抵押物，而不是偿债现金流。

（作者系硅谷远眺CoremiAI创始人）

当卖铲子的人开始为矿工的矿场和租金提供担保，华尔街先买了卖铲子人的违约保险。

7月份硅谷有三组信号和华尔街遥相呼应，引发了关于AI估值、资本结构和现金流转化的新一轮讨论。

7月26日，《华尔街日报》披露，英伟达（Nvidia）正在洽谈为OpenAI提供约2500亿美元的融资托底，帮助后者租用软银（SoftBank）旗下SB Energy在俄亥俄州南部开发的10吉瓦数据中心。包括内部芯片在内，该项目总成本可能超过5000亿美元。报道所称的托底主要覆盖租约和建设债务，并不包括英伟达芯片；另有一项最高约3500亿美元的GPU采购融资也在讨论中。

这还不是已经签署的最终合同，更不是英伟达需要立刻支付2500亿美元现金。但信用市场开始重新定价风险。

7月27日，英伟达股价下跌5%。根据彭博社（Bloomberg）援引ICE Data Services的数据，其五年期信用违约掉期（CDS）保费盘中最多上升约14个基点，达到每年约82个基点，是该合约自2025年11月进入活跃交易以来最大的单日盘中升幅。简单理解，为1000万美元英伟达债务购买五年期违约保护，年化保费大约由6.8万美元升至8.2万美元。

一些投资者把这看作AI泡沫到达阶段性顶部的信号。但需要区分：买入CDS不等于断言英伟达即将违约，也不必然等同于股票投机性做空。债券持有人、银行和交易商都可能用CDS对冲新增敞口。82个基点仍远低于困境债务水平，而且这只合约交易历史很短，所谓"纪录"缺少完整周期可比性。

真正新的信号是：过去只给英伟达收入和估值定价的市场，开始给它承担的尾部信用风险定价。

美东的华尔街解读美西的硅谷企业，有时候是隔靴搔痒，不但千里之遥而且存在时差，然而春江水暖鸭先知，与笔者交流的多位硅谷企业家、研究员和投资人对当前估值水平有不同看法：一部分认为某些AI子行业的估值已经偏高，存在阶段性调整压力；一部分认为这是长周期产业革命的早期阶段，当前估值反映的是未来十年的增长预期；还有一部分实干创业者已经不再关注二级市场估值，而是给服务的企业增加了审计层，审计每一个人的token消耗、审计每一个token的投入回报比。

今年7月，硅谷已经出现三组彼此咬合的信号。

7月1日，英伟达宣布与AI云服务商建立一种新的"收入分成与信用支持"模式。几天后，半导体研究机构SemiAnalysis进一步披露，英伟达正在为部分Neocloud（新兴AI云服务商）提供长期算力承购支持：当第三方租赁需求不足时，英伟达按照预先约定的价格承接算力；当租赁收入超过保底线时，英伟达分享部分超额收益。

SemiAnalysis因此把英伟达称为"AI中央银行"。该机构预计，基于特定假设和模型，2024年至2029年AI相关累计资本开支可能达到约11.1万亿美元，到2029年相关未偿债务余额可能增至约7.1万亿美元——这是基于当前投资轨迹和融资结构的推演，而非既定事实。在其比较的资产支持型债务类别中，这一规模仅次于美国住房抵押融资市场。

但这个巨额预测恰恰揭示了英伟达战略转型的底层逻辑：如果未来五年真的会有11.1万亿美元投入AI基础设施，那么谁来保证这些投资能产生足够的现金流偿还7.1万亿美元债务？答案不是简单地卖更多芯片，而是提高每一块GPU的使用效率和价值转化率——这正是英伟达从"卖GPU"转向"管理GPU全生命周期"的原因。

SemiAnalysis的预测存在不确定性，但它提出了一个关键问题：当企业GPU利用率普遍不高时，为什么还需要如此巨额的新增投资？一个可能的答案是市场分层——大型数据中心（OpenAI、Anthropic、微软）的GPU利用率可能远高于中小企业；英伟达通过信用支持和收入分成，实际上是在为这些高效使用者提供担保，同时通过Run:ai等软件帮助中小企业提高利用率。这不是矛盾，而是一个双向市场：顶部客户需要更多算力，底部客户需要更高效率。

第三组数字来自算力的使用端。VentureBeat 7月10日发布的一组企业AI调查最初称，86%的自营GPU企业报告利用率不超过50%。随后公布的基础设施专项报告进一步澄清：在107家合格企业中，有100家自行运营GPU；按受访者去重后，其中83家报告利用率不超过50%。分档回答中，49%选择"不超过25%"，8%表示没有测量利用率——由于题目允许多选，部分答案存在重叠。只有44%的受访企业表示，自己能够严格追踪AI算力的成本和回报。

需要强调的是，这项调查的样本偏向中型企业和AI部署早期企业，并不代表微软（Microsoft）、Meta等超大规模运营商的实际状况，也不等于对全球GPU集群的实时监测。因此，83%这个数字反映的是特定样本群体的自报状态，而非全行业的普遍现实。

上游正在用信用创造更多GPU供给，下游却尚未充分利用已经拥有的GPU；当英伟达继续为需求提供信用时，资本市场又开始为英伟达的信用购买保险。AI产业同时出现了"融资性短缺"、"运营性过剩"和"风险向上游集中"。

这不是两个问题，而是同一个问题的两端：芯片可以通过贷款买入，数据中心可以通过债务建成，但债务最终不能靠GPU数量偿还，只能靠GPU所产生的现金流偿还。无论是训练端的H100还是推理端的优化芯片，最终都要回答同一个问题：能否产生足够的现金流偿还债务？

英伟达不是银行，但它正在提供信用增级

英伟达并没有直接变成一家商业银行，也不是严格意义上的"最终贷款人"。更准确地说，它正在成为AI基础设施的最终承购方、信用增级者和风险缓冲器。

传统的GPU项目融资存在一个三角困局：Neocloud需要先拿到客户的长期算力采购合同，银行才愿意放贷；它又需要先获得贷款和股权资金，才能缴纳设备定金并向客户证明交付能力；数据中心运营商同样要看到客户和融资，才愿意为它预留机房和电力。

过去，解决这个困局的通常是微软、谷歌（Google）、亚马逊（Amazon）或Meta等投资级客户签署的长期"照付不议"合同。银行真正承保的不是Neocloud的经营能力，而是合同另一端大客户的信用。

英伟达的新安排把自己的AA/Aa2级信用放到了这个结构中。根据SemiAnalysis的描述，其典型支持期限约为六年。银行可以在最保守的情景下，估算英伟达承购算力所形成的最低现金流，再决定贷款规模和利率。Neocloud因此不必只服务少数签署五年合同的超大客户，也可以把算力出租给需要一年、几个月甚至更短周期的AI公司。

这对英伟达有三重价值：扩大GPU买家范围，把硬件销售延伸为持续的收入分成，并削弱大客户自研芯片带来的集中度风险。

从战略转型角度看，英伟达正在从单纯的"芯片供应商"演变为"AI基础设施全生命周期服务商"。通过收购Run:ai（英伟达于2024年4月宣布收购，因欧盟反垄断审查推迟数月完成交割）、整合CUDA、NIM和TensorRT-LLM等软件栈，英伟达能够帮助客户从融资、部署、调度到优化的每一个环节。这不仅提高了客户粘性和迁移成本，也扩大了英伟达的可服务市场（TAM）——当客户的工作流、成本管理和推理性能越来越依赖英伟达软件时，即使芯片性能差距缩小，CUDA生态的锁定效应仍然存在。

短期来看，帮助客户提高GPU利用率可能减少一部分冗余采购；但长期来看，如果效率提升降低了单位任务成本，反而可能释放出更多原本无法承受AI成本的应用场景，从而扩大总需求。梁文峰的案例就是一个缩影：当企业通过效率工具证明了Per Token ROI，它们不会减少采购，而是会加大投入。这种"效率提升→成本下降→需求扩张→总算力增加"的正向循环，是英伟达战略转型的积极逻辑。

但信用支持从来不是免费的魔法。英伟达一边确认了更多GPU订单，一边也把自己的信用与下游租赁需求连接起来。如果第三方需求不足，英伟达不仅是卖出铲子的人，也可能成为最后接住闲置铲子的人。

"AI中央银行"这个比喻最值得注意的，恰恰是它的另一面：中央银行可以在市场缺乏流动性时托底，但托底者也会集中承担系统最后一层风险。

华尔街第一次给"AI中央银行"投下反对票2500亿美元托底之所以震动市场，并不只是因为数字巨大，而是它把英伟达模式中的隐含关系变成了显性的或有风险。

第一，OpenAI没有投资级信用评级，软银开发数据中心，银行提供项目融资，英伟达则用自己的AA/Aa2级信用降低贷款人风险。风险没有消失，只是从OpenAI和项目公司的一端，向英伟达的资产负债表转移。

第二，这种结构加深了"循环融资"争议：英伟达出售GPU，同时投资或支持购买GPU的客户，再通过最低收入、租约或债务担保确保项目能够继续采购。只要Token需求、租赁收入和融资市场同时扩张，这个循环会强化增长；一旦其中一环停顿，原本分散在客户、数据中心和银行之间的风险，会沿着担保链条重新汇聚到英伟达。

第三，信用市场担心的不是英伟达今天付不起钱，而是它未来需要为多少尚未被最终需求验证的收入负责。根据英伟达财报，其2025财年（截至2025年1月）经营现金流约为550亿美元；市场预期2026财年经营现金流将显著增长，但具体数字仍取决于需求持续性和毛利率稳定性。2500亿美元也不是立即支出；但如此规模的或有承诺足以改变投资者观察它的方式。过去市场把英伟达当成高毛利芯片公司，现在必须同时评估它作为承购方、融资方和担保人的尾部风险。

这也是为什么此次CDS变化比单日股价更值得关注。股票下跌可以反映估值、仓位和情绪；CDS扩大则直接说明，为英伟达信用风险购买保险变贵了。它不是危机警报，却是风险开始进入价格。

泡沫是否已经见顶，现在下结论仍然过早。正如黄仁勋在7月22日接受Axios采访时所说，未来五年都不太可能出现泡沫，因为供给端的物理约束（芯片、内存、电力、土地、建筑工人全都不够）会自然控制过热节奏。但一个更值得警惕的结构性信号是：当边际需求需要由供给方提供越来越多信用，增长就不再只是产品需求问题，而开始成为资产负债表问题。

当前AI行业的估值分化确实明显：一些成熟的应用公司已经证明了商业模式，另一些高估值公司仍在验证从技术到收入的转化路径。泡沫真正接近顶部的信号，不只是估值高，而是边际需求必须由供给方自己融资，才能继续增长。

因此，2500亿美元担保并没有推翻"AI中央银行"的判断，反而完成了这个比喻的另一半：中央银行不仅创造流动性，也会成为市场集中购买信用保险的对象。

企业不能让芯片吃灰：GPU利用率催生新市场VentureBeat的调查揭示了一个尚未被充分开发的市场机会。

首先，573名技术主管是五项并行调查合计的受访规模，并不是GPU问题的实际分母。基础设施专项调查的合格样本是107家企业，其中100家自行运营GPU。其次，这是一项企业自报调查，样本偏向中型企业和AI部署早期企业，不代表微软、Meta等超大规模运营商，也不等于对全球GPU集群的实时监测。

更关键的是，"GPU利用率"并不是一个单一指标。它可能指流处理器活跃度、显存带宽、功耗、模型算力利用率，也可能只是企业对已购容量的主观估计。GPU全天开机但只承担轻负载，与GPU完全闲置12个小时，是两种不同的经济状态。

但这组数据真正的价值，不是证明AI需求崩塌，而是揭示了一个巨大的效率提升空间——当企业意识到自己浪费了什么，就会寻找解决方案。这正在催生一个全新的软件市场。

低利用率可能来自四层原因，每一层都对应着一个潜在的软件市场。

第一层是需求缺口。企业买了GPU，却没有足够多进入生产环境的AI应用。这需要行业工作流软件，把通用模型能力转化为具体的业务解决方案。

第二层是调度缺口。工作负载存在，但训练、微调和推理任务无法共享资源；队列等待、显存碎片化和峰值预留造成了结构性闲置。这需要GPU调度与资源编排软件，像Run:ai这样的工具正在解决这个问题。

第三层是效率缺口。GPU确实在运行，但模型选择、批处理、量化、缓存和推理引擎没有优化，同样的任务消耗了更多计算。这需要推理优化工具，在不降低结果质量的前提下降低单位Token成本。

第四层是价值缺口。企业生成了大量Token，却没有形成被客户采用的结果，没有减少人工时间，也没有增加收入。机器很忙，损益表却没有变化。这需要AI FinOps与Token审计工具，把算力成本与业务结果连接起来。

这四层不是相互排斥的问题，而是相互叠加的市场机会。提高调度效率可以解决第二层，推理优化可以改善第三层，但真正让AI投资产生回报的，是第四层的业务转化能力。

英伟达真正要保护的，是GPU资产的现金流

市场看到企业GPU低利用率，第一反应通常是：企业下一轮会少买卡，这对英伟达是利空。

这个判断只对了一半。

如果低利用率来自应用需求不足，企业无法证明AI投资回报，新的硬件采购当然可能被推迟；如果低利用率来自调度和软件效率不足，那么提高单位GPU产出、降低单次任务成本，反而可能扩大AI能够进入的业务场景。

一位在硅谷从事AI基础设施创业的企业家梁文峰向笔者分享了一个反直觉的案例：他的团队通过优化调度和推理引擎，显著提升了GPU利用率，训练出了更好的模型。按常理，效率提升应该降低采购需求。但结果是，因为模型效果显著提升，客户愿意支付更高价格，业务快速扩张，团队反而需要采购更多GPU。

"提高利用率不是为了少买卡，而是为了证明这门生意算得过来账，然后理直气壮地买更多卡。"他表示。

这个案例揭示了一个关键逻辑：效率提高最终会减少还是增加GPU需求，取决于一个条件——新增应用和Token需求的增长，能否跑赢每个Token所需算力的下降。只有当降本释放出的需求足够大，"更省算力"才会转化为"购买更多算力"。梁文峰的案例证明，当Per Token ROI足够高时，效率提升不会抑制需求，反而会证明商业模式的可行性，从而释放更大的采购预算。

这也是英伟达收购Run:ai的战略意义。Run:ai能够把GPU组成共享资源池，并按照任务、团队和优先级切分资源。它解决的不是有没有AI需求，而是已有需求能否更有效地运行在英伟达体系内。

再加上CUDA、NIM和TensorRT-LLM，英伟达正在从"卖GPU"转向管理GPU的完整生命周期：帮助客户融资、部署、调度、优化并最终出售Token。

英伟达下一场战争因此不只是提高芯片性能，而是保护整个GPU资产类别的现金流质量。只有客户赚到钱，银行才会继续贷款；只有债务能够续作，Neocloud才会继续采购；只有Token需求持续转化为收入，SemiAnalysis预测的11.1万亿美元资本开支才可能成为可承受的基础设施扩张，而不是一次资本错配。

这也是英伟达为OpenAI等大型客户提供2500亿美元信用支持的深层逻辑：它不是在赌这些客户一定成功，而是在为最有可能高效使用GPU的客户降低融资成本。OpenAI、Anthropic这类公司的GPU利用率很可能远高于中小企业——它们有专门的基础设施团队、优化的推理引擎、明确的商业模式。英伟达通过信用增级，本质上是在说："我押注这些高效使用者能产生足够现金流，而我提供的Run:ai等工具会帮助其他企业追上来。"

从这个角度看，低GPU利用率不是英伟达的威胁，而是它的双重市场机会：对顶部客户（OpenAI/Anthropic/微软）提供信用支持帮助他们快速扩张，对中长尾客户提供效率工具帮助他们提高利用率。前者创造需求，后者释放供给——两者都指向同一个审计指标：Per Token Intelligence能否转化为可验证的收入？

7月27日的CDS变化把这个判断从产业逻辑推进到了资本市场：Per Token ROI不再只是企业管理AI成本的运营指标，也正在变成信用市场判断这些项目能否偿债的底层变量。

Per Token ROI：从概念到落地的挑战

目前的AI基础设施讨论拥有太多技术指标，却缺少一把能够连接技术、业务和资本的尺子。

GPU利用率告诉我们机器忙不忙，但不告诉我们忙得值不值；每百万Token价格告诉我们模型调用便不便宜，却不告诉我们这些Token有没有完成任务；模型跑分告诉我们能力上限，却不告诉我们企业是否因此增加收入。

本文尝试提出一套新的审计框架：Per Token ROI，即每个有效Token创造的可验证价值，相对于其全链路成本的回报。

这里最重要的词不是Token，而是"有效"。失败的推理、重复生成、无人采用的报告、没有解决问题的客服回复，都消耗Token，却不应与真正完成任务的输出获得同样权重。

这套框架可以分成三层。

第一层是硬件效率：每GPU小时产生多少通过质量验证的有效Token。它审计调度、显存、批处理和推理引擎。

第二层是单位成本：每个有效Token承担多少全链路成本，包括GPU折旧、电力、网络、存储、软件、运维以及失败重试。

第三层是业务转化：每个有效Token带来多少可验证价值，例如减少多少人工时间、提高多少转化率、缩短多少研发周期，或者形成多少新增收入。

因此，可以把PerTokenROI写成：

Per Token ROI = 每个有效Token创造的可验证价值 ÷ 每个有效Token的全链路成本

结果高于1，才说明这套AI工作流在单位经济上创造了正向价值；如果需要计算净回报率，则在这个倍数基础上减去1。对需要依靠债务建设的算力项目，还应继续追问：这些经过验证的AI现金流，能否覆盖每年的利息和本金。

但必须承认，Per Token ROI在实际操作中面临挑战。

"有效Token"的判定标准高度主观、"可验证价值"的归因极其复杂、成本计算的边界模糊。全链路成本是否应包含数据清洗、标注、模型微调的前期投入，是否应分摊IT团队、安全审计和合规成本，不同企业的成本核算口径可能导致Per Token ROI相差数倍。

因此，Per Token ROI更适合作为一个方向性框架，而非精确的财务指标。企业可以从三个维度逐步落地：

一是建立Token使用追踪机制，记录每个任务消耗的Token数量和输出是否被采用；

二是选择少数关键场景（如客服、代码生成、数据分析）进行试点，在可控环境中测试归因方法；

三是设定行业基准和内部对照组，用相对比较代替绝对量化。

一位硅谷企业家在访谈中告诉笔者，他正在给软件客户增加Token审计层，统计Token的使用数量和输出质量。在公司内部，他甚至把"员工每周使用不到一千万Token"视为AI使用不足。这并不是行业标准，却透露出一个变化：企业管理AI，正在从"有没有采购模型"转向"每个Token是否产生结果"。

Per TokenIntelligence：黄仁勋为什么支持这个框架

7月22日，英伟达CEO黄仁勋在接受Axios采访时，从另一个角度验证了Per Token思维的重要性。

"Token其实就是所谓的嵌入，它嵌入了知识，嵌入了智能。由这台机器生成的token数字并不是一个静态的数字，它不像圆周率那样一成不变，随着时间的推移，这个数字编码了越来越高阶的智能。"他表示，"当这些数字随着时间变得越来越聪明时，就会变得更加实用和更有价值，当它们变得更有价值时，人们就愿意为此支付更高的价格。"

这段话揭示了Per Token ROI框架中一个容易被忽视的动态变量：分子和分母都在变化。

从GPT-3到GPT-4，从Claude 2到Claude 3.5 Sonnet，同样的1000个Token，今天能完成的任务比两年前复杂得多。这意味着Per Token ROI公式中的"每个有效Token创造的可验证价值"这个分子，会随着模型能力提升而自然增长——同样的客服任务，两年前需要10次对话，今天可能只需要3次；同样的代码生成，过去需要大量人工修正，现在可以直接进入生产环境。

黄仁勋所说的"PerToken Intelligence"（单位Token的智能密度）提升，本质上就是在降低完成同一任务所需的Token数量，或者说让同样数量的Token能够完成更高价值的任务——这直接提升了PerTokenROI。

但他同时也指出了另一个现实："我们没有足够的芯片，没有足够的内存，也没有足够的土地和电力，我们没有足够的建筑工人来建造数据中心"——这些物理约束意味着，未来五年内Token的供给增速会受到限制，因此企业必须更加关注每个Token的使用效率。

这恰恰是Per Token ROI框架要解决的问题。当算力供给受限时，企业不能简单地靠"买更多卡"来解决问题，而必须回答：现有的每个Token是否被充分利用？是否产生了与成本匹配的业务价值？哪些场景的Token使用效率最高，应该优先配置资源？

黄仁勋在采访中还表达了对AI泡沫的乐观判断，认为供给端的物理约束会自然控制过热。但7月27日CDS市场的反应提醒我们，风险可能不在供给端，而在需求端的转化能力——当83%的企业报告GPU利用率不超过50%，当只有44%的企业能严格追踪AI成本和回报时，问题不是Token是否足够聪明，而是企业是否知道如何让这些聪明的Token产生可审计的业务价值。

Per TokenIntelligence的提升，为PerToken ROI的改善创造了技术基础；但只有当企业建立起从Token消耗到业务结果的完整追踪机制，才能把技术进步真正转化为偿债能力——这也是信用市场在7.1万亿美元债务预测面前，最关心的底层变量。

未来真正值钱的软件，不只是让GPU从50%跑到80%，而是能够回答三件事：哪一个任务消耗了Token，哪一部分输出被业务采用，哪一美元算力最终产生了多少可审计收入。

一个新的效率市场正在形成

围绕Per Token ROI，AI基础设施正在出现四类创业机会，对应GPU利用率的四层缺口。

第一类是GPU调度与资源编排，把分散的卡、任务和团队组织成共享资源池。这是英伟达收购Run:ai的原因——解决第二层调度缺口。

第二类是推理优化，包括模型路由、量化、缓存、批处理和推理引擎，在不降低结果质量的前提下降低单位Token成本。这解决第三层效率缺口。

第三类是AI FinOps与Token审计，把GPU折旧、云账单、模型调用、失败重试和业务结果放进同一套账本。这解决第四层价值缺口——让企业看清每一美元算力最终产生了多少可审计收入。

第四类是行业工作流软件。它不只出售模型调用，而是对客服解决率、代码交付、药物筛选或金融研究等具体结果负责。这解决第一层需求缺口——只有这一层真正扩大，前三类效率提升工具才会转化为新的算力需求。

这比简单讨论"GPU是不是买多了"更重要。企业低利用率不是AI需求崩塌的证据，而是一个正在形成的软件市场的早期信号。判断这个市场能否起来，不能只看GPU有没有点亮，而要看有效Token、业务收入和债务偿付之间能否形成闭环。

算力市场正在从稀缺时代进入效率时代。第一阶段的竞争围绕谁拥有最多GPU；第二阶段的竞争，将围绕谁能让每一块GPU产生最高价值。这个转折点，正是新一代AI基础设施软件公司的创业窗口。

买卡只是资产负债表行为。把GPU利用率转化为有效Token，把有效Token转化为可计量收入，才是损益表能力。

如果GPU利用率不能转化为有效Token，Token不能转化为可计量的企业收入，那么无论是2500亿美元担保，还是7.1万亿美元AI债务市场，最终获得的都只是抵押物，而不是偿债现金流。

（作者系硅谷远眺CoremiAI创始人）