AI 資本支出熱潮：J.P. Morgan 的 7 兆美元路線圖

7 兆美元的新邊疆：定義 AI 資本支出超級週期

全球經濟正見證一場歷史規模的資本配置事件。根據 J.P. Morgan 發布的里程碑式報告，建設人工智慧能力的競賽不只是一股趨勢，更是數位世界的再工業化。分析師預測，建設必要資料中心、電力網路與半導體供應鏈所需的總 AI 資本支出（資本性支出）可能超過 5 兆美元，未來幾年的上限估計甚至可能達到驚人的 7 兆美元。

這場 AI 資本支出 爆發代表著一個「運算優先」的世界秩序，在這個秩序中，處理資訊的能力成為經濟價值的主要驅動力。然而，為 7 兆美元的擴張提供資金並非易事。這筆 AI 資本支出 的龐大規模要求全球金融體系釋放所有可用的流動性。從高評級債券市場的充沛流動性，到私人信貸與資產抵押證券化的靈活結構，部署 AI 資本支出 的策略正變得與其所資助的技術一樣複雜。

衡量熱潮：轉向吉瓦

若要了解當前 AI 資本支出 的規模，就必須觀察其物理測量單位。在過去的科技週期中，容量以機架空間或每秒兆位元組來衡量。在生成式 AI 時代，定義性的指標是電力。產業正從「兆瓦（MW）思維」轉向「吉瓦（GW）現實」。

過去，大型資料中心園區可能消耗 20 至 50 MW 的電力。如今，超大規模雲端服務商正規劃個別耗電超過 1 GW 的大型叢集。這一轉變是 AI 資本支出 飆升的主要驅動因素，因為支援 GW 規模運算所需的基礎設施，成本與複雜度都呈指數級上升。

在當前 AI 資本支出 熱潮開始之前，全球資料中心容量的已安裝基礎估計約為 50 GW。J.P. Morgan 的預測顯示，到 2030 年，已安裝容量的基本情境將達到 122 GW。然而，若觀察半導體訂單——這是未來 AI 資本支出 的領先指標——預測將在 2028 年躍升至激進的 144 GW。這表示科技巨頭打算將五年的建設壓縮在三年內完成，形成單靠資本無法解決的瓶頸。

AI 資本支出的物理限制

雖然 AI 資本支出 可以在試算表上即時配置，但在現實世界中部署時會面臨物理阻力。AI 部署速度最重要的制約因素不是矽晶片的供應，而是發電與輸電。

電網瓶頸

如果最終建成的資料中心無法接入電網，投入數兆美元的 AI 資本支出 就毫無意義。關鍵電力基礎設施的交付時間不斷拉長，可能導致資本部署停滯：

• 燃氣渦輪機： 新天然氣渦輪機的等待時間已延長至 3–4 年。
• 核電： 雖然小型模組化反應爐（SMR）前景看好，但傳統核電廠需要十年以上時間取得許可並完成建設。
• 輸電線路： 升級電網以承受 GW 規模負載，是一場歷時多年的監管與建設噩夢。

這一現實迫使超大規模雲端服務商擴大其 AI 資本支出 範圍，納入「BYOG」（自帶發電，Bring Your Own Generation）策略。Amazon、Google 與 Microsoft 等公司正積極收購核能發電資產，或建設專用發電廠。這種垂直整合大幅增加了總體 AI 資本支出 帳單，因為科技公司實際上正轉型為公用事業供應商，以確保自身生存。

每年 1.4 兆美元帳單的融資

預計到 2030 年，維持這項成長所需的年度資金將超過 1.4 兆美元。誰來支付這筆帳單？AI 資本支出 的融資正演變成一個多層次的生態系，涉及多元的資本來源。

1. 超大規模雲端服務商的資產負債表

支撐 AI 資本支出 的主要引擎，仍是「美股七雄」的營運現金流。Alphabet 與 Meta 等公司每年產生超過 7,000 億美元現金，其中很大一部分會立即再投入基礎設施。然而，即使它們的資產負債表也有極限，因此需要外部融資。

2. 高評級債券市場

預計公共債務市場將吸收 AI 資本支出 融資中的大部分。J.P. Morgan 估計，未來 12 個月內，高評級債券市場將出現 3,000 億美元的 AI 相關發行。到本十年末，AI 相關產業可能占 整個高評級指數的 20%，使 AI 資本支出 成為全球固定收益投資者的主導主題。

3. 私人信貸與證券化

傳統銀行面臨監管資本限制，這限制了其持有大規模基礎設施貸款的能力。這為私人信貸基金敞開大門；這些基金手上近有 4,660 億美元的待投資資金。這些基金正透過量身打造的結構為 AI 資本支出 提供融資，提供公共市場無法匹敵的靈活性與速度。

「Beignet」結構：AI 資本支出的融資創新

隨著資本需求增加，交易結構也變得更加創新。這種金融創新的典型例子，就是 Meta 最近在 Blue Owl 安排的 273 億美元 交易中採用的「Beignet」結構。

科技巨頭面臨的核心挑戰，是在投入數十億美元於 AI 資本支出 的同時，維持投資資本報酬率（ROIC）等效率指標。如果所有基礎設施支出都直接列在資產負債表上，就會拉低財務比率，並可能驚動股票投資者。Beignet 結構透過將債務移出資產負債表來解決這個問題。

在這種安排下，會成立一家合資企業或特殊目的機構（SPV）來持有資料中心資產。私人投資者向 SPV 注入資本，SPV 隨後再將設施出租給科技公司。對科技巨頭而言，龐大的 AI 資本支出 會轉化為可預測的營運費用（租賃付款），同時保留其信用評等，並釋放資產負債表容量以進行其他策略性投資。預計這種模式將成為下一波吉瓦級叢集融資的產業標準。

變現缺口：AI 資本支出是否合理？

關於 7 兆美元 AI 資本支出 預測，房間裡的大象就是營收。建設基礎設施是一回事，將其變現則是另一回事。J.P. Morgan 的分析顯示，若要在這項累計資本投資上取得適度的 10% 報酬，AI 產業必須在 2030 年前創造 每年 6,500 億美元的營收。

為了讓大家理解這個數字，6,500 億美元約占全球 GDP 的 58 個基點。目前，生成式 AI 產品的營收年化速度遠未達到這個數字。這種差距形成了「變現缺口」，對開發者與企業構成巨大壓力，迫使其迅速尋找具盈利能力的應用場景。

以效率應對高成本

對一般開發者或新創公司而言，這場龐大 AI 資本支出 的下游效應就是 API 成本上升。超大規模雲端服務商需要收回數兆美元投資，而這些成本會轉嫁給終端使用者。這種環境迫使企業轉向成本效率。

對大多數公司而言，現在已不再可行的是每項任務都只依賴最昂貴的旗艦模型。像 GPT Proto 這樣的平台，正透過提供大幅降價來解決這個問題。GPT Proto 以約為官方定價 60% 的價格 提供頂級模型的使用權，讓開發者能避開全球 AI 資本支出 週期帶來的通膨壓力。採用 統一 API 可協助團隊輕鬆切換模型，確保他們始終以運算的市場均衡價格付費，而非承擔由超大規模雲端服務商資本需求所推高的溢價。

顛覆風險：當效率蠶食資本支出

在 AI 資本支出 熱潮的核心存在一個悖論：技術通縮。如果 AI 模型變得極度高效，對 7 兆美元基礎設施的需求可能會減少。我們在 2025 年初的「DeepSeek」時刻中已略見端倪，據報導，一家中國新創公司以極低的訓練成本達到了前沿級效能。

如果演算法突破使訓練成本大幅下降，投入當代 GPU 與資料中心的巨額 AI 資本支出 可能面臨快速折舊。資產閒置的風險是真實存在的。「暗光纖」情境——數十億美元的資料中心因模型不再需要如此強大的暴力運算而閒置——是投資者最害怕的情況。

為了對沖這項風險，精明的企業拒絕將自己鎖定在單一生態系中。透過使用儀表板監控 即時計費與用量，企業可以保持敏捷，隨著技術曲線演進，將運算支出轉移至效率最高的供應商。

結論：策略展望

J.P. Morgan 的報告清楚指出：AI 資本支出 超級週期並非投機泡沫，而是對全球數位基礎進行根本性的重建。無論最終金額是 5 兆美元還是 7 兆美元，資本市場都正在重組，以促成這項計畫。

對投資者而言，機會在於融資工具——私人信貸、綠色債券與 Beignet 結構。對科技巨頭而言，挑戰在於實體執行——取得電力與土地。但對建構於這一層之上的開發者與創辦人而言，目標始終不變：創造價值。透過運用具成本效益的閘道，並保持對底層基礎設施的中立，建設者無論 AI 資本支出 帳單攀升至多高，都能蓬勃發展。

---