輝達啟動逾5,000億美元AI融資計畫：把GPU變成「可融資資產」，規模約為電信泡沫供應商融資20倍

AI基礎設施競賽正在跨過一個新的門檻：問題已不只是誰能製造更多GPU，而是誰能替下一輪數千億美元的AI硬體找到資金。

輝達（NVIDIA）宣布與六家大型金融機構簽署合作備忘錄，包括 Apollo Global Management、BlackRock、Blackstone、Brookfield Asset Management、Goldman Sachs 與 KKR，計畫建立獨立融資平台，目標動員超過5,000億美元第三方資本，為AI資料中心與相關基礎設施提供融資。

這項計畫的重要性，在於AI算力硬體可能逐漸從科技公司的資本支出，轉變成華爾街可以進行融資、證券化與資產管理的新型基礎設施資產。

GPU開始被當成基礎設施資產

傳統上，銀行與大型資產管理機構熟悉的融資標的包括商辦大樓、電廠、飛機、電信塔與收費道路。這些資產具有一個共同特徵：本身能夠持續產生收入，因此金融機構可以根據未來現金流提供貸款，並以資產本身作為抵押。

輝達與華爾街現在試圖把類似概念帶進AI運算市場。

AI資料中心購買GPU與伺服器後，可以透過出租算力、提供雲端AI服務或支援企業AI應用產生收入。如果這些未來收入可以被預測，GPU叢集理論上便能像其他基礎設施一樣成為融資標的。

輝達執行長黃仁勳甚至形容，這可能是科技晶片首次真正成為一種『可投資資產類別』。

換句話說，華爾街看的不再只是一張昂貴的GPU，而是一台可以持續出售token、訓練時間與推論算力的『數位發電機』。

為什麼現在需要5,000億美元？

這項融資計畫並不是因為輝達目前缺乏需求。

原文指出，輝達過去12個月營收約2,530億美元，年增約71%；淨利約1,600億美元，約為前一年的兩倍。2027會計年度第一季，截至2026年4月26日止，營收更年增85%，成長速度仍然強勁，公司並預估下一季營收約910億美元。

真正的問題在於：AI基礎設施投資規模正在大到連全球最大的科技公司都開始感受到資本壓力。

大型雲端服務商與AI企業近年持續增加資料中心、GPU、電力、網路與冷卻系統投資。當資本支出速度高於企業自由現金流成長速度時，公司就必須尋找其他資金來源，包括發債、專案融資、私人信貸或第三方基礎設施基金。

因此，超過5,000億美元的融資平台，本質上是在回答一個越來越重要的問題：如果下一輪AI基礎設施投資已經大到不能完全靠科技公司的現金流支付，那麼誰來提供剩下的錢？

華爾街正在成為答案的一部分。

一個令人不安的歷史對照：1990年代電信泡沫

這種『替客戶找錢購買自己的設備』的模式並非沒有歷史先例。

1990年代末期，全球電信產業快速擴張，大量電信營運商建設光纖與網路基礎設施。為了爭取設備訂單，包括 Lucent、Nortel、Cisco 在內的設備供應商開始向客戶提供融資。

根據原文引用的 McKinsey 估計，截至2000年底，九家主要設備供應商累計提供約256億美元融資。

相比之下，輝達此次提出的AI基礎設施融資目標超過5,000億美元，若以這項統計口徑比較，名目規模接近20倍。

當然，兩個時代不能直接畫上等號。

最重要的差異，在於當年的電信設備商往往直接把貸款放在自己的資產負債表上。當客戶倒閉，設備商不只是失去訂單，同時還必須承受貸款損失。

電信泡沫破裂後，原文指出，當時30家最大的上市電信營運商中有24家最終破產，而設備供應商的貸款組合估計損失約三分之一至80%，Lucent與Nortel也因此遭遇嚴重財務壓力。

這一次最大的不同：輝達不是銀行

輝達此次設計刻意避開了當年電信設備商最危險的部分。

根據目前公布的架構，融資平台將保持獨立，主要資金來自第三方投資人與金融機構，而不是由輝達直接把數千億美元貸款放進自己的資產負債表。

因此，即使部分AI資料中心營運商未來出現違約，直接承受信用損失的理論上主要會是提供融資的資本，而不是GPU供應商本身。

這讓輝達可以繼續銷售硬體，同時降低『客戶倒閉直接拖垮供應商』的風險。

但風險並沒有消失，只是被重新分配。

GPU真的適合當抵押品嗎？

整個融資模型的一個核心假設，是GPU具有足夠的殘值與流動性。

黃仁勳認為，GPU與傳統固定式基礎設施不同，它可以從一家客戶的資料中心移轉到另一家，而且CUDA軟體生態系持續改善，也可能延長硬體的實際經濟價值。

因此，如果一家AI公司無法償還貸款，金融機構理論上可以收回GPU，再出售或出租給其他算力需求者。

問題在於，GPU也是一種快速迭代的科技產品。

新一代GPU推出後，舊世代硬體的每單位算力成本、能源效率與市場租金都可能下降。如果AI需求同時降溫，金融機構最需要處分抵押品的時候，恰好也可能是二手GPU價格最低迷的時候。

這形成典型的抵押品循環風險：借款人的收入與抵押品價值可能受到同一個因素影響。

如果AI需求強勁，資料中心收入高、GPU也值錢，融資模式運作順利；但如果AI需求下降，借款人的現金流惡化，GPU租金與二手價格也可能同步下跌。

換言之，抵押品並不能完全隔離產業週期。

更大的問題：融資需求仍然會變成輝達營收

這項計畫還帶來另一個值得市場關注的現象。

對輝達而言，客戶使用現金購買GPU，或者向金融機構借錢購買GPU，最終都會形成硬體銷售收入。

因此，只要融資市場願意持續提供資本，AI基礎設施需求就可能維持在高水準，即使部分買家的自身現金流不足以支撐如此龐大的資本支出。

這並不代表目前的AI需求是虛假的，但投資人需要區分『由終端AI收入支撐的需求』與『由金融槓桿提前實現的需求』。

1990年代電信泡沫的教訓之一，正是融資可以在景氣高峰延長資本支出週期，但當信用環境反轉時，由融資支撐的設備需求也可能快速消失。

真正尚未回答的問題：誰承擔最後的損失？

目前公布的資訊仍留下最關鍵的一塊拼圖。

輝達表示這些平台將保持獨立，資本來自第三方，但尚未完整說明不同融資工具的風險分層、擔保條件，以及借款人違約後最終由哪些投資者吸收損失。

如果AI資料中心能持續產生高速成長的現金流，這些問題可能並不突出。

但如果未來AI服務收入低於預期、算力價格下跌，或者GPU更新速度讓舊設備快速折舊，那麼整套融資模型就會面臨真正的壓力測試。

因此，輝達的5,000億美元計畫並不能簡單理解成『另一場2000年電信泡沫』。兩者最大的結構差異，是輝達沒有像當年的Lucent或Nortel一樣直接把龐大的客戶貸款留在自己的資產負債表。

然而，它也代表AI產業正式進入另一個階段：算力建設開始需要全球資本市場提供槓桿。

過去AI競賽的核心問題是『誰能拿到GPU？』；接下來可能逐漸變成『誰能替GPU融到錢？』。

而真正決定這5,000億美元融資體系是否健康的，不會只是GPU需求，而是這些GPU最終創造出的AI收入，能否產生足夠現金流償還背後的債務。