5300亿美元表外担保：英伟达最害怕的是什么？

SemiAnalysis 今天发布了一份关于"英伟达正在把自己的资产负债表和信用能力，变成 AI 基础设施融资工具"的深度分析。这个方向黄仁勋自己也不止一次提过，我们之前在高盛投资大会的纪要里也覆盖过，但 SemiAnalysis 这次的拆解要细得多。英伟达为什么要这么做？它最害怕的又是什么？

截至 2027 财年第二季度，英伟达披露的表外担保和承诺总额已经达到约 5300 亿美元，而上一季度这个数字还只有 1840 亿美元。

这笔钱并不需要立刻偿还。它更像是以英伟达的信用为筹码，为整个 AI 供应链提供的一种隐性背书，覆盖范围从供应与产能承诺、数据中心租约，到云服务协议，甚至还包括对土地、电力和机房外壳的担保。但它清楚表明：英伟达正在把资产负债表和信用能力纳入 AI 基础设施的销售体系。

英伟达账面负债约 910 亿美元，其中有息债务约 334 亿美元；现金约 220 亿美元，证券投资规模则从上一年度的 450 亿美元大幅升至约 1280 亿美元。按照 SemiAnalysis 的模型估算，英伟达 2028 财年 EBITDA 可能达到约 4410 亿美元，而 2024 至 2029 年全球 AI IT 和数据中心累计资本开支可能接近 11 万亿美元。

英伟达为什么要提供担保

亚马逊、微软、谷歌、Meta 和甲骨文这些大型云厂商，手里握着投资级融资渠道，拿钱不是问题。AI 基础设施开发商可以从它们那里拿到长期订单，但 Neocloud 自身的信用评级通常不高，想独立获取长期、低成本的资金，难度非常大。

英伟达正在扮演一个替代性信用锚的角色。它的路径很清晰：先以完整毛利率卖出 GPU，再通过收入保底、数据中心租约或担保，为客户融资提供支持。

在需求持续增长的情景下，英伟达可以拿到两层收益：第一层来自 GPU 销售，第二层来自后续收入分成和更大规模的 GPU 采购。即便需求短期回落，收入保底也能帮 Neocloud 维持偿债能力，避免项目迅速违约，降低行业中的连锁冲击风险。

所以这些交易的收益和风险并不对称。只要英伟达自己的现金流足够强，担保项目能正常运营，它就有机会快速扩大客户群；真正危险的场景是 AI 需求和英伟达自身盈利能力同时恶化。

AICP：为 Neocloud 的 GPU 租赁收入保底

英伟达在 2027 财年第二季度首次披露了约 360 亿美元的 AI Cloud Agreements。SemiAnalysis 把这与 AI Cloud Partner（AICP）计划联系起来：英伟达为 Neocloud 提供最长六年的 GPU 租赁收入保底，让这些项目更容易从银行拿到融资。

报告估算，GB300 在相关安排下的平均保底价格约为每 GPU 每小时 2.35 美元，而五年期市场合同价格约为 4.50 至 4.60 美元。

目前已公布的 Firmus、SharonAI 和 GMI 三个项目，对应的英伟达潜在承诺约为 275 亿美元。SemiAnalysis 估计，如果加上已经完成但尚未完全披露的交易，这一表外承诺可能在 2027 财年末达到约 510 亿美元。

不过需要说明的是，报告发布前市场已经出现英伟达暂缓新增 AICP 交易的消息。因此后续增长数字属于 SemiAnalysis 的情景建模，不能理解为英伟达已经确认的计划。

残值担保：用较少的信用支持撬动更多资本

2026 年 8 月，英伟达宣布与多家私募基金合作，目标是调动超过 5000 亿美元第三方资本，用于建设 AI 集群。

这类安排由机构投资者负责评估和定价，英伟达主要提供项目级设备残值担保，最高覆盖交易规模的 25%。只有项目经营失败、设备被出售，而出售价格不足以偿还债务时，英伟达才可能承担部分缺口。

SemiAnalysis 认为，贷款可以被分成股权、夹层和高级债务等不同层级。风险最高的投资者先承担损失，英伟达的残值担保位于高级债权人之前，但排在股权和夹层资本之后——这样就能为银行等保守型资金增加一层缓冲。

从撬动资金的效率来看，报告估算，AICP 每支持 1GW 产能需要约 590 亿美元的英伟达表外承诺，PORTS-Pike 约需要 250 亿美元，而残值担保模式只需要约 94 亿美元。

英伟达公开目标是调动超过 5000 亿美元资金，但 SemiAnalysis 采取了偏积极的建模假设，假设到 2031 财年累计融资规模达到 2.5 万亿美元，对应的英伟达表外承诺从 550 亿美元增加至 3730 亿美元。

数据中心租约和 PORTS-Pike

AI 集群融资不仅需要 GPU，还需要电力、土地和数据中心。英伟达可以先以高评级租户身份签下数据中心，再把租约转给 Neocloud，从而帮助开发商获得更低成本的长期融资。

Hut 8 的 Beacon Point 项目包含两个 352MW 租约，15 年总租金约 196 亿美元。由于最初贷款人依据的是英伟达的信用，而不是 Neocloud 的信用，英伟达在项目完成去杠杆或达到约定的债务偿付能力测试之前，可能仍需承担主要付款责任。

更大规模的项目是俄亥俄州 PORTS-Pike。SB Energy 计划建设约 8GW 园区，首期约 4.25GW 面向 OpenAI 关联实体，租期 20 年。英伟达对土地、电力和机房外壳提供最高约 1050 亿美元的信用支持，项目预计从 2029 财年开始分阶段投入使用。

英伟达还拥有进一步支持约 3.8GW 二期产能的选择权。如果按首期每 GW 约 247 亿美元的担保规模计算，全部行使后，PORTS-Pike 的担保上限可能接近 2000 亿美元。

英伟达表示，PORTS-Pike 每一代硬件可能带来 1500 亿至 2000 亿美元收入。这才是它愿意承担担保风险的核心原因：它不只是为一个数据中心提供信用，而是在锁定未来多个硬件世代的客户和产能。

SemiAnalysis 预计，随着新的 LPS 担保、第三方转租项目和 PORTS-Pike 选项继续推进，英伟达的数据中心和 LPS 担保敞口可能从目前约 1085 亿美元增至 2031 财年的约 3380 亿美元。

但英伟达不可能独自承担全球 AI 建设

英伟达当前统计的担保和支持产能约为 6.5GW，只相当于 SemiAnalysis 预计的 2025 至 2030 年全球 AI IT 容量净增约 240GW 的不到 3%。

即使按报告中的扩张情景，英伟达最大潜在支持规模约 46.6GW，也不到全球计划新增 AI IT 容量的 20%。而且这个数字是将不同工具分别计算的，实际上一些担保可能对应同一个项目，部分已宣布产能也可能在 2030 年之后才投产。

6.5GW 产能大约对应 250 万至 300 万张 GB300 等效 GPU，相当于英伟达预计 2027 年 GPU 出货量的 25% 至 35%。如果这些产能在五年内平均部署，每年对应的 GPU 数量则不到英伟达 2027 年预计出货量的 10%。

这说明，英伟达的担保更像是在帮新运营商拿到第一批规模、积累运营记录和融资信用。项目跑通之后，Neocloud 可以逐步依靠自身收入和独立资本扩张，不需要英伟达永久提供支持。

资产负债表能否承受这些风险

SemiAnalysis 首先使用了一个相对宽松的测试。2027 财年，英伟达约 360 亿美元的有息债务对应约 2830 亿美元 EBITDA，净债务/EBITDA 约为负 0.1 倍；到 2031 财年，随着现金快速积累，该指标可能降至负 1.6 倍。

随后，报告进行了更严厉的压力测试：把所有预计的表外承诺都假设为立即到期，并加到净债务中。即便如此，相关杠杆率在 2027 财年略低于 2 倍，到 2031 财年降至约 1.33 倍。

在最极端的测试中，报告只计算现金、打折后的应收账款和证券投资的一小部分，同时排除库存、其余股权投资和无形资产。按这个口径，英伟达稳定净资产对不断增长的表外承诺的覆盖率，在 2027 财年只有约 0.09 倍，到 2031 财年升至约 0.57 倍；如果暂停一年分红和股票回购，则可升至约 0.70 倍。

这个测试假设英伟达收入在一年内大幅消失，并把原本分布在多年、最长 20 年的承诺当成需要立即偿还，显然比正常情景极端得多。

真正的风险在于客户集中和芯片竞争

英伟达目前约 97% 的担保上限与 OpenAI 有关。更广泛地看，很多收入保底、租赁和担保安排的最终付款人，都集中在少数头部 AI 实验室。

这意味着，即使英伟达把下一批支持项目分散给更多 Neocloud，也很难完全消除终端需求的相关性风险。一旦头部 AI 实验室同时削减资本开支，GPU 租赁、数据中心租约和担保项目可能一起承压。

但 SemiAnalysis 认为，英伟达面对的最大风险不是普通的 AI 周期回落，而是竞争芯片取得性能或成本优势，迫使英伟达降价保住市场份额。到那时，英伟达的 EBITDA 会下降，而此前依赖英伟达 GPU 的项目也可能因芯片效率落后而失去竞争力——资产负债表和担保兑现概率会同时恶化。

这也是报告主张英伟达继续扩大支持的原因：目前英伟达仍处于领先位置，未来几年 AI 需求依然强劲，而电力已经成为数据中心扩张的关键瓶颈。一个已经锁定电力和机房的园区，很可能在多个硬件世代中持续使用英伟达系统。

英伟达的担保模式撑不起整个 AI 行业，但它可以帮助自己扩大客户基础、锁定稀缺的数据中心资源，并把更多原本无法融资的运营商变成 GPU 大客户。接下来真正要观察的，是这些担保项目能否形成独立现金流，以及英伟达能否把下一轮风险有效分散到更多终端客户。这类关于 AI 基础设施融资的深度讨论，在 云栈社区 也常能见到不同视角的拆解。