昨天，美股AI资产又崩了。

起因是，AI算力公司CoreWeave的一笔2032年到期债券，二级市场收益率一度逼近15%。

这笔债券今年6月才发行，票面利率为9.625%。短短四个月，市场要求的回报率就上升了超过5个百分点。

对照信用评级看，穆迪给予该债券B1，标普给予B级。这已经明确属于非投资级，也就是俗称的垃圾债。

债券市场的担忧，很快传导到了股票市场。

10月14日，CoreWeave股价大跌约16%，Nebius、Oracle等AI基础设施公司也遭遇大规模抛售。从芯片、服务器到数据中心，整个AI产业链集体承压。

这背后其实出现了一个很值得关注的矛盾。

一方面，AI算力需求依然旺盛。CoreWeave手握大量长期客户订单，今年还在不断上调资本开支计划，试图通过更激进的扩张满足市场需求。

但另一方面，资本市场对这套扩张模式的态度，却开始发生变化。这些依靠借钱扩张的AI企业，未来究竟能不能赚到足够的钱，覆盖如此高昂的融资成本？

尤其是在美国加息预期重新升温的背景下，这个问题正在变得越来越现实。

某种程度上，CoreWeave的债务危机，暴露出了当下AI算力产业一个更深层次的变化：当资本开始变贵，过去依靠融资驱动的AI算力扩张模式，正在迎来一场真正的压力测试。

今天，硅基君就来聊聊这件事。

半年新增140亿美元债务，CoreWeave的激进扩张

理解CoreWeave的债务问题，先来看几组数据。

过去三年，CoreWeave的资产负债表几乎以爆炸式的速度膨胀。

2023年，公司总负债还只有51.09亿美元。到了2025年底，这一数字已经达到459.67亿美元。

而截至2026年6月底，总负债进一步增长至720.46亿美元，相当于2023年的约14倍。

当然，总负债不完全等于需要支付利息的金融债务，其中还包括租赁负债、递延收入等项目。

如果单独看有息债务，增长同样惊人。2025年底，CoreWeave有息债务本金约为216.15亿美元。到了2026年6月底，已经增长至355.51亿美元。

短短半年，新增有息债务接近140亿美元，增幅达到64.5%，相当于每个月平均增加超过23亿美元债务。

债务快速增长带来的压力，已经开始反映到CoreWeave的利润表上。

2025年全年，CoreWeave净利息费用约12.29亿美元，占全年收入的24%左右。到了2026年，仅上半年净利息费用就达到11.76亿美元，几乎追平去年全年。

单季度来看，2025年第四季度净利息费用为3.88亿美元，2026年第一季度增加至5.36亿美元，第二季度进一步攀升至6.40亿美元。短短两个季度，单季净利息费用累计增长约65%。

作为对比，CoreWeave今年第二季度的营收为25.75亿美元。这意味着，公司每实现100美元收入，就对应着约25美元的净利息费用。

现金流方面，2026年上半年，CoreWeave经营活动创造了36.63亿美元现金净流入。但同期，仅购买固定资产就花掉了141.17亿美元，是经营现金流入的近4倍。

按照经营现金流减去固定资产采购支出的简单口径计算，CoreWeave上半年自由现金流为负104.54亿美元。

而未来，这个缺口可能还会进一步扩大。

今年8月，CoreWeave将2026年全年资本开支指引上调至350亿—390亿美元。作为对比，公司同期给出的全年收入指引只有124亿—132亿美元。

也就是说，CoreWeave今年计划投入的资本开支，接近全年预计收入的3倍。这也是为什么CoreWeave的债务问题如此值得关注。

CoreWeave的350亿美元债务，是怎么借来的？

一个更值得关注的问题是，CoreWeave究竟是怎么借到这么多钱的？

这背后，其实是一套围绕GPU资产和长期客户合同建立起来的融资体系。拆开来看，CoreWeave的有息债务主要由三部分组成。

第一类，也是最核心的一类，是DDTL（延迟提款定期贷款）。

所谓DDTL，可以简单理解为，金融机构先向企业提供贷款额度，企业再根据项目建设和采购进度分批提款。

具体到CoreWeave，就是公司先拿下微软、Meta等大客户的长期算力订单，再以GPU设备和客户合同产生的未来现金流作为融资基础，向金融机构借款购买设备，最后依靠未来几年的算力服务收入逐步偿还贷款。

而CoreWeave已经把这套融资模式做到了相当大的规模。截至2026年6月底，公司多个DDTL项目的未偿还本金合计达到136.43亿美元，占全部有息债务的38.4%。

但这种融资模式也有代价，那就是融资成本并不低。

根据二季报，CoreWeave早期几笔DDTL贷款的有效利率相当高。其中，DDTL 1.0高达15%，DDTL 2.0约为11%，DDTL 2.1和3.0约为9%。

不过，随着业务规模扩大和融资结构优化，CoreWeave也开始获得成本更低的资金。

今年3月，公司拿到了一笔85亿美元的DDTL 4.0融资额度，部分借款采用美国国债收益率加200个基点的定价方式。截至6月底，相关融资的有效利率约为7%。

第二类，是设备融资。

截至2026年6月底，CoreWeave通过OEM厂商及软件授权融资安排形成的未偿还债务，已经达到51.02亿美元，约占全部有息债务的14.4%。

这类融资相对容易理解，就是由金融机构为GPU、服务器等设备采购提供资金，CoreWeave再通过分期付款偿还本息。

对于需要巨额前期资本投入的AI数据中心来说，这种模式可以缓解一次性采购设备带来的现金流压力。

不过，设备融资同样不便宜。

根据二季报，CoreWeave有追索权的OEM及软件授权融资有效利率约为11%，无追索权部分约为9%。

第三类，则是普通优先票据和可转债。

截至2026年6月底，CoreWeave普通优先票据本金约100.29亿美元，可转债本金约65.88亿美元，两者合计166.17亿美元，约占公司全部有息债务的46.7%。

其中，今年4月，CoreWeave发行了27.5亿美元、票息9.75%的2031年到期普通优先票据。

6月，公司又发行了12.5亿美元、票息9.625%的2032年到期美元债，以及20亿欧元、票息8.5%的2032年到期债券。

相比之下，可转债的票息低得多。今年4月，公司发行了40亿美元、票息1.75%的可转债；9月，又完成42亿美元、票息2.875%的可转债发行。

而此次引发市场担忧的，恰恰是第三类融资中的普通无担保债券。

原因很简单，相比于抵押债券，普通无担保债券没有特定资产作为抵押，投资者只能依靠公司的整体偿债能力获得保障。在清偿顺序上，也无法与拥有特定资产优先受偿权的担保债权人享有同等地位。

也就是说，同样是借钱给CoreWeave，这些些债权人则需要承担更大的公司整体信用风险。

暴露了AI算力产业链的脆弱一环

CoreWeave的债务问题之所以引发如此大的市场反应，一个重要原因在于，它在AI产业链中扮演着特殊的角色。

它既是算力服务提供商，也是金融资本进入AI硬件市场的重要传导环节。

过去两年，AI产业链形成了一条非常典型的资金流动路径。

微软、Meta、OpenAI等企业不断增加算力需求，向CoreWeave等新云公司签订长期订单。

新云公司拿到订单后，再向银行、债券投资者和其他金融机构融资。融到的钱用来购买英伟达GPU、服务器、网络设备，并投入数据中心建设。

等到算力正式交付，客户再通过未来几年的服务费用，让新云公司逐步收回投资。

所以，CoreWeave等新云企业承担了一个很重要的职能：把未来几年的AI算力需求，提前转化为今天的芯片和数据中心订单。

但问题在于，这些企业没有微软、谷歌、亚马逊那样庞大的成熟业务现金流，大量前期投资只能依赖外部融资。

从目前来看，高负债几乎已经成为头部新云公司的共同特征。

除CoreWeave外，Nebius、IREN和TeraWulf的有息债务，也分别达到100.4亿美元、77.1亿美元和57.25亿美元。

算下来，这4家新云企业，合计有息债务就已经超过589亿美元。

当然，相比CoreWeave，Nebius和IREN的财务情况要健康得多。截至今年6月，Nebius和IREN的非受限现金储备分别达到80.4亿美元和59亿美元，能够覆盖各自约80%和77%的有息债务。

但即便如此，CoreWeave的债务风波仍然引发了整个新云板块的普遍担忧。

原因很简单，对于高度依赖外部融资的新云企业来说，真正的风险可能在实质性债务违约之前，就已经开始显现。

首先受到影响的，就是融资成本。

一旦债券收益率持续上升，企业未来发行新债就可能面临更高的融资成本。

当融资变贵，公司就必须重新计算新增项目的投资回报。原本在较低利率下能够盈利的数据中心，可能逐渐变得不再划算，最终被迫推迟甚至取消。

更麻烦的是，如果股价持续下跌，公司想要通过增发股票筹集相同规模的资金，就需要发行更多股份，对原有股东造成更严重的稀释。

与此同时，股价下跌还可能削弱可转债的吸引力，进一步推高融资成本。

这就可能形成一个不利循环：融资成本上升，压低新增项目回报；扩张速度放缓，导致增长预期下调；股价进一步承压，又让下一轮融资变得更加困难。

同时，这种影响进一步传导到整个AI产业链。

英伟达不仅是CoreWeave的股东，更是其核心业务的唯一硬件供应商，CoreWeave借入的数十亿美元债务，本质上是用来采购英伟达芯片的。这种供应商与股东身份高度重叠的结构，使双方的财务利益异常深度捆绑。

一旦CoreWeave陷入困境，其对GPU硬件的采购需求必然萎缩，这将直接波及英伟达的营收端。与此同时，英伟达在CoreWeave的巨额股权投资也将面临减值压力。

正是这种双重暴露，制造了一个典型的博弈论困局：救援代价高昂，但不救援的代价可能同样难以承受。

从这个角度上说，AI算力需求的增长或许还远没有结束，但支撑这一轮增长的资本供给，已经开始接受更严格的定价。

本文来自微信公众号“硅基观察Pro”，作者：阿奇