AI 的「信用卡」越来越贵:CoreWeave 2032 年债券收益率突破 16%,英伟达 CDS 一个月涨 76%
债务市场正在向 AI 数据中心建设方传递一个信号:我们要提高你们信用卡的利率,还可能对你们的信用额度加以新的限制。
这个比喻来自 Jefferies 全球股票策略主管 Christopher Wood,他在周五的一份报告中写道:「AI 资本开支军备竞赛最可能的结束方式,就是信用卡被收走。」
这还没有发生,但新的政治格局已经让信贷市场受到惊吓——在关键州的民主党州长以及民主党控制的国会之下,数据中心面临的障碍可能更多。
债务压力的典型代表是新云厂商 CoreWeave。它票面利率 9.625% 的 2032 年到期债券收益率已升至 16% 以上。据德意志银行数据,CoreWeave 五年期信用违约互换(CDS)周四飙升至 1,289 个基点以上,超过 10 月的高点。周五 CDS 回落 8% 至约 1,155 个基点。
德意志银行全球宏观与主题研究主管 Jim Reid 在周五的报告中说:「信贷领域已经给过我们很多警告。」他补充说,债券和股票现在的走势更加同步,「所以我们得看看信贷是否会进一步恶化」。
投资者要求更高的补偿来为违约投保,连资产负债表和信用评级最强的公司也不例外,包括英伟达、博通和亚马逊。
英伟达债务的 CDS 在过去一个月上涨了 76%。博通的 CDS 上涨 49%,亚马逊上涨 44%。按绝对值看它们的 CDS 仍然很低:英伟达的利差约为 139 个基点,而甲骨文约为 298 个基点,CoreWeave 约为 1,100 个基点。从低起点大幅上涨并不意味着同等的信用风险。
尽管如此,CDS 上升表明市场希望对即便是最大、最健康的债券发行人也获得更多违约保护。而 CDS 上升意味着未来融资成本会更高。
市场如今正在消化这样一种前景:在俄亥俄、得克萨斯和佐治亚这三个承载大量规划算力的州,新任民主党州长上台后,至少部分数据中心支出会被推迟或取消。
据高盛估计,暂停令可能影响美国 45% 的规划容量,其中很大一部分在得克萨斯。得州当选州长 Gina Hinojosa 表示,她并不反对数据中心,但希望在州议会通过社区保护措施之前暂停建设。
这些都不意味着 AI 债务融资正在崩溃。高盛统计,自 10 月 29 日以来共有五笔 AI 债券交易,总额 670 亿美元,使今年超大规模云厂商的债务发行总额达到 2,960 亿美元。高盛预测明年超大规模云厂商将发行 4,400 亿美元债务,另有 3,000 亿美元的项目级债务,横跨投资级和高收益市场。
特朗普政府誓言支持数据中心。国家经济委员会主任 Kevin Hassett 周五对 CNBC 表示,尽管民主党在选举中大胜,他预计数据中心仍将按预测增长。
接下来会怎样
现在的大问题是,AI 支出能多快产生足够的现金,让投资者对超大规模云厂商未来的资本开支计划放心。对新云厂商来说,资本开支出现任何整合或收缩的迹象,都可能导致算力合同变少或变短,或者预付款推迟。
高盛分析师指出,超大规模云厂商第三季度整体自由现金流为负,因为资本支出超过了经营现金流。
高盛表示:「变现延迟和采购承诺的增长——我们认为这是独立于资本开支之外的、额外且规模可观的现金用途——是进一步发债的主要风险,具体取决于市场状况。」
AI 债务发行的峰值可能已经更近了。美国银行分析师估计,AI 相关信贷发行(包括公开和私募债务)将从 2026 年到 2027 年增长 31%,达到 6,850 亿美元,然后在 2028 年下降 23% 至 5,310 亿美元。
至于风险?美国银行在报告中说:「这些预测存在下行风险:『蓝色浪潮』可能导致 AI 基础设施项目放缓,从而降低资本开支需求,进而减少债务市场融资。」
CNBC 的 Nick Wells 和 Michael Bloom 对本文亦有贡献
https://www.cnbc.com/2026/11/06/coreweave-bond-yield-tops-16percent-as-ai-credit-stress-rises.html转载,侵删。版权归原作者,如有侵权请来信,收到后删除。
同一批次的其他文章
谷歌 Logan Kilpatrick 在 Fable 5.2 发布几小时后只发了一个词「Gemini」,被普遍解读为新模型本周要来
这条只有一个词的帖子已有 26 万多次浏览、3400 多个赞,宝玉等人都在转发调侃;Gemini 4 Carbon 刚被 Fable 5.2 挤下榜首,谷歌大概率很快回应。
Zora:用「检索」代替草稿模型做 VLA 推测解码,机器人动作生成纯软件提速 3.4 倍、配专用硬件 7.6 倍
改进了什么:自回归 VLA 模型在机器人端侧算力上延迟太高。靠什么:利用机器人动作的规律,从历史动作里检索出草稿,不用额外训练草稿模型;再用运动学约束决定接受哪些动作,并让批量验证共享 KV 缓存。效果:在 LIBERO 上 4 个 VLA 模型精度基本不变。
SoMem:让智能体用普通文档自己整理长期记忆,三个记忆基准都超过最强基线 2 到 3 个百分点
改进了什么:智能体记忆以往靠预设字段和固定规则组织,跟不上任务变化。靠什么:记忆存成互相链接的文档,由智能体自己决定总结什么、怎么归类、何时修订,每条总结都链回原始对话当证据;查询时智能体自己选读哪些文档。整理好的记忆还能跨模型复用,代码已开源,做企业知识助手可以参考。
SpecMem:把用户用过的工具调用存成「活」的草稿库,智能体工具调用最多提速 1.74 倍
改进了什么:工具调用要逐 token 解码,延迟随调用增多而上升。靠什么:用推测解码,从每个用户过去验证过的调用里检索草稿,并在部署中持续写回、按 LRU 淘汰;对有副作用的不可逆调用先暂缓,等验证通过再执行。按用户隔离的存储还堵住了跨用户泄露的通道。
Flide:给「决策型」小模型做的精确推理引擎,比 vLLM 和 SGLang 最快 9.5 倍
改进了什么:智能体里越来越多用小模型做分类式快速决策,现有生成型推理引擎要么重复算前缀、要么概率失真。靠什么:把一次请求的分支树压进单个扁平 token 流,用 ForkAttention 在注意力层和 Gated DeltaNet 层上精确分叉,保证每个分支和单独前向计算结果完…
OneTrans-GSR:用一个自回归 Transformer 端到端生成推荐曝光列表,线上 GMV/u 提升 2.63%、延迟降 13%
改进了什么:电商推荐的重排和混排一直靠人工规则和小模型拼接。靠什么:把两个阶段合成一个解码器策略,训练时用奖励模型给整张列表打分做强化学习,解码时显式执行业务约束;离线实验显示算力越多列表质量越好,HF 当日 33 票。
Sage-Taiyi:带「元认知」的科研智能体,在 AI 科学家选题基准上 54.0 分,超过 AI Scientist-v2 的 47.9
改进了什么:AI 科学家要决定下一步研究什么、怎么研究。靠什么:显式监控自己对证据、假设和未解问题的理解,再据此调整研究目标、挑选可复用的推理方法。效果:和专家合作做实验,把一个钴催化羰基化反应的产率从痕量提到 84%。
SIRIS 基准:大模型能看出模拟器的误差会不会改变设计结论吗?13 个前沿模型都会出错
用 LLM 推理服务的设计题测试:模型能指出模拟器的局限,不代表能做对选择,最强的模型有时也会放弃本来正确的推荐;加一轮自我审查能纠正一些错误,但也会引入新错误。用智能体做系统研究和容量规划时值得警惕。
Otter AI 一次新增 27 种语言,还将支持会议中途切换语言的自动转写
新增语言里普通话、粤语、韩语等 13 种已上线,用的是 Otter 自研语音模型;另有 Work Mode 会前准备和 Live Assist 会中提示。这是 SaaS 产品,不能私有化部署,适合跨国团队评估(有中英全文)。
金融单据识别不能只看字符错误率:一套按风险约束的评估和「选择性自动化」框架
主张把识别结果当成「能追溯到原图区域的金融事实」来评估,对金额、编号、正负号、期间这类关键字段设不可补偿的验收门槛,再把不确定的单据按风险和人工审核产能路由给人。纯方法论文章,没有新模型,但做票据和报表自动化的团队可以直接借鉴验收标准。
ooosplat:一键把视频和图片变成 3D 高斯泼溅(Gaussian Splat)的本地桌面应用
2,425 星,今日新增 121 星,Rust 编写,许可证未确认。全部在本地运行,不用上传云端,适合做数字孪生、展厅和商品 3D 化的快速原型。
英伟达Jim Fan: 大模型 会指挥,机器人为什么还需要自己的模型?
从英伟达机器人自主取样、上显微镜的实验讲起,解释为什么大模型只能做「指挥」,真正动手还需要专门的机器人动作模型。