现场发电资本开支对AI算力转化率与项目融资的二阶拖累 — 2026-08-14

分析师： AI基础设施分析师 | 立场： stress-test | 研究记录： 5/8 工作日期锚： 2026-08-14（Asia/Singapore）[S0]。下文所有“今天”“近期”“2026-2027年”“本轮周期”均以2026-08-14为基准 [S0]。

核心结论

我支持前序研究的方向，但需要把机制说得更窄：如果美国AI数据中心中有相当比例必须以1,700-2,000美元/kW自建现场发电资产，第一层压力并不是电价显著更贵，而是资本开支归属、资产负债表和融资结构的压力 [S1]。按组合口径估算，这会把既有研究记录的68-78%有效算力转化率在基准压力情景下再压低1-3个百分点至约66-76%，在高比例现场发电情景下压低3-5个百分点至约63-73% [S2][自测算]。按总AI资本开支看，拖累不算致命；但按项目融资抵押资产看，影响很大，因为每1 MW IT负载可能要额外承担170万-200万美元发电资本开支，而数据中心shell/core建设成本约1,130万美元/MW，AI fit-out最高约2,500万美元/MW [S1][S3][S4]。

融资含义比会计口径更重要。现场发电资本开支会把原本相对清晰的数据中心贷款，变成数据中心/电力项目混合贷款。贷款人会倾向于下调advance rate，隔离燃料和排放风险，提高偿债覆盖要求，并增加完工、利用率、最低购电、现金扫除等契约触发条件 [S5][S6]。对于已经承受存储涨价、液冷改造、变压器延期和预租节奏压力的项目，最可能的契约压力不是单纯利息成本上升，而是受影响债务分层的债务/EBITDA容量下降0.25-0.75x，或loan-to-cost下降5-10个百分点 [自测算]。

1. 相比既有研究记录新增了什么

既有研究记录估算，2026年AI技术基础设施资本开支中只有68-78%能转化为有效可部署算力，其中12-18%被DRAM/NAND/eSSD/HBM通胀吸收，8-14%被电力、电网、液冷和调试延迟吞噬 [S2]。既有研究记录进一步判断，表后/现场发电到2027年底只能为美国AI数据中心新增10-18 GW净可用容量，或弥合约15-25%的powered-capacity缺口，且IRR风险主要来自资本开支归属转移，而不是燃气燃料成本本身 [S7]。

本报告压力测试的是二阶影响：电力变通方案本身会消耗本可用于GPU、内存、网络、机柜或更快调试的人力资本开支。结论是，现场发电不会打断AI资本开支周期，但会让这个周期的资本生产率和可融资性变差。

2. 单位经济：对总AI capex不大，对设施融资很大

机械比例并不复杂。SemiAnalysis给出的AI实验室快速部署现场燃气发电成本为1,700-2,000美元/kW，即170万-200万美元/MW [S1]。JLL估算美国数据中心shell/core建设成本在2026年为1,130万美元/MW，较2023年上升36% [S3]。Goldman Sachs引用的AI数据中心fit-out成本最高可达2,500万美元/MW，且不含shell/core [S4]。

由此得到

这解释了同一台现场发电设备为什么有两种解读。对看总AI基础设施预算的云厂商来说，4.7-5.5%是可管理的效率损耗 [自测算]。但对只看房地产/电力抵押包的项目融资贷款人来说，15.0-17.7%意味着资产组合明显变化 [自测算]。项目不再只是高利用率、已租赁的数据中心，而是嵌入了发电设备、燃料价格敞口、空气许可风险、调度假设、检修停机和残值不确定性 [S5][S6]。

3. 对有效算力转化率的组合拖累

组合影响取决于2026-2027年有多少新项目被迫自建发电。既有研究记录估算，现场发电在更广义AI powered-capacity缺口中提供10-18 GW，说明它是重要但仍属少数的解决方案 [S7]。基于上述单位比例，我给出三个情景

前两列为自测算，方法是用170万-200万美元/MW发电资本开支除以3,630万美元/MW的shell/core加AI fit-out合计资本开支 [S1][S3][S4][自测算]。最后一列从既有研究记录的68-78%出发扣减资本开支拖累；在高现场发电情景下，还额外扣减0.5-2.0个百分点，反映融资摩擦、提款延迟、储备账户和更严格完工测试 [S2][S5][S6][自测算]。

关键提醒：这是算力转化率估算，不是需求预测。自建发电可能提高数据中心在2026-2027年获得电力、而不是等待多年并网的概率 [S7]。因此，它可能改善time-to-revenue，同时降低dollars-to-compute效率。这与既有研究记录一致：交易的核心是速度和控制权，不是更便宜的能源 [S7]。

4. 融资结构：从数据中心债务变成混合基础设施债务

传统超大规模数据中心融资受益于长期租约、强信用租户、合同化利用率和相对标准的建设抵押物 [S5]。加入自有发电资产后，贷款人至少会在四个方面改变承保逻辑

1. 受影响分层的loan-to-cost下降。 如果稳定租赁数据中心融资原本可做到约60-70% loan-to-cost，那么发电占比较高的分层在没有独立PPA、发起人担保或成本传导条款时，可能更接近50-60% [S5][S6][自测算]。实际结果是需要更多发起人权益或更贵的夹层资本。

2. DSCR和储备金要求提高。 普通数据中心贷款主要承保租金收入和租户信用；混合项目还要覆盖燃料、热耗率、维修、停机、排放和许可条件 [S6]。这会推动贷款人要求更高偿债覆盖率、专用维修储备、燃料套保和限制分红测试 [S6]。

3. 完工和可用性契约更难满足。 Powered data center现在有两条完工路径：建筑/GPU路径和发电/并网路径。任何一边延期都可能阻碍收入确认 [S5][S7]。这尤其重要，因为既有研究记录显示重型燃机订单交付可能延至2029-2031年，使2026-2027年项目更依赖更窄的移动式/航改型供应 [S7]。

4. 租户与监管成本传导风险上升。 公用事业费率正在把长期成本责任转移给大型数据中心负荷，包括最低需量或专项费率结构 [S8][S9]。若项目选择自建发电，同样的cost-causation逻辑会进入私人合同：贷款人会要求云厂商或租户承担备用、燃料、排放和限电成本，而不是留在项目公司层面 [S8][S9][S10]。

我的基准压力估算是，受影响项目相对干净的已租赁数据中心融资，会损失0.25-0.75x债务/EBITDA容量，或损失5-10个百分点loan-to-cost，惩罚最大的是缺少投资级租户担保的merchant或开发商项目 [自测算]。这不是贷款人直接披露的数字，而是从项目融资资料要求承保的新增风险项推导出的结果 [S5][S6]。

5. 对存储/AI capex争论的含义

本报告强化主线判断：市场不应把2026-2027年AI基础设施风险理解为“capex停止”，而应理解为“capex生产率下降”。存储通胀已经吞噬部分AI预算；电力交付吞噬另一部分；现场发电又把部分本应在公用事业侧的资本开支搬到AI项目资产负债表上 [S2][S7]。这些因素共同支持存储股定价权逻辑，同时提高云厂商和AI基础设施买方面临的自由现金流、折旧和有效容量转化压力 [S2]。

二阶洞察是：现场发电对云厂商可以理性，但对项目杠杆仍可能负面。如果替代方案是等待多年并网，支付1,700-2,000美元/kW可以保护time-to-market [S1][S7]。但这部分资本开支带来的是供电可用性，而不是增量token产能，所以会降低每一美元AI资本开支转化为live compute的比例 [自测算]。基准压力下，我会把既有研究记录的68-78%下修到66-76%；在高现场发电情景下，在项目证明成本可传导、燃料供应确定、且贷款人接受混合风险栈前，应使用63-73% [S2][自测算]。

6. 交接建议

建议下一位分析师：credit-analyst [specialist]。触发条件是具体的交易对手和贷款契约脆弱性：本报告识别出自有发电AI数据中心项目融资借款人会面临更低loan-to-cost、更紧DSCR、完工测试、储备金和成本传导契约压力 [S5][S6][自测算]。下一问应检验这些契约变化会先体现在私募信贷利差、ABS/证券化结构，还是银行建设贷款条款中。

元数据页脚

工作日期：2026-08-14（Asia/Singapore）[S0]。缺失的本地引用文件：实时工作区中未找到研究档案和research note/report.en.md，因此既有研究记录事实依据来自提示词内嵌的session snapshot [S0]。

资料来源 / Sources

[S0] Institute prompt and embedded session snapshot, "research discussion prior research notesinstructions and prior-card summaries" — local conversation context, no public URL. [S1] SemiAnalysis, "How AI Labs Are Solving the Power Crisis: The Onsite Gas Deep Dive" — https://newsletter.semianalysis.com/p/how-ai-labs-are-solving-the-power [S2] Institute prior research notesembedded summary, "AI capex effective compute conversion rate of 68-78%" — local conversation context, no public URL. [S3] JLL, "2026 U.S. Data Center Construction Cost Guide" — https://www.us.jll.com/en/trends-and-insights/research/data-center-construction-cost-guide [S4] Goldman Sachs, "Tracking the trillions: The assumptions shaping the scale of the AI buildout" — https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out [S5] Norton Rose Fulbright, "Data center financing structures" — https://www.projectfinance.law/publications/data-center-financing-structures [S6] Green Gas Turbines, "On-Site Power vs Grid Connection for Data Centers | Turbine Economics" — https://www.greengasturbines.com/blog/on-site-power-vs-grid-connection-data-centers-gas-turbine-economics [S7] Institute prior research noteslive file, "Behind-the-Meter Power as a Grid-Delay Workaround: How Much Real Capacity Can It Add Before 2027?" — research discussion/403ffa4f-ae7e-4821-aac1-2a9f8f1d910f/research note/report.en.md [S8] AEP Ohio, "AEP Ohio files proposal to support growing data center energy needs" — https://www.aepohio.com/company/news/view?releaseID=9501 [S9] Virginia State Corporation Commission, "Dominion Energy Virginia rate case / Schedule GS-5 materials" — https://scc.virginia.gov/pages/Case-Information [S10] Virginia Electric and Power Company, "Schedule GS-5 Large Use / High Load Factor Service" — https://cdn-dominionenergy-prd-001.azureedge.net/-/media/pdfs/virginia/business/schedule-gs-5.pdf