美联储面临AI基础设施建设下的上升债务负荷；若违约飙升可能面临救援情景。

关于人工智能的讨论中，经常混淆两个截然不同的命题。第一是，AI是一项非凡的技术，很可能大幅改变人类工作、交流、研究、软件开发和商业组织的方式。第二是，目前正在构建AI基础设施的公司因此值得金融市场给予的巨额估值。第一个命题可能是真的，而第二个完全不是。

这个区别正是Myrmikan Research在2026年8月14日发表的一篇引人注目的论文的核心，题为《AI债务失败将引发新一轮美联储救助》。该论文的论证远比熟悉的"AI股票处于泡沫"这一说法更加精妙。实际上，其核心关切并不主要涉及股票。Myrmikan辩称，在AI实验室、半导体制造商、云计算公司和数据中心的瑰丽估值下，已经形成了一个日益复杂的债务结构。如果AI的预期生产率收益来得太慢，无法偿还这些债务，其后果可能会脱离科技部门的范畴，进入保险公司、养老基金，最终进入美国国家的资产负债表。

这份论文明显采取奥地利学派的视角。其出发点是货币史。论文辩称，在法定货币出现之前，黄金存取传递了有关信贷恰当价格的信息。中央银行用行政判断取代了这种分散的价格发现机制。从那一刻起，央行官员就需要判断货币是太贵还是太便宜——而政治和制度激励机制反复促使他们倾向于低估。大萧条、亚瑟·伯恩斯1970年代的通胀、大陆伊利诺银行的救助和艾伦·格林斯潘对1987年崩盘的应对，都被呈现为本质上相同现象的迭代。一旦足够庞大的金融结构变得依赖廉价信贷，货币当局就无法让它们清算，而不会危及整个金融体系。

这一历史论证为随后的一切提供了架构。Myrmikan的论点是，美联储反复制造了一个棘轮。信贷扩张产生投资和资产价格上升；资产价格上升使政策显得成功；杠杆积累；最终提高利率以抑制通胀威胁到依赖廉价货币的机构。央行随之退缩。著名的"格林斯潘看跌期权"（Greenspan put）只是这一安排最明显的版本。

该论文最有趣的论证涉及生产率。它类比了当代对AI的热情与格林斯潘在千禧年前后对计算机的热情。格林斯潘认为技术进步正在以足够快的速度增加生产能力，以至于货币扩张可以不引发消费价格通胀而被容纳。Myrmikan引用了罗伯特·索洛著名的观察，即计算机时代到处可见，只是在生产率统计数据中看不到，并辩称与计算机相关的最终生产率改进的速度和幅度均低于热情倡导者的预期。

这个区别很重要。技术能力与测得的经济生产率之间存在巨大差异。一台机器可以执行令人惊讶的任务，而不会让经济成比例地变得更富有。实施成本重要。组织混乱重要。培训重要。错误重要。监管重要。最重要的是，技术的价格重要。

Myrmikan辩称，生成式AI中恰好出现了这一困难。它指向企业AI支出意外高昂、实施失败以及调查显示许多企业尚未从生成式AI投资中获得可衡量回报的报告。智能体AI使问题更加严峻，因为执行任务的自主系统可能消耗远大于仅回答问题的系统的计算资源——而智能体的错误可能产生财务后果，而不仅仅是输出错误的段落。

这里确实有一个真正的洞见。许多公众讨论假设，因为模型改进迅速，生产率必须以大致相同的速度改进。没有经济规律要求这一点。从能力向生产率的转变涉及围绕这一能力重新设计制度。电力改变了制造业，但工厂必须围绕电动马达重建，收益才能变得压倒性。计算机最终改变了办公室，但企业花了数十年购买昂贵、集成度差、有时甚至适得其反的软件。AI最终可能证明更加重要——但当人们借入的钱要在下周二偿还时，"最终"是个令人不适的词。

尽管如此，Myrmikan论证的这一部分不应被过分接受。索洛悖论之所以是悖论，正是因为计算机最终确实产生了巨大的经济变化，其价值传统生产率统计有时难以捕捉。AI可能类似地创造消费者剩余和质量改善，而国民核算措施衡量得不完全。一名律师在20分钟内完成3小时的研究工作经历了真实的生产率改进，即使计费惯例、组织惯性或GDP统计掩盖了其中一部分。

因此，正确的结论比Myrmikan的措辞偶尔暗示的要狭窄。目前尚缺乏令人信服的证据表明AI不会产生承诺的生产率革命。有相当充分的理由怀疑它是否会足够迅速地产生该革命，以验证目前为期待它而进行的每项投资。

这对投资者来说是一个更危险的命题。

Myrmikan在其结论中尤其有效地区分了这一点。AI可以是革命性的，AI投资可以是灾难性的。该论文将当代繁荣与运河、铁路和互联网进行了比较。铁路在铁路股东破产后仍然有用。光纤光缆在电信公司崩溃后仍然有用。网络浏览器正好在变得实际上不可能直接货币化时成为不可或缺的。稀缺性的销毁可以增加社会效用，同时摧毁投资者依赖的经济租金。

这也许是该论文最强有力的概念性观点。

技术投资者经常问错误的问题：人们会使用这项技术吗？经济相关的问题是：谁将获取其使用所产生的剩余？

AI无疑具有效用。但模型间的竞争激烈。中国开发者和开源模型对推理价格产生下行压力。算法变得更加高效。硬件改进。知识在实验室间传播。一个需要花费数亿美元开发的模型能力可能令人惊讶地迅速成为商品。

这造就了一个令人不安的可能性。AI可能恰好因为AI本身变便宜而无处不在。

如果是这样，赢家最终可能是使用丰富智能的企业和消费者，而不是借入巨额资金来制造AI的公司。

该论文随后从技术转向公司财务，变得相当令人担忧。它将当代AI行业描绘为不是传统供应链，而是供应商、客户、融资者和投资者日益相互融资的网络。

AI实验室需要计算能力。超大规模数据中心需要AI实验室作为客户。专门的"新云"数据中心企业需要超大规模数据中心和实验室签署长期购买承诺。英伟达需要所有这些继续购买GPU。因此资本在系统周围循环流动。

该论文举了英伟达投资AI实验室和新云公司的例子，这些企业使用融资购买英伟达硬件。英伟达还承诺了与未使用计算能力相关的义务。Myrmikan的异议不是这些安排是虚构的——芯片和数据中心肯定存在——而是在链中一个点的表面需求可能部分取决于在同一链的其他地方提供的融资。因此，收入在经济上的独立性可能低于会计报表使其显得的样子。

这是一个严肃的问题。厂商融资或战略投资本身没有什么不当之处。飞机制造商、房产开发商和电信[原文在此处被截断]