Blackstone N1 已向 8 項 AI 交易投入 73 億美元，其負責人直言資金正成為基礎設施擴建的煞車皮
Blackstone AI 平台負責人 2026 年 10 月 17 日於舊金山爐邊對談之發言摘錄
Blackstone N1 的創辦人兼負責人對這家全球最大另類資產管理公司如何切入 AI 產業鏈，做出了迄今最清晰的說明。長期以來，Blackstone 始終掌控著資料中心與電力的實體層，而 N1 的目標則是投資在其上層建構企業的後起之秀。該平台自今年稍早成立以來，已進行 8 項投資，總額達 73 億美元。然而，他更具深遠影響的談話聚焦於資金成本。超大規模雲端運算服務商（hyperscalers）債務的信用利差（credit spreads）已經擴大，基準利率也微幅攀升，他並認為，每年為大約 1 兆美元的 AI 資本支出融資，本身就是對此一景氣循環的實質約束。
打造兩家公司，而不僅是收購
這 73 億美元的資金中，部分資金的部署方式格外引人注目。N1 負責人表示，該平台「有機會打造兩家公司」，且雙方皆與前沿模型（frontier-model）夥伴合作。第一家是與 Anthropic 共同創立的部署公司，旨在解決 Blackstone 自身投資組合所面臨的難題。「我們的瓶頸之一，是在我們自己的企業內部部署 AI，」他表示。「這絕對比一般人或大眾所意識到的更具挑戰性。」
第二家則是與 Google 共同建構的 AI 雲端平台。他指出，Google「過去未曾以這種方式將 TPU 商用化，而今年正加速推進」，並選擇 Blackstone 作為合作夥伴，在其 TPU 架構上打造大規模的新雲端（neocloud）平台。其餘的投資項目則包含 Databricks，以及兩家歐洲國防科技公司 Quantum Systems 與 Stark。
Blackstone 表示，它是超大規模雲端運算服務商之外最大的算力持有者。同時，它也擁有 280 家可作為潛力 AI 客戶以及投資訊號來源的企業。他將此業務推介概括為算力、客戶與資本，並指出 AI 背後的資本「與以往任何科技週期都截然不同」。
Etched 展現出創投界線的延伸
N1 並不將自己定位為早期投資人。「我們並未設定為早期或創投投資人，」他表示，並補充說，當企業「正跨越創投輪次」時，Blackstone 處於最佳的切入位置。典型的投資支票金額從 1.5 億美元到高達 10 億美元不等。他承認，從創投輪次到 Blackstone 規模資本需求之間的窗口期正在縮小。
推理晶片公司 Etched 則是主要的例外。這項投資的基礎在於一項核心論述：支持任何能降低 AI 成本的事物，且該公司成功完成了首次流片（tape-out）。他指出，這「在傳統意義上並非完全的產品市場適配（product-market fit）」，但卻是一個重要的里程碑。在投資前，Blackstone 也花了將近一年時間討論 Etched 記憶體採購的融資事宜。記憶體佔了物料清單（bill of materials）的很大比例，雙方探討了可作為營運資金融資的混合型或債務型資本。不過，他也劃出界線，強調 Blackstone 不會在創投領域從事信貸業務。對大多數早期企業而言，「資金成本絕對仍然是股權。」結構化資本只有在背後有可替代、可轉讓的資產（例如已採購的記憶體）支撐時才行得通。
資本成本正在攀升，Firmus 是試金石
最受市場關注的談話涉及融資條件。主持人提及澳洲資料中心營運商 Firmus 備受矚目的首次公開募股（IPO）宣告失敗，該公司原本將目標估值定在約 300 億美元。對此，他將信貸市場與股票市場做了區隔。在信貸方面，他指出，隨著油價上漲與通膨風險升溫，利率也跟著走高，同時信用利差也出現變動。「Meta 或微軟（Microsoft）為債務定價的資本成本已經擴大，」他表示，主因在於供給面。市場需要消化的 AI 相關債券供給多出太多，這「對資本成本以及投資人要求的必要報酬率都造成了壓力」。他指出，這會同時影響基礎設施擴建的規模與步調。
談到 Firmus 時，他認為這是一個估值問題，而非對資料中心的否定定論。「市場不接受那個估值水準，」他說。他補充道，這筆交易本可能成為澳洲歷史上僅次於 Telstra 的第二大 IPO，且當地缺乏足夠的同業可資比較。當被追問為何 CoreWeave 的公開交易未能提供定基準時，他指出任何新發行股票背後固有的折價與不確定性。投資人仍應注意到，在超大規模雲端運算服務商信用利差擴大的同時，一檔與 Blackstone 相關的旗艦級上市案卻未能成功訂價。
GPU 與資料中心風險之辨：客戶才是關鍵
他表示，Blackstone 並不認為 GPU 融資的風險本質上高於資料中心融資。兩者的訂價皆取決於客戶，而諸如微軟或 Meta 等投資等級的承租戶（tenant）決定了風險高低。兩者的差異在於存續期間（duration）。資料中心擁有較長的耐用年限，可以透過長約進行融資，且放款機構會賦予租約之外的資產價值一定程度的認可。相較之下，GPU 的壽命較短，且其殘值（residual value）存在不確定性。
對信用投資人而言，最重要的揭露資訊在於：「絕大多數（若非全部）已完成的 GPU 融資，都僅針對該第一份合約進行融資……放款機構並未承擔該 GPU 在該合約到期後價值多少的風險。」他承認，諸如 A100 等較舊的晶片在部署六到七年後仍能賺取「可觀的經濟報酬」，這暗示了其較長的耐用年限，但他同時指出，殘值市場仍在發展中，迄今尚未成為放款的依據。
他將 Blackstone 最初對 CoreWeave 的融資追溯至相同的邏輯。當時該公司擁有約 3,000 萬美元營收，獲利微乎其微，卻需要 23 億美元資金。Blackstone 將 GPU 與該公司業務分開進行融資，因為這些 GPU 附帶了來自微軟、NVIDIA 等優質信用實體的合約。他稱這是同類型中的首宗 GPU 融資，而 Blackstone 此後已為前沿模型公司和超大規模雲端服務商完成了「更多筆」晶片融資。Blackstone 同時對「幕後發電」（behind-the-meter）電力公司 VoltaGrid 進行了結構化投資。
產能過剩：確實存在，但因瓶頸而延後
他並未輕忽產能過剩（overbuild）的風險。「通常當出現短缺時，在某個時間點就會出現過剩，」他說，並補充要抓準時機「極其困難」。他的觀點是，現在談這個還言之過早，電力、邏輯晶圓（logic wafers）、記憶體以及台灣產能方面的瓶頸，將此風險進一步往後推遲。他指出，「黃仁勳的產品已經賣到 2030 年了。」在他看來，較少被討論的制約因素其實是資金：「要讓系統每年持續支撐 1 兆美元的資本支出真的非常困難……這也充當了另一個煞車皮。」
談到 NVIDIA 之外那塊相對單薄的利潤池，他借鑒了貿易普及之前的鐵路以及工廠普及之前的電力等歷史相似案例。他指出，OpenAI 和 Anthropic 的合計營收應該會在今年底或不久後接近 200億美元。他以 Anthropic 在第二季度的營運獲利能力以及推理利潤率作為證據，證明利潤將從晶片製造商擴散至模型與應用層。他並未對 OpenAI 為何延後 IPO 表達看法，僅表示他並不知情，且在上市前對安全性的重視「似乎是審慎的做法」。
信用結構、循環性與 AI 寒冬情境
在債務曝險方面，他認為當前的系統與 2008 年有所不同。多數資料中心是由超大規模雲端服務商所建置，而對 OpenAI 和 Anthropic 的信用曝險大多形式為較短天期的晶片融資或超大規模雲端服務商的算力合約。「這些是全球規模最大的企業，正動用他們的資產負債表，」他說。需要密切關注的風險是信用延伸是否能跟上營收成長的步伐，而他認為模型公司即將到來的 IPO，將成為支持該等信用的公開股權來源。他駁斥了關於循環性的擔憂，認為這只是供應商融資（vendor financing）的迷因，並將其類比為開拓重工（Caterpillar）與福特汽車信貸（Ford Motor Credit），並表示信用「充當了撫平需求波動的調節功能」。
他預期的泡沫破裂情境不如崩盤那般戲劇化。當邊際 AI 投資報酬率下降而系統中仍存在槓桿時，景氣低迷就會到來。他也提出了「中間經歷一連串 AI 寒冬」的可能性，因為市場對未來的貼現速度快於實際採購落地的速度，「儘管科技本身與整體趨勢相當明確」。
投資組合 ROI 確實存在，但表現不均
他對 Blackstone 旗下 280 家企業內部 AI 投資報酬率（ROI）的看法十分坦率。「情況非常不均衡，」他說。車庫門製造商 Chamberlain 是個成功案例，其基於電腦視覺的連網裝置計畫正朝著將近 5 億美元的營收目標邁進。許多其他企業仍處於從概念驗證（PoC）轉向實際生產的階段。他稱部署為關鍵瓶頸，並表示老牌企業的變革管理相當困難。他預期 AI 的普及將以一系列的轉折點（inflection points）到來，其中網路安全將率先崛起，因其能強化現有系統且無需重建工作流程。