人工智能热到什么程度？2026年第三季度，包括算力、数据处理和网络在内的新型基础设施相关项目中标金额同比增长34.2%，人工智能、人形机器人等前沿领域的资本投资同比增长184.1%。“十五五”时期算力网建设新增直接投资预计4万亿元，方向是算电协同和超大规模智算集群。国家信息中心用“澎湃动力源”形容这股势头。这个词选得很讲究，充满动能，但“澎湃”两个字里藏着另一个问题：水冲出去之后，河道跟不跟得上。

10月20日，中国人民银行原行长周小川在2026外滩年会上给出了一个不太符合现场气氛的判断。他说，技术演进必然伴随部分投资失败，但考虑到如今有巨额资金流向人工智能及相关基础设施，一旦其中一部分失败，就可能引发金融动荡，并酿成危机。他的结论很直接：应当开展研究并做好预案，在政策工具箱中储备相应工具，以应对这类动荡，包括采取大规模行动支撑经济、对部分金融机构实施救助。

翻译成不那么体面的人话：在所有人忙着计算AI能赚多少的时候，周小川在算如果砸了，谁来兜底。

184%的投资增速，和不足30%的GPU利用率

周小川的担忧不是抽象的。把两组官方数据放在一起，逻辑就变得非常具体。

一边是投资端在狂奔。前沿领域资本投资同比增长184.1%，算力网四年4万亿的盘子已经铺开。另一边，工信部数据显示，截至2026年6月底，全国算力设施整体上架率71.4%，约三成算力资源处于闲置状态；中国信通院的数据更刺眼，全国已上线智算中心GPU平均利用率不足30% ，企业级通用算力中心利用率仅10%到15%。部分西部千卡级智算中心服务器上架率不足50%，已上架设备的实际利用率也不足30%，而年运营成本超过3000万元。

一边是钱以184%的速度涌进去，一边是已经建成的算力有七成没有被充分使用。投资的速度和消化的速度之间，裂开了一道肉眼可见的缝。

周小川在发言中专门点出了这道缝的一个来源。他说，很多投资正在涌向数据中心建设，但未来AI大模型和应用在多大程度上依赖于数据中心的算力，是存疑的。这句话的杀伤力在于，它不是从需求不足的角度质疑算力投资，而是从技术路线本身的不确定性出发：如果模型轻量化和边缘推理成为主流，如果大型仿真模型可以生成数据而不太依赖大型数据中心来存储，那么今天以“算力军备竞赛”逻辑堆起来的重资产，在折旧周期结束之前就可能面临需求结构的位移。

一个年运营成本3000万元、利用率不足30%的智算中心，在会计上叫什么？叫亏损资产。在金融上叫什么？叫潜在的信用风险敞口。

IMF把AI资产回调列进了三大风险，周小川把它翻译成了“救助预案”

周小川的发言之所以值得认真对待，是因为它不是孤立的声音。国际货币基金组织2026年10月发布的《全球金融稳定报告》，将AI相关资产价格回调列为当前三大突出金融风险之一，另外两项是主权债券收益率急剧上升和网络威胁。IMF的逻辑是：AI投资和盈利能力减弱或持续下降，可能引发资产价格回调，而杠杆上升和风险敞口集中会放大这一回调，在金融市场脆弱性的作用下可能演变为系统性风险。

英格兰银行和印度储备银行也在各自的金融稳定报告中发出了类似警示，核心关切集中在一点：AI投资越来越多地依靠债务融资，这会推高整体杠杆水平并加剧脆弱性。

周小川做的事情，是把这些国际组织的抽象警告翻译成了中国语境下的政策语言。他没有停留在“警惕风险”的层面，而是直接指向了风险爆发之后的处置机制：大规模行动支撑经济，对部分金融机构实施救助，政策工具箱里要有储备工具。

这实际上是把一个事前无人愿意认真讨论、事后必然仓促应对的问题提前摆上了桌面。AI基础设施的投资周期长、资产专用性强、折旧速度快，一旦技术路线切换或需求不及预期，受损的不只是投资方的股权，还有为这些项目提供信贷、债券融资和供应链金融的金融机构。周小川说的“救助”，救的不是失败的AI公司，是被AI投资失败拖进不良资产池的金融机构。

“不要过于依赖行政手段”：一句容易被忽略的硬话

在同一场发言里，周小川还有一句更值得咀嚼的话。他说，伴随AI发展，全球供需关系和产业结构都会发生巨大变化，应着力让价格机制发挥重要作用，或许不应过于依赖行政手段来防范相关影响，而是应让价格调整反映正在发生的结构变化。

这句话放在当前算力投资的语境下，指向性相当明确。算力基础设施的布局，在很大程度上受到地方招商政策、能耗指标分配、产业基金引导等行政力量的驱动。一些地方脱离实际需求上马智算项目，中部某省规划1200P算力，实际需求不足200P，就是行政驱动脱离市场信号的典型症状。

周小川的意思不是不要产业政策，而是说：当投资失败的风险开始积累时，价格机制应该成为第一道筛选器，而不是等到风险显性化之后再用行政手段去兜底。让电价、算力服务价格、融资成本反映真实的供求关系，让不该上的项目在价格信号面前自己停下来，比事后动用救助工具更便宜，也更体面。

但这里存在一个结构性矛盾。算力基础设施带有准公共品的属性，地方政府有动力用低电价、低地价、产业基金去“抢项目”，金融机构在早期也倾向于把“国家战略方向”当作信用增信。价格机制在这种环境里被扭曲，恰恰是风险积累的温床。周小川的提醒，本质上是在说：如果价格不能提前出清低效投资，金融体系迟早要用不良资产的形式为这些投资买单。

蒸馏与应用层：生产率的故事是真的，但救不了重资产

周小川对AI前景的判断并不悲观。他说生产率的提升最主要来自AI应用层，轻量化模型、模型蒸馏、大模型迭代都在推动能力升级。关于蒸馏，他给了一个和主流知识产权叙事不同的视角：蒸馏不是简单的“偷”，而是智慧和能力的升级，是在现有智能基础上简化流程、进一步发展，可能给投资者带来丰厚回报。

这个判断在技术层面是有依据的。模型蒸馏作为知识迁移和模型压缩技术，核心是利用教师模型的输出分布指导学生学习，而非直接复制参数或源代码。企业级大模型部署成本在2026年上半年同比下降45%，部分原因就是推理芯片能效提升和蒸馏技术成熟。

但应用层的生产率红利，和基础设施层的重资产风险，不在同一个时间尺度上。应用层可以轻资产、快迭代、高毛利，一个蒸馏出来的小模型放进手机或汽车里就能产生价值。而数据中心是十年折旧、重资产、慢回收的生意。周小川说“投资于水和电是安全的”，逻辑上没错，因为无论AI怎么发展都需要能源和散热。但“安全”不等于“每一座数据中心都能赚钱”。当应用层的价值创造越来越不依赖集中式算力时，那些按照“算力永远紧缺”假设建起来的设施，就会成为资产负债表上最尴尬的那一行。

周小川的“预案”论，不是在唱衰AI

周小川的“预案”论，不是在唱衰AI。他是在说一件金融监管者本能的、但产业界往往不愿意听的事情：任何一次技术革命，都会在金融体系的资产负债表上留下痕迹。成功的投资创造生产力，失败的投资创造不良资产。区别不在于要不要冒险，而在于冒险失败的成本由谁承担、以什么方式承担、在什么时候被承认。

当前算力投资的规模、增速和杠杆结构，已经大到不能再用“个别项目失败无所谓”的逻辑来消化。30%的GPU利用率、10%到15%的企业级算力中心利用率、4万亿的四年投资计划，这三个数字摆在一起，指向的不是“会不会有失败”，而是“失败会以什么密度出现”。IMF把AI资产回调列为全球金融稳定的三大风险之一，说明这个问题不是中国独有的，但中国的算力投资体量和行政驱动特征，决定了它需要一套自己的处置框架。

周小川把话说得很克制：“应当开展研究并做好预案。”这句话的潜台词是，现在还没有足够成熟的预案。政策工具箱里储备工具，不是在危机来临时翻箱倒柜找东西，而是在箱子里提前放好一件在压力情景下拿得出来、用得上的东西。

最值得追问的，不是周小川为什么要在AI最热的时候提失败。是他提了之后，下一个季度184%的投资增速会不会因为“预案”两个字而放慢哪怕一个百分点。如果不会，那这份预案的准备时间，就真的不多了。