唐人日报讯｜王岐山近日以清华大学经济管理学院顾问委员会名誉主席身份在北京钓鱼台国宾馆会见并宴请委员代表。七天后，同样参加这场会见的中国人民银行原行长周小川在上海谈到另一面现实：巨额资金投入人工智能及其基础设施，如果部分项目失败，损失可能传导到金融机构，甚至引发更大范围的市场动荡。两件事分别发生在10月13日和20日，一边是政治人物与全球企业高管讨论人工智能，一边是前央行行长提醒投资者和政策制定者预留应对风险的工具。

社交平台上一条帖子把两场活动连在一起，提出“AI泡沫是否将破”的疑问。清华大学和会议主办方公开的信息证实两场活动及人物行程，但并没有证据表明王岐山主持制定了有关AI的金融政策，也没有证据显示周小川的发言出自钓鱼台会见的集体决定。真正值得观察的是同一周里呈现出的双重议题：全球企业和中国决策圈需要AI带来的增长，同时金融界已经开始计算押注失败由谁承担。

钓鱼台会见谈了什么

清华经管学院10月20日发布的会议通报说，10月13日举行的是顾问委员会第27次年度会议，26名委员参会。当天白天，国务院副总理丁薛祥会见委员代表，交流重点是人工智能的发展和治理。顾问委员会主席、苹果公司首席执行官蒂姆·库克等人发言。到了晚上，原国家副主席王岐山在钓鱼台会见并宴请部分委员代表。周小川、原中国银监会主席刘明康、全国人大财政经济委员会副主任委员郭树清等也参加会见。

顾问委员会的企业和学术阵容相当醒目。清华大学列出的参会名单包括苹果、腾讯、百度、沃尔玛、宝马、壳牌等企业负责人，也有投资机构和海外商学院人士。这是一个以大学顾问委员会为框架的中外交流场合，通报明确说今年会议聚焦人工智能，讨论人才培养、技术应用与治理。王岐山的公开身份是委员会名誉主席，不能因活动在钓鱼台举行，就把这场宴会写成政府金融决策会议。

“王岐山露面”之所以容易引发关注，与其政治履历有关。他曾在金融治理和反腐工作中担任重要职务，离开国家副主席岗位后较少以现任官员身份出现在公众视野。此次清华通报同时给出了可核查的时间、地点和身份。会见本身说明他仍在参与顾问委员会对外联络，却不足以证明他重新承担了某项正式行政职务。把一场公开的学术顾问活动放进权力变动传闻，反而会遮蔽会议真正讨论的产业问题。

清华的报道也写明，顾问委员会2000年成立，使命是连接学院与外部各界，帮助教学和研究发展。王岐山此前就与这一平台有长期关系。这个背景有助于解释他为什么出现在企业家之间，也提醒外界区分“知名政治人物参与交流”与“政府发布政策”。企业参加会议同样不等于在现场达成项目投资协议，清华通报没有公布融资金额、交易对手或新的补贴安排。

周小川把视线从技术转到资产负债表

10月20日，周小川在外滩年会的圆桌讨论中谈“AI与生产率革命”。会议日程显示，同场还有前美国白宫经济顾问委员会主席杰森·弗曼、前世界银行首席经济学家考希克·巴苏、曾任国务院副秘书长的江小涓等人。周小川把AI相关投资分成三个部分：大模型和训练所需的算力与数据中心，实际应用，以及半导体、电力、液冷等配套产业。他认为生产率提升最有可能来自应用层，同时对不断涌向数据中心的资本提出疑问：未来模型和应用究竟在多大程度上需要现在规划的算力？

这个问题比简单判断技术好坏更接近投资的核心。训练更大的模型需要算力，但技术路线可能改变，模型效率可能提高，应用的收入增长也可能比建造数据中心的速度慢。若一个设施建成时需求、价格或技术条件已经变化，最初看起来必要的产能就可能闲置。投资者能否收回成本，取决于持续使用率、收费能力、建设与供电成本、融资期限，以及客户是否真的为AI应用付费。这是金融风险的传导入口，也是周小川把“政策预案”带进讨论的原因。

现场报道转述，周小川认为技术演进会带来成功和失败两种投资结果，在资金大举流入AI基础设施的背景下，部分失败可能引发金融动荡。他提出预先研究并储备政策工具，必要时支撑经济和受冲击的金融机构。这是对可能情景的警示，并非宣布已经发生系统性危机，也不是要求为每一个失败的数据中心兜底。讨论应从损失怎样集中、怎样传播、由哪些机构承担开始，而不是把一句风险预警理解为“泡沫明天就破”。

一座数据中心怎样变成金融问题

假设一家企业利用长期借款建设机房、采购芯片并签订电力合同，借款的偿还依赖未来多年客户租用算力。若使用量不及预期，企业首先面临现金流不足和资产减值。若其债务由银行持有，银行需要计提损失；若由债券基金或私募信贷承接，压力又可能进入不同投资者的账户。设备供应商、地方配套建设和电力项目也可能受到影响。一个项目的失败通常可以由市场吸收，多个项目在相同假设下同时失利，才更可能形成周小川所说的金融动荡。

国际清算银行今年有关AI基础设施融资的研究指出，大型科技公司资本开支扩大后，借款在融资中的占比上升，部分资金经由企业表内外结构进入项目。该机构的另一份分析强调，AI的宏观和金融稳定风险目前看仍相对可控，但持续性取决于企业能否实现市场高度期待的盈利。这个判断包含两面：投入可以推动技术和经济增长，昂贵的建设计划也会放大盈利预期落空的后果。用“风险存在”推出“崩盘已定”，和用“技术有前景”否认债务风险，都缺少必要的中间环节。

国际货币基金组织10月发布的全球金融稳定报告也讨论了AI预期重估的冲击。如果预期中的生产率提高未能兑现，相关企业估值下跌可能影响更广泛的市场和融资条件。报告讨论的是风险情景，不是对某一天股价或中国某家企业违约的预测。把它与周小川的提醒并置，可以看到不同机构关心的是同一条链条：预期抬高估值，估值支持融资，融资推动建设，实际现金流最终要验证前面的假设。

对于普通读者，区分三种风险尤其重要。第一是单个企业投资失败，股东承担损失；第二是某一类项目融资过度，债权人开始承压；第三是不同机构持有高度相似的资产，市场同时撤资，形成流动性和信用的连锁反应。周小川提及金融机构救助，针对的是最坏情况下维持金融运转的预案，并不能证明第三种情况已经出现。若未来需要判断风险是否升级，应留意项目违约、债务集中度、数据中心出租率和真实应用收入，而不是单看一场公开讲话。

这里还涉及一个表外融资的观察难题。银行直接把贷款放在资产负债表上，监管者比较容易看到集中程度；借款通过项目公司、租赁安排、私募信贷或其他投资工具层层传递后，最终承担风险的人未必与开发机房的人相同。国际清算银行的研究讨论了AI基础设施融资从企业自身现金流走向债务的趋势。风险并不因为换了一种融资工具而消失，市场必须知道合同由谁担保，机房空置时租金如何支付，以及债务何时到期。现有公开材料不足以据此断言中国某家金融机构已经承受不可控敞口，但值得监管者追踪资金在不同机构之间的去向。

更深一层的矛盾是，前期资本开支和长期生产率并不按同一个时钟运行。芯片、机房、电力设施的订单可以迅速计入投资，企业员工用AI更快完成任务、消费者愿意为新服务付费，却需要经过试错才能形成稳定数据。在这段间隔里，供给扩张会先反映在资产价格和贷款规模上，效率提升还没有完全进入利润表。若融资方误把远期可能取得的社会收益当成眼前可偿债的现金流，技术方向即使正确，项目仍可能失败。周小川质疑数据中心需求与模型依赖算力之间的关系，正是要求把这种时间和收入的错位纳入评估。

政治舞台为何与AI投资相接

清华会议白天强调技术发展和治理，企业代表关心的是市场、供应链、应用场景与人才。王岐山晚上参与会见，是这一顾问委员会公开日程的一部分。国家层面的AI发展诉求，和企业对增长的期待，都能解释这样的交流为何重要。可是对经济政策而言，支持创新与约束风险必须同时存在：资本需要判断哪些需求真实，政府需要识别哪些金融敞口会在项目失败时相互放大。

这也让周小川的身份和发言具有公共价值。作为前央行行长，他熟悉金融机构资产负债表的脆弱环节，但他在外滩年会的讲话属于个人在公开论坛提出的政策建议，不代表中国人民银行已出台救助计划。周小川还谈到价格机制的重要性，主张让价格调整反映产业结构变化，减少对行政手段的过度依赖。由市场发现哪些应用真正创造价值，与监管为金融系统准备极端情形的处置工具，并不矛盾。

短期最容易混淆的，正是“AI值得发展”和“所有AI资产值得当前价格”。前者是技术与产业判断，后者涉及项目现金流、借款成本和投资回报。清华顾问委员会可以讨论如何培养人才、推动应用；央行、金融监管机构和市场主体面对的则是融资条件与风险分担。若把所有大模型、数据中心、芯片、电力及应用公司都归在同一个“AI泡沫”标签之下，就很难解释为什么有些项目收益坚实，有些项目却可能在需求稍弱时迅速失血。

还有一个值得追踪的时间差。建一座数据中心、接入电力和购置设备往往需要先投入，应用收入却要在产品上市后逐步出现。即使最终证明AI能提升生产率，早期设施也未必都能赚回当初投入的资金。历史上新技术可以改变经济，也会伴随投资者对具体项目的误判。周小川的提醒落在这一层面：要为错配、融资压力和金融机构之间的传导做好准备，而不是否定AI会产生真实用途。

对政策制定者，预案也不等于预先承诺由公共资金替投资者买单。更具体的问题是，金融机构是否充分披露AI相关敞口，贷款抵押品的估值能否经受需求下降检验，项目遭遇违约时由股东、债权人和其他交易方按什么顺序吸收损失，以及维持支付和信贷功能的措施如何避免奖励过度冒险。周小川提出“储备工具”是一个方向，工具的适用门槛、信息披露和责任分配仍要等待正式政策文件与监管实践回答。若在风险尚未发生时就宣称救助即将启动，反而可能误导市场对真实政策立场的判断。

眼下最明确的事实是，王岐山10月13日在钓鱼台参与了清华经管学院顾问委员会会见，周小川参加会见并在20日公开警告AI投资失利可能形成金融风险。两场活动之间没有公开的政策传令链条，也没有已公布的危机处置方案。接下来的新闻价值在于持续核对企业的真实应用收入、基础设施投资回报、融资结构及监管者的风险评估。AI能否推动生产率，最终由现实经济中的产品和效益回答；过度集中的金融押注会不会酿成危机，则要看失败来临时损失由谁承担、能否被金融体系消化。