全球人工智能(AI) | 2026年展望：AI格局变化推动风险上升
扫码前往手机查看或分享
发布时间：2025年12月12日
分析师：Charleyne Biondi，Vincent Gusdorf，Fabian Astic
烈竞争正推动AI性能迭代与提升。美国(Aa1/稳定)领先AI模型的突破促成了推理、多模态1性能以及企业集成工具使用方面的显著提升。与此同时，中国(A1/负面)的开源模型正在缩小与美国专有系统的差距，这引发了对领先AI供应商盈利前景的质疑。AI对各行业的影响将持续扩大，但价值获取将愈发不均衡。尽管AI采用范围不断扩大，但生产率提升在各行业间差异显著。AI在处理常规、以文档为中心或面向客户的任务时仍能带来显著优势，但在应对复杂工作流程中仍存在挑战。即使模型在受控环境下性能良好，在企业运营中部署AI也需要重新设计完整流程。因此，我们预计生产率的提升将会逐步加快，但在各行业之间以及行业内部仍会表现出明显不均衡的状态。AI基础设施是一大关键瓶颈。对计算能力的需求推动数据中心建设激增，并带来长期产能承诺；与此同时，专业芯片短缺、电网限制以及电力需求正在重塑AI基础设施的获取途径。少数云服务巨头的市场份额集中，这推高了价格，并加剧资金充裕企业与成本受限企业在AI采用方面的差距。地缘政治、网络安全和监管差异正在扩大AI风险。地缘政治分化正在重塑芯片、算力和数据基础设施的获取途径，某些情况下甚至迫使跨国企业在不同地区运营独立的AI技术栈。AI在工作流程中的深度整合增加了网络风险和运营故障的风险敞口。各国监管制度的分化，从欧盟(Aaa/稳定)的《人工智能法案》到中国的许可框架，这将进一步提高合规成本，并增加全球部署难度。激烈竞争正推动AI性能迭代与提升
AI性能正在迅速提升，行业竞争依然激烈。这一突破主要由少数美国企业主导，其最新模型不仅具备多模态处理能力(可处理文本、图像、音频和视频)，还具备自主任务执行能力，持续刷新全球技术标杆。
OpenAI于8月发布的GPT-5系列，在指令理解、上下文推理和任务自适应执行方面取得重大突破2。
Anthropic的Claude 4系列最新版本Sonnet 4.5，3于9月底推出，该版本在代码生成能力上表现突出。
Alphabet(Aa2/稳定)旗下的Google DeepMind于11月发布了最新Gemini 3模型，其最大亮点之一是卓越的图像生成和理解能力，进一步拓展了设计、媒体及科学成像等应用场景4。
新一代AI模型相较2024年的前代产品实现了多项技术飞跃：
多步推理和逻辑连贯性显著增强，能够在更长的思维链中保持上下文；
支持更海量的输入，包括文本、图像和视频；
能够跨多个软件工具或平台进行规划，实现复杂目标，而不仅仅是生成输出；
事实准确率更高，错误生成显著减少。
这些性能提升标志着AI系统能力的新高度。过去12个月AI相关性能显著提升，与我们在AI未来情景2中预测的技术加速趋势基本吻合。具体而言，该情景预计到2030年，AI将实现性能持续提升、自主能力持续拓展，以及在企业工作流程中的深度融入。
开源及非美系AI的系统能力不断提升，竞争压力持续高企
尽管美国的专有模型在AI能力方面仍保持全球领先，但整体竞争格局高度激烈。多样化的价格区间和风险特征，共同塑造了一个高度多元化的AI模型格局。开源系统正快速崛起，开源模型可供开发者免费下载并修改，多个模型家族已逐步缩小与领先专有系统之间的差距。
中国电商巨头阿里巴巴(A1/负面)开发的通义千问(Qwen)模型家族，已成为全球最具实力的开源模型之一。2025年4月底发布的Qwen 3在推理能力、多语言基准测试以及自主规划任务方面表现出强劲竞争力，并提供针对专业指令、代码生成和多模态输出的微调版本，支持企业进行广泛的应用和试验5。
百度(A3/稳定)的ERNIE系列6和腾讯(A1/负面)混元模型家族7同样推出了高性能模型，并开发了针对金融、政务及工业自动化优化的领域专用版本。ERNIE 5是百度首个全模态基础模型，作为众多AI驱动创新的核心基础，贯穿整个业务体系。腾讯的混元模型还具备强大的多模态能力，在图像生成、3D资产生成以及翻译方面表现尤为突出。近期，DeepSeek于12月1日发布的V3-2模型，在部分任务方面的表现已接近Google DeepMind的Gemini 38。
在中国以外，Meta's (Aa3/稳定)的Llama模型家族、Mistral的Mixtral和Codestral模型，以及大量专用开源智能体，进一步丰富了全球AI创新基础。这些开源模型均支持专业微调、领域定制和高性价比部署，对于希望采用AI但不完全依赖专有云模型的企业而言，具有显著吸引力9。
开源技术的快速发展正在为全球AI格局带来战略性挑战，因为这些技术使得美国专有供应商的价值主张愈发复杂。领先的AI供应商仅凭性能优势实现商业化的难度越来越高。为了保持竞争力，企业必须不断丰富产品组合，不仅局限于基础模型开发，还需通过集成AI工具和企业级一体化AI解决方案来构建更全面的价值。顺应这一趋势，OpenAI推出全新GPT-5.1企业助手、Anthropic上线Claude驱动协作工具，以及DeepMind基于Gemini的智能体都将推理能力、工作流程自动化和应用集成打包于同一套解决方案中，这体现行业正从单一模型向一体化解决方案转型。
这些趋势共同作用，推动竞争格局更加多元化。对企业而言，这意味着选择和灵活性显著提升，但采用开源解决方案也可能带来更高的运营和合规风险10。一些全球企业使用海外研发AI系统时对知识产权保护存在顾虑，这可能进一步放缓某些开源系统的采用进程。
总体来看，随着AI模型格局日益复杂，专有系统的竞争压力上升，企业部署AI时也不得不权衡成本与易用性。
AI对各行业的影响将扩大，但价值获取将变得愈发不均衡
企业正从AI试验阶段转向大规模运营部署，尤其是在面向客户、知识密集型以及复杂分析任务领域。尽管AI应用迅速且使用场景不断扩大，但迹象表明迄今为止AI尚未转化为广泛的生产力提升。事实上，AI的优势主要集中在任务层面的自动化，而非在企业层面实现系统性的效率提升。
核心原因在于，AI的有效性不仅取决于模型性能，还取决于其所部署的系统的质量。大多数企业仍面临与传统IT系统相关的摩擦，以及将AI嵌入复杂业务流程带来的挑战。即使模型在受控环境下表现良好，在企业运营中部署AI也需要重新设计完整流程以产生实质性价值。此外，合规和风险管理等其他整合成本依然较高，尤其是在受监管行业。
因此，我们预计生产力的提升将逐步实现，但在各行业之间及行业内部仍将高度不均衡，这与我们近期发布的AI热图所显示的情况一致11。
在某些行业中，AI可能还会推动“赢家通吃”局面，使部分企业获得不成比例的回报。以消费品行业为例，雀巢(Aa3/稳定)、百事公司(A1/稳定)、联合利华(A1/稳定)、玛氏(A2/稳定)、可口可乐(A1/稳定)和宝洁(Aa3/稳定)等大型跨国企业正在将AI融入其业务活动的多个环节。玛氏和雀巢等一些企业使用生成式AI来测试新理念并加快研发周期，但AI也被用于供应链维护优化12、路线优化，以及需求预测13。
在金融业，领先企业正在利用AI以较低成本提供服务或以更低成本运行关键流程(例如欺诈侦测或合规)来维护利润率。相比之下，规模较小的银行在实现AI带来的效率提升方面面临更大障碍。许多此类银行内部专业技术知识有限，因此可能更依赖第三方模型提供商。这种依赖性加大了运营和合规风险。
随着AI加大行业领先者与落后者之间的竞争差距，企业自身的基本特征在决定其能否跟上发展步伐方面变得愈发重要。此类特征使部分发行人相比其他发行人更易遭受AI带来的不利影响。
某些特征令企业面临的AI颠覆风险增大
在多数行业中，最易受AI负面影响的发行人具有一系列共有特征，此类特征限制了其利用AI实现现代化的能力。
企业规模中等，因此其专有数据获取渠道有限，且吸收较高的前期IT成本的能力偏弱。
资产负债表受限制约了对迁移至云基础设施，数据管道、劳动力技能提升和流程重新设计的投资。在为日常运营提供资金和对为期多年的AI转型计划进行投资之间，这些公司面临更艰难的权衡，尤其是在采用AI的现阶段，投资回报并不总是那么明显。
对常规认知劳动的依赖，使公司面临来自以AI为核心的竞争对手的快速自动化的冲击，此类竞争对手能够提供成本更低或效率更高的替代方案。核心流程涉及标准化决策或文档处理的企业，如果无法同步实现现代化，通常会更快面临利润率压力。
在AI加剧价格竞争的业务板块运营，原因可能是AI加快产品创新周期，或者放大规模经济效应。
传统IT系统和薄弱的数据管理限制了孤立的业务应用程序和现代AI模型之间的互操作性、工具集成以及从领先模型中获取价值的能力。
这些特征不仅说明了部分公司更易受AI驱动的颠覆影响，也说明了AI影响在实践中仍难以衡量的原因。事实上，IT现代化尚未完成时，AI工具的性能将与更广泛的数字化转型紧密地交织在一起。在这些环境下，生产力结果反映的是整个运营体系的成熟度，而不是AI本身的贡献。这使投资者和管理团队更难以识别价值的实际创造来源，并据此调整其商业模式。
虽然存在这些障碍，衡量实践正在逐步改善。企业开始在单个工作流程中跟踪AI的贡献，例如在消费品行业监测预测的准确性，或在保险行业记录理赔处理的效率提升。这些方法尚未提供全面的生产力提升视图，但可提高AI带来价值的透明度。
目前没有普遍接受的框架用于评估AI在企业层面的影响。企业通常采用与自身流程相关的定制化指标。企业也倾向于突出早期成功的领域，这使得跨公司比较缺乏可靠性，并增加了投资者评估AI所创造价值的难度。
AI基础设施是一个关键瓶颈
AI需求的攀升正在推动大型数据中心的扩建，其大规模园区集群的目标容量为1-5吉瓦，相当于一家核电厂的发电量。此类项目的公告在美国、中东、欧洲和亚洲部分地区正变得越来越常见14。
这些集群通常需要前期资本承诺，单个项目金额可超过500亿美元15，由此提高了亚马逊、微软和谷歌等大型云服务提供商的资本密集度16。2026年(并可能延续到2027和2028年)，计算能力需求将超过供应，使基础设施所有者掌握了定价能力。但是，若考虑其他因素，如果推断需求未能与当前大规模的训练投资相匹配，较长的建设周期将加大容量过剩的可能性。
AI芯片处于供应短缺状态。尽管近期出现了谷歌的张量处理单元(TPU)等潜在替代产品，并且中国华为芯片的成熟度提高，但英伟达(Aa2/正面)的图形处理单元(GPU)17仍是训练复杂模型的行业标准。英伟达芯片的需求远远超过供应，这令公司获得了较强的定价能力18。
大型云服务提供商和主权支持的投资者越来越多地建设自给自足的基础设施。通过保证能源、定制芯片和数据中心容量的长期供应，他们有效隔离了这些关键资源供自身使用，并成功锁定了最低的计算单位成本。
同时，AI工作负载的快速增长已经在推高高性能计算实例的需求，尤其是基于GPU的集群，过去18个月其定价大幅上升19。在供应紧张的情况下，大型云服务提供商可将较高的AI基础设施成本转移给客户。但是，对许多企业而言，计算成本上升可能成为其采用AI的主要瓶颈之一。获得高性能算力越来越需要支付预订溢价或签署多年承诺，而小型发行人可能难以消化这样的支出。
因此，云成本的上升可能会放缓AI部署的步伐，并可能扩大资本充裕的领先企业与其他同业之间的应用差距。
能源可获得性和电网制约仍是西方市场面临的结构性挑战
在一些主要市场，下一代数据中心的电力需求超过了可用电网的容量。根据美国能源部报告，到2030年，AI将占美国电力总需求的9%20。主要数据中心枢纽的电网互联排队数量已大幅增加，尤其是在北弗吉尼亚州、得克萨斯州和加利福尼亚州，由于许可的复杂性和输电能力的不足，延迟多年的情况目前较为普遍21。
相比美国电网的逐步扩张，中国电网则在持续大规模推进22，而中东公用事业公司通过政府支持的合同将大量基本负载容量用于AI枢纽。对Equinix (Baa2/正面)或Digital Realty(Baa2/正面)等全球数据中心运营商而言，这种地域分化造成了战略两难局面。他们必须权衡中东电力供应的确定性与美欧市场的政治稳定性和芯片可获得性。
电网限制也会增大运营风险。在美国和欧盟，电价的上涨和高峰需求支出敞口造成了云服务提供商和下游AI应用企业成本预测的波动。如果企业依赖计算密集型工作流程，如模型训练、大规模推理和实时AI驱动分析，这些波动可能挤压其利润率。
数据中心融资不断变化
为了支持AI工作负载，数据中心基础设施迅速扩大，这需要持续的多年投资和较长的回报期。对债务的依赖使数据中心开发商和大型云服务提供商面临更高的借款成本。面对庞大的前期融资需求，许多大型云服务提供商越来越依赖私人信贷和合作伙伴来获得新开发资本。
领先的科技企业已签订了多种合同协议，以支持其AI基础设施建设的庞大成本，其中许多为表外协议。在某些情况下，这些债务的会计披露较为有限。表外债务的主要风险在于，如果对AI计算的需求减弱，金额最终可能会比最初披露的更高。
因此，对潜在AI泡沫的担忧正在上升。截至目前，资本支出的增长远超过应用AI所创造的收入。如果这一变现缺口持续到2026年，市场估值可能会回调，随之带来AI计算需求和企业信用状况的减弱。
新投资者(尤其是主权基金和基础设施投资者)的资本流入正在扩展融资空间。大型云服务提供商对“快速上市”的需求也促使数据中心运营商实施更激进的扩建步伐，从而加大建设和开发风险。从长期来看，这些状况正在导致未来盈利能力和容量使用的不确定性。
地缘政治、网络安全和监管差异正在扩大AI风险
地缘政治碎片化正在影响获取AI基础设施的渠道
地缘政治碎片化正在阻碍全球获取芯片和算力的能力。美国的出口管制阻断了中国获得尖端AI芯片和先进芯片制造工具的渠道，为此，中国正在加快对国内替代品的投资，并加强了稀土等高科技关键材料的出口许可制度23。这些政策已开始重塑全球芯片、稀土及云服务的供应链。
中美技术栈的分化也增加了跨国企业的运营复杂性，企业已无法在不同地区依赖单一、统一的AI平台。相反，企业可能需要为中国和西方业务分别部署独立、互不兼容的系统，以符合日益分化的数据传输法规和技术标准。
然而，对于依赖专有模型的公司而言，许多此类合规挑战在一定程度上得到缓解，因为模型训练和部署相关的安全、版权及内容治理义务通常大部分由领先的模型开发商承担。
中东和欧盟也呈现碎片化趋势，当地政府正推动主权AI云，以降低对外国科技巨头的依赖。在中东，阿联酋(Aa2/稳定)和沙特阿拉伯(Aa3/稳定)等国家正利用其充裕的资本和能源，从美国大型云服务提供商获取有保障的GPU配额。但是，这些交易通常伴随美国严格的运营监管，以防止技术泄露到中国。在欧洲，“AI工厂”(AI Factories)计划24等倡议旨在建设本地超级计算能力。
随着AI融入程度不断加深，网络安全风险和模型相关风险持续扩大
随着企业将AI更深入地融入到工作流程中，网络安全及AI模型带来的风险正不断增加。先进的AI系统易受新型网络攻击的影响。其中包括提示词注入攻击25、模型投毒攻击26和代理劫持攻击27。
这些漏洞扩大了企业的攻击面，并对传统网络安全控制构成挑战。与此同时，网络保险公司正试图限制其在生成式AI风险上的敞口，尤其是可能导致系统性损害的大规模事件，具体做法是将此类风险保障排除在保单范围之外28。
部署相互协作的多智能体系统的企业在威胁检测和事件响应方面面临更高的复杂性，其原因在于自主AI组件可能出现不可预测的行为，或在互联的数字路径中传播错误。这也进一步加剧了事件响应的难度。
随着AI在业务流程中的应用不断扩展，治理风险持续上升
在运营流程(文件处理、代码生成、内部分析、客户服务等)中更广泛地使用AI将加大AI生成错误的潜在影响，无论这些错误源于“目标偏差”29，还是源于恶意操纵。
这些不断演变的风险将迫使企业加强治理框架，涵盖数据质量控制、对抗性压力测试方案以及事件管理流程等方面。IT基础薄弱的企业面临更高风险。
对于金融机构、医疗保健和电信等依赖敏感数据的行业，风险更为突出。控制措施不足可能使企业遭受监管处罚并造成声誉损失。
监管差异加剧跨境合规复杂性
不同地区监管要求的分化将成为全球采用AI企业面临的主要风险。欧盟正从立法迈向执法，实施《人工智能法案》，并对高风险应用、文档记录及监控提出严格要求。然而，自2025年2月巴黎AI峰会以来，执法阶段出现推动灵活执法的呼声。在美国政府和部分欧洲行业领头羊的压力下，监管机构正在起草“实践准则”，采取与风险水平相称的执法措施。这一转变的目标是在安全与欧盟维护本土AI行业竞争力的战略目标之间取得平衡，从而可能减轻模型提供商的合规负担。
相比之下，美国仍依赖自愿框架和有针对性的执法，形成更灵活、针对特定行业的监管环境。然而，由于缺乏联邦层面的框架，美国市场内部已形成由各州法规拼凑而成的监管格局，其中加州和纽约州占主导地位，这进一步加剧了合规复杂性30。
中国强化了AI模型许可和安全审查机制，构建了一个受国家监管的生态体系，涵盖强制备案、内容控制和运营监督。
对于跨国企业而言，这种全球监管碎片化相当于一种“合规税”。在美国合法的模型可能不符合欧盟法规，或在中国受到限制。这迫使全球企业隔离数据并运行独立的AI技术栈，从而削弱AI的潜在收益。
1.多模态模型可处理文本、图像、音频和视频等多种类型的数据。
2.参阅 “GPT-5.1 for Developers。”
3.参阅Anthropic公告。
4.参阅DeepMind公告。
6.参阅百度ERNIE 5相关公告。
7.参阅混元模型升级公告。
8.https://api-docs.deepseek.com/news/news251201
9.在评估企业在专有模型供应商与开源或开放权重选项之间可能进行的套利行为时，明确区分“许可成本”和“运营成本”十分关键。开源模型避免了专有模型按 token 收取的许可费用(对高频使用者而言，该费用每年可能高达数百万美元)，但同时能将基础设施的负担转移至用户端。对于一家中型企业而言，自行部署诸如 Llama 3 等开源模型虽可规避供应商加价，但需承担租用高性能 GPU集群的成本。通常情况下，若企业具备足够的工程能力以管理相关硬件，在高负载场景下此举可节约30%至50%左右的净成本。
10.开源模型用户通常需依赖社区论坛进行漏洞修复或聘请第三方顾问，这意味着在系统故障期间无法获得明确且有保障的解决时限。此外，合规责任也完全由用户承担。由于缺乏专有供应商提供的数据安全认证，用户必须自行确保其操作符合相关监管标准。
11.热图考虑了两个主要情景：一个是保守情景，即AI进展缓慢，另一个是乐观情景，即AI快速推进。在我们的保守情景下，AI融合带来更高的效率和利润率，但不会实质性地改变竞争格局。乐观情景设想AI将继续快速发展，从而产生快速变化的信用效应。而对于适应迟缓的公司而言，竞争取代的风险要大得多。
12.使用传感器数据预测设备故障并最大限度地缩短工厂停机时间
13.使用先进AI模型来预测需求波动，并优化库存水平和促销活动。可口可乐和联合利华等公司披露了此类应用案例。
14.参阅“Data center growth could spur 15GW of new gas generation by 2030”和“Stargate UAE”
15.该数字指项目的总成本，包括数据中心本身(约15亿美元/吉瓦)，以及新的发电厂、新GPU、冷却设备、传输设备和水厂等。
16.大型云服务提供商指亚马逊、微软和谷歌等全球大型云和数据基础设施提供商，这些企业运营着庞大且高度可扩展的计算设施，并供应大部分企业云和AI计算能力。
17.GPU是一种为执行多项并行计算而设计的专用处理器。GPU最初用于图形渲染，现在对于训练和运行AI模型至关重要，因为其处理大规模并行数学运算的效率远超传统的电脑处理器。
18.参见英伟达的2025年第三季度financial results announcement
19.高性能计算实例指针对高强度AI工作负载优化的高性能云服务器。基于GPU的集群是由多个GPU互联组成的集群，用于提供训练和运行现代AI模型所需的大规模并行计算能力。
20.参阅https://www.energy.gov/topics/artificial-intelligence
21.参阅Berkeley Lab关于美国互连延迟的数据集“Queued Up”报告
22.参阅国际能源署报告
23.参阅中国国家发展和改革委员会关于加强国内供应链和计算基础设施的政策声明；工业和信息化部关于国内芯片自给的官方目标。
24.欧盟的“AI 工厂”是围绕AI优化型超级计算机构建的数据访问与存储枢纽，供研究人员、开发人员和工程师使用。其目标是支持先进AI模型的开发、训练和部署。
25.在提示词中插入恶意指令，导致AI模型泄露敏感信息或执行有害操作。
26.攻击者使模型学习错误模式，从而导致模型出现有害或不可预测的行为。
27.攻击者在AI代理处理的数据中嵌入隐藏指令，诱骗AI代理执行恶意操作。
28.参阅《金融时报》文章“Insurers retreat from AI cover”，2025年11月。
29.模型在优化时的目标与安全或财务指引发生冲突的情况。
30.美国联邦与各州在AI监管上的摩擦可能会全年持续，请参阅 https://www.yahoo.com/news/articles/white-house-pauses-executiveorder-193210329.html?guccounter=1
此报告是于2025年12月08日发表的穆迪报告Artificial Intelligence – Global:2026 Outlook - Risks are rising in a shifting AI landscape的中文翻译本。(中文为翻译稿，如有出入，以英文为准)
本报告并非信用评级行动公告。对于本报告中涉及的任何信用评级，请参阅https://ratings.moodys.com发行人/交易专页，了解最新评级行动信息和评级历史。
穆迪信用评级关联公司所发布的信用评级是他们对实体、信用承诺、债务或债务证券的相对未来信用风险的当前意见，穆迪出版或提供的材料、产品、服务和信息(统称“材料”)可能包括该等当前意见。穆迪将信用风险定义为某实体可能无法履行其到期的合同财务义务的风险，以及在发生违约或损害事件时的预计财务损失。关于穆迪信用评级所指的合同财务义务的种类的信息请见相关的穆迪评级符号和定义出版物。信用评级并不针对任何其他风险，包括但不限于：流动性风险、市场价值风险或价格波动。信用评级、非信用评估(“评估”)以及穆迪材料中包括的其他意见并非对当前或历史事实的陈述。穆迪材料也可能包括由Moody's Analytics, Inc.和/或其关联公司发布的以量化模型为基础的信用风险预测以及相关的意见或评论。穆迪信用评级、评估、其他意见及材料并不构成或提供投资或财务建议，穆迪信用评级、评估、其他意见及材料亦非关于购买、出售或持有特定证券的推荐意见，也不能提供该等意见。穆迪信用评级、评估、其他意见和材料均不会评论某项投资是否适合任何特定投资者。穆迪发布信用评级、评估和其他意见及出版或提供其材料之时预期并理解每位投资者将以应有的谨慎态度自主研究和评估其考虑购买、持有或出售的每项证券。
穆迪信用评级、评估、其他意见和材料不适于散户投资者的使用，如散户投资者在做投资决定时使用穆迪信用评级、评估、其他意见或材料，将是草率且不合适的。如有疑问，您应与您的财务顾问或其他专业顾问联系。
本文所载所有信息均受法律(包括但不限于版权法)保护，未经穆迪事先书面许可，任何人均不得以任何形式、方式或途径对该等信息全部或部分进行复制或翻印、重新包装、进一步传播、传送、散布、分发或转售，或存储供日后任何上述目的使用。为明确起见，本文所包含的任何信息均不得用于开发、改进、训练或再训练任何软件程序或数据库，包括但不限于任何人工智能、机器学习或自然语言处理软件、算法、方法和/或模型。
任何人不得将穆迪信用评级、评估、其他意见和材料作为基于监管目的而定义的基准 (benchmark)，亦不得以可能导致穆迪信用评级、评估、其他意见和材料被视为基准的任何方式使用穆迪信用评级、评估、其他意见和材料。
本文所载所有信息均系穆迪从其相信为准确和可靠的来源获得。然而，由于可能会出现人为或机械错误以及其他因素，本文所载所有信息均按“原样”提供，不附带任何形式的保证。穆迪会采取所有必要措施，使其在授予信用评级时采用的信息具备足够质量，并来自穆迪认为是可靠的来源，包括独立的第三方来源(如适当)。但穆迪并非审计机构，亦不能对评级过程或准备其材料时收到的信息在每个情况下均独立地进行核实或确认。
在法律允许的范围内，就因本文所载信息、或本文所载信息的使用或未能使用而引起的或与之相关的任何个人或实体的任何间接、特殊、后果性或附带性损失或损害，穆迪及其董事、高级管理人员、员工、代理、代表、许可人和供应商均不承担任何责任，即便穆迪或其任何董事、高级管理人员、员工、代理、代表、许可人或供应商被事前告知该等损失或损害的可能性，包括但不限于：(a)任何当前或未来的利润损失或(b)因并非穆迪特定信用评级的评级对象的金融工具引起的任何损失或损害。
在法律允许的范围内，就因本文所载信息、或本文所载信息的使用或未能使用而引起的或与之相关的任何个人或实体的直接或补偿性损失或损害，穆迪及其董事、高级管理人员、员工、代理、代表、许可人和供应商均不承担任何责任，包括但不限于由穆迪或其任何董事、高级管理人员、员工、代理、代表、许可人或供应商的疏忽(为避免疑问，不包括法律规定不得排除的欺诈、故意不当作为或任何其他类型责任)、或其控制范围内或超出其控制范围的偶发事件而导致的任何个人或实体的直接或补偿性损失或损害。
穆迪不以任何形式或方式对任何信用评级、评估、其他意见或信息的准确性、及时性、完整性、适销性或特定用途适用性提供或作出任何明示或暗示的保证。
由穆迪公司(“MCO”)全资持有的信用评级子公司穆迪投资者服务公司谨此披露：多数穆迪投资者服务公司评级的债务证券(包括公司债和市政债、债券、票据和商业票据)和优先股的发行人，在授予任何信用评级之前已同意向穆迪投资者服务公司支付信用评级意见和服务费用。MCO及所有以“穆迪评级”品牌名称(“穆迪评级”)发布评级的MCO实体亦执行政策及程序以便保持穆迪评级的信用评级及信用评级过程的独立性。关于MCO董事与被评级实体之间，及获穆迪投资者服务信用评级并已向美国证券交易委员会公开报告其在MCO持股5%以上的各实体之间可能存在某种关联的信息每年会在ir.moodys.com“投资者关系—公司治理—章程与治理文件—董事及股东关联政策”栏内刊登。
穆迪SF Japan K.K.、穆迪本地AR Agente de Calificación de Riesgo S.A.、穆迪本地BR Agência de Classificação de Risco LTDA、穆迪本地MX S.A. de C.V, I.C.V.、穆迪本地PE Clasificadora de Riesgo S.A.和穆迪本地PA Calificadora de Riesgo S.A.(统称为“穆迪非 NRSRO评级机构”)均为MCO间接全资拥有的信用评级机构子公司。所有穆迪非NRSRO评级机构均不是国家认可的统计评级组织。
仅针对澳大利亚的额外条款：任何出版到澳大利亚的本文件均依据下述穆迪关联公司的澳大利亚金融服务牌照发布：Moody's Investors Service Pty Limited，澳大利亚商业注册号码(ABN)：61 003 399 657，澳大利亚金融服务牌照号码(AFSL)：336969；及/或Moody's Analytics Australia Pty Ltd，澳大利亚商业注册号码(ABN)：94 105 136 972，澳大利亚金融服务牌照号码(AFSL)：383569(视情形而定)。本文件仅向2001年公司法(Corporations Act 2001)第761G条所定义的“批发客户”提供。如您继续在澳大利亚境内浏览本文件，即代表您向穆迪表示您为“批发客户”或代表“批发客户”浏览本文件，您或您代表的实体均不会直接或间接向2001年公司法(Corporations Act 2001)第761G条所定义的“零售客户”发布本文件或其内容。穆迪信用评级是针对发行人债务的信用度的意见，并非对零售投资者可获取的发行人股票证券或任何形式的证券的意见。
仅针对印度的额外条款：穆迪的信用评级、评估、其他意见和材料并非旨在被用于在印度证券交易所上市或拟上市的证券相关之目的，也不应被印度境内的任何用户用于上述目的。
有关第二方意见及净零排放评估(定义见穆迪评级评级符号和定义)的额外条款：请注意，第二方意见(“SPO”)及净零排放评估(“NZA”)均不属于“信用评级”。在包括新加坡在内的许多司法管辖区之内，SPO及NZA的发布不属于受监管的活动。日本：在日本，SPO及NZA的开发和提供属于“辅助业务”，而非“信用评级业务”，不受《日本金融商品交易法》及其相关法规中适用于“信用评级业务”规定的约束。中国：任何SPO：(1)并不构成中国任何相关法律法规所界定的中国绿色债券评估；(2)不能包括在任何注册声明、发售通函、招股说明书或任何其他呈交中国监管机构的文件中，或以其他方式用于满足任何中国监管披露要求；及(3)不能在中国境内用于任何监管目的或任何其他中国相关法律或法规所不允许的目的。在本免责声明中，“中国”是指中华人民共和国大陆地区，不包括香港、澳门和台湾。