Generative AI inference economy and investment cycle研报解读

概览

这份跨团队指南探讨了市场迈入推理时代后的八项关键生成式AI议题。核心结论是，AI投资仍是多年期机会，但预计2028年基础设施支出增速放缓，将使受益范围扩大至超大规模云厂商、软件赋能者、AI采用者和稀缺电力基础设施供应商。

核心观点

摩根士丹利预计，AI周期将从以硬件和半导体为主导的初期阶段，转向基础设施、软件和应用层。其预测超大规模云厂商数据中心资本开支将在2027年同比增加约$500bn，即60%，达到$1.5tn，随后2028年增速降至约12%。该机构并不预计硬件股必然大幅下跌，但认为资本开支增速放缓、收入规模化、现金流改善以及更强的收入和EBIT超预期，将为产业链上游带来更大的盈利预测上修和估值扩张机会。其看好AMZN、GOOGL、MSFT和META等生成式AI赋能者。 尽管增速放缓，建设规模仍然庞大。摩根士丹利预计2027-28年将有约80 GW容量上线，分别为38 GW和44 GW，使AMZN、GOOGL、META和MSFT的总算力容量从2025年的约35 GW增至2028年的约145 GW。预计GOOGL将新增最多容量，受Gemini、Google Cloud以及AI赋能的Search和YouTube产品推动。定制ASIC在新增容量中的占比预计将从2025年的34%升至2028年的66%，主要由Google TPU和Amazon Trainium带动；报告估计二者2028年合计容量为12 GW，而NVIDIA为13 GW。这一结构转变是降低服务成本并提高推理吞吐量努力的一部分。 摩根士丹利认为，生成式AI资本开支可在三种变现模式下实现有吸引力的回报。对于通过超大规模云厂商IaaS出租的1 GW GB300数据中心，其估计收入约为$23bn/GW、运营成本$8bn/GW、增量EBIT约$15bn/GW，税后ROIC约30%。在自有基础设施上通过API提供服务的模型供应商，在示例基准情形下可产生约$30bn/GW收入、$23bn/GW增量EBIT和约46% ROIC。运行于第三方基础设施上的模型API，估计收入较高、约为$41bn/GW，但需承担约$28bn/GW租赁成本，留下约$13bn/GW增量EBIT，回报特征较低。因此，报告认为在自有基础设施上运行的模型层将获得最高回报，同时仍认为超大规模云基础设施的经济性具吸引力。 需求机会广泛。摩根士丹利识别出$20-30tn的全球知识工作支出可被生成式AI工具数字化或增强，另有约$30tn的零售、旅游、自动驾驶、餐饮配送和广告等消费者支出可被数字化。其采用公共云和此前技术采用曲线作为参考，估计到2027年企业AI支出约为$800bn，相当于更广泛知识工作机会约4%的渗透率。报告认为，AI的扩散速度可能快于云，因为其不需要全面基础设施迁移，可以更快实现生产率收益，并且企业若在AI采用方面落后于同行，将面临更高的竞争机会成本。 全经济范围内已开始出现采用证据。摩根士丹利称，截至2Q26，约25%的标普500公司已量化生成式AI收益，高于一年前的14%。技术行业量化收益提及比例增幅居首，从28%升至51%；金融业从8%升至37%，工业从19%升至21%。报告强调，技术、通信服务、金融、医疗和工业是早期采用者，并认为能够将AI转化为营收增长、生产率提升或服务成本降低的企业，可能获得更显著的财务收益。 报告将开放权重模型视为采用催化剂，而非算力需求的威胁。其较低成本、可基于专有数据微调以及灵活部署能力可拓宽使用场景，同时对前沿模型的定价和差异化形成压力。摩根士丹利认为，更低的token价格可以扩大整体token需求；而AWS Bedrock、Microsoft Foundry和Google Vertex等超大规模云平台仍有价值，因为其能够抽象模型托管复杂性，并无论客户选择何种模型，都可从算力、微调、数据管道及其他服务中变现。其敏感性分析显示，在更广泛采用开放权重模型的情况下，1 GW GB300容量仍可实现约20-40% ROIC。 在融资方面，摩根士丹利认为，尽管年初至今全球AI相关债务发行约$450bn，信贷市场仍有能力吸收更多AI基础设施融资。其预计市场调整主要将通过利差走阔而非融资约束来实现。四大建设者——AMZN、GOOGL、MSFT和META——预计2027年产生$980bn经营现金流，2028年为$1.2tn，而两年间所需融资债务仅为$290bn。不过，报告也指出表外租赁和采购承诺正在增加、披露有限，且更高的或有承诺可能在维持当前评级的情况下压缩债务融资能力。 最后，电力可得性是主要的实体瓶颈。摩根士丹利预计美国存在38 GW电力缺口，并预计更高的电力成本、并网延迟以及更多表后发电。其估计表后电力将使每GW资本开支增加约$3bn，并已将该成本纳入预计于2H27和2028年上线的Rubin Ultra代NVIDIA系统，其全包成本为$50bn/GW。这支持其对现场发电供应商BE、INIO和SEI，以及供电外壳供应商WULF、HUT、CIFR和RIOT的建设性观点。基准情形下，州和地方对数据中心的审查被视为基本可控，但不断扩大的暂停令、劳动力和材料约束以及围绕2028年选举的政治风险，可能进一步推迟项目或推高成本。

分析框架

报告结合了对芯片、机架、出货量和每GW成本的自下而上预测，以及针对算力变现的三种投入资本回报率示例情景。随后将容量、token经济性、采用类比、公司证据、信贷市场分析和电力约束联系起来，推导行业和公司层面的影响。

方法论与常识提炼

• 行业/产业分析框架供需框架

  算力容量、芯片供应和电力瓶颈分析

  摩根士丹利估计数据中心容量及其扩张的实体约束，以评估AI算力的可得性和经济性。

• 公司基本面与财务框架ROIC–WACC 利差

  生成式AI ROIC建模

  报告针对超大规模云出租和模型供应商变现结构，按每GW测算收入、运营成本、NOPAT和投入资本。

• 估值方法DCF 现金流折现

  针对部分电力基础设施公司的DCF估值

  报告在部分公司的风险回报分析中使用了包含折现率和经营预测的现金流折现假设。

• 估值方法PE/PEG 估值

  针对部分大型科技公司的P/E和PEG目标价框架

  报告将盈利倍数应用于预测EPS，并在部分公司的估值情景中参考PEG比较。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• Amazon.com (AMZN)

  作为超大规模云厂商和生成式AI赋能者，预计将受益于AI基础设施变现和AWS需求。

  优势

  AWS、客户分发能力和定制芯片投资。

  劣势

  投资周期延长及零售利润率压力可能拖累盈利。

  对比

  与GOOGL、MSFT和META同属四大超大规模云厂商。

  风险

  AWS收入增速放缓或利润率下降；投资周期长于预期。

• Alphabet (GOOGL)

  预计将新增最多算力容量的超大规模云厂商，并将受益于Search、Cloud和AI平台创新。

  优势

  TPU容量、Gemini、Google Cloud以及Search和YouTube分发能力。

  劣势

  AI产品可能具有较低变现率和较高算力强度。

  对比

  预计将在主要超大规模云厂商中领跑容量新增。

  风险

  广告增长放缓、利润率压力及AI产品变现风险。

• Microsoft (MSFT)

  通过Azure、Foundry和Copilot变现成为AI赋能者。

  优势

  Azure增长、M365分发能力和AI服务采用。

  劣势

  更高投资可能限制利润率扩张。

  对比

  与AMZN、GOOGL和META同属主要超大规模云厂商。

  风险

  IT支出疲弱、AI采用有限及资本强度上升。

• Meta Platforms (META)

  一体化模型供应商和AI采用者；在报告风险回报部分被列为首选。

  优势

  庞大的第一方数据、分发能力、广告平台及AI驱动互动提升潜力。

  劣势

  数据中心资本强度和Reality Labs亏损。

  对比

  报告认为，在自有基础设施上运行的模型层具备结构性优势。

  风险

  互动疲弱、Reels变现放缓、广告监管以及AI建设执行不佳。

• NVIDIA (NVDA)

  受益于推理和训练需求的算力供应商。

  优势

  Blackwell和Rubin的性能领先；报告认为需求仍持续超过供应。

  劣势

  定制芯片和竞争性替代方案可能限制估值倍数扩张。

  对比

  预计定制ASIC将成为新增容量中更大的一部分。

  风险

  AI终端市场不及预期、客户削减GPU采购、竞争或出口管制。

• Bloom Energy (BE), Innio (INIO), Solaris Energy Infrastructure (SEI)

  受益于电力上线时间约束的现场发电供应商。

  优势

  面向大负荷客户的表后和分布式电力解决方案。

  劣势

  经济性取决于成本、监管和客户采用。

  对比

  不同于通过已通电数据中心场地变现的供电外壳供应商。

  风险

  竞争、降本不及预期、监管和较弱的数据中心需求。

• TeraWulf (WULF), Hut 8 (HUT), Cipher Mining (CIFR), Riot Platforms (RIOT)

  供电外壳供应商，可将电力资产转化为高性能计算数据中心容量。

  优势

  电力储备、租赁合同及比特币矿场向数据中心转换的潜在机会。

  劣势

  估值取决于签约、通电和项目执行假设。

  对比

  报告认为，这些公司将受益于同一电力瓶颈，该瓶颈也推动现场发电需求。

  风险

  AI支出放缓、租赁经济性低于假设、建设延迟、成本超支及未能将储备容量变现。

关键数据

• 超大规模云厂商数据中心资本开支增速60% in 2027; ~12% in 2028摩根士丹利预计，资本开支将在2027年达到$1.5tn，之后增速放缓。
• 总算力容量~35 GW in 2025 to ~145 GW in 2028约四倍增长；预计2027-28年将有约80 GW上线。
• 新增容量中定制ASIC占比34% in 2025 to 66% in 2028主要由Amazon Trainium和Google TPU推动。
• 生成式AI ROIC25-50%涵盖超大规模云出租和模型API变现的示例路径。
• 全球生成式AI可触及支出$50-60tn包括$20-30tn知识工作支出和约$30tn消费者支出。
• 量化生成式AI收益的标普500公司~25% in 2Q26较一年前的14%上升。
• 全球AI相关债务发行~$450bn year to date报告预计将通过利差走阔而非融资中断进行调整。
• 美国电力缺口38 GW支持表后电力和供电外壳解决方案的投资逻辑。

影响与含义

摩根士丹利预计，随着推理变现和采用规模化，AI机会将扩展至半导体之外。其认为超大规模云厂商和软件赋能者将受益，早期采用者可能获得生产率收益，而电力解决方案供应商将受益于持续的数据中心约束。

风险

• AI支出可能放缓，减少对算力、基础设施及相关电力容量的需求。
• 电力、劳动力、材料和并网约束可能延迟数据中心开业并推高成本。
• 州或地方对数据中心的反对可能扩大为更广泛或永久性限制；2028年选举是政治风险重点。
• 开放权重模型可能对模型层token定价和竞争差异化构成压力。
• 尽管经营现金流强劲，表外租赁和采购承诺仍可能降低未来债务融资能力。
• 对于供电外壳供应商，建设延迟、成本超支、通电不确定性和客户签约不成功可能损害回报。

后续跟踪

• 超大规模云厂商资本开支进入2028年的增速，以及收入和现金流规模化是否支持资金流向软件和赋能者。
• 算力容量新增，尤其是Google TPU和Amazon Trainium部署相对于NVIDIA容量的情况。
• token定价、吞吐量以及用于创收推理而非训练的容量比例。
• 企业采用和可量化收益的证据，尤其是在技术、金融、医疗和工业领域。
• 信贷利差、AI相关发债和表外承诺增长。
• 电力可得性、数据中心许可、表后发电采用，以及2028年选举前的监管发展。
• 现场电力和供电外壳供应商的新数据中心合同、容量采购和通电进展。