GenAI投资有望走向25%-50% ROIC，利好超大规模云厂商和模型开发者
AI 摘要卡
GenAI投资有望走向25%-50% ROIC，利好超大规模云厂商和模型开发者
摩根士丹利通过三套自下而上的GenAI ROIC框架论证，AI推理时代的GPU租赁、模型API和第三方基础设施API业务均可能产生有吸引力的增量回报。
- 报告认为投资者对AI资本开支回报的担忧被放大，主要云厂商和模型开发者在推理商业化阶段仍具备较强回报潜力。
- Hyperscaler GPU租赁业务在GB300推理容量假设下可实现约60%-70%增量EBIT利润率和25%-40% ROIC。
- 自有基础设施上的模型API业务回报最高，报告估算可实现70%以上增量EBIT利润率和40%以上ROIC。
- 租用第三方基础设施的模型API业务仍可实现约30%增量EBIT利润率和约25% ROIC，但经济性更依赖算力采购成本。
- 报告看好AMZN、GOOGL、MSFT和META，其中META风险收益页显示目标价$775.00，并被标注为Top Pick。
研报解读
概览
本报告聚焦北美互联网和AI基础设施投资回报。摩根士丹利指出，主要超大规模云厂商到2028年前的AI资本开支、算力容量和模型训练投入仍在快速上升，市场核心争议是这些投入能否产生足够ROIC。报告通过三类GenAI商业模式的自下而上框架，认为AI推理时代的商业化路径可以支撑约25%-50%的增量ROIC，因此继续看好AMZN、GOOGL、MSFT和META。
核心观点
核心观点是，AI资本开支不是单纯的成本压力，而是云计算和模型API商业化的前置投入。GPU IaaS可在算力紧缺环境中获取较高利用率和定价；模型API若运行在自有基础设施上，可凭借token定价、吞吐效率和规模化推理获得最高回报；即使模型开发者租用第三方基础设施，扣除中间算力成本后仍有约25% ROIC路径。报告同时强调，高回报会吸引新进入者和开源竞争，因此持续的产品创新、芯片效率、软件栈优化和数据中心容量是维持回报的关键。
分析框架
报告采用自下而上的情景建模方法，围绕1GW NVDA GB300算力部署标准化三类框架：Hyperscaler GPU Rental、Model Enabled API、Model Enabled API Running on 3P Infrastructure。收入端重点敏感变量包括GPU每小时价格、容量利用率、推理算力占比、tokens/second/GPU和token价格；成本端包括IT设备折旧、powered shell折旧、能源、运维、人力维护和第三方算力租赁成本。随后将这些假设映射到增量EBIT利润率、NOPAT和ROIC。
方法论与常识提炼
三类AI推理商业模式的ROIC框架
报告将AI推理商业化拆分为GPU租赁、模型API自有基础设施、模型API第三方基础设施三类模式，并分别评估收入、成本、利润率和资本回报。
以1GW GB300算力作为统一测算基准
报告将GB300作为标准IT/compute设备，假设约$39bn/GW全口径资本成本，并据此估算拥有基础设施场景下每年约$6bn折旧费用。
token价格与tokens/second/GPU共同决定模型API收入弹性
报告强调token吞吐不仅由芯片决定，也受模型参数、软件栈、输入输出结构和交互速度影响；更大模型可能价格更高但吞吐更低，因此高定价不必然等比例提升每GW收入。
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）。
- META.USTop Pick；模型开发者和广告平台双重受益方
- 优势
- AI投资可提升Reels参与度、广告测量与归因、Family of Apps变现，并形成AI、订阅和click-to-message等额外看涨期权。
- 劣势
- 资本开支强度和Reality Labs亏损可能拖累自由现金流与经营利润。
- 对比
- 相较单纯云厂商，META的核心回报还来自广告效率和平台参与度改善；报告给予目标价$775.00。
- 风险
- 宏观压力、监管限制定向广告、Reels变现慢于预期、数据中心建设执行不佳和长期资本强度上升。
- AMZN.USAWS和电商高利润业务受益方
- 优势
- AWS处于长期云采用周期，高利润业务支持继续投资并提升盈利能力，广告业务也有增长和利润流入空间。
- 劣势
- 零售履约、最后一公里、Prime内容、Alexa和海外投入仍可能压制利润率。
- 对比
- 报告列示AMZN目标价$330.00，基于约25x 2027/2028平均EPS。
- 风险
- 投资持续时间超预期、商品利润率低于预期、AWS收入放缓或利润率下降。
- GOOGL.USGCP、Search和Gemini模型API受益方
- 优势
- AI驱动的Search、YouTube、Cloud和其他产品创新可提升长期增长确定性，费用纪律有助于EPS和FCF上修。
- 劣势
- 更高AI投入和竞争压力可能影响短期利润率，Search商业模式也需持续证明AI时代的耐久性。
- 对比
- 报告列示GOOGL目标价$400.00，基于约24x 2027/2028平均EPS。
- 风险
- AI搜索竞争、云业务增长低于预期、监管压力和资本开支回报不及预期。
- MSFT.USAzure、M365和Copilot受益方
- 优势
- Azure增长、M365商业SKU升级、座席增长和Copilot采用推动高十位数至低二十位数收入增长，经营杠杆支持EPS增长。
- 劣势
- 近期报告利润率可能低于GB300推理框架的理论增量利润率，因为容量组合、传统云工作负载和额外R&D费用会稀释披露利润率。
- 对比
- 报告列示MSFT目标价$600.00，基础情景采用25x FY28e EPS $23.86。
- 风险
- 宏观环境压制IT支出、云对本地部署的蚕食、投资增加损害利润率、AI采用有限。
关键数据
- 主要云厂商AI资本开支$1.4trln+报告引用此前研究，预计主要hyperscalers到2028年资本开支超过$1.4trln。
- 计算容量增长约4倍，至~120GW预计2025年至2028年计算容量约翻两番。
- GPU IaaS增量EBIT利润率~60%-70%基于GB300 GPU小时价格、利用率、折旧和能源等成本测算。
- GPU IaaS ROIC25%-40%报告认为AWS、GCP和Azure可从下一代推理算力中实现可扩展回报。
- 自有基础设施模型API增量EBIT利润率~70%+适用于GOOGL Gemini、META API、Grok等模型API业务框架。
- 自有基础设施模型API ROIC~40%+模型质量、token定价、吞吐效率和训练维护成本分摊是关键。
- 第三方基础设施模型API增量EBIT利润率~30%租用第三方算力会支付中间环节利润，压低单位经济性。
- 第三方基础设施模型API ROIC~25%仍被报告视为具吸引力，但对算力采购成本更敏感。
- owned GPU利用率假设75%用于自有基础设施API场景，反映优化AI数据中心的行业平均利用水平。
- META目标价$775.00风险收益页显示META为Top Pick，目标价基于DCF和长期EBITDA倍数，隐含约23x 2027年P/E。
影响与含义
投资含义是，市场若仅关注AI capex压力，可能低估推理商业化带来的高增量利润率和高ROIC。报告对超大规模云厂商的云基础设施、模型开发者的API商业化以及AI基础设施使能资产均偏正面。对个股而言，AMZN、GOOGL和MSFT受益于云算力租赁和AI服务增长，META则同时受益于广告业务效率、Reels变现改善、AI带来的参与度提升以及潜在API和数据中心容量变现。
风险
- AI资本开支和模型训练投入持续上升，但推理收入商业化速度低于预期。
- token价格下降、token吞吐效率不足或模型产品差异化不强，削弱模型API ROIC。
- 新进入者和开源模型增加竞争，压缩定价和长期利润池。
- 数据中心建设成本、能源成本、设备折旧和第三方算力租赁成本高于假设。
- 云厂商披露利润率短期受容量代际组合、传统云工作负载和额外R&D费用拖累。
- 宏观疲弱、企业IT支出放缓、广告需求下降或监管收紧影响互联网平台收入。
后续跟踪
- 主要hyperscalers的AI capex增速、数据中心容量上线节奏和算力利用率。
- GB300及后续芯片的实际每GPU token吞吐、能效和每小时定价。
- 模型API的token价格、开发者采用率、企业场景落地和收入规模化速度。
- 训练与推理算力分配比例，以及模型维护成本对ROIC的侵蚀。
- AWS、GCP、Azure在AI推理容量上的收入增长和云利润率趋势。
- META的Reels变现、广告测量改善、AI产品/API进展和数据中心资本强度。