AI基础设施回调提供配置窗口，但供给瓶颈和政策分化是主要风险
AI 摘要卡
AI基础设施回调提供配置窗口，但供给瓶颈和政策分化是主要风险
Morgan Stanley对“Intelligence Superhighway”保持看多，认为算力需求将长期超过供给，近期回调可用于布局AI基础设施瓶颈、算力制造、中国AI方案、能源安全和Hyperscalers。
- 最高确信度观点是算力需求可能在未来多年显著超过供给。
- 报告反驳“tokenmaxxing”会压制AI收入的担忧，认为企业AI使用的经济性显著为正。
- 中国LLM进步是真实竞争威胁，但也可能通过效率提升和成本下降强化总算力需求。
- 数据中心建设面临人员、电力和政治阻力，Morgan Stanley将其视为减速带而非长期障碍。
- 报告建议配置AI基础设施瓶颈、算力制造生态、中国AI解决方案、能源安全资产以及META、GOOGL、MSFT、AMZN等Hyperscalers。
研报解读
概览
本报告在AI基础设施股票近期大幅波动后，重新评估投资者对中国模型、token支出限制、数据中心政治阻力、模型封锁和物理瓶颈的核心担忧。结论是，AI基础设施的长期基本面仍然强劲，近期下跌更多体现技术性压力而非需求或回报逻辑恶化。
核心观点
核心观点包括：第一，AI能力提升呈非线性，算力和“智能”的价值会持续上升；第二，企业AI应用的成本收益比仍然极具吸引力，token成本只是劳动节约价值的一小部分；第三，AI资本开支的ROI仍具吸引力，先进GPU迭代有望降低单位token价格并维持较高利润率；第四，Jevon's Paradox意味着模型和芯片效率提升不一定降低总算力消耗，反而可能扩大使用场景、复杂度和频率，推高总算力与电力需求。
分析框架
报告采用主题投资框架，将AI基础设施价值链拆分为瓶颈资源、算力制造、中国AI方案、能源安全和Hyperscalers等可投资方向，并结合token经济模型、美国电力缺口分析、数据中心阻力跟踪、企业采用调查、消费者调查、AI股票映射数据库和Future of Work分析来评估风险与机会。
方法论与常识提炼
效率提升可能扩大总需求
报告将Jevon's Paradox应用到AI：更高效的模型和芯片降低每单位智能生成成本，可能刺激更多用户、更高频率和更复杂任务，从而推高总算力和电力需求。
企业AI使用与算力供给方的收益测算
报告用企业任务节省成本、token消耗量、token价格和数据中心成本测算AI采用者与基础设施所有者的经济性，认为企业AI使用和AI capex ROI均具吸引力。
电力接入速度决定数据中心扩张能力
报告把电网接入、燃气涡轮、燃料电池、核电站点和Bitcoin站点改造等方案纳入评估，强调“time to power”是AI基础设施Alpha的重要来源。
美国与中国AI政策可能导致市场分化
报告认为美国和中国AI政策干预概率上升，可能造成全球AI访问、市场准入和采用路径进一步分化。
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）。
- AI基础设施瓶颈资产直接受益于算力供给短缺和数据中心扩张约束
- 优势
- 劳动力、time to power、燃料电池、涡轮、能源存储、电力开发商和数据中心REITs可在瓶颈缓解中获得定价权。
- 劣势
- 建设周期长，受地方审批、电网接入和施工人员短缺限制。
- 对比
- 相较纯模型应用端，瓶颈资产更直接暴露于供给不足。
- 风险
- 政治阻力、项目延误、电力接入失败和成本超支。
- 算力制造生态受益于智能价值上升和算力需求大于供给
- 优势
- GPU、TPU及相关制造链在AI capex周期中处于核心位置。
- 劣势
- 估值和订单预期对周期波动敏感。
- 对比
- 相较下游应用，制造生态更接近AI基础设施资本开支。
- 风险
- 芯片代际变化、供应链约束、客户capex节奏变化。
- 中国AI解决方案提供商受益于中国LLM能力提升和成本竞争力
- 优势
- 产品能力和价格竞争力提升，部分股票可能尚未充分反映相关上行空间。
- 劣势
- 全球市场准入、政策限制和商业化路径存在不确定性。
- 对比
- 相较美国frontier LLM，中国模型可能带来更低成本和更强本地生态适配。
- 风险
- 中美政策分化、出口限制、模型能力验证不足和竞争加剧。
- 能源安全资产AI基础设施扩张依赖电力和能源安全
- 优势
- 能源存储被报告特别标记为突出资产类别，电力资源稀缺性提升相关资产价值。
- 劣势
- 项目收益受电价、监管和建设进度影响。
- 对比
- 相较传统科技资产，能源安全资产提供AI基础设施的上游供给弹性。
- 风险
- 监管变化、电网瓶颈、设备供应和融资成本。
- META、GOOGL、MSFT、AMZN具备规模化AI capex和商业化能力的Hyperscalers
- 优势
- 规模优势、算力容量扩张和AI收入转化能力支持capex ROI，报告称Morgan Stanley对这些股票为Overweight。
- 劣势
- 资本开支规模大，短期利润和自由现金流可能承压。
- 对比
- 相较小型AI应用公司，Hyperscalers更能承担基础设施投入并形成规模收益。
- 风险
- AI变现低于预期、监管压力、capex回报滞后和竞争加剧。
关键数据
- 企业当前token支出中位数< $11/monthRamp估算显示企业用户当前token支出仍很低，报告认为未来有显著提升空间。
- 企业单次AI用例平均成本节省$55报告以此对比AI Agent执行任务的token成本，说明企业采用AI的经济性。
- AI Agent任务估算token使用量375,000-525,000 tokens假设5-7个AI Agents执行一个经济任务，每个Agent约为普通LLM查询token量的15倍。
- 执行任务估算token成本$2-5基于每百万token $3-10的平均价格，成本显著低于$55收益。
- Blackwell数据中心token销售利润率约60%报告称该测算计入数据中心成本，但不含LLM开发成本。
- Rubin与Feynman数据中心token销售利润率约80%和90%更先进GPU代际可能提高利润率并支持token价格下降。
- 后续NVIDIA GPU代际潜在token降价空间约75%报告称从Blackwell到Feynman，Hyperscalers可将token价格降低约75%并维持相同租赁数据中心利润率。
- 五家主要公司AI capex预期$1.2tr/$1.4trBrian Nowak预计五家主要公司capex继续上行。
- Hyperscaler可用算力容量约30GW in 2025 to 120GW by 2028报告预计Hyperscaler可用算力到2028年接近120GW。
- 美国数据中心容量缺口风险>10% by 2028相对基于全球半导体分析师AI芯片销售预测所需容量，美国数据中心供给可能出现超过10%的缺口。
影响与含义
投资含义是，AI基础设施回调可被视为布局长期供需失衡的窗口。更适合关注能缓解瓶颈或拥有关键资源的公司，包括电力、能源存储、数据中心REITs、算力制造、领先中国AI解决方案和具备规模收益的Hyperscalers；但投资者需要同时评估数据中心审批、电网接入、劳动力短缺、政策分化和模型竞争带来的波动。
风险
- 数据中心建设受到人员、电力和政治因素制约。
- 美国多个州和地区对数据中心增长的反对声音上升。
- 中美AI政策可能走向更明显分化，影响市场准入和全球采用路径。
- 中国LLM进步对美国frontier LLM开发者构成真实竞争威胁。
- recursive self-improvement若实现，既可能带来巨大收益，也可能加剧AI扰动、滥用和武器化风险。
- 若AI monetization低于预期，Hyperscalers的大规模AI capex回报可能受到质疑。
后续跟踪
- 即将到来的Hyperscaler财报中关于AI capex、算力上线和AI收入变现的数据点。
- 美国数据中心电力接入、地方审批和moratorium变化。
- 中国LLM如Kimi K3、GLM系列的性能、价格和全球竞争力演变。
- 先进GPU代际对token成本、数据中心利润率和AI采用速度的影响。
- 企业AI采用调查中token支出、就业替代和用例ROI的变化。
- 美国和中国AI政策在访问限制、模型封锁、市场准入和产业支持方面的进一步动向。