AI arms race and implications for Australian technology infrastructure：Jefferies 认为持久的 AI 基础设施需求将支持部分澳大利亚科技公司

概览

Jefferies 总结了与 GlobalData 的 Bill Rojas 进行的一场有关 AI 军备竞赛及其对澳大利亚科技影响的专家电话会议。核心结论是，模型竞争和 AI 模型价格下降未必会削弱基础设施需求：快速增长的 token 消费将继续需要大量芯片、电力、数据中心容量和 GPU 工作负载。

核心观点

电话会议的核心论点是，AI 基础设施需求取决于 token 消费，而非前沿模型开发商的近期盈利能力。GlobalData 的模型显示，全球每日 token 需求可能从目前超过 300 万亿增长至 2030 年的 2-5 千万亿，而中国目前已每天生成约 100 万亿 AI token。更先进的推理模型可使 token 生成量增加一个数量级，因此推理需求可能超出预期。报告认为，这一轨迹支持芯片、电力和数据中心基础设施在本十年末前持续扩张，增长可能在 2032 年后开始放缓。报告提及，全球电力需求可能约为 200GW，半导体相关资本开支约为 2026 年的 US$950bn，并在 2030 年升至约 US$1.4tn。 讨论区分了美国前沿实验室的竞争地位与更广泛模型市场的经济性。据称，OpenAI 和 Anthropic 在高度复杂推理方面仍具优势，原因是其研发预算更大且能够获得领先芯片；Bill 估计仅 OpenAI 每年研发支出约为 US$20bn。尽管出口限制约束了获取领先 NVIDIA GPU 的能力，中国仍在过去 24 个月通过架构、效率、优化和蒸馏显著缩小了性能差距。报告称，中国生产集中于 7nm，且缺乏用于约 4nm 以下制程的 EUV 能力，但认为半导体设计人才和算法创新可以部分抵消硬件限制。因此，制裁被视为延缓而非永久阻止中国的进展。 中国的开放权重策略被视为闭源模型经济性的潜在压力点。报告解释，开放权重模型公开模型参数和权重，而完全开源模型还会公开训练代码、数据和开发流程；目前多数所谓开源 AI 模型实际上是开放权重模型。更便宜的中国模型及蒸馏的广泛应用，可能令企业在 80-90% 的推理任务中使用开放权重模型，并将闭源前沿模型保留给复杂推理、关键任务和专业科学应用。这可能缩小 OpenAI 和 Anthropic 的可服务市场，即使 AI 总使用量上升。Bill 预计，前沿 AI 投资在 2029 年前不会产生有意义的经济回报，ROI 可能在 2029-30 年出现，但仍低于 10%，因为先进 GPU 和不断提升的模型复杂度维持了高成本。 报告认为，未来三至五年的需求前景尤其支持 neocloud 和数据中心提供商。Neoclouds 寻求长期客户承诺，以锁定利用率并证明重大基础设施投资的合理性；1GW 的 AI 基础设施可能需要 US$50-60bn 投资。随着仅靠 GPU 获取能力的差异化作用减弱，强劲的已签约积压订单、资金支持、广泛服务能力、工作负载优化和锚定客户关系被描述为日益重要的优势。区域运营商可能面临较少的 hyperscaler 直接竞争，因而拥有更强的本地定价能力。美国数据中心电力供应和项目审批的限制，可能将增量活动引向澳大利亚、马来西亚、印度尼西亚、泰国、斯堪的纳维亚和北欧等地区。 就澳大利亚科技而言，Jefferies 表示，此次电话会议强化了其对 Megaport、通过 CDC 持有相关业务的 Infratil、NextDC 及 Macquarie Technology Group 的积极看法，认为它们将受益于持久的 AI 基础设施需求。更便宜的开放权重模型可支持 AI 初创企业和新商业模式，报告称这应通过 Megaport 的 Latitude.sh 增加 GPU 工作负载需求。随着 neocloud 需求扩张，NextDC、CDC 和 Macquarie Technology Group 的数据中心容量管线可用于容纳 AI 服务器。 报告将这一基础设施机会与 AI 最终价值归属区分开来。企业采用速度很快，但可衡量的生产率证据仍然参差不齐，AI 生成的办公产出可能仅带来增量收益。Bill 反而认为，实体 AI——包括工业自动化、机器人、自主系统、交通运输、制造、医疗保健和智能边缘计算——是更大的长期机会，长期潜力可能超过 US$100tn。实体 AI 能更直接地影响利用率、产出、成本和生产率，而当云端延迟或连接依赖不可接受时，边缘处理尤为重要。因此，报告认为，长期领先者可能是将 AI 成功嵌入行业特定产品、机器和工作流程的公司，而非仅是模型创造者。 公司估值框架仍针对各覆盖公司。Infratil 使用 SOTP 估值，其中 CDC 为 32x EV/EBITDA，据称反映约 8x EV/Contracted EBITDA；One NZ 为 7.5x；RHCNZ/Qscan 为 13x；Wellington Airport 为 16x。Macquarie Technology Group 使用 DCF 和 SOTP 估值，假设包括 8.0% WACC、4.5% 无风险利率、5.0% 股权风险溢价、1.10 beta 和 4.5% 永续增长率。Megaport 的 15 年 DCF 使用 8.8% WACC 和 4% 永续增长率，而 NextDC 的 DCF 使用 6.5% WACC 和 3.5% 永续增长率。

分析框架

Jefferies 采用专家电话会议框架，先分析 AI 模型竞争和 token 需求驱动因素，再将 token 增长与芯片、电力、neocloud 和数据中心需求相联系。该机构随后将这一行业逻辑应用于选定的澳大利亚和新西兰基础设施提供商，同时保留公司特定的 DCF、分部加总估值框架和风险讨论。

方法论与常识提炼

• 行业/产业分析框架供需框架

  以 token 消费作为 AI 芯片、电力和数据中心容量的需求驱动因素。

  报告将每日 token 的预测增长与更高的算力和电力需求相联系，进而推导出对 AI 基础设施提供商的需求。

• 行业/产业分析框架产业链上中下游传导

  从模型和企业推理工作负载向 neocloud、GPU 服务和数据中心传导。

  报告认为，更便宜的开放权重模型将拓宽 AI 工作负载，从而增加对托管、网络和数据中心容量的需求。

• 估值方法DCF 现金流折现

  用于 MAQ、MP1 和 NXT 的现金流折现估值。

  报告使用 WACC、无风险利率、beta、资本结构和永续增长率等明确假设对这些公司进行估值。

• 估值方法SOTP 分部估值

  用于 Infratil 和 Macquarie Technology Group 的分部加总估值。

  该方法按指定的 EV/EBITDA 倍数或资产价值对不同业务资产进行估值后再加总。

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）。

• Infratil Limited (IFT)

  通过其 CDC 数据中心敞口成为受覆盖的受益者。

  优势

  CDC 有望服务不断扩大的 AI 服务器需求；其 SOTP 估值使用 32x EV/EBITDA，据称反映约 8x EV/Contracted EBITDA。

  劣势

  可能需要额外的股权或资本开支注资。

  风险

  CDC 和 Longroad Energy 的建设及合同延迟、额外融资需求，以及 One NZ 的移动资费竞争。

• Macquarie Technology Group (MAQ)

  作为受覆盖的受益者，拥有服务 AI 基础设施的数据中心容量管线。

  优势

  报告强调其有能力满足不断增长的数据中心需求。

  劣势

  面临建设执行和客户集中度风险。

  对比

  SOTP 对 CS&G、稳定数据中心资产、IC3SW 和 Telecom 分别采用不同倍数。

  风险

  IC3 Super West 建设延迟、失去政府或企业客户，以及托管价格竞争。

• Megaport Limited (MP1)

  通过 Latitude.sh 的 GPU 工作负载和更广泛的 AI 网络需求成为受覆盖的受益者。

  优势

  全球规模优势，以及更高带宽需求和增值服务的潜力。

  劣势

  网络业务进入壁垒较低，且硬件成本下降可能导致价格下行。

  对比

  除非大型数据中心运营商合作建立虚拟交叉连接平台，否则其全球规模被描述为主要优势。

  风险

  竞争、定价下降、难以获得最新 GPU 芯片，以及对利率的敏感性。

• NextDC Limited (NXT)

  作为受覆盖的受益者，拥有容纳 AI 服务器的数据中心容量。

  优势

  其容量管线与不断增长的 AI 基础设施需求相匹配。

  劣势

  在获得客户收入前需要预先投入资本。

  对比

  资本成本较低的竞争对手可能提供更低价格。

  风险

  Hyperscaler 的议价能力、合同波动和容量利用缺口、低成本竞争对手，以及对利率的敏感性。

关键数据

• 全球每日 token 需求More than 300 trillion currently; 2-5 quadrillion by 2030专家引用的 GlobalData 模型；预计增长将在 2032 年前保持强劲。
• 中国每日 token 生成量Roughly 100 trillionBill Rojas 对当前每日 AI token 生成量的估计。
• 潜在全球电力需求Approximately 200GW与 2030 年 token 需求估计相关的潜在容量需求。
• 全球半导体相关资本开支Roughly US$950bn in 2026; approximately US$1.4tn by 2030Bill Rojas 的估计。
• 前沿 AI ROIPotentially below 10%Bill 预计至少在 2029 年前不会获得足够回报；可能在 2029-30 年出现 ROI。
• 开放权重模型的企业使用比例80-90% of use casesBill 对企业推理使用情况的预期。
• AI 基础设施投资US$50-60bn per 1GW报告提及的 AI 基础设施资本需求估计。
• 实体 AI 市场机会US$100tn+ over time专家提及的潜在长期机会。

影响与含义

报告认为，模型价格压缩和竞争可能削弱前沿模型开发商的经济性，却未必会降低基础设施需求。相反，更广泛且 token 密集型的 AI 使用将支持区域 GPU 服务、网络和数据中心容量，MP1、CDC/IFT、NXT 和 MAQ 被列为相关受益者。长期而言，报告预计实体和边缘 AI 应用将比基础模型本身创造更多价值。

风险

• 随着模型更加自主和强大，AI 安全、责任和网络安全风险可能变得更加重要。
• 开放权重模型和蒸馏可能压缩闭源前沿模型的可服务市场及经济性。
• Neocloud 和数据中心运营商需要大量资本，并依赖长期客户承诺和利用率。
• 建设延迟、客户流失、竞争性价格压力和更高利率是覆盖基础设施公司的明确风险。
• 企业 AI 的生产率成果仍然参差不齐，广泛证据依然有限。

后续跟踪

• Token 增长速度，尤其是推理工作负载是否带来超预期的推理需求。
• 数据中心电力供应、项目审批，以及区域市场吸收增量 AI 基础设施的能力。
• Neocloud 和数据中心提供商的已签约积压订单及锚定客户承诺的发展。
• 开放权重模型和闭源前沿模型之间的采用格局。
• 实体和边缘 AI 部署是否带来可衡量的生产率、成本和产出改善证据。