生成式AI经济收入已进入规模化阶段，但资本开支回收仍是核心检验

概览

本报告试图解决AI经济中的需求可见性问题。供给侧的半导体公司和超大规模云厂商披露较充分，但客户究竟为哪些AI产品付费、收入是否真实、以及是否存在重复计算，一直较难判断。报告将全球不含中国的生成式AI收入拆分为应用、模型和基础设施层，强调已实现收入比单纯供给侧指标更能验证需求。

核心观点

核心观点包括：第一，生成式AI需求真实、规模大且增长很快，收入增长速度约为以往IT浪潮的三倍；第二，AI经济相对GDP和企业利润仍处早期，许多社会福利和免费数字收益可能未被GDP充分计量；第三，超大规模云和新云的AI资本开支目前仍能被收入覆盖一部分折旧，但覆盖空间很薄；第四，Token可能成为AI经济的重要计量单位，价格下降带来弹性需求和更高使用量；第五，价值捕获正向应用和模型层移动，但定价权取决于竞争压力而非简单的技术栈位置。

分析框架

报告采用公司级自下而上的收入模型，将公开申报、审计账户、公司披露、电话会、政府统计、第三方研究、流量与容量代理指标结合，并对每条收入线进行置信度评分。收入在每一层都被识别，但最终按价值增量去重，不把同一客户支出在应用、模型和托管层重复相加。

方法论与常识提炼

• 收入核算价值增量去重模型

  同一美元只计算一次

  例如客户向应用支付100美元，其中60美元流向模型供应商、30美元再流向推理托管方时，报告按100美元计入生态收入，而不是把三层相加为190美元。

• 数据质量置信度分层

  先评分再入模

  已申报财务数据的权重最高，其次是其他一手来源、可交叉验证的第三方估计和单一来源说法；衍生数值继承输入来源中最低的质量等级。

• 建模方法公司级财务模型与三角校验

  从公司财务拆出生成式AI收入

  报告为相关公司建立生成式AI专属财务模型，并用芯片收入、建设成本、分部结构、行业研究、流量和产能等独立代理指标进行校验。

• 研究范围全球不含中国的AI生态收入口径

  计入应用、模型和基础设施收入，排除部分相邻项目

  报告范围包括应用、模型和AI基础设施收入；不计入芯片销售、AI带来的广告收入增量、传统软件功能升级和融资本身。

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）。

• COREWEAVE INC (CRWV.US) 与 NEBIUS GROUP NV (NBIS.US)

  作为新云和AI托管基础设施代表，直接受益于外部客户算力需求和GPU租赁需求。

  优势

  AI收入口径中托管层收入可被完整计入，且需求、租赁价格和积压订单是重要验证信号。

  劣势

  资本密集度高，对GPU折旧、融资成本、利用率和长期客户合同依赖较强。

  对比

  相较传统云巨头，新云更纯粹暴露于AI基础设施周期，但财务弹性和融资能力通常更受考验。

  风险

  若算力供给过剩、H100等GPU租赁价格下行或外部融资收紧，收入覆盖折旧的空间可能迅速压缩。

• ALPHABET INC (GOOGL.US)、ORACLE CORP (ORCL.US)、META PLATFORMS INC (META.US)

  报告将大型云和平台公司视为AI资本开支、云收入、广告增量和数据中心建设的重要参与者。

  优势

  拥有客户基础、云平台、数据中心资源和资本实力，能够承接模型、应用和企业AI需求。

  劣势

  部分AI收益可能被埋在分部收入中，Meta等公司的AI投入更多体现为广告增量或间接货币化，不一定被计入纯生成式AI收入。

  对比

  大型平台相比新云融资能力更强，但AI收入透明度更低，且资本开支与实际生成式AI收入之间的对应关系更复杂。

  风险

  若AI广告增量、助手产品或云推理服务不能转化为可测量现金流，高CapEx可能拖累自由现金流和折旧覆盖。

• 半导体与GPU供应链

  芯片销售被报告排除在去重收入口径之外，但GPU是AI算力、数据中心投资和Token生产的核心投入。

  优势

  AI服务器算力扩张、Hopper至Blackwell再到Rubin的硬件迭代，以及推理工作负载增长支撑长期需求。

  劣势

  芯片收入不等于最终AI需求，若下游无法以Token和应用收入回收投入，供给侧景气可能出现错配。

  对比

  相较应用和模型层，半导体处于更上游，收入确认更直接，但更容易受到库存、客户CapEx节奏和折旧周期影响。

  风险

  过度建设、GPU有效寿命假设过长或客户融资压力上升，可能导致订单波动。

• 电力公用事业与数据中心基础设施

  AI需求正在重新点燃美国电力需求，数据中心成为新增负荷增长的重要来源。

  优势

  报告指出美国2030年前新增用电需求预期大幅上调，数据中心约贡献55%的增长，利好电力、输配电和园区基础设施。

  劣势

  电力接入、并网、建设周期和监管审批可能成为AI扩张瓶颈。

  对比

  相较软件和模型公司，电力资产增长更慢、资本周期更长，但可从AI算力需求获得更稳定的基础设施需求。

  风险

  若电网扩容慢于数据中心建设，算力上线节奏和云服务收入增长可能受限。

• AI应用层与模型层

  报告认为价值正在向应用和模型上移，但收入必须扣除传导给模型和托管层的成本后按增量计算。

  优势

  应用层更接近客户付费，模型层可通过API、订阅和Token定价捕捉使用量增长。

  劣势

  开源权重模型和模型性能快速追平会压缩定价权，去年前沿能力可能迅速商品化。

  对比

  应用层可能拥有更强客户关系，模型层拥有技术能力，但两者的定价权都取决于竞争格局而非单纯栈位。

  风险

  Token价格快速下降、开源替代和客户对成本节约的优先偏好，可能降低单位收入和毛利率。

关键数据

• 生成式AI生态年化收入>$175bn为去重后的全球不含中国口径，报告认为该收入已验证真实需求。
• 过去12个月生成式AI收入$110bn报告称收入已达到约1100亿美元的过去12个月规模。
• 被AI经济支撑或影响的股票市值$22.7tn报告认为如果不了解真实需求，就难以判断支撑大规模股票市值的AI经济健康度。
• 超大规模云与新云累计CapEx$2tn through 2026E包括超大规模云和新云为AI基础设施承诺的累计资本开支。
• Token用量>30Q/month全球Token月度用量超过30千万亿，且同比增长约14倍。
• Token用量同比增长14x YoY代理型工作负载和推理模型增加了Token消耗。
• 美国2030年预期新增用电需求变化24GW→166GW报告称自2022年以来，2030年前美国电网预计需要的额外电力增长约7倍。
• 数据中心对美国新增负荷增长的贡献~55%报告估计数据中心约占美国新增负荷增长的55%。
• 折旧对AI收入的吸收81% / 68%折旧约吸收超大规模云和新云生成式AI收入的81%，以及全部生成式AI收入的68%，且尚未计入更多运营成本。
• 每GW数据中心容量对应行业收入>$7bn/GW报告认为效率提升正在提高每GW容量的货币化能力。
• 生成式AI收入与企业利润对比32x即使用企业利润作为较宽松参照，企业利润规模仍约为全部生成式AI收入的32倍，说明AI经济仍处早期。
• S&P 500公司AI影响提及3-4x rise since 2023报告追踪到S&P 500公司在业绩电话会中提及AI影响的频率自2023年以来上升约3至4倍。

影响与含义

投资含义在于，AI主题不能只看GPU供给和云资本开支，还需要同时跟踪真实外部收入、去重后需求、合同积压、折旧覆盖、Token价格弹性和电力约束。若收入、使用量和利用率持续复合增长，AI基础设施建设仍可能获得回报；若价格下降不能带来足够增量需求，或电力与数据中心建设受限，行业盈利空间会被压缩。

风险

• 资本开支与折旧压力过高，若收入、利用率和价格不能继续复合增长，AI基础设施回收期可能拉长。
• 第三方融资进入AI基础设施会放大周期性风险，融资条件变化可能影响建设节奏。
• Token价格下降需要足够强的需求弹性来抵消，否则总收入和利润率可能承压。
• 数据中心用电、并网和设备交付可能成为AI扩张的物理瓶颈。
• 私营模型公司披露有限，收入估算依赖云端归因、代理指标和置信度评分，仍存在测量误差。
• 应用、模型和托管层之间如果未严格去重，容易高估AI经济规模。
• 开源权重模型和快速商品化可能削弱闭源模型和部分应用的定价权。

后续跟踪

• 去重后的生成式AI收入能否在1750亿美元年化基础上继续增长。
• 超大规模云和新云的RPO、合同积压、GPU租赁价格和数据中心利用率。
• AI CapEx投入服务后的折旧基数、折旧覆盖率和自由现金流变化。
• Token月度用量、单位Token价格、代理型工作负载占比和Token价格弹性。
• 美国及全球数据中心用电需求、并网审批和新增电源建设进展。
• S&P 500公司对AI影响的量化披露，尤其是成本节约是否转向收入增长。
• 应用、模型和基础设施层之间的价值捕获迁移，以及开源权重模型对定价权的影响。