The age of inference in generative AI研报解读

概览

Morgan Stanley的跨团队指南考察了AI进入“推理时代”时的八项主要生成式AI争论。其核心结论是，投资周期仍将持续多年，但下一阶段的相对受益者可能是超大规模云厂商、软件和应用层赋能者、早期企业采用者，以及解决数据中心电力约束的供应商。

核心观点

Morgan Stanley预计，超大规模云厂商的数据中心资本开支将在2027年同比增长约60%，即增加约$500 billion，至$1.5 trillion，随后在2028年放缓至约12%。其自下而上的芯片和机架测算纳入了芯片供应有限、大规模前置建设需求、组件和电力成本上升，以及劳动力、材料和电网接入等物理约束。报告指出，部分2026年资本开支的30-40%投向土地、建筑、设备和电力，以服务于2027-29年投产的设施。资本开支增速放缓、同时超大规模云厂商和软件收入加速，预计将推动资金从硬件、半导体和存储相对转向基础设施与软件赋能者，包括AMZN、GOOGL、MSFT和META。 尽管预计2028年增速放缓，容量建设仍将十分可观。Morgan Stanley预计2027-28年将有约80 GW容量上线，其中2027年为38 GW、2028年为44 GW，使超大规模云厂商总容量从2025年的约35 GW增至2028年的约145 GW。预计GOOGL将增加最多容量，受Gemini、Google Cloud以及Search和YouTube中生成式AI功能推动。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%；Trainium和TPU是这一转变的关键，预计二者2028年合计容量为12 GW，而NVIDIA为13 GW。Morgan Stanley仍将算力视为稀缺且能够在上线后通过新工具和智能体工作流实现变现的资源。 报告通过三种变现路径测试生成式AI回报经济性：超大规模云厂商GPU租赁、自有基础设施上的模型API，以及第三方基础设施上的模型API。对于1 GW GB300数据中心，其GPU租赁基础框架假设每GW收入约$23 billion、运营成本$8 billion（其中包括$4.6 billion IT折旧）、增量EBIT约$15 billion，以及税后ROIC约30%。自有基础设施上运行的模型API预计每GW收入约$30 billion、NOPAT约$18 billion，基础情形下ROIC约46%。第三方基础设施API模型收入潜力更高，每GW约$41 billion，但租赁成本会将基础经济性降至约25%的NOPAT利润率。综合各情景，Morgan Stanley展示了25-50% ROIC的路径，其中在自有基础设施上运行的模型层回报最高。 Morgan Stanley将最终机会界定为可被数字化或增强的$50-$60 trillion全球支出，包括$20-$30 trillion知识工作机会及约$30 trillion消费者支出，覆盖零售、旅行、自动驾驶出行、餐饮配送和广告。以公共云采用为类比，其预计到2027年企业AI支出约为$800 billion，约占知识工作机会的4%；同时认为AI可能比云更快扩散，因为其不需要整体基础设施迁移，且生产率回报更快。报告认为科技、通信服务、金融、医疗和工业是最早的采用者。2026年第二季度，约25%的S&P 500公司量化了生成式AI收益，高于一年前的14%；科技行业从28%升至51%，金融业从8%升至37%，工业从19%升至21%。 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。其更低的成本、可定制性和灵活部署可能压低前沿模型的token定价，但Morgan Stanley认为这将扩大token需求，并强化AWS Bedrock、Microsoft Foundry和Google Vertex等超大规模云平台的价值。这些平台无论客户选择哪种模型，均可通过算力、微调、数据管道和其他服务实现变现。报告称，即使开放权重模型进一步普及，其分析仍显示1 GW GB300容量可实现约20-40%的ROIC。 在融资方面，Morgan Stanley认为，尽管年初至今全球AI相关债务发行约$450 billion，短期内不会受到信贷市场约束。其预计额外供给的调整主要会通过利差扩大而非发行中断实现，尤其对高质量超大规模云厂商而言。AMZN、GOOGL、MSFT和META预计将在2027年和2028年分别产生$980 billion和$1.2 trillion的经营现金流，而同期仅需筹集$290 billion债务。不过，表外租赁和长期承诺正在增加杠杆敞口，报告指出评级机构会将这些承诺计入调整后债务。 电力可获得性是关键的物理瓶颈。Morgan Stanley预计美国存在38 GW电力缺口，并认为州和地方审查加强、更长的并网周期、劳动力约束和更高电力成本将使表后发电更普遍。其估计该方案会使每GW资本开支增加约$3 billion，并自预计在2H27和2028年上线的Rubin Ultra系统起纳入该成本，整体成本为$50 billion/GW。这支撑了报告对现场电力供应商BE、INIO和SEI，以及带电机房供应商CIFR、WULF、HUT和RIOT的建设性观点。报告也指出2028年大选相关政治风险，以及地方禁令或联邦政策可能拖慢美国数据中心扩张。

分析框架

Morgan Stanley将芯片、机架、容量和每GW成本的自下而上估算，与情景化经营和估值框架结合。随后将资本开支、算力供给、变现经济性、采用证据、信贷条件和电力约束联系起来，以识别AI价值链中的潜在受益者和风险。

方法论与常识提炼

• 行业/产业分析框架供需框架

  自下而上的数据中心资本开支与算力容量分析

  报告估算每GW的芯片、机架、带电机房及其他成本，并运用供给约束和计划容量增量来评估AI基础设施周期。

• 公司基本面与财务框架ROIC–WACC 利差

  生成式AI ROIC情景

  Morgan Stanley针对三种AI变现模式计算每GW收入、成本、EBIT、NOPAT和投入资本，以测试推理基础设施是否能够取得有吸引力的回报。

• 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折现现金流假设，包括折现率和长期经营假设。

• 周期与景气框架产品生命周期

  历史技术采用类比

  报告将AI周期与移动互联网和公共云采用进行比较，以构建基础设施、软件和服务变现可能的先后顺序。

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，预计将受益于云业务、AWS需求和推理变现。

  优势

  AWS容量扩张、高利润率业务以及经常性Prime相关收入。

  劣势

  较高投资强度可能持续超出预期时间。

  对比

  被列为预计受益于投资者关注转向赋能者和软件的主要超大规模云厂商之一。

  风险

  AWS收入或利润率放缓；零售利润率弱于预期；投资周期延长。

• Microsoft (MSFT)

  超大规模云厂商和软件赋能者，有望通过Azure AI和Copilot采用实现变现。

  优势

  Azure增长、Microsoft 365变现和AI服务采用扩大。

  劣势

  投资带来的毛利率压力以及有限的AI采用将削弱投资逻辑。

  对比

  报告将其列为主要的一体化AI基础设施和软件受益者。

  风险

  IT支出疲弱、云增长放缓、投资强度提高以及AI采用有限。

• Meta Platforms (META)

  一体化模型提供商和AI采用者；在报告的风险回报部分被列为主要生成式AI赋能者和top pick。

  优势

  庞大的分发和数据资产、改善的参与度与广告变现，以及AI驱动效率提升的潜力。

  劣势

  大规模数据中心支出需要更清晰的长期回报证明。

  对比

  Morgan Stanley认为自有基础设施模型的经济性尤其有吸引力；与部分超大规模云厂商相比，META仍需证明更多产品变现能力。

  风险

  Reels变现放缓、广告定向监管、宏观压力、Reality Labs亏损扩大以及资本强度上升。

• Alphabet (GOOGL)

  超大规模云和AI平台受益者，受益于Search、YouTube、Google Cloud、Gemini和TPU容量。

  优势

  大规模第一方数据和分发能力、云业务加速机会以及TPU主导的大量容量增加。

  劣势

  AI产品可能具有更低变现率和更高算力强度。

  对比

  预计将在超大规模云厂商中增加最多算力容量，并引领定制芯片组合变化。

  风险

  广告增长放缓、利润率压力、费用纪律减弱以及更高AI算力成本。

• NVIDIA (NVDA)

  算力基础设施供应商，受益于AI工作负载持续的供需失衡。

  优势

  Blackwell领先地位，以及对下一代AI系统持续强劲的预期需求。

  劣势

  定制芯片增长限制了近期估值倍数扩张空间。

  对比

  Morgan Stanley预计2028年NVIDIA容量为13 GW，而Trainium和TPU合计为12 GW。

  风险

  供给更快正常化、AI开发成本下降、竞争性GPU或定制硬件、关税和出口管制。

• Bloom Energy (BE)

  现场发电供应商，预计受益于交付电力时间约束和分布式能源需求。

  优势

  燃料电池对AI电力需求、电网不稳定性和分布式发电经济性的敞口。

  劣势

  增长和利润率兑现取决于成本降低和采用情况。

  对比

  与INIO和SEI一同被列为表后电力采用的直接受益者。

  风险

  竞争、未能实现降本目标、更严格的排放监管以及对分布式发电征费。

• Solaris Energy Infrastructure (SEI)

  为大型数据中心负载提供交付电力时间和微电网解决方案。

  优势

  先发优势、相对电网接入的竞争性替代方案，以及进一步扩容潜力。

  劣势

  经济性取决于签约、检修资本开支和燃气轮机终值假设。

  对比

  被列为有望受益于电网约束加剧的现场电力公司之一。

  风险

  未采购容量或未签订新的数据中心合同、微电网经济性变弱、客户集中度和终值担忧。

• TeraWulf (WULF)

  带电机房供应商，推进Bitcoin-to-data-center转换。

  优势

  电力基础设施和数据中心客户协议的过往表现；具备转换2,082 MW未签约容量的潜力。

  劣势

  估值取决于通电、项目执行和租赁转换假设。

  对比

  Morgan Stanley将WULF视为带电机房供应商中的strong pick。

  风险

  AI支出放缓、建设延期和成本超支、立法限制以及转换交易未能落地。

• Hut 8 (HUT)

  带电机房和HPC租赁供应商。

  优势

  强劲的已签约租赁条款和广泛的电力管线。

  劣势

  未来价值取决于未签约电力转换及新增MW签约。

  对比

  Morgan Stanley将HUT描述为HPC租赁签约方面的同业领先者。

  风险

  未能签约更多MW，或租赁取消、启动延迟。

• Cipher Mining (CIFR)

  Bitcoin-to-HPC转换和带电机房供应商。

  优势

  具备将2.6 GW HPC管线变现并受益于未来超大规模云租赁的潜力。

  劣势

  基于可比交易，其未来现金流收益率假设低于WULF。

  对比

  估值采用可比的Bitcoin-to-data-center转换框架，租赁收益率假设较WULF更温和。

  风险

  租赁经济性低于假设、成本超支以及未能将HPC管线变现。

• Riot Platforms (RIOT)

  带电机房供应商，将Bitcoin挖矿场地转向数据中心用途。

  优势

  拥有Rockdale和Corsicana场地，其中Corsicana已有潜在租户意向书。

  劣势

  管线估值取决于交易执行和通电概率。

  对比

  Morgan Stanley基于租赁经济性和管线MW对带电机房供应商进行估值。

  风险

  未能在场地签约，以及租赁经济性低于预期。

关键数据

• 超大规模云数据中心资本开支增速60% in 2027; about 12% in 2028Morgan Stanley预计支出将在2027年达到约$1.5 trillion，之后增速放缓。
• 超大规模云厂商总算力容量About 35 GW in 2025 to about 145 GW in 2028约增长四倍，其中约80 GW将在2027-28年上线。
• 定制ASIC占新增容量的比例34% in 2025 to 66% in 2028主要由Google TPU和Amazon Trainium推动。
• 生成式AI ROIC区间25-50%覆盖Morgan Stanley的超大规模云和模型API变现框架。
• 全球生成式AI数字化机会$50-$60 trillion包括$20-$30 trillion知识工作支出及约$30 trillion消费者支出。
• 量化生成式AI收益的S&P 500公司About 25% in 2Q26较一年前的14%上升。
• 全球AI相关债务发行About $450 billion year to dateMorgan Stanley预计仍有进一步发行能力，尤其是高质量超大规模云厂商。
• 美国数据中心电力缺口38 GW支撑报告对现场和表后发电的判断。

影响与含义

Morgan Stanley预计，AI投资周期将从半导体和硬件扩展至超大规模云平台、软件、应用层采用者，以及缓解电力约束的实体基础设施供应商。其认为，资本开支增速放缓与AI投资持续并不矛盾，因为变现、现金流和企业采用预计将成为更重要的驱动因素。

风险

• 由于物理约束、前置建设活动减少、模型部署选择变化或AI需求走弱，超大规模云资本开支可能较Morgan Stanley预期更明显放缓。
• 电力短缺、并网延迟、劳动力和材料约束，以及组件成本上升，可能延后数据中心投产并压缩回报。
• 州或地方反对、数据中心禁令、联邦政策变化和2028年大选相关政治不确定性，可能阻碍扩张。
• 开放权重模型可能压低token定价和模型层差异化能力，尽管其支持更广泛采用。
• 随着调整后杠杆上升，表外租赁和长期承诺可能降低债务容量。

后续跟踪

• 进入2028年的超大规模云资本开支增速，以及前置建设支出的规模。
• 实际GW容量增加，尤其是Google TPU和Amazon Trainium部署。
• 推理利用率、token吞吐量和token定价，这些因素驱动模型化的生成式AI ROIC。
• 量化AI收益的公司占比，以及科技、金融、医疗和工业领域的采用证据。
• AI相关信贷发行、利差以及表外承诺的增长。
• 美国电力可获得性、表后发电采用，以及影响数据中心许可的监管行动。