摩根士丹利建议把AI基础设施回调视为布局机会
AI 摘要卡
摩根士丹利建议把AI基础设施回调视为布局机会
报告看多“智能高速公路”长期价值，认为算力需求多年内大概率显著超过供给，但数据中心建设、电力接入、政策分化和模型竞争会形成阶段性减速带。
- 最高确信观点是算力需求将在多年内显著超过供给，AI能力非线性提升将持续抬升智能与算力价值。
- 报告反驳企业“tokenmaxxing”压制收入的担忧，认为企业AI用例的成本收益仍然很有吸引力。
- 中国LLM进步对美国前沿模型开发者构成真实竞争威胁，但也可能通过Jevons Paradox强化总算力需求。
- 数据中心扩张面临人员、电力和政治阻力；美国到2028年可能出现超过10%的数据中心容量缺口。
- 核心配置方向包括AI基础设施瓶颈、算力制造生态、中国AI解决方案提供商、能源安全资产以及META、GOOGL、MSFT、AMZN等超大规模云厂商。
研报解读
概览
这是一份摩根士丹利关于全球AI基础设施回调后投资机会与风险的主题研究。报告认为，近期AI基础设施股票大幅波动后，市场担忧主要集中在中国模型竞争、企业token支出限制、政策与数据中心建设瓶颈、模型封锁以及物理供给约束。作者总体看多AI基础设施周期，认为“智能高速公路”会为全球经济带来显著净收益，且算力需求多年内大概率显著超过供给。
核心观点
核心观点包括：第一，AI能力正以非线性速度提升，智能与算力价值会继续快速上升；第二，企业AI使用的经济性很强，token成本只是潜在劳动成本节约的一小部分；第三，AI资本开支回报仍具吸引力，大型和高效模型都能支撑底层基础设施的较强ROI；第四，Jevons Paradox会继续发挥作用，更高效率的模型和芯片不必然降低总算力消耗，反而可能扩大采用范围、提高使用频次和复杂度；第五，数据中心建设中的人员、电力和政治约束是真实问题，但更像减速带而非长期障碍。
分析框架
报告从投资者最关注的争议入手，将AI基础设施回调拆解为基本面与技术面因素，并用token经济模型、Intelligence Factory模型、美国电力短缺分析、数据中心阻力跟踪、企业与消费者AI采用调查、全球AI股票映射和Future of Work分析来评估AI需求、供给瓶颈、盈利能力和资产映射。
方法论与常识提炼
效率提升可能扩大总需求
报告将Jevons Paradox用于AI算力：更高效芯片和模型降低单位智能生成成本，可能刺激更多用户、更多应用和更复杂工作负载，最终推高总算力和电力需求。
企业AI采用与token销售利润率测算
报告比较企业AI任务的成本节约和token成本，并测算不同GPU代际下数据中心销售token的利润率，以判断AI采用方和算力基础设施所有者的经济性。
数据中心与模型组合的ROIC和利润率分析
报告用Intelligence Factory模型评估不同模型和数据中心配置的回报，例如Kimi K3相对既有前沿模型可使200MW数据中心经营利润率温和提高约3%。
电力接入速度对AI基础设施价值的影响
报告强调“time to power”是重要alpha来源，关注燃料电池、天然气涡轮、核电站点、储能、电力开发商和比特币站点改造等缩短供电时间的方案。
中美AI政策和市场准入分化
报告认为美国和中国AI政策干预概率上升，可能导致全球AI获取、采用和市场准入方式进一步分化。
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数据中心扩张和供给短缺
- 优势
- 劳动力、time to power、燃料电池、涡轮、储能、电力开发商和数据中心REITs等环节能缓解最关键瓶颈。
- 劣势
- 建设周期、并网审批、专业工人短缺和地方政治阻力可能拖慢兑现速度。
- 对比
- 相较单纯AI应用资产，瓶颈资产更直接暴露于算力供需缺口。
- 风险
- 电力接入失败、项目延迟、地方反对数据中心扩张、资本开支过高。
- 算力制造生态受益于智能价值上升和算力供不应求
- 优势
- GPU、TPU及相关制造链随AI能力提升和训练推理需求增长而受益。
- 劣势
- 估值和周期预期可能已反映较高增长，且受供应链和技术迭代影响。
- 对比
- 相较下游应用，制造生态更贴近AI基础设施资本开支。
- 风险
- 中国模型效率提升引发市场对训练算力需求的担忧，芯片代际竞争和供应瓶颈。
- 中国AI解决方案提供商受益于模型能力提升、成本竞争力和本土市场采用
- 优势
- 报告认为中国LLM能力和全球竞争力增强，且很多相关股票尚未充分计入上行空间。
- 劣势
- 政策、市场准入和中美技术分化可能限制全球扩张。
- 对比
- 相较美国前沿模型开发者，中国方案可能在成本和开放权重生态上更具竞争性。
- 风险
- 监管限制、地缘政治、模型商业化不确定性、与美国AI生态进一步分裂。
- 能源安全与储能资产为AI基础设施提供电力保障，是数据中心扩张的重要条件
- 优势
- 储能被报告标记为突出资产类别；电力开发商和能源公司可从AI负载增长中受益。
- 劣势
- 项目收益依赖电价、审批、并网和资本投入。
- 对比
- 相较传统能源需求，AI数据中心负载具备更高增长确定性但也更集中。
- 风险
- 电网接入限制、政策反对、建设延迟、能源价格波动。
- META、GOOGL、MSFT、AMZN具备规模优势并可能从AI资本开支中实现吸引人的ROI
- 优势
- 报告明确称对META、GOOGL、MSFT和AMZN为Overweight，并看好其扩容和AI货币化能力。
- 劣势
- 资本开支规模大，投资者会持续关注AI收入兑现速度。
- 对比
- 相较小型AI公司，超大规模云厂商拥有规模、客户基础和算力部署能力。
- 风险
- AI货币化不及预期、资本开支回报被压缩、监管与竞争压力。
关键数据
- 企业用户当前token月支出中位数< $11/月报告引用Ramp估算，说明当前企业token支出基数很低，未来仍有显著提升空间。
- 单次企业AI用例平均成本节约$55报告称一组企业AI用例平均单次可节约约55美元成本。
- 执行同一经济任务的估算token成本$2-5基于每百万token $3-10、5-7个AI Agent和375,000-525,000 tokens的假设测算。
- Blackwell数据中心token销售利润率约60%已计入数据中心成本，但不包括LLM开发成本。
- Rubin与Feynman数据中心token销售利润率约80%和90%报告认为更先进GPU代际可显著改善token销售经济性。
- 后续NVIDIA GPU代际可能降低token价格约75%报告称从Blackwell到Feynman，超大规模云厂商可将token价格降低75%且在租赁数据中心实现相同利润率。
- 美国数据中心容量缺口风险到2028年可能超过10%相对于基于全球半导体分析师AI芯片销售预测所需的数据中心容量。
- 五家主要公司AI资本开支预期$1.2tr/$1.4tr报告引用美国互联网分析师观点，预计资本开支继续上行。
- 超大规模云厂商可用算力容量到2028年接近120GW相较2025年约30GW大幅提升。
- 2028年AWS与GOOGL可用算力AWS约35GW，GOOGL约31GW报告预计GOOGL在2027/2028年增加最多算力容量，但AWS在2028年可用算力最高。
- META总容量预测2027年14GW，2028年21GW相较2025年底约3.5GW显著提升。
影响与含义
投资含义是，近期AI基础设施股票回调可被视为主题性布局窗口，但应优先选择真正拥有瓶颈资源或受益于瓶颈缓解的资产。报告最偏好的方向包括劳动力和供电瓶颈、算力制造生态、中国领先AI解决方案提供商、能源安全和储能资产，以及具备规模优势并能从AI资本开支中获得回报的超大规模云厂商。
风险
- 企业或政府对token使用设限可能压制部分LLM开发者收入，尽管报告认为现有数据不支持这一担忧。
- 中国LLM进步对美国前沿模型开发者构成真实竞争威胁。
- 数据中心建设面临专业劳动力短缺，尤其是电工、焊工和管道工。
- 电网接入越来越难，可能限制数据中心上线速度。
- 美国多个州和司法辖区对数据中心增长的政治阻力正在上升。
- 中美AI政策干预概率上升，可能导致全球AI市场进一步分化。
- 递归自我改进若实现，既可能带来巨大收益，也可能加剧AI扰动、误用和武器化风险。
后续跟踪
- 即将到来的财报季中，AMZN、META和GOOGL的AI货币化数据点。
- 五家主要超大规模云厂商资本开支是否继续上行，以及新增算力能否按期上线。
- AWS、GOOGL和META到2027/2028年的GW级容量扩张进度。
- 中国Kimi K3、GLM、Qwen、MiniMax等模型的性能、定价和全球竞争力变化。
- 美国数据中心电力短缺、并网排队和地方moratorium趋势。
- 企业AI采用调查中token使用强度、员工替代和ROI证据是否继续改善。
- AI政策是否走向“两套世界”，尤其是美国限制和中国市场准入政策。