2万亿美金砸向AI：2027年算力爆发与成本真相

概览

本报告深入分析了2024年至2027年间，全球超大规模云厂商（Hyperscalers）在人工智能基础设施上的巨额资本支出及其带来的算力容量变化。报告指出，随着生成式AI进入推理时代，算力容量成为关键竞争壁垒。摩根士丹利通过自下而上的模型测算，预计这2万亿美元的累计投入将在2027年带来约20吉瓦（GW）的新增算力。报告详细拆解了不同芯片架构（GPU vs ASIC）的成本与能效差异，并对比了各大云厂商的投资策略与前瞻性布局。

核心观点

算力扩容规模惊人，2027年迎来高峰。 研报预测，Amazon (AMZN)、Google (GOOGL)、Meta (META) 和 Microsoft (MSFT) 在2026年和2027年将分别新增14 GW和20 GW的算力容量。作为参照，AWS在过去18年（截至2024年底）累计增加的总容量仅约为5 GW。2027年的新增容量足以满足超过1500万户美国家庭一年的用电需求。其中，Google预计在2027年新增最多容量（约7 GW），紧随其后的是Amazon和Microsoft（各约5 GW）。Meta虽然自身没有云服务业务，但通过内部建设和外部租赁，预计有效新增容量也达到约4 GW。 NVDA主导市场，但自研ASIC凭借成本优势崛起。 从芯片类型看，NVIDIA (NVDA) 仍将占据主导地位，提供2026-2027年约60%的新增算力。然而，自研ASIC（如Google的TPU和Amazon的Trainium）份额正在扩大。Google计划在2026-2027年增加更多ASIC而非GPU容量，其中约50%用于Google Cloud。Amazon也在加速部署Trainium芯片，同时继续采购NVDA GPU以满足AWS需求。Microsoft则几乎完全依赖NVDA，主要用于外部客户；Meta目前仍主要使用NVDA（占比75-80%），全部用于内部目的。 成本与能效的权衡：NVDA更贵但更高效。 研报通过底层模型发现，使用当前一代NVDA GPU（如Blackwell）构建1 GW数据中心的资本支出，最高可达当前一代自研ASIC（如TPU、Trainium）的2倍。主要差异在于服务器/机架成本：NVDA机架成本约为200亿-250亿美元/GW，而自研ASIC仅为60亿-110亿美元/GW。然而，NVDA在计算能效上具有显著优势，其每瓦特性能（FLOPs/Watt）比自研ASIC高出2-8倍。这意味着虽然初始投入高，但长期运行效率和单位Token成本可能更具竞争力。自研ASIC需通过网络优化、高带宽内存（HBM）扩容和软件优化来缩小这一差距。 投资策略分化：前瞻布局 vs 当期交付。 各大云厂商在资本支出的时间分布上存在显著差异。Amazon、Microsoft和Meta正在进行大量的前瞻性采购和建设（包括土地、电力外壳、设备等），预计其2026年资本支出的50%以上将用于2027年及以后上线的产能。这种策略有助于平滑未来的资本支出增速，并对冲组件通胀和交付延迟风险。相比之下，Google仅有约10%的2026年资本支出用于未来产能，大部分用于当期交付，这可能使其面临更高的执行风险和组件通胀压力。 数据中心成本结构：网络与电力外壳是关键变量。 除了芯片和机架，网络设备约占数据中心总成本的20%，是仅次于服务器的最大投资项。电力外壳（Powered Shells）占比约6%-15%。此外，高带宽内存（HBM）和普通DRAM的价格波动也对机架成本构成上行风险。值得注意的是，NVDA在Blackwell架构中捆绑销售内存并获取利润，而在下一代Rubin架构中，云厂商可能有机会直接采购内存以降低成本，但捆绑模式可能在系统效率上仍具优势。

分析框架

机构采用了“自下而上”的建模方法（Bottom-up Modeling）来估算算力容量和资本支出。 首先，通过追踪芯片出货量估算算力容量（GW）： 研报基于对各款芯片（NVDA GPU系列、Google TPU、Amazon Trainium等）出货量的预估，结合每款芯片的功耗和性能参数，推算出各云厂商每年实际部署的算力容量（以吉瓦GW为单位）。这种方法避免了单纯依赖公司披露的模糊资本支出数字，而是从物理硬件层面还原真实的算力供给。 其次，拆解单GW数据中心的建造成本： 研报构建了详细的成本模型，将建设1 GW数据中心的总资本支出拆解为七个层级：1. 服务器/机架（含GPU/ASIC、CPU、HBM）；2. 备用电源；3. 冷却设备；4. 电力外壳、电气及建筑机械；5. 网络设备；6. 光模块/布线/其他；7. 数据中心互联与安全。通过对比不同芯片架构在这些层级的成本占比，量化了GPU与ASIC的成本差异来源。 最后，交叉验证与前瞻性分析： 将上述“芯片数量 × 单GW成本”得出的理论资本支出，与各公司财报披露的实际或预估资本支出进行比对，从而推断出有多少资金被用于“前瞻性建设”（即为未来年份储备的土地、电力设施等）。这一分析揭示了各家公司在应对供应链瓶颈和通胀时的不同战略节奏。

方法论与常识提炼

• 行业/产业分析框架供需框架

  算力容量作为AI发展的核心约束条件

  研报将算力容量（GW）视为调节GenAI发展和采用速度的关键变量。在需求端，AI应用爆发导致算力供不应求；在供给端，通过跟踪硬件部署量来预测供给释放节奏，以此判断行业景气度和竞争格局。

• 公司基本面与财务框架自由现金流分析

  资本支出（Capex）的前瞻性分解

  研报不仅关注总资本支出金额，还将其分解为“当期交付”和“前瞻性建设”两部分。这种分析方法帮助投资者理解公司当前的现金流出有多少是为了未来的增长储备，从而更准确地评估未来的自由现金流压力和增长潜力。

• 估值方法PE/PEG 估值

  基于远期EPS的市盈率估值

  在对具体公司（如AMZN, MSFT, NVDA等）进行评级时，研报使用了2027年的预期每股收益（EPS）乘以特定的市盈率（P/E）倍数来确定目标价。例如，给予NVDA 26倍2027年EPS估值，反映了对高增长和高确定性的溢价。

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）。

• NVIDIA Corp (NVDA.O)

  核心受益者：提供绝大部分增量算力芯片，能效领先

  优势

  计算能效比（FLOPs/Watt）远超竞品2-8倍；生态系统完善；Blackwell/Rubin架构持续迭代。

  劣势

  单GW建设成本高昂，是自研ASIC的2倍左右；面临云厂商自研芯片的竞争。

  对比

  相比TPU和Trainium，NVDA在性能和通用性上占优，但在特定场景的成本效率上处于劣势。

  风险

  AI终端市场需求不及预期；客户大幅减少GPU采购；竞争对手推出极具竞争力的定制硬件。

• Alphabet Inc. (GOOGL.O)

  积极扩张者：2027年新增算力最多，大力推广TPU

  优势

  TPU生态成熟，成本控制较好；搜索和YouTube业务提供稳定现金流支持AI投资。

  劣势

  前瞻性资本支出比例低（仅10%），面临较高的执行风险和组件通胀压力。

  对比

  相比AMZN和MSFT，GOOGL更倾向于当期交付而非长期储备，策略更为激进但也更具风险。

  风险

  广告收入放缓；新AI产品货币化率低导致利润率承压；数据中心建设延误。

• Amazon.com Inc (AMZN.O)

  稳健追赶者：平衡GPU与Trainium，大量前置投资

  优势

  AWS市场地位稳固；前瞻性投资比例高（>50%），对冲供应链风险；零售业务提供现金流。

  劣势

  GenAI容量建设起步较晚，正在追赶；零售利润率波动。

  对比

  相比GOOGL，AMZN的策略更保守稳健，注重长期产能储备。

  风险

  AWS收入减速或利润率下降；零售商品利润率恶化；投资持续时间超预期。

• Microsoft Corp (MSFT.O)

  企业级领导者：几乎全依赖NVDA，服务于外部客户

  优势

  Azure和企业软件（M365）协同效应强；前瞻性投资比例高（55%）；客户关系深厚。

  劣势

  缺乏自研AI芯片，完全依赖NVDA，成本可控性较弱。

  对比

  与GOOGL和AMZN不同，MSFT的算力主要面向外部企业客户，而非内部消费。

  风险

  宏观经济影响IT支出；本地部署对云的蚕食；AI采用率有限。

• Meta Platforms Inc (META.O)

  内部驱动者：无云业务，全靠内部消化和外部租赁

  优势

  拥有海量第一方数据；广告业务复苏强劲；运营效率高。

  劣势

  没有对外云服务，算力投资回报完全依赖内部产品创新（如Reels、AI代理）；Reality Labs亏损。

  对比

  与其他三家不同，META的算力不产生直接的云收入，而是作为提升广告效率和用户参与度的工具。

  风险

  用户参与度下降；监管限制广告定向；Reality Labs亏损扩大；数据中心建设执行失误。

关键数据

• 2024-2027年累计资本支出~2万亿美元超大规模云厂商在AI基础设施上的总投入
• 2027年新增算力容量~20 GW相比2025年的~6.7 GW有显著增长
• NVDA vs ASIC 建设成本NVDA高约2倍NVDA Blackwell机架成本~$20-25bn/GW，ASIC ~$6-11bn/GW
• NVDA vs ASIC 能效比NVDA高2-8倍每瓦特浮点运算能力（FLOPs/Watt）
• 网络设备成本占比~20%数据中心总成本中仅次于服务器/机架的第二大项
• Amazon/Microsoft/Meta 前瞻支出比例>50%2026年资本支出中用于2027年及以后产能的比例
• Google 前瞻支出比例~10%2026年资本支出中用于2027年及以后产能的比例

影响与含义

对于云厂商而言，算力容量的快速扩张意味着AI服务收入的潜在加速，但也带来了巨大的资本负担。Amazon、Microsoft和Meta通过提前锁定土地和电力资源，展现了更强的供应链掌控力和对未来需求的信心，这可能使它们在未来的竞争中拥有更稳定的成本结构和交付能力。Google虽然当期投入巨大，但前瞻性储备较少，需警惕执行风险和通胀影响。 对于芯片供应商，NVIDIA凭借其卓越的能效比和生态系统优势，尽管价格高昂，仍将在高端训练和复杂推理场景保持主导地位。然而，Google TPU和Amazon Trainium等自研芯片在特定工作负载下的成本优势，将促使云厂商在混合架构中增加ASIC的比例，这对纯GPU供应商构成长期结构性挑战。 对于基础设施供应商，网络设备（如光模块、交换机）和电力设施提供商将从这波建设潮中持续受益，因为它们在总成本中的占比显著且不可或缺。

风险

• AI终端市场需求未能如期实现，导致客户大幅削减GPU采购。
• 数据中心建设受到电力供应、劳动力短缺或土地可用性等物理限制的影响，导致交付延迟。
• 组件通胀（如HBM、网络设备价格上涨）推高数据中心建设成本。
• 自研ASIC在系统级能效优化上进展缓慢，无法缩小与NVDA的性能差距。
• 宏观经济衰退影响广告收入和企業IT支出，进而影响云厂商的资本支出能力。

后续跟踪

• 各云厂商每季度披露的资本支出明细及对未来产能的指引。
• NVDA Rubin架构及后续产品的发布节奏与客户接受度。
• Google TPU和Amazon Trainium的外部销售情况（如有）及第三方数据中心采用率。
• 高带宽内存（HBM）的供应状况及价格走势。
• AI应用（如Copilot、AI代理）的实际货币化进展和用户采用率。