Morgan Stanley预计$2万亿云厂商资本开支将在2027年前显著释放AI数据中心产能

概览

本报告聚焦GenAI进入推理时代后，算力产能如何成为AI发展速度、云收入增长和大科技公司竞争优势的核心约束。Morgan Stanley预计2024年至2027年超大规模云厂商累计数据中心资本开支接近$2万亿，2027年单年资本开支可能超过$1万亿。报告建立自下而上的每GW成本和芯片/机架数量模型，估算AMZN、GOOGL、META、MSFT的新增AI数据中心产能、前置采购规模、芯片组合及成本结构。

核心观点

核心结论是：第一，产能正在显著释放，四大云厂商2026年和2027年新增产能约14GW和20GW，2027年新增产能接近2025年的3倍。第二，GOOGL预计2027年新增约7GW产能，领先AMZN和MSFT的各约5GW，META虽然自身资本开支带来约3.4GW，但计入外部云算力协议后有效新增约4GW。第三，NVDA仍是市场领导者，预计占2026年至2027年增量产能约60%，但GOOGL TPU和AMZN Trainium的占比上升。第四，NVDA GPU每GW建设成本显著高于Custom ASIC，但在性能/瓦方面明显领先，使成本/token/瓦成为未来竞争关键。第五，AMZN、MSFT、META的大量前置建设有助于缓和未来资本开支二阶增速并对冲组件通胀和数据中心延期风险，而GOOGL前置建设比例较低。

分析框架

报告采用自下而上的数据中心资本开支拆分：先估算不同芯片架构的每GW建设成本，再结合各公司芯片单元、机架数量和上线年份，推导年度新增产能与资本开支需求。分析同时区分GPU、TPU、Trainium等芯片来源，并将成本拆为服务器/机架、网络、供电壳体、内存、土地和设施等组成部分，用于判断不同云厂商的资本开支质量、前置建设比例和未来执行风险。

方法论与常识提炼

• capex_capacity_modelbottom-up cost per GW

  每GW成本模型

  以芯片、机架、服务器、网络、供电壳体、内存和设施成本为基础，估算建设1GW AI数据中心产能所需资本开支，并用于比较NVDA GPU和Custom ASIC架构的资本效率。

• chip_mix_analysisGPU versus Custom ASIC capacity mix

  芯片组合与产能贡献

  根据NVDA GPU、GOOGL TPU和AMZN Trainium等芯片单位估算新增GW产能，判断不同公司在GPU和自研ASIC之间的投资倾向。

• forward_build_analysisforward purchasing and future capacity bridge

  前置采购和未来产能桥接

  将当年资本开支拆分为当期上线产能和未来年份上线资产，用于评估资本开支二阶增速、组件通胀对冲能力和数据中心交付风险。

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）。

• NVDA

  AI数据中心GPU和机架核心供应商

  优势

  预计占2026/2027年增量hyperscaler产能约60%，Blackwell及后续Vera Rubin/Rubin Ultra在性能/瓦上领先Custom ASIC约2倍至8倍。

  劣势

  当前代NVDA GPU建设1GW数据中心成本最高约为Custom ASIC的2倍，芯片和HBM成本可能推高客户资本开支。

  对比

  相对TPU和Trainium，NVDA成本更高但性能/瓦、HBM生态和供给分配能力更强。

  风险

  客户转向自研ASIC、HBM成本上行、下一代GPU价格上涨、云厂商直接采购内存带来的捆绑利润压力。

• GOOGL

  新增AI产能领先的hyperscaler和TPU主要使用方

  优势

  2027年预计新增约7GW产能，为四大云厂商中最高；TPU在2026/2027年各新增约4GW，支持Gemini、GCP及Search/YouTube的GenAI产品部署。

  劣势

  仅约10%的2026年资本开支用于2027年及以后产能，前置建设比例低。

  对比

  相比AMZN、MSFT、META，GOOGL新增产能最大但未来产能缓冲较少。

  风险

  组件通胀、短缺、数据中心建设执行风险，以及TPU实际留存在GOOGL资产负债表还是流向第三方数据中心的不确定性。

• AMZN

  AWS AI基础设施扩张和Trainium推进方

  优势

  2027年预计新增约4.7-5GW；约$90bn、约50%的2026年资本开支用于2027年及以后产能，有助于对冲组件通胀和数据中心延期。

  劣势

  报告指出AWS在2023/2024年GenAI产能建设起步较慢，2026/2027年存在追赶性质。

  对比

  Trainium每年约新增2GW，规模约为TPU的一半，并约占AMZN每年新增产能的50%。

  风险

  Trainium外售节奏、AWS需求兑现、前置建设回报率和未来资本开支二阶变化。

• MSFT

  Azure和M365 AI基础设施需求方

  优势

  约$104bn、约55%的2026年资本开支用于2027年及以后产能，支持长期Azure、Azure AI和M365增长。

  劣势

  相较AWS/GCP，MSFT几乎完全依赖NVDA，芯片组合多元化较弱。

  对比

  2027年新增产能约4.7-5GW，与AMZN相近，但自研ASIC贡献低。

  风险

  对NVDA供给和价格依赖、AI基础设施预建回报率、云和M365增量收入兑现。

• META

  无hyperscale云业务但大规模投入AI算力的互联网平台

  优势

  自身资本开支预计2027年新增约3.4GW，计入外部云算力交易后2026和2027年有效新增约4GW；1P数据和潜在消费级代理产品可能支持模型产品化。

  劣势

  缺少hyperscale云业务，资本开支需要通过广告、消费产品和AI工具收入证明ROIC。

  对比

  相比AMZN、GOOGL、MSFT，META没有云基础设施商业化渠道，因此对产品创新和增量收入依赖更高。

  风险

  AI模型产品化不足、外部云承诺带来的运营费用压力、Neocloud算力是否需要转售或卸载的不确定性。

• TPU / Trainium / Custom ASIC

  替代或补充NVDA GPU的自研AI加速器

  优势

  当前代Custom ASIC每GW建设成本显著低于NVDA GPU，GOOGL和AMZN可控制更多系统栈。

  劣势

  当前代Custom ASIC在每瓦计算性能上落后NVDA约2倍至8倍，系统级优化仍需推进。

  对比

  TPU uptake高于Trainium，报告估算TPU在2026/2027年各新增约4GW，Trainium每年约2GW。

  风险

  网络、HBM容量、软件优化进展不足，第三方销售和资产归属不确定。

关键数据

• 2024-2027年累计超大规模云厂商资本开支约$2万亿报告称2024年至2027年聚合hyperscaler数据中心支出将接近该规模。
• 2027年超大规模云厂商资本开支超过$1万亿图表显示AMZN、MSFT、GOOGL、META合计2027年约$1,018bn。
• 四大云厂商新增产能2026年约14GW，2027年约20GWAMZN、GOOGL、META、MSFT合计新增AI数据中心产能。
• 2027年新增产能排序GOOGL约6.8-7GW，AMZN约4.7-5GW，MSFT约4.7-5GW，META约3.4GWMETA计入外部hyperscale协议后有效产能约4GW。
• NVDA增量产能份额约60%报告预计NVDA仍占2026/2027年聚合新增hyperscaler产能约60%。
• NVDA GPU与Custom ASIC每GW建设成本比较NVDA当前代GPU最高约为当前代Custom ASIC的2倍主要差异来自服务器/机架成本。
• NVDA性能/瓦优势约2倍至8倍报告认为NVDA在compute performance per watt上显著领先当前代Custom ASIC。
• AMZN 2026年前置建设资本开支约$90bn，约50%用于2027年及以后上线的建筑、壳体、设施、电力和产能。
• MSFT 2026年前置建设资本开支约$104bn，约55%支持Azure、Azure AI和M365长期增长。
• META 2026年前置建设资本开支约$85bn，约55%用于2027年及以后上线的芯片、机架和GW产能。
• GOOGL 2026年前置建设资本开支约$20bn，约10%报告认为这意味着更高通胀、短缺和数据中心建设执行风险。
• 机架之外的主要成本项网络约20%，供电壳体约高个位数至低双位数，HBM约中个位数至中双位数DRAM和HBM可能对机架价格形成上行风险。

影响与含义

该报告的投资含义在于，AI资本开支不能只看总额，还要看每GW成本、产能上线节奏、芯片组合和是否为未来产能前置建设。GOOGL的产能扩张最激进，有利于Gemini、GCP和Search/YouTube的GenAI部署，但较低前置建设比例提高执行和通胀风险。AMZN、MSFT、META的大规模前置建设可能意味着短期资本开支压力较大，但也可能在未来带来资本开支二阶增速放缓和更强供给保障。NVDA虽然成本更高，但性能/瓦领先使其仍具备强竞争力；Custom ASIC若要缩小差距，需要依靠网络、HBM容量和软件优化改善系统级性能/瓦。

风险

• 数据中心建设可能受电力、土地、承包商、电工、管道工等现实约束影响，导致产能上线推迟。
• HBM、DRAM和先进制程成本上涨可能推高服务器/机架成本，影响每GW资本效率。
• GOOGL前置建设比例较低，若2027年继续高强度扩张，可能面临更高通胀、短缺和执行风险。
• Custom ASIC若无法通过网络、内存带宽和软件优化缩小性能/瓦差距，可能难以替代NVDA高端GPU。
• META缺少云业务变现渠道，若AI产品化和增量收入不足，大规模算力资本开支的ROIC可能承压。
• 超大规模云厂商若更多使用长期债务或创新融资结构，可能改变资本结构和财务风险。

后续跟踪

• 各hyperscaler每GW收入或每MW收入区间，以评估云收入增长和ROIC。
• Trainium 4和TPU 8在性能/瓦、HBM容量、网络效率和软件栈上的改进幅度。
• NVDA Rubin和Rubin Ultra上线后是否重新提升NVDA增量产能份额。
• GOOGL TPU出货中留在GOOGL自用与进入第三方数据中心的比例。
• AMZN是否开始向第三方数据中心销售Trainium。
• HBM4、TSMC先进制程和内存模块采购模式对GPU机架成本及NVDA利润率的影响。
• 电力、土地、劳动力和供电壳体交付是否成为产能上线瓶颈。
• AMZN、MSFT、META前置建设是否在2027年后带来资本开支二阶增速放缓。