摩根士丹利看好生成式 AI 投资的 25%-50% ROIC 路径
AI 摘要卡
摩根士丹利看好生成式 AI 投资的 25%-50% ROIC 路径
报告用三套自下而上的 GenAI ROIC 框架说明，GPU 租赁、模型 API 及第三方算力上的模型 API 均有望实现具吸引力的增量利润率和资本回报，支撑对 AMZN、GOOGL、MSFT 和 META 的积极观点。
- 核心结论是 AI 资本开支并非只带来成本压力，推理时代的算力和模型服务可形成 25% 以上、部分场景 40% 以上的 ROIC。
- Hyperscaler GPU Rental 模式预计可产生约60%-70%增量 EBIT 利润率和25%-40% ROIC，利好 AWS、GCP 和 Azure。
- 自有基础设施上的模型 API 业务预计可产生70%以上增量 EBIT 利润率和40%以上 ROIC，关键变量是 token 定价、token 吞吐和产品创新。
- 使用第三方基础设施的模型 API 仍可实现约30%增量 EBIT 利润率和25%以上 ROIC，但算力采购成本会显著影响单位经济性。
- META 被列为 Top Pick，目标价 $775.00，报告强调 AI 投资、Reels 货币化、效率改善和数据中心能力的潜在上行。
研报解读
概览
本报告聚焦北美互联网和云计算龙头在生成式 AI 资本开支、算力扩张和模型训练投入快速上升背景下的投资回报问题。摩根士丹利认为，虽然市场担心大型云厂商和模型开发商的 AI 投资拖累情绪与估值倍数，但随着行业进入推理收入阶段，GPU IaaS、模型 API 以及基于第三方算力的模型 API 都存在可观的增量利润率和 ROIC 路径。
核心观点
报告的核心观点是：第一，算力紧缺和数据中心容量价值上升，将使 AWS、GCP、Azure 等 hyperscalers 在推理基础设施中获得可规模化且盈利的收入；第二，模型实验室需要持续投资和创新，以维持 token 定价能力并提升 token 吞吐效率；第三，AI 投资回报的健康水平也会吸引更多竞争者和开源方案进入，因此产品差异化、芯片效率和软件效率将成为长期胜负手；第四，报告对 AMZN、GOOGL、MSFT 和 META 保持乐观，其中 META 的 AI、广告、Reels 和效率改善被认为具备多重上行期权。
分析框架
报告采用三类标准化 GenAI ROIC 框架进行自下而上测算：1）Hyperscaler GPU Rental，即云厂商出租 GPU 推理能力；2）自有基础设施上的 Model Enabled API；3）租用第三方基础设施运行的 Model Enabled API。每个框架分别拆解收入端的 GPU 价格、利用率、token 定价和 token 吞吐，以及成本端的 IT/服务器/网络折旧、powered shell 折旧、能源、运维、人工和第三方算力采购成本。
方法论与常识提炼
以 1GW NVDA GB300 推理容量测算云厂商 GPU 租赁业务。
模型通过 GPU 每小时价格和利用率推导收入，并将 IT 与非 IT 折旧、能源成本和其他运营费用计入成本。报告估计该模式可实现约60%-70%增量 EBIT 利润率和25%-40% ROIC。
模型开发商在自有数据中心上提供 API 访问。
收入关键变量包括用于推理的算力比例、tokens/second/GPU 和 token 定价；成本包括数据中心资产折旧、能源和运营费用。报告估计该模式可实现70%以上增量 EBIT 利润率和40%以上 ROIC。
模型开发商租用 hyperscaler 或其他第三方算力来提供 API。
该模式避免自建一部分基础设施，但需要向第三方支付算力成本。报告估计仍可实现约30%增量 EBIT 利润率和25%以上 ROIC，token 定价、token 吞吐和算力采购成本是最敏感变量。
将 NVDA GB300 GPU 作为三套框架中的标准算力设备。
报告以 1GW GB300 容量作为统一基准，并采用约 $39bn/GW 的全口径资本成本，对应自有基础设施每年约 $6bn 折旧；该假设影响 GPU 数量、每小时价格、token 吞吐和折旧费用。
token 吞吐不是固定硬件属性，而受模型、软件栈和输入输出组合影响。
报告使用 2,000-3,500 tokens/second/GPU 的示例区间，并指出更大参数模型虽可有更高 token 定价，但通常伴随更低吞吐，因此高定价不必然线性转化为更高收入/GW。
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）。
- META PLATFORMS INC (US.META)Top Pick；模型 API、AI 广告、Reels、数据中心和效率改善的受益者。
- 优势
- 报告强调 META 的结构性效率转向、收入和参与度改善、Reels 货币化进展，以及 AI、订阅和 click-to-message 等潜在上行期权；目标价 $775.00，牛市情景 $1,000.00。
- 劣势
- AI 和数据中心投入提高资本强度；若 Reels 货币化慢于预期或 Reality Labs 亏损扩大，可能压制经营利润和自由现金流。
- 对比
- 相较更偏基础设施的 AWS、GCP、Azure，META 的机会更偏模型、广告产品、用户参与度和自有数据中心货币化。
- 风险
- 宏观压力、消费疲弱、监管限制定向广告、Reality Labs 亏损扩大、数据中心建设执行不佳和长期资本强度上升。
- Amazon.com Inc (AMZN.O)AWS 与高利润业务受益于云采用和 AI 推理算力需求。
- 优势
- 报告指出 Amazon 高利润业务支持盈利能力提升，同时 AWS 处于多年云采用周期，广告也是增长和利润流的重要来源；目标价 $330.00。
- 劣势
- 零售履约、最后一公里、Prime、Fresh、Alexa/Echo、印度和 AWS 等领域仍需要持续投入。
- 对比
- AMZN 的 AI 投资回报更集中在 AWS 算力出租和云基础设施层，同时零售与广告提供多元利润池。
- 风险
- 投资支出高于预期且持续更久、商品利润率低于预期、AWS 收入减速或利润率下降。
- Microsoft (MSFT.O)Azure、Microsoft AI Copilots 和 M365 商业 SKU 受益于云与 AI 采用。
- 优势
- 报告强调 Azure 增长、Copilot 货币化、M365 高价 SKU 采用和座席增长可推动高十位数至低二十位数收入 CAGR，并支撑 20% 以上 EPS 增长；目标价 $600.00。
- 劣势
- 近期报告利润率可能低于 GB300 推理场景的理论增量利润率，因为现有芯片世代、传统云工作负载和额外研发/人力成本仍会影响披露口径。
- 对比
- MSFT 同时拥有云基础设施和软件应用层，AI 货币化路径覆盖 Azure 与 Copilot。
- 风险
- 宏观疲弱影响 IT 支出、本地部署被云替代、投资增加拖累利润率、AI 采用有限。
- Alphabet Inc. (GOOGL.O)GCP、Google Gemini、Search 和 YouTube 的 AI 创新受益者。
- 优势
- 报告认为 Search、YouTube、Cloud 和其他产品的 AI 驱动平台级创新可提升长期增长可持续性，费用纪律也可能带来 EPS 和 FCF 上修；目标价 $400.00。
- 劣势
- 模型开发和基础设施投资强度高，需要持续产品创新和效率提升来保持 token 定价与吞吐优势。
- 对比
- GOOGL 兼具云基础设施、模型 API 和消费级分发渠道，处在 hyperscaler 与模型开发商两端。
- 风险
- AI 竞争、搜索商业模式变化、云增长不达预期、成本投入高于预期。
关键数据
- 主要 hyperscalers 资本开支$1.4trln+报告引用此前研究，预计主要 hyperscalers 到 2028 年的资本开支路径超过 $1.4trln。
- 计算容量增长约4倍，至约120GW预计 2025 至 2028 年计算容量约四倍增长。
- 三类 GenAI 模式的目标 ROIC25%-50%报告标题和核心论点均指向生成式 AI 投资可实现 25%-50% 的资本回报路径。
- Hyperscaler GPU Rental 增量 EBIT 利润率约60%-70%报告认为 GB300 推理容量的云租赁业务可形成高增量利润率。
- Hyperscaler GPU Rental ROIC25%-40%该模式受 GPU 定价、利用率、折旧和能源成本影响。
- 自有基础设施模型 API 增量 EBIT 利润率70%+报告认为模型 API 在自有数据中心上可形成更高增量利润率。
- 自有基础设施模型 API ROIC40%+token 定价、token 吞吐和产品创新是关键驱动因素。
- 第三方基础设施模型 API 增量 EBIT 利润率约30%第三方算力成本压低利润率，但单位经济性仍具吸引力。
- 第三方基础设施模型 API ROIC25%+报告使用 NOPAT 口径描述该场景的回报。
- GB300 全口径资本成本假设约$39bn/GW对应自有基础设施每年约 $6bn 折旧费用。
- 自有 GPU 利用率假设75%报告称该假设接近优化良好的 AI 数据中心行业平均水平。
- META 目标价$775.00报告的 META 风险回报页列示目标价 $775.00，并标注 Top Pick。
- META 当前价$595.19监管披露表列示 Meta Platforms Inc 价格为 $595.19。
影响与含义
报告对投资含义的判断偏积极：AI 资本开支会继续上升，但若推理需求放量并形成 API 与云基础设施收入，资本开支可转化为较高增量利润和 ROIC。对云厂商而言，算力紧缺强化数据中心容量和 GPU 供给的价值；对模型公司而言，持续模型创新和软件效率提升决定 token 定价能力与成本曲线；对互联网巨头而言，具备资本、数据、分发和算力规模的公司更有能力承受训练成本并在推理商业化中获得回报。
风险
- AI 资本开支和模型训练投入若不能有效转化为推理收入，ROIC 可能低于报告框架假设。
- GPU 定价、利用率、token 定价、token 吞吐和第三方算力采购成本是高敏感变量，任何一项恶化都会压缩单位经济性。
- 新进入者和开源模型增加竞争，可能压低 token 定价并削弱模型 API 的利润率。
- 报告使用 GB300 和 1GW 标准化假设，真实业务会受芯片世代、工作负载组合、软件配置和数据中心运营差异影响。
- 云厂商短期披露的增量利润率可能低于理论场景，因为仍有传统云工作负载、旧芯片容量和额外人力及研发费用。
- 对 META 的主要下行包括宏观压力、广告监管、Reels 货币化不及预期、Reality Labs 亏损扩大以及数据中心误执行导致资本强度上升。
后续跟踪
- 主要 hyperscalers 的 AI capex、数据中心容量和 compute capacity 是否继续按预期扩张。
- GB300 及后续芯片的 GPU 每小时价格、供给节奏、利用率和折旧假设。
- 模型 API 的 token 定价、tokens/second/GPU、输入输出 mix 和大模型参数规模变化。
- 训练与推理算力分配比例，尤其是训练/维护模型成本对可变现推理容量的挤压。
- AWS、GCP、Azure 的 AI 推理收入、云增长和披露利润率变化。
- META 的 Reels 参与度和货币化、AI 广告效果、订阅及 click-to-message 进展。
- GOOGL 的 Gemini、Search、YouTube 和 GCP AI 创新是否转化为收入和利润上修。
- MSFT 的 Azure AI 服务、Copilot 采用和 M365 高价 SKU 渗透。