China AI value chain：J.P. Morgan预计中国AI利润将大幅增长，价值将逐步从硬件转向云和下游变现

概览

这是一份中国AI价值链覆盖启动报告，建模分析不断扩大的智能消费如何转化为硬件、云、模型加应用的收入和经营利润。J.P. Morgan对该行业持建设性观点，认为硬件获取早期建设期经济利益，而随着利用率、付费使用和毛利率改善，云及下游业务将贡献越来越多的盈利增长。

核心观点

J.P. Morgan预计，中国AI价值链将扩张，原因是更强的模型能力、更低的推理成本、更长的推理链、更丰富的上下文和多步骤智能体将在2026E至2030E期间推动推理token消费量增长约60倍。预计企业将占2030E token消费量约69%，受编码、研究、客户服务和运营等经常性工作流用例支持；消费者通过创作、生产力和个性化服务贡献其余31%。报告预计2030年全球AI终端客户支出将超过US$1.4tn，其中中国约占四分之一，并将该需求界定为超越传统软件预算、延伸至劳动力、服务和工作流经济的机会。 报告将价值链分为硬件、云以及模型加应用，同时强调各层收入存在重叠，不能作为终端客户支出相加。其自下而上模型追踪一美元云投资经历三个收入确认周期：硬件在采购产能时确认收入，云在产能五年服务期内获得经常性收入，下游公司则对已部署产能所提供的智能和工作流变现。中国超大规模云厂商AI投资在2026E-30E累计建模为US$777.6bn，从2026E的US$100.0bn升至2029E和2030E的US$184.8bn。因此硬件收入等于年度云投资，并达到相同的US$777.6bn累计值；硬件经营利润率在该期间从30%升至40%。 硬件因供应商在采购时即获得付款而最先盈利。预计其将产生US$286.1bn，即US$543.8bn的2026E-30E累计行业经营利润池中约53%。硬件经营利润从2026E的US$30.0bn升至2030E的US$73.9bn，但随着云和下游变现扩大，其在年度行业利润中的占比从93%降至30%。J.P. Morgan并不将当前上游价值集中本身视为错误定价：这反映硬件在产能建设阶段确认了可观的经济利益。即使增量价值转向其他环节，持续增长的训练、推理和智能体工作负载仍支持庞大的绝对硬件利润池。 云是连接已部署产能与智能消费的经常性变现桥梁。模型假设每一批资本开支从采购次年起产生五年云收入，利用率从首个收入年度的60%爬升至第三至第五年的80%。满利用率收入收益率从2026E年度资本开支的0.50x起，每年提高4%，至2030E为0.585x。因此，随着多个投资批次同时运营，预计云收入从2026E的US$20.0bn增长至2030E的US$249.1bn，即12.5x。云EBITA利润率假设2026E为12%，之后为15%，对应经营利润从US$2.4bn增长至US$37.4bn。云回报仍是整个体系的关键约束：若收益率、利用率或服务效率疲弱，未来产能扩张可能受限；若回报具吸引力，则可支持更多投资和更大的下游利润池。 模型加应用是报告所称中期盈利增长的主要来源，但也是最具后置性和敏感性的环节。云收入中训练和模型研发 / 推理的占比从2026E的45% / 55%转为2030E的15% / 85%。由于推理支出属于下游销售成本，下游收入受到云所能实际服务的产能约束。随着下游毛利率假设从30%提高至50%，收入从2026E的US$15.7bn升至2030E的US$423.4bn，即26.9x。2026E训练和模型研发消耗US$9.0bn，而下游毛利仅为US$4.7bn，造成US$5.9bn经营亏损。预计该层将在2028E转盈，经营利润为US$6.2bn、毛利率约40%，然后在2030E实现US$423.4bn收入和US$132.0bn经营利润，毛利率为50%。 由此带来的利润结构变化显著。年度经营利润总额从2026E的US$26.5bn增长至2030E的US$243.3bn；硬件增长2.5x，云增长15.6x，下游则从亏损转为占年度行业利润的54%。下游约贡献五年累计经营利润的32%，但贡献2026E至2030E行业年度经营利润US$217bn增量的64%。模型中的下游累计利润约77%发生在2030E，因此在盈利拐点前，融资能力、现金消耗和资本可得性是重要筛选标准。J.P. Morgan明确将2030E利润池视为情景结果而非精确点预测，因为毛利率、训练强度或付费采用速度的轻微变化都可能显著改变结果。 J.P. Morgan认为，当前市场价值大致反映了当下的收入分布，而非模型所预测的盈利转移。模型加应用约占其估算的中国AI归属上市公司市值的14%，与该层约占2026E价值链收入12%的比例大体一致。然而，其预测显示，下游收入占比到2030E将升至约49%，下游经营利润占比将达到约54%。因此，报告关注付费使用、毛利和现金生成能否证明后期利润转移将被市场看见。相关的近期指标包括云利用率、经常性API和订阅收入、付费应用用户、扣除推理和交付成本后的毛利率、经营杠杆和现金流。 选股框架为Opportunity × Scarcity × Value Capture。Opportunity衡量公司工作负载周边的经济池规模；Scarcity检验哪些能力仍难以复制或替代；Value Capture则考察这些优势是否转化为客户支出、毛利、现金转化和回报。报告预计，稀缺性将随着时间从原始产能和前沿模型智能，转向服务效率、专有企业上下文、权限、工作流所有权和交易执行。报告也警示，稀缺资产并不自动创造股权价值：公司必须证明其变现能力，以及在支付计算、推理、部署和其他技术栈成本后所保留的经济利益。 Alibaba、Tencent和Zhipu是J.P. Morgan的首选敞口，因为它们位于模型所描绘序列的不同位置。Alibaba整合T-Head芯片、云产能和模型业务，J.P. Morgan对其增量产能的重构估计税后项目IRR为26.6%，而标准化行业队列为10%，这一结果取决于更高的收入收益率和更快的利用率。Tencent是首选应用敞口，因为即使通用模型吸收更多界面功能，其分发、专有上下文和交易执行仍可能不可或缺；报告认为这些AI应用资产大部分尚未被定价。Zhipu是首选差异化智能敞口，关键检验在于相对能力能否维持API定价、付费调用、留存以及足以支持持续模型开发的毛利。 报告以Overweight启动SenseTime、Phancy和Xunce覆盖，并以Overweight承接Kingsoft Office覆盖。其对MiniMax、JST、Meitu、Kingdee和Manycore给予或承接Neutral评级，理由包括变现不确定性、功能可替代性、商业化早期、估值和增长约束的不同组合。其以Underweight承接Yonyou覆盖，因其企业工作流资产尚未转化为相当的综合增长、盈利能力和现金生成。行业层面的风险包括智能消费增长低于预期、公司特定稀缺性被侵蚀，以及采用向毛利和现金流的转化较弱。

分析框架

J.P. Morgan从预计token消费和终端客户AI支出开始，再从云投资构建自下而上的价值链模型。它追踪同一笔投资经过硬件采购、五年云收入队列和受推理产能约束的下游收入，随后使用Opportunity × Scarcity × Value Capture评估公司，并以利用率、经常性收入、付费采用、毛利、留存、现金流和增量回报等可观察指标检验战略定位。

方法论与常识提炼

• 行业/产业分析框架产业链上中下游传导

  覆盖硬件、云和模型加应用的三层AI价值链模型。

  报告追踪云投资如何经过硬件采购、经常性云变现和下游智能收入，以展示经济利益如何在相互连接的环节之间分配。

• 行业/产业分析框架供需框架

  token消费和推理产能需求模型。

  预计的AI工作负载增长、利用率和推理需求驱动报告对产能需求、云收入和下游变现的估计。

• 竞争与战略框架护城河/竞争优势

  Opportunity × Scarcity × Value Capture框架。

  该框架评估公司AI机会的规模、难以复制资产的持续性，以及这些资产是否转化为收入、毛利、现金流和回报。

• 公司基本面与财务框架自由现金流分析

  从收入到毛利、经营杠杆、CFO/FCF和增量回报的财务转化序列。

  报告认为，除非AI采用在扣除推理和部署成本后产生毛利、现金转化和可接受的投资回报，否则仅有营收增长并非充分证据。

• 估值方法PE/PEG 估值

  针对多家覆盖公司的前瞻P/E倍数目标价格方法。

  股票汇总表对Alibaba、Tencent、Zhipu和其他多家覆盖公司，将前瞻P/E倍数应用于预测盈利。

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）。

• Alibaba (BABA / 9988.HK)

  覆盖硬件、云和模型加应用的首选整合型敞口。

  优势

  T-Head芯片、云产能、模型业务及潜在的模型/基础设施协同设计。

  劣势

  不断上升的投资基数可能推迟现金转化。

  对比

  J.P. Morgan估计税后增量项目IRR约26.6%，而标准化行业队列为10%。

  风险

  云竞争定价、内部芯片未能改善单位经济效益，以及持续投资延后现金回报。

• Tencent (700.HK)

  首选应用敞口。

  优势

  在消费者和商业活动中的分发、专有上下文和交易执行。

  劣势

  AI贡献可能仍难以在集团披露结果中识别。

  对比

  报告认为，相对更广泛的中国AI归属上市市场，Tencent的AI应用资产大部分尚未被定价。

  风险

  AI参与度可能无法转化为广告、商家或交易收入；开发和推理成本可能侵蚀毛利。

• Zhipu (2513.HK)

  首选差异化智能敞口；Overweight。

  优势

  相对模型能力、付费API潜力、专有harness、服务优化和企业部署。

  劣势

  经济效益取决于持续的相对能力以及足以支持持续模型开发的毛利。

  对比

  报告将Zhipu列为首选中国模型敞口，而MiniMax仍为Neutral，等待能力、定价和毛利转化方面更强的证据。

  风险

  模型能力收敛、开放权重价格竞争，以及训练成本增长快于付费使用。

• SenseTime (20.HK)

  以Overweight启动覆盖，作为基础设施、部署和多模态敞口。

  优势

  SenseCore将产能与生产级AI工作负载连接。

  劣势

  长期价值取决于将能力推广至内部工作负载之外。

  对比

  外部采用、利用率和利润率进展是核心验证指标。

  风险

  技术改进可能无法扩大为外部采用、可复用收入或可接受回报。

• Phancy (6682.HK)

  以Overweight启动覆盖，作为异构计算优化和部署敞口。

  优势

  调度、模型适配和部署可应对碎片化加速器环境。

  劣势

  产品化和经营转化仍是关键检验。

  对比

  报告认为，公司经济效益有望从产能密集型部署转向优化驱动的可复用软件。

  风险

  能力可能无法转化为毛利率扩张、部署效率或客户复用。

• Xunce Technology (3317.HK)

  以Overweight启动覆盖，作为企业AI部署和产品化敞口。

  优势

  企业上下文、治理、集成和Token/TokenOS模块复用。

  劣势

  实施密集型交付必须成为可扩展的软件经济效益。

  对比

  模块复用、部署时间、人均收入和回款是关键检验。

  风险

  企业部署需求可能仍偏劳动密集型，而无法产生经常性软件和使用收入。

• Kingsoft Office (688111.CH)

  以Overweight承接覆盖，作为生产力应用敞口。

  优势

  庞大用户基础、分发、文档上下文和工作流所有权。

  劣势

  AI变现必须超过AI服务成本。

  对比

  报告认为，获得日益可互换的智能可扩大付费生产力使用，同时降低服务成本。

  风险

  付费转化、增量毛利和更广泛工作流渗透可能未如预期发展。

• MiniMax (100.HK)

  Neutral基础模型敞口。

  优势

  强劲的使用量增长以及多模态和智能体定位。

  劣势

  持久能力、定价权和毛利转化仍需进一步证明。

  对比

  与Overweight评级的Zhipu不同，报告认为MiniMax的证据更多集中于使用量增长而非差异化财务转化。

  风险

  与美国制片厂的诉讼程序、竞争、持续研发投资、商业化不确定性，以及对计算基础设施和供应商的依赖。

• Yonyou Network Technology (600588.CH)

  以Underweight承接覆盖，作为企业应用敞口。

  优势

  企业状态、权限和复杂工作流资产。

  劣势

  综合增长、盈利能力和现金生成尚未显示出相当的价值捕获。

  对比

  报告认为AI机会可观，但其财务转化弱于投资案例所需水平。

  风险

  AI产品和合同活动可能继续无法转化为收入、利润率和现金转化。

关键数据

• 中国AI token消费增长c.60x from 2026E to 2030E由更广泛采用、更强能力、更低推理成本和更复杂的智能体工作流推动。
• 2030E中国token消费中的企业占比c.69%消费者占其余c.31%。
• 全球AI终端客户支出>US$1.4tn in 2030E预计中国约占需求的四分之一。
• 中国AI超大规模云厂商投资US$777.6bn cumulatively in 2026E-30E模型设定为从2026E的US$100.0bn升至2029E和2030E的US$184.8bn。
• 中国AI行业经营利润US$26.5bn in 2026E to US$243.3bn in 2030E2026E-30E累计经营利润为US$543.8bn。
• 下游收入US$15.7bn in 2026E to US$423.4bn in 2030E增长26.9x，受更大的推理池和毛利率从30%提升至50%支持。
• 下游经营利润US$(5.9)bn in 2026E to US$132.0bn in 2030E模型预计下游在2028E首次实现正经营利润，为US$6.2bn。
• Alibaba增量产能项目IRRc.26.6% after tax相对于J.P. Morgan重构中的标准化行业队列10%。

影响与含义

J.P. Morgan预计三个层级都将增长，但区分了硬件的近期盈利可见度与云和模型加应用更大的中期盈利轨迹。其认为，关键投资议题并非仅是AI支出是否增长，而是产能能否赚取可接受回报、推理成本下降能否扩大下游毛利，以及个别公司能否掌握稀缺收费点并将使用量转化为现金流。

风险

• 智能消费增长可能低于J.P. Morgan的预期。
• 随着产能扩张和模型能力日益可互换，公司特定的稀缺性可能被侵蚀。
• 在推理、开发、部署和支持成本后，AI采用对毛利和现金流的转化可能较弱。
• 云收入收益率、利用率或服务效率可能持续不足，限制经济上可持续的产能投资。
• 下游预测对毛利率、训练强度和付费采用速度敏感，且模型中大量利润集中于2030E。

后续跟踪

• 云利用率、服务效率、收入收益率和云业务分部利润率的增长。
• 经常性API和订阅收入、付费应用用户、AI付费转化和按使用量计费的收入。
• 扣除推理和交付成本后的毛利率、经营杠杆、现金流和增量资本回报。
• 对于模型公司，相对能力、定价、token和ARR增长、官方端点经济效益及harness采用情况。
• 对于中间件公司，模块复用、部署时间、人均收入、跨行业复制和回款。
• 对于应用公司，留存、NRR、交易或动作量、AI相关ARPU或ACV，以及机器生成使用量是否抵消席位压缩。