拆解大摩AI手册:算力在加码,回报却在分层丨松禾研究

算力在加码，回报却在分层

拆解大摩 99 页 AI 手册：资本开支的拐点、算力的结构变化，以及回报从哪一层开始分化

松禾资本 · 硬科技研究组

导读

一份 99 页的券商报告，把 AI 基建从投入到回报整条链路拆开算了一遍。数据密集，主线却高度集中。

资本开支的绝对额还在创新高，决定回报的却是——钱以什么方式变成算力，算力又以什么方式变成收入。

①资本开支绝对额仍在冲高，增速的拐点落在 2027 年之后

②四年四倍的算力增量里，定制 ASIC 占比从 34% 升到 66%

③三种变现模式的 ROIC 从 25% 到 46%，一体化玩家回报最高

日前，摩根士丹利发布《The Morgan Stanley AI Guidebook: Navigating the Age of Inference》（AI 手册：驾驭推理时代）。全文 99 页，由互联网、半导体、电力、信用策略等多个团队联合完成，试图回答市场最关心的八个问题：资本开支还要烧多久、算力到底建多少、AI 投资赚不赚钱、市场有多大、钱从哪儿来、开源模型会不会颠覆格局、电力和监管卡不卡脖子。

这八个问题可以归成三类。投入端问还要烧多久、建多少；回报端问赚不赚钱、市场多大、钱从哪儿来；约束端问开源模型和电力监管会不会改写节奏。按这个顺序把报告的数据排开，主线会落到同一个地方——投入的绝对额仍在创新高，但真正决定回报的，是钱以什么方式变成算力，算力又以什么方式变成收入。

01

CAPEX

资本开支：绝对额还在冲高，拐点落在 2027 之后

三年翻三倍，第四年增速收敛到 12%

八大厂商合计资本开支。数据为大摩自下而上建模结果，单位：美元。

八大厂商资本开支的同比增速

八大厂商指谷歌、亚马逊、微软、Meta、SpaceX/xAI、甲骨文、CoreWeave 与 Nebius。按大摩的建模，合计资本开支从 2025 年的 4,660 亿美元升到 2026 年的 9,170 亿美元，同比接近翻倍；2027 年再增 60%，达到 1.47 万亿美元。真正的变化出现在 2028 年——同比增速收敛到 12%，绝对额约 1.64 万亿美元。

三个理由解释了这次减速

1芯片产量有硬上限：资本开支是基于芯片与机架出货量、单位成本自下而上建模的，物理供给决定天花板。

2预建已经前置：2026 年资本开支中相当一部分投向土地、厂房、电力等长周期资产（亚马逊约 38%、Meta 约 32%），本质是为 2027 至 2029 年提前囤产能，前置不可能无限持续。

3劳动力、材料与电力的约束：基数已大、建设已快，再想大幅提速越来越难。

分公司看，谷歌是 2027 年加速最猛的一家：数据中心资本开支 2026 年约 2,050 亿美元，2027 年增长 83%，而它的预建占比只有约 5%，意味着 2027 年要真正大规模开工；亚马逊和 Meta 的预建比例更高，节奏更靠前。

增速放缓并不等于投入收缩。绝对额仍在创新高，变的只是斜率——而当增速放缓、收入放量、现金流改善三件事同时发生，资金的边际流向就会改变。这个判断的分量在于：增速的拐点落在 2027 年之后，而不是投入的终点。

02

COMPUTE

算力账本：四年四倍，增量主角换成 ASIC

资本开支最终要变成可用算力。按大摩测算，超大规模厂商的总计算容量将从 2025 年的 36.3 GW 增至 2028 年的 144.1 GW，四年约四倍；其中 2027、2028 年分别新增约 38 GW 和 44 GW。

增量最集中的是谷歌，2027、2028 两年新增产能约 9 GW 和 11 GW，居各家之首。驱动力有三：训练 Gemini 前沿模型、支撑 GCP 增长、在搜索与 YouTube 核心业务中部署生成式 AI 产品。

结构变化：新增算力里 ASIC 的占比升到六成以上

英伟达 GPU

谷歌 TPU

亚马逊 Trainium

其他 ASIC 与 AMD

定制 ASIC 在新增算力中的占比，将从 2025 年的 34% 升到 2028 年的 66%。谷歌 TPU 在 2027、2028 两年合计上线约 15 GW；亚马逊 Trainium 的 Trn3 与 Trn4 已经出现一到两年的远期预售。到 2028 年，TPU 与 Trainium 合计上线约 12 GW，与英伟达 GPU 的 13 GW 基本打平。

云厂商自研芯片的单位成本显著更低，叠加内存涨价推高每一代造价，构成了巨头们做自研的经济学。定制芯片份额上升，改变的是这条链上的价值分配——算力增量的定价权正在从通用 GPU 向云厂商自己的芯片转移。

03

ROIC

回报分层：同一块算力，三种买法差近一倍

回报这一层，大摩用三种变现模式算了同一块算力的细账，口径统一为 1 GW 的 GB300 数据中心。

三种变现模式的每 GW 收入与回报

云厂商出租 GPU 是最基础的一档：税后经营利润约 121 亿美元，基准假设为 75% 利用率与 8.5 美元/GPU 小时，敏感性区间 23% 至 39%。自有基础设施加模型 API 是谷歌和 Meta 走的路，增量 EBIT 利润率高达 75%。

租用第三方算力的轻资产 AI 实验室模式收入最高、约 405 亿美元，但其中 279 亿美元被算力租金吃掉。

三种模式的收入相差不到一倍，回报却差近一倍。差距全部来自成本结构，而不是定价能力。

同一块算力，谁拥有它，回报就归谁。

04

TAM

市场空间：50 万亿的盘子，先落到 8,000 亿

大摩把生成式 AI 的潜在市场拆成两块。一块是全球约 22.6 万亿美元的知识工作支出，算法是 36 亿就业人口乘以 25% 的知识工作者比例、再乘以人均 2.52 万美元年薪；另一块是约 30 万亿美元的可数字化消费支出，包括电商旅游 16 万亿、自动驾驶 4 万亿、外卖 4 万亿、广告 3 万亿、物流 3 万亿、可穿戴 1 万亿。两块合计 50 万亿至 60 万亿美元。

从总盘子落到年度收入，大摩借用了公有云的采用曲线：云支出占 IT 预算的比例，第 1 年 3%、第 2 年 4%、第 8 年 13%。照这条曲线推演，2027 年（第 2 年）企业生成式 AI 支出约 8,120 亿美元、渗透率 4%；到 2033 年可达 3.2 万亿美元、渗透率 13%。

大摩同时提示这个类比可能偏保守：AI 不需要整体 IT 架构迁移、价值兑现更快、企业落后的竞争代价更高，扩散理应快于当年的云。另一个佐证来自历史——PC、互联网、移动、云四个周期中，分析师的初始预测平均低估了实际规模约 38%。

05

ADOPTION

采用信号：四分之一的标普 500 已在量化收益

叙事之外，可核对的证据正在累积。截至 2026 年二季度，约 25% 的标普 500 公司在财报中量化披露了生成式 AI 的收益，一年前这个数字只有 14%。

分行业看，走得最靠前的是科技（51%，一年前 28%）、通信服务（44%）、金融（37%，一年前仅 8%），医疗与工业紧随其后。

电话会里的案例更具体

报告引用的企业级 AI 落地读数

这些案例的共同点是可以计量：提升的百分点、下降的成本、翻倍的产出。披露口径从定性讨论转向定量读数，是这轮采用最可验证的进展。

06

FUNDING

资金来源：3.21 万亿怎么拼出来

2026 至 2028 年，数据中心资本开支的总需求约 3.21 万亿美元。拆开看，股权资本约 1.46 万亿，信用市场约 1.75 万亿。信用市场里，投资级债 6,500 亿、高收益债 1,500 亿、贷款 500 亿、ABS/CMBS 2,000 亿、私募信用 7,000 亿——私募信用中还有 5,000 亿是资产抵押融资（ABF）。

年初至今，全球 AI 相关债券发行已达约 4,500 亿美元，超过去年全年的两倍；但 AI 债务目前只占投资级指数的 7%，仍有扩容空间。

偿付能力：经营现金流是发债需求的三到十四倍

更关键的是偿付能力。四家厂商的经营现金流在 2026、2027、2028 年分别约为 7,390 亿、9,820 亿和 1.23 万亿美元，而同期新增发债需求只有 2,380 亿、2,000 亿和 900 亿美元——覆盖倍数从 3 倍到 14 倍不等，且现金流越滚越大、发债需求反而递减。

大摩的判断是，即便市场要调整，也更可能通过利差走阔实现，而不是发行冻结；目前高质量超大规模厂商的利差已比投资级指数宽 7 个基点。需要留意的风险点在表外：长期租赁与算力采购承诺，以及英伟达不断膨胀的资产负债表——大摩测算其到 2028 年末全口径信用敞口约 2,000 亿美元。

这轮开支的脆弱处不在利润表，而在表外。

07

VARIABLES

两个变量：开源模型与电力瓶颈

开源模型不会减少算力需求

第一个变量是开源权重模型。大摩的判断是，开源不会减少算力需求，反而会强化杰文斯悖论——token 均价下降，需求扩大，推理在全经济范围内规模化。

真正受影响的是模型层的定价权。而云厂商的模型礼宾层（AWS Bedrock、微软 Foundry、谷歌 Vertex AI）反而更值钱：帮客户按任务选对模型、屏蔽基础设施复杂度——无论客户用开源还是闭源，云厂商都能在中间变现。即便开源进一步普及，大摩测算 1 GW 算力仍有约 20% 至 40% 的 ROIC。

电力：38 GW 缺口与表后自备电源

第二个变量是电力与监管。州和地方对数据中心的审查正在加剧，理由集中在电价、环境与生活质量三类，暂停令已有先例。美国面临约 38 GW 的电力缺口，通电时间成为硬约束。

结果是表后自备电源（BTM）越来越普遍——每 GW 因此增加约 30 亿美元资本开支，Rubin Ultra 代数据中心的全口径成本达到 500 亿美元/GW。这也带出了新的受益环节：现场发电的燃料电池与燃气方案商，以及自带电力配套的数据中心壳体供应商。

监管阻力是否会升级，还要看政治周期。2028 年大选周期前对数据中心的抵制值得持续跟踪；如果地方阻力上升到联邦层面，本土算力的落地节奏会被拖慢。电力正在从成本项，变成投产的前置条件。

开源不会减少算力，只会改变谁有定价权。

08

ROTATION

落脚：轮动正在从硬件转向软件与服务

大摩在报告里画了一张移动互联网时代的轮动图：2010 到 2016 年，半导体（高通、ARM）先涨，基础设施与设备（三星、苹果）接力，最后软件与服务（谷歌、亚马逊）跑赢。

本轮 AI 周期沿着相同的路径演进，只是速度快于以往任何周期。

半导体与基础设施至今大幅跑赢，速度也快于以往任何周期。当资本开支增速在 2027 年见顶、收入端开始兑现，软件与服务层已经站在下一轮超额收益的起点上。对应的标的指向也明确：拥有自有基础设施、模型与分发全栈能力的谷歌、Meta、亚马逊、微软，以及能把 AI 转成实际收入的软件与平台公司。

把这份报告放回国内产业链，有两个位置的确定性相对更高：一是定制芯片带来的设计服务与先进封装需求，二是数据中心的电力配套——从中压配电、柴发与燃气机组，到液冷与结构件。这两条线不依赖某一家模型公司的胜负，只依赖算力总量的增长。

下一段比的不是投入规模，是变现效率。

09

SUMMARY

结语

资本开支的绝对额还在创新高，但这份报告把注意力从投多少，移到了怎么投、怎么收。三个数字最值得记住：增速拐点落在 2027 年之后，算力增量里定制 ASIC 的占比升到 66%，三种变现模式的回报相差近一倍。

进入推理时代，四场辩论值得放进观察清单

1就业冲击与再培训：哪些行业会最先大规模裁员，技能重塑的投入由谁承担。

2数据中心的政治化：中期选举与 2028 大选周期下，监管阻力是否会升级。

3超大规模厂商与前沿实验室的关系：实验室选择自建基础设施，还是继续上云。

4开源与闭源：未来十年数万亿美元的推理支出，最终由谁瓜分。

训练时代的账算得差不多了，变现时代的账才刚开始算。

END