软件让位给半导体：两只万亿美元新股背后的 AI 基建再定价

科技股的定价分歧正在从“AI 需求是否存在”转向“谁能把需求变成可交付产能、合约现金流和可持续利润”。半导体与存储先拿到硬约束溢价，软件需要重新证明自己不是被 AI 压缩的成本项，而是企业智能化的控制层。

全文内容概括

Morgan Stanley 这期欧洲软件周报表面是在讲软件板块被半导体抢走科技股风头，实质上给出了一个更大的定价变化：市场已经不再只为“谁讲得像 AI 公司”付费，而是开始追问 AI 资本开支到底先落在哪些资产负债表上，哪些环节能把模型调用、数据中心建设和企业改造变成收入、毛利和现金流。过去一年，存储、GPU 供应链、先进封装、网络和电力约束不断把盈利预测往上推；软件公司即使仍有高续费率和高毛利，也必须面对一个问题：AI 是否会把原来的座位数收费、外包人天和传统应用模块压成更低价格的功能层。

本文的核心判断是：软件没有被 AI 证伪，但软件的定价锚已经被迫后移。半导体与存储的优势在于供给短缺、订单可见度、云厂资本开支和价格弹性直接进入利润表；软件的机会则在数据治理、流程闭环、Agent 工作流、主权云与行业工程知识，但这些机会需要更长时间反映到收入确认。换句话说，AI 科技股的第一阶段奖励“硬约束资产”，第二阶段才会奖励能把算力转化为生产率和留存率的软件控制层。未来两个季度，最需要观察的不是软件估值是否便宜，而是软件是否重新拿回盈利修正的主动权。

英伟达之后，AI还买什么：HBM、PCB、电力、软件与Agent入口的价值迁移

从云计算到AI基建：一场由债务、股权与电力共同定价的新周期

一、周报真正指向的是科技股定价权迁移

这期 Software Snippets 的关键信号，不是欧洲软件又弱了一周，也不是某几家公司估值回落，而是科技股内部的注意力和资金权重正在向“AI 基建可验证环节”集中。大摩观察到，半导体相关资产在过去一年持续大涨，软件多头拥挤度反而偏低；与此同时，SK 海力士和美光这类存储龙头进入万亿美元市值区间，SanDisk 的涨幅更成为极端样本。市场并不是简单地抛弃软件，而是在重新排列 AI 产业链的证据优先级。

这个顺序很重要。2023 年和 2024 年，AI 交易首先奖励训练算力和 GPU 稀缺；2025 年以后，云厂资本开支、长期容量预定、HBM 与 eSSD 供给、先进封装、网络互联和电力接入开始变成更清晰的盈利证据。到 2026 年中，科技股不再缺 AI 故事，缺的是“谁先确认收入、谁先涨价、谁先证明毛利不被侵蚀”。半导体和存储恰好站在这一轮验证最靠前的位置。

软件的处境则更复杂。应用软件、IT 服务、工程软件和数据平台都能讲 AI，但它们面对的是两个方向相反的力量：一边是企业确实需要智能体、数据治理、自动化流程和行业模型；另一边是模型降价、代码生成、自动化客服、低代码工具和 AI-native 应用正在压缩传统软件的交付方式。软件从“天然高毛利资产”重新变成“需要证明自己控制工作流和数据入口的资产”。

这个表的结论是：科技股不是从“软件”切到“硬件”这么简单，而是从“远期叙事”切到“短期可验证现金流”。软件仍然有机会，但要用更硬的指标重新进入核心仓位，例如 AI ARR、净收入留存、客户扩容、推理成本转嫁能力、数据平台消耗量、企业智能体上线率，而不是只靠“我们也有 AI 功能”。

二、半导体为什么赢：盈利修正比估值叙事更有说服力

半导体赢在两个层面。第一，AI 资本开支已经以订单、交付周期和供给瓶颈的形式进入产业链。云厂要建新集群，必须采购 GPU、ASIC、HBM、先进封装、网络设备、存储、电源和散热。只要模型公司、云厂和企业客户仍在争夺算力，半导体链条就先拿到预算。

第二，半导体和存储的盈利修正更快。软件公司做 AI 通常先要投入研发、增加推理成本、重构产品和教育客户；半导体公司在供给约束下更容易把需求转化为价格和毛利率。对市场来说，盈利修正比叙事更有说服力。估值可以高，但只要每个季度盈利预测继续上修，股价就有新的支撑。

瑞银的科技框架给了一个很好的解释：科技股整体 CFROI 预期处在高位，但不同子行业的估值含义不一样。基础设施环节的高回报来自资本开支扩张和供给约束，软件则因为增长放缓和终值风险被重新定价。市场真正担心的不是软件短期收入下降，而是 AI 会不会降低软件长期护城河，使一部分软件从“高复利资产”退化成只赚资本成本的资产。

这也是半导体相对软件的关键差别。半导体的风险是周期和资本开支，但当前证据集中在“需求超过供给”；软件的风险是终值和价格权力，当前证据仍在等待“AI 功能能提高客户付费意愿”。在资金有限的情况下，组合经理自然会把仓位先放到盈利修正最确定的地方。

三、存储是这一轮 AI 基建再定价最刺眼的证据

如果只看 GPU，市场容易把 AI 基建理解为单一龙头交易；如果把存储放进去，AI 基建就变成一个更广的硬约束系统。训练和推理都需要高带宽内存、企业 SSD、数据集存储、日志留存、向量检索、备份和归档。模型越多，调用越频繁，数据越细，存储就越不只是配套件，而是 AI 规模化的底座。

SanDisk 的极端涨幅正是这个逻辑的缩影。高盛对 SanDisk 的跟踪强调，NAND 供给偏紧、企业 SSD 进展、价格纪律和模型利润弹性共同推动了盈利上修。NAND 过去很长时间被看作强周期、低能见度资产，但如果供给纪律维持，数据中心需求持续进入 eSSD，NAND 的定价逻辑就会从“等待周期均值回归”变成“享受短缺和结构升级”。

韩国存储链条也给出交叉验证。美银调研显示，韩国科技公司反馈 AI 相关需求更强，长协更活跃，高端 GPU 和 ASIC 带来的 MLCC、封装基板和高端存储需求仍然受限于供给。更关键的是，HBM 会挤占普通 DRAM 产能，普通 DRAM 价格反而可能获得二次支撑。也就是说，AI 对存储不是单点需求，而是同时改变产品结构、产能分配和价格纪律。

AI 推动存储全行业重估：DRAM、NAND、SSD 与 HDD 谁最有定价权，三星、海力士、闪迪、西数、希捷财报互相印证

这一点也能解释为什么美光和 SK 海力士市值被重新评估。存储市场过去的问题是波动太大，供给纪律太差，需求结构不够稳定；AI 改变的是需求上限和产品 mix，而不是简单拉动一个季度的价格。只要云厂仍在用高端 GPU 和定制 ASIC 扩张推理能力，HBM、DRAM、eSSD 和企业 HDD 就会共同成为“算力可用性”的一部分。

这里最值得重视的不是某一家公司的股价弹性，而是存储从“低估值周期股”进入“AI 供给约束资产”的过程。如果这个过程成立，存储龙头的合理估值就不应只用上一个下行周期的市盈率中枢去约束，而要用供给纪律、长协比例和 AI 数据强度重新定价。

四、软件没有死，但胜负手已经变了

软件板块最大的问题不是没有 AI 机会，而是 AI 机会的归属不再自动属于传统软件公司。生成式 AI 能写代码、生成报表、调用工具、完成客服、生成营销内容，也能把很多原本依赖外包实施、低代码配置和座位扩容的需求压缩掉。传统软件如果只是把模型嵌进旧界面，可能只会增加成本，而不会获得足够的新价格。

Bernstein 对全球软件长期影响的判断更接近本文的主线：AI 不会简单吃掉所有软件。基础设施、数据库、数据平台、ERP、供应链、HCM 和复杂行业应用仍然有护城河，因为企业真正需要的是权限、数据上下文、审计、流程控制和行业规则，不是一个孤立的聊天窗口。AI-native 产品会冲击功能层，但很难凭空替代企业系统里的数据结构、合规记录和跨部门流程。

高盛的软件观点也类似：未来软件 TAM 更可能演进和扩大，而不是被一次性削弱；但价值捕获会向有数据、有工作流、有平台深度、有分发入口的公司集中。真正的分歧不是“AI 对软件是好是坏”，而是“哪类软件能从工具变成行动层”。如果软件只能提供单点功能，AI 会压价；如果软件能控制数据、权限、流程和结果，它反而能成为企业智能体的运行底座。

这个表决定了软件投资的筛选方式。过去可以用“高续费率、高毛利、高净留存”去概括软件质量；现在还要加上三条：第一，AI 是否提高而不是稀释客户留存；第二，推理成本是否能转嫁或通过规模摊薄；第三，产品是否连接了行动层，而不是停留在生成建议。

五、Capgemini 代表 IT 服务的中间地带

Capgemini 资本市场日的核心矛盾很典型：管理层看到全球业务与技术服务市场仍然庞大，也承认 AI 会压缩传统服务收入，同时希望通过新价值池弥补压缩。问题在于，AI 对 IT 服务行业的影响不是单纯扩大市场，而是改变收入结构。低端开发、测试、客服、迁移和运维会被自动化压缩；高端流程再造、数据治理、行业云、网络安全和 AI 实施咨询仍然有需求，但不一定能由同一批服务商以同样利润率拿到。

大摩对 Capgemini 的中期目标偏谨慎，原因不难理解：如果 AI 压缩人天，但新价值池兑现慢，服务商短期会同时承受收入增速压力和转型投入压力。服务公司过去卖的是专业人员规模、客户关系和交付能力；AI 之后，客户更关心的是你能否交付可量化的效率提升、可审计的模型治理和可复用的行业资产。

Capgemini 对整个软件板块的启示在于，企业 AI 不是一个自动流入所有软件和服务商的预算池。企业会买 AI，但会更严格地要求结果。谁能把 AI 改造做成“节省多少成本、提升多少吞吐、减少多少风险、缩短多少周期”，谁才有定价权；谁仍然停留在人天和功能堆叠，谁就会被自动化重新定价。

六、工业软件的焦虑：Mistral、Airbus、BMW 与物理模型护城河

Mistral 与 Airbus、BMW 的合作引发 Dassault 等工业软件公司的股价压力，原因是市场担心 AI 会直接绕过传统工程软件。这个担心有现实基础：AI 可以加速设计搜索、生成备选方案、写仿真脚本、整理工程文档，也能让非专业人员更快进入复杂工具。但把 AI 等同于替代物理仿真，是过度简化。

工业软件真正的护城河不是界面，而是物理模型、工程数据、验证流程、版本管理、供应链协同和认证体系。飞机、汽车、能源、电子和制造系统不能只靠一个大模型给出“看起来合理”的答案。高保真仿真、材料模型、流体力学、结构分析、热管理和安全认证仍然要求可追踪、可复现、可审计。AI 更可能改变的是工作流，把低保真搜索、参数探索和文档处理自动化，把高保真 solver 留给最关键的验证环节。

这对 Dassault、Nemetschek、Ansys 这类公司意味着两件事。第一，传统工业软件不能只卖授权和模块，要把 AI 变成工程流程的加速器，否则客户会把价值感知转移到模型和平台层。第二，AI-native 工具也不容易完全替代工程软件，因为它们必须进入客户的产品生命周期管理、数据标准和认证链条。工业软件的真正分水岭，是能否把行业知识和物理约束变成 AI 工作流的不可替代部分。

工业软件的估值不应简单按“AI 替代”打折，也不应无条件维持历史高倍数。合理做法是拆分功能层和控制层：低层功能被 AI 压缩，高层工程数据和认证流程更有价值。能把 AI 做成工程效率提升和新模块付费的公司，应当被重新评价；只能防守旧授权模式的公司，估值仍有压力。

七、DeepSeek 降价提示软件必须面对 token deflation

DeepSeek 永久下调旗舰模型价格，是软件板块不能忽视的信号。模型降价本身对应用软件有两面性：一方面，推理成本下降会刺激使用量，让更多企业把 AI 嵌入业务流程；另一方面，模型能力变得便宜，会让很多原本可收费的功能变成基础能力，压缩软件公司的功能溢价。

这类似云计算早期的算力降价。单位成本下降并没有消灭云厂，反而扩大了云计算使用量；但它确实改变了价值分配，让拥有规模、平台、数据和生态的厂商受益，让只转售基础资源的中间层承压。AI 应用也会出现同样分化：有数据和流程的应用能把低成本推理转化为更多自动化场景；没有数据和流程的功能型应用会被更便宜的模型快速复制。

OpenRouter token volume 的快速增长说明需求弹性很强。只要价格下降带来使用量扩张，AI 软件的总使用量会继续上升。但资本市场关心的是净效应：使用量增长是否超过单价下降，客户是否愿意为结果而不是 token 付费，软件公司能否把推理成本控制在毛利模型内。这些问题不会在一个季度完全回答，却会持续影响软件估值中枢。

所以，token deflation 不是软件的单向利空，而是软件重新排序的加速器。它会让弱功能更便宜，也会让强平台更强。投资上要避免把“AI 成本下降”简单理解成软件毛利改善，更应该追问软件公司有没有把低成本模型转化为更多可收费的业务结果。

八、欧洲主权云：真实需求与模糊边界并存

欧洲主权科技策略也是这期周报里容易被低估的线索。欧洲希望扩大本地数据中心能力、支持本土云和 AI 能力，背后是数据安全、监管、产业政策和数字基础设施自主性的组合。对软件和云厂来说，这意味着政企客户会继续提出数据驻留、身份认证、审计、加密、供应链透明和本地运营要求。

但主权云的边界并不清楚。非欧洲云厂可以通过本地数据中心、本地法人、合作伙伴、加密控制权和定制云架构提供“主权化”服务；欧洲本土厂商也未必具备足够规模和技术深度。最终受益者未必只是本土公司，而是能同时满足合规、性能、成本和生态的云平台。Oracle、微软、亚马逊、谷歌、本地电信云和行业云服务商都可能通过不同结构参与。

主权云的投资意义不在于简单买本土替代，而在于它提高了企业云架构复杂度。复杂度上升会带来云迁移、身份管理、数据治理、安全软件、审计工具、行业云和本地化运维需求。对软件来说，这是 AI 时代少数较确定的增量场景；对云厂来说，这是毛利和资本回报的再平衡问题。

九、软件板块的核心矛盾：估值便宜不等于立刻反转

欧洲软件相对 Stoxx Europe 600 的估值已经明显回落，部分公司相对自身历史也不贵。但估值便宜只是必要条件，不是充分条件。软件要重新获得市场权重，需要出现至少三类证据：收入重新加速，AI 功能形成可持续付费，推理成本和研发投入没有侵蚀长期毛利。

这也是为什么市场对 SAP、Sage、Amadeus、Informa 等不同软件公司的态度并不相同。ERP 和财务系统控制核心数据，AI 更可能提高流程自动化和数据使用价值；旅游分销、信息服务、教育和垂直内容平台的 AI 影响则取决于内容稀缺性、交易深度和客户预算。欧洲软件不是一个同质篮子，不能只用“AI 利好或利空软件”来交易。

更合理的排序是：第一，拥有关键数据和工作流控制权的软件平台；第二，能把 AI 变成增量付费和客户扩容的垂直应用；第三，受益于主权云、数据治理和安全合规的基础软件；第四，AI 降低交付成本但收入也被压缩的 IT 服务；第五，功能标准化、替代成本低、没有数据护城河的应用。

这个排序的核心是“控制层优先”。控制数据、流程、权限和结果的公司，即使短期增速不惊艳，也更可能在 AI 应用成熟后拿回定价权；只控制界面和功能的公司，即使现在收入稳定，也面临终值重估压力。

十、为什么软件的反转需要看企业生产环境，而不是产品发布

软件公司现在几乎都能发布 AI 功能，区别在于这些功能是否进入生产环境。资本市场过去容易被 demo、发布会和客户案例吸引，但 AI 时代更应该看四个硬指标：第一，客户是否从试点转向生产；第二，是否形成独立付费或套餐提价；第三，是否改善净收入留存；第四，是否保持毛利率。

高盛提到的 Snowflake、Workday、Figma 等案例说明，AI 可以带来真实收入或使用量，但不同公司的成本结构差异很大。数据平台的 AI 使用量增长可能拉动消耗；HCM 或 ERP 的 AI 功能可能提高模块渗透；设计和协作工具则要面对推理成本和订阅价格之间的再平衡。AI 不是统一的收入项，而是嵌入不同商业模式后的利润再分配。

这也解释了为什么软件估值修复通常慢于半导体。半导体只要看订单、ASP、毛利和 capex，软件还要看客户行为变化。企业从试点到生产，需要数据治理、权限、安全、流程改造和员工培训。这个过程慢，但一旦完成，软件平台的黏性可能更强。问题是，在这个兑现之前，市场更愿意给半导体盈利修正更高权重。