问题——算力紧张成为新一轮投入加速的直接牵引；摩根士丹利最新研究中强调，全球人工智能算力需求增长呈现“非线性”特征，需求增速明显快于供给扩张节奏，短期内供需错配难以消除。报告援引企业端判断称，头部互联网公司内部对算力需求的测算显著高于市场对芯片与服务器供给增长的常规预期；同时，应用侧使用强度提升明显，模型调用与推理任务快速攀升，带动对GPU、存储、网络与数据中心电力等全链条资源的持续拉动。 原因——应用扩张与任务复杂度叠加，推动“规模效应”压倒“线性增长”。一上，生成式应用从对话与内容生成，延伸到代码、办公、搜索、营销、客服、科研等更广场景，调用频次上升、实时性要求提高；另一方面，任务复杂度在多模态、长上下文、智能体协同等方向持续抬升，推理侧算力占比上行，使得单次任务所需资源不再随参数或用户数简单线性变化。摩根士丹利据此判断，算力紧缺不仅来自供给端建设周期，更来自需求端“用得更深、更广、更频繁”的结构性变化。 影响——价值创造空间被重新定价，头部集中度上升。报告对人工智能的潜在价值创造空间作出较高评估，认为其可观的增量收益可能在软件形态的“智能体”与实体场景的“具身智能”两条路径上同步释放，且贡献度大体相当。随着模型能力迭代加速、训练与推理基础设施升级，行业竞争门槛也在抬高：数据积累、客户触达、生态协同与资金实力成为“复合壁垒”，头部企业更易形成投入—产品—用户—现金流的正反馈，行业马太效应可能继续强化。股市层面，报告观察到科技板块营收与盈利预期的修正趋势改善，高资本支出强度的企业在市场中表现相对占优，反映投资者更愿意为确定性投入与规模化变现能力定价。 对策——盈利模型与成本曲线决定投入可持续性，融资结构需更审慎。摩根士丹利提出，“智能工厂”式的大模型全链路经营框架有助于理解行业盈利：一是云与基础设施提供方在规模化部署后有望获得较具吸引力的资本回报；二是大模型开发与服务环节在产品化、订阅化推进下具备较高毛利水平；三是芯片迭代与系统优化将推动单位智能成本下行，硬件升级可能带来代币成本显著下降，从而扩展可商业化的应用边界。此外，融资端的压力不容忽视。报告预计，受人工智能基础设施投入、并购活动与企业乐观预期等因素带动，美国投资级债发行规模或升至历史高位，利差可能阶段性走阔但尚不足以指向周期末端。对企业而言，扩张期更需在股权融资、债务期限结构、项目现金流回收周期之间做好匹配，避免在利率与信用环境变化中暴露再融资风险。 前景——资本开支上修指向长期主线，但风险将向“结构性分化”集中。摩根士丹利上调对超大规模云厂商未来两年的资本开支预估，认为投入仍将围绕数据中心、算力集群、网络互联与能源保障等关键环节展开。展望未来，算力供不应求的格局或将持续一段时间，推动产业链维持高景气；同时，市场也将更快区分“轻资产高效率”的软件化商业模式与“重资产高杠杆”的基础设施扩张模式。报告特别提示，对部分加码GPU服务与算力租赁的企业，需要关注资本开支强度、杠杆水平、租赁与或有负债、以及客户集中度等指标变化，信用利差与评级压力可能成为重要变量。
人工智能产业的这个轮扩张不仅是技术升级，更深刻重塑了全球资本配置格局。算力稀缺性、头部企业规模优势和商业模式成熟度共同定义了未来几年的产业路径。然而，债务杠杆累积、市场集中度提升和潜在信用风险同样值得警惕。如何在把握机遇的同时管控风险，将成为政策制定者、企业和投资者的共同挑战。