摘要
这份摩根士丹利研究部在2026年2月9日发布的报告，基于大型科技公司第4季度业绩与管理层表态，判断AI资本支出进入更快的上行阶段。报告强调算力需求大概率持续显著快于供给，token使用量在1年内增加约2200%，任务复杂度呈非线性上升，推动云厂商与相关生态加速投入。作者估算AI渗透带来的价值创造TAM合计约9000亿美元，超过标普500在2026年调整后税前利润的25%，且软件型Agentic AI与实体型Embodied AI规模接近。基于“智能工厂”模型，报告认为向外部出售模型调用的头部大模型开发者利润率约60%，随着GPU代际迭代，平均token价格可能下降超过70%。同时，报告讨论大盘科技股基本面、信用发行放量与利差变化，并以甲骨文GPUaaS为例展示机会与资金需求、信用风险之间的张力。
口播稿正文
各位听众好，今天分享的内容来自摩根士丹利研究部Morgan Stanley Research。报告发布时间是2026年2月9日，隶属于Morgan Stanley Global Macro Forum系列，报告中文标题是《人工智能资本支出加速：从第4季度财报中读取信号》。接下来我会用口播方式，按照报告原有逻辑，把核心观点、关键数据与图表信息完整讲清楚，帮助大家理解这份研究在讲什么、为什么这么讲。内容仅作信息分享，不构成任何投资建议。
这份报告的出发点很明确：过去市场讨论AI时，常常把焦点放在模型能力、应用落地、以及“钱到底能不能赚回来”。摩根士丹利的这份材料，则试图从大型科技公司的第4季度财报与电话会里，读取更底层、也更能影响资产定价的信号：资本支出，也就是capex，正在加速，而且加速的背后不是情绪，而是一组相互强化的因果链条——算力供需错配、AI使用量爆发式增长、单位智能成本快速下降、以及头部公司在资金与数据上的优势形成“飞轮”，把行业差距拉得更开。
我会把报告内容分成4个部分来讲：第1部分讲算力供需错配与使用量信号；第2部分讲AI adoption带来的价值空间，以及能力提升的非线性；第3部分讲“智能工厂”模型下的经济账，尤其是利润率与成本下降的关键结论；第4部分讲资本开支上行对权益与信用市场的传导，并用甲骨文的案例把“机会、融资、信用风险”这条线串起来。
第1部分：算力供需错配，需求正在跑赢供给
报告在第1个核心页面里，直接用“算力供需错配”来概括当前AI基础设施的状态。它给了4条理由，解释为什么他们相信：算力需求很可能在相当长时间里显著超过供给。
第1条理由来自产业一线的判断：报告提到，谷歌管理层对算力需求的内部预测，大约是摩根士丹利对英伟达算力相关复合增速预测的3倍。这里的含义不是单纯对比两组数字，而是提示大家：即便站在同一个“算力”主题上，不同主体看到的需求曲线陡峭程度可能差异很大，而越贴近一线业务的公司，往往更早感受到需求压力。
第2条理由是更直观的使用量数据：报告引用的统计显示，在1年时间里，按周计算的token使用量上升约2200%。token可以理解为大模型工作的“计量单位”，它与推理调用次数、输入输出文本量、以及应用场景复杂度都相关。token使用量按周增长到这种幅度，本质上是在说：AI不再只是“试用”，而是在被更频繁、更深度地嵌入业务流程。
第3条理由是任务复杂度的变化：报告强调，平均AI任务复杂度在以非线性的速度上升。所谓非线性，意思是增长不是匀速的，而是会出现“越用越复杂、越复杂越依赖更强算力”的特征。举例来说，从最初的文本问答，到更长上下文、更复杂的多轮推理，再到带工具调用的Agent流程，单次任务对算力与内存带宽的需求会跃迁式提高。复杂度提高，会把算力需求推到更高的台阶。
第4条理由是 adoption 的扩散：AI的应用范围正在变广，不再局限于少数科技公司内部，也不再局限于特定部门或特定流程。扩散意味着更多行业、更多企业、更多岗位都开始产生稳定的推理需求，这会让算力需求从“项目型”变成“经营型”。
报告还配了一张token使用结构的图表：图里把token来源按模型类型分层，包括闭源专有模型、开源模型，并进一步把开源模型拆分为中国开源模型与全球其他地区开源模型。图表给出的关键观察是：到2025年，开源token占比在逐步提升，而且在2025年中期以后，中国开源模型相关token占比的提升更明显。这个现象对于投资人有2层含义：
第1层含义，开源占比提升会把AI供给侧拉宽，更多模型、更低门槛会加速应用扩散，从而反过来推高总token需求。
第2层含义，模型供给形态变化会影响商业模式：闭源模型往往更容易按调用收费，开源模型更容易把价值转移到云算力、企业部署、行业解决方案与生态服务上。也就是说，同样是token增长，收入最终落在哪个环节，可能会随供给结构变化而重分配。
把这部分合在一起，报告想传达的核心信息是：AI资本开支不是“可有可无的投入”，而是被使用量、复杂度与扩散共同推着走的“必需品”。当需求持续压过供给，企业的合理选择往往不是削减投入，而是抢先布局，确保自己能在供给紧约束下拿到足够的算力份额。
第2部分：价值创造TAM与“跨越人类阈值”的非线性升级
如果说第1部分回答了“为什么要继续砸钱”，第2部分回答的是“砸钱可能对应多大的价值空间，以及价值为什么会更快释放”。
报告先用一张“AI adoption：价值创造TAM占标普500 2026年调整后税前利润的比例”的图表，给出一个很强的结论：AI adoption带来的价值创造TAM合计超过标普500在2026年的调整后税前利润的25%。换句话说，报告认为，AI不是边际优化，而可能对应一块足够大的“利润池重塑”。
更具体地，报告把AI带来的价值创造分成2类：
第1类是Agentic AI，也就是软件形态的“代理式AI”。它强调用软件系统去执行任务，包括自动化流程、知识工作辅助、客服与销售自动化、研发与运营协同等。你可以把它理解为：AI在数字世界里替代或增强人的工作流。
第2类是Embodied AI，也就是AI进入物理世界，主要指机器人等形态。它对应的是制造、物流、仓储、服务机器人、以及更广义的“物理执行能力”。
报告的关键判断是：这2类价值创造TAM规模几乎各占一半，合计约9000亿美元左右。图表中，Agentic AI大约在4900亿美元量级，Embodied AI大约在4300亿美元量级，合计约9200亿美元量级；对应到标普500 2026年调整后税前利润，占比超过25%。这里最值得注意的，不是某个精确数字，而是结构：价值空间并不只在软件，也不只在机器人，而是“数字+物理”同时打开。对投资人来说，这意味着AI产业链的受益面可能比市场在早期理解的更宽。
接着，报告把目光转向能力提升的速度，提出“非线性AI改进”和“跨越人类阈值”的概念。它引用了OpenAI的一项分析：统计在多少任务上，AI工具的表现优于人类。报告给出的要点是：Anthropic的Claude Opus 4.1在这项比较中表现最好，在48%的人类任务上表现优于人类。也就是说，至少在这份评估口径下，AI在接近一半的任务上已经达到或超过人类水平。
报告还配了一张更细的对比图，标题是“GDPval win rate：在具有经济价值的任务上相对行业专业人士的胜率”。图里用“胜利”和“平局”两段来表示模型表现，并画了一条接近50%位置的虚线，代表与行业专家的“能力平价”。在这张图中，不同模型的胜率大致是：GPT-4o约12.4%，Grok 4约24.3%，Gemini 2.5 Pro约25.5%，o4-mini high约27.9%，o3 high约34.1%，GPT-5 high约38.8%，Claude Opus 4.1约47.6%。这个序列想强调的是：在“经济价值任务”口径下，头部模型的表现提升呈现阶梯式跃迁，而且距离50%的“专家平价线”已经非常近。
更重要的是，报告并不把这种提升当作线性外推，而是明确说：他们预计2026年这些结果会快速升级，原因是美国头部5家前沿大模型玩家用于训练的计算量可能出现约10倍的提升。训练算力的10倍，不等于能力提升10倍，但在大模型领域，经常会触发非线性效果：某些能力可能在某个规模阈值附近突然“涌现”，比如更稳定的多步推理、更强的工具使用、更高的指令遵循一致性等。站在投资逻辑上，非线性意味着时间窗口更短：当能力跨过阈值，应用会从“能用”变成“好用”，再从“好用”变成“离不开”，资本支出与商业化节奏都会跟着变。
把这部分总结成一句话：报告既给了“价值空间有多大”的上限想象，也给了“为什么释放会更快”的技术路径解释——能力非线性升级，可能让 adoption 的拐点更早到来。
第3部分：“智能工厂”模型，利润率、成本曲线与token价格下降
第3部分是整份报告里最偏“经济学建模”的内容，也是很多投资人最关心的：AI的成本到底怎么拆，谁能赚到钱，单位智能成本会怎么走。
报告提出一个很形象的框架，叫“智能工厂”模型。你可以把它理解为：数据中心就像工厂，GPU和网络像生产线，电力像原材料，token像产出单位。这个模型试图从底层把“生产智能”所需的全部数据中心成本纳入，包括芯片、服务器、机柜、网络、制冷、电力、建设成本、以及相关的折旧与运营费用，然后在收入端模拟不同的商业模式，比如大模型开发者向外出售模型调用、云厂商售卖算力服务等。
报告给出4个关键结论，我逐条解释它的含义。
结论A：所谓“新云”neoclouds的投资资本回报率ROIC可能具有吸引力。
这里的“新云”可以理解为围绕AI算力而生、或在AI算力供给上更专注的云形态，包括GPU云、算力租赁平台、以及更垂直的AI基础设施提供商。报告的意思是：在供需错配阶段，算力利用率与定价环境可能更有利，这会抬高资本回报的确定性。当然，这里依赖很多前提，比如供给扩张速度、客户集中度、以及长期的价格竞争，但报告的基准判断是偏积极的。
结论B：向外部出售模型访问的大模型开发者，利润率可能在约60%的水平，且具有吸引力。
这条结论很关键，因为很多市场争论集中在“模型推理成本高、会不会把利润吃掉”。报告的测算结果倾向于认为：在合理的规模、利用率与定价假设下，头部大模型开发者仍可能拿到较高的毛利或经营利润率水平，约60%是报告给出的量级判断。
报告还给了一个具体例子来支撑这个数字：假设有一个约250兆瓦的数据中心，使用英伟达Blackwell GPU，电力成本为100美元每兆瓦时，运行GPT-4o的查询。在报告的模型里，这样的“智能工厂”可以为美国头部大模型开发者产生约60%的利润率。这个例子想说明的是：当算力规模足够大、利用率足够高、技术栈足够成熟时，单位智能的成本可以被显著摊薄，而收入端只要保持合理的定价，就能形成可观的利润空间。
结论C：随着芯片技术快速迭代，单位智能成本会出现非常快的下降，平均token价格可能在从Blackwell过渡到Rubin GPU时下降超过70%。
这条结论指向AI产业的“成本曲线”。如果平均token价格下降超过70%，会带来2个方向的影响：
第1个方向是需求刺激。价格下降会扩大可用场景，让更多企业愿意把AI嵌入日常业务，推动token总量进一步增长。
第2个方向是商业模式重塑。单价下行意味着靠“每token收费”维持收入增速会变难，行业可能从“按量计费”走向“按结果计费”或“按业务价值计费”。这并不意味着收入必然下降，而是意味着收入结构会更依赖应用层、解决方案层与平台生态。
结论D：模型可以灵活调整假设来观察不同地区成本差异的影响，比如电价、数据中心建设成本等；但一个很有意思的结果是：全球电价差异其实只是单位智能成本的小驱动因素，反而是单次查询调用了多少“活跃参数”，对成本影响更大。
这一点非常值得投资人记住。很多讨论会把AI成本归因于“电太贵”，但报告的建模结论更强调“计算效率与模型结构”。同样是回答一个问题，不同模型、不同推理策略、不同上下文长度、不同并行方式，都会改变一次调用所需的算力时间与显存占用。换句话说，决定成本曲线的核心变量，往往不是外部电价，而是内部工程与算法效率。电价重要，但可能不是决定性的那根杠杆。
把“智能工厂”模型这一段落转成更通俗的结论就是：
AI的经济账不是简单的“烧钱”，而更像早期互联网的基础设施竞赛。短期看是重资本开支，长期看是单位成本下行带来的规模化扩张。谁能在供需错配期构建规模、利用率与技术效率，谁就更可能在成本曲线下行时把规模优势兑现成利润。
第4部分：资本开支加速如何传导到权益与信用市场，甲骨文案例的张力
报告的后半段把视角从“AI产业本身”扩展到“资本市场传导”，分别讨论了权益策略与信用策略，并穿插了甲骨文这个非常典型的个案。
先说权益策略部分。报告的结论是：大型科技股的基本面顺风依然存在。它用2张图支持这个观点。
第1张图看的是标普500科技板块未来12个月销售增长。图表显示，科技板块的前瞻收入增速在历史上经历过多轮波动，但进入2025年到2026年附近，增长读数出现明显抬升。报告借此强调：基本面并没有因为AI资本开支上行而被压垮，相反，收入端的动能在增强。
同一页的第2张图看的是“Mag 7”也就是美国最具代表性的超大市值科技股组合的前瞻市盈率，并与中位数对比。从图形上看，Mag 7的前瞻市盈率在2023年中期以后多次波动，2025年初出现过明显下探，随后回升并在2025年后期回落到约27到28倍附近，而中位数水平大约在29到30倍附近。报告想表达的意思是：估值不是单边扩张的状态，至少从这个口径看，估值在中枢附近摆动，基本面改善与估值消化在同时发生。
第2张图更直接回应市场对“capex纪律”的争论：在很多投资讨论里，资本开支上升往往会引发担忧——现金流压力、回报周期拉长、盈利兑现延后。但报告展示了两点：
第1点，科技子行业的盈利预测修正广度在改善。图表跟踪了软件、科技硬件、半导体、以及Mag 7的盈利修正广度，整体呈现从低位回升的态势。它意味着分析师群体对盈利的再定价，正在从悲观转向更积极或至少更平衡。
第2点，高capex占销售比的因子在科技板块与全市场都持续跑赢。报告用长期序列展示“capex-to-sales（高 vs 低）”的因子表现，曲线在多年维度呈上行并在2025年附近再度走强。这个结果的含义是：市场并非简单惩罚高capex，反而在很多阶段奖励高capex，因为它可能被视为增长投资、技术护城河或供给能力扩张的体现。
接着说信用策略部分。这里报告给出了非常明确的量化预测：他们预计2026年投资级公司债，也就是IG债券发行规模将创历史新高，达到约2.25万亿美元。报告也给出了驱动因素：AI资本开支融资、并购活动、以及企业信心回升。
在发行结构上，报告用图表给出了更细的拆分。按美国信用市场的总发行口径，2025年IG发行约1.81万亿美元，2026年预计约2.25万亿美元；高收益HY从约3270亿美元升至约4100亿美元；贷款市场从约4400亿美元升至约4900亿美元。也就是说，增量最显著的集中在IG。
如果把发行拆成明细表，报告的数字包括：2026年总粗发行2250（十亿美元口径），比2025年增加440，增幅24%；到期规模940，比2025年增加160；回购与要约收购相关的calls与tenders为310，比2025年减少83；净发行1000，比2025年增加363，增幅57%。在非金融部门，粗发行1510，比2025年增加420；净发行750，比2025年增加319，增幅74%。报告特别强调“hyperscaler加AI相关公司”的发行：2026年可能达到400，比2025年的165增加235，增幅142%。这组数字背后的核心逻辑是：AI资本开支会把融资需求从“经营现金流内部消化”推向“更频繁的外部融资”，尤其在投资级市场体现得更明显。
发行放量意味着什么？报告给的判断是：到2026年年底，IG利差可能温和走阔。它补充说，目前利差仍偏紧，背后有3个支撑：需求强、宏观数据较好、以及按揭抵押证券MBS的上涨对市场情绪与配置行为形成正反馈。但随着供给加速，利差走阔的概率会上升。
为了让投资人更好把握“这是不是周期尾声”，报告做了一个历史对照：他们认为2026年的“剧本”更像1997/1998或2005年——信用相对股票表现偏弱，但不代表进入“周期末端”。报告用表格把几组年份的宏观与市场变量并列。对2026年的预测是：资本开支同比9%，剔除能源后的资本开支同比10%，并购同比20%，并购占GDP约21%，美国10年期国债年底利率约4.1，核心PCE年底约2.6，失业率约4.6，标普500年回报约12.3%，年度利差变化约19.0个基点，IG超额回报约-0.7%。报告用这些数字想表达：信用可能因为供给压力而“跑输”，但宏观与风险资产并不必然对应剧烈恶化的尾部情形。
最后，我们来到报告里最具体的公司案例：甲骨文，也就是ORCL。为什么选它？因为它处在AI资本开支链条里一个非常典型的位置：一方面它希望通过GPUaaS，也就是GPU as a Service的模式，抓住算力需求上行带来的收入机会；另一方面，为了把算力供给做起来，它需要巨额资金投入，从而把信用风险与融资结构推到台前。
报告在甲骨文的页面上给出2个关键信息。
第1个信息是收入机会。报告指出，甲骨文正在定位自己以受益于算力需求，这体现在它的RPO，也就是剩余履约义务，以及对未来收入的目标指引上。图表显示，甲骨文总收入指引从FY25约56（十亿美元）逐步上行，到FY30E约225（十亿美元）。这条曲线非常陡峭，说明公司对GPUaaS等业务带来的增量有很高预期。
第2个信息是信用起点与评级压力。报告指出，进入这轮投资周期时，甲骨文在多家评级机构处于mid-BBB区间，并且有2家给出负面展望。这意味着：公司在加大投资之前，信用资质已经不是高等级的缓冲区，而是在投资级中段位置。资本开支上行会把杠杆、租赁负债、以及融资成本的敏感性放大。
紧接着，报告讨论甲骨文在CY26提出的约500亿美元融资计划，认为这是积极步骤，但只是一个多年努力的开始。报告强调：即便考虑约250亿美元的新股权融资带来的缓冲，甲骨文的峰值杠杆与债务规模仍处于较高水平，尤其是把租赁负债也纳入后更明显。
报告还给出了一个更重磅的估算：与权益研究团队共同测算后，甲骨文在约2.5年周期内的资金需求可能超过1500亿美元，这意味着仍有约1000亿美元规模需要公司进一步解决。图表把资金需求拆成几个部分：包括近似自由现金流消耗、租赁本金、债券到期、贷款到期、以及股息等。另一侧图表则展示在当时假设下的融资路径，包括新增定期贷款、新发债券、某种更具创造性的芯片融资方案，以及对存量到期债务的再融资安排等。报告想强调的是：当AI基础设施投入达到一定规模时，融资不再是“配角”，而会成为战略执行的关键约束条件。
基于上述判断，报告在信用观点上对甲骨文保持谨慎，理由包括现金需求、租赁负债增长、以及交易对手风险。图表显示，甲骨文5年期CDS利差从2025年初的约40到50个基点，逐步抬升并在2026年初附近达到约156个基点区间；报告也提到在某些情形下利差可能接近200个基点。另一张图展示了甲骨文部分中长期债券相对基准的利差，走势在2025年后期明显走阔，最高接近或超过160到170个基点，并与BBB指数走势拉开差距。报告在附录里进一步给出“交易示例”的入场水平、当时水平、理由与风险点，包括用5年期CDS作为保护工具，以及对部分债券利差走阔的情景假设，同时列出可能导致观点失效的因素，比如RPO与增长的积极更新、融资透明度提升、融资工具结构变化、以及市场对冲盘行为变化等。这里我强调：以上只是复述报告展示的案例框架与风险因素，不构成任何交易建议。
回到整份报告的“总线索”，最后还有一个关键更新：摩根士丹利基于大型科技公司第4季度信息，把AI相关资本开支预测上修。报告给出一个非常直观的“云厂商现金资本开支”汇总图，覆盖亚马逊、谷歌、Meta、微软、甲骨文以及CoreWeave等。图表显示，总量从2023年的约1400亿美元，上升到2024年的约2450亿美元、2025年的约4370亿美元，并预计在2026年达到7400亿美元以上，2027年超过9000亿美元。拆分到公司层面，2026年大致是：亚马逊约1650亿美元，谷歌约1850亿美元，Meta约1350亿美元，微软约1500亿美元，甲骨文约790亿美元，CoreWeave约250亿美元；2027年大致是：亚马逊约1960亿美元，谷歌约2500亿美元，Meta约1650亿美元，微软约1710亿美元，甲骨文约1110亿美元，CoreWeave约190亿美元。报告还给出2024到2027的复合增速指引：亚马逊约50%，谷歌约68%，Meta约61%，微软约31%，甲骨文约118%，CoreWeave约29%。这组数字非常重要，因为它把“AI资本支出加速”从叙事层面落到可量化的路径上：增量不仅来自单一公司，而是头部云与AI基础设施相关主体的集体上行。
到这里，我们把报告的主干内容都讲完了。我用报告自己的“Key Takeaways”做一个口播式收束：
报告认为，从大型科技公司第4季度业绩能看到，数据、触达、资金实力更强、且更愿意投资的头部公司，正在享受自身飞轮效应带来的收益，与其他较小参与者的差距可能比市场在更早之前预期的更快拉大；基于这些信息，摩根士丹利上修了2026与2027年的AI相关capex预测。
在产业层面，算力需求大概率持续显著超过供给，任务复杂度非线性提升、应用扩散加速；“新云”的ROIC与头部大模型开发者约60%的利润率假设，构成对产业经济性的支撑；随着芯片迭代，单位智能成本与平均token价格可能在Blackwell向Rubin切换时下降超过70%，进一步推动 adoption。
在资产层面，大盘科技股基本面顺风仍在，盈利修正广度改善；即便市场讨论资本开支纪律，历史数据仍显示高capex占销售比的因子在科技与全市场都持续跑赢。
在信用层面，2026年IG发行规模可能创纪录至约2.25万亿美元，AI资本开支融资、并购与企业信心是主要驱动；供给加速可能带来利差温和走阔，历史对照更像1997/1998或2005那类“信用跑输但非周期末端”的剧本；甲骨文案例则提醒大家，AI机会越大、投入越重，融资结构与信用约束的重要性越高。
报告在正文之后还附有披露与免责声明等内容，按照分享原则，这里不展开解读。以上就是本期口播的全部内容，感谢收听。
