摩根士丹利解讀：AI 價格戰打到算力層，亞馬遜和谷歌為何仍被看好？

TL;DR · 摩根士丹利測算，1GW GB300 算力用於模型 API 時，模型層 ROIC 約為 20%-60%。 · 若由雲平台直接出租 GPU，按 75% 利用率測算，IaaS ROIC 約為 23%-39%。 · 報告繼續看好亞馬遜和谷歌；Meta 仍為 Top Pick，但其 AI 回報更多來自廣告、自有應用和開放模型生態。

摩根士丹利 Brian Nowak 團隊在最新報告中給出一個反直覺判斷：開放權重模型正在壓低 AI token 價格，但擁有算力、調度能力和企業入口的平台，仍可能從 AI 資本開支中獲得可觀回報。

報告分別計算了兩套帳。

在模型 API 層，摩根士丹利以 1GW GB300 數據中心為基礎，假設每百萬 tokens 價格為 1 至 2.5 美元、單 GPU 吞吐量為每秒 2000 至 3500 tokens，並將 50% 至 80% 的算力用於推理。在不同情景組合下，模型層 ROIC 約為 20% 至 60%。

在雲平台層，報告假設 1GW 數據中心配置約 41 萬顆 GB300、GPU 利用率為 75%、租賃價格為每小時 7 至 10 美元。據此測算，雲平台出租 GPU 算力的 IaaS ROIC 約為 23% 至 39%。

這兩組數字共同解釋了摩根士丹利的核心判斷：AI 模型價格下降，首先衝擊模型提供商的單位經濟性；但對亞馬遜、谷歌等雲平台來說，企業採用 AI 仍然需要 GPU、存儲、數據庫、安全和模型部署工具。模型可以變便宜，承載模型的基礎設施並不會因此失去價值。

開放權重壓低價格，也推動更多 AI 工作負載落地

開放權重模型的直接影響，是降低企業使用和部署 AI 的門檻。

和封閉模型不同，開放權重模型允許用戶下載模型權重，利用私有數據進行微調或重訓，並選擇在本地、雲端或 API 上部署。企業不必完全依賴單一模型供應商，也能更靈活地控制數據、成本和部署方式。

開放權重與封閉權重模型的差異，包括權重能否下載、是否支持私有數據微調，以及能否在自有硬體運行。

代價是，模型 API 越來越難維持高價。隨著接近前沿能力的低成本模型增加，模型實驗室需要通過更低價格、更快響應和更完整的工具鏈爭奪客戶。報告提到，Meta 最新推出的 Muse Spark 1.2 等低價近前沿模型，正在進一步加劇模型層的價格競爭。

這也是市場擔心 AI 資本開支回報的原因。科技公司投入數百億美元購買 GPU、建設數據中心並鎖定電力，如果推理價格持續下降，最終回報將越來越依賴三個變量：GPU 利用率、單卡 token 吞吐量，以及 AI 工作負載能否帶動其他雲服務收入。

摩根士丹利認為，價格下降會壓縮模型層利潤，但不一定意味著整個 AI 基礎設施的回報同步惡化。更便宜、更靈活的模型也可能推動更多企業採用 AI，進而擴大對底層算力和雲服務的需求。

20%-60%：模型 API 層的回報測算

模型 API 層的測算圍繞三個核心變量展開：token 價格、GPU 吞吐量和用於推理的算力占比。

摩根士丹利將每百萬 tokens 約 1.75 美元作為基準價格，並在 1 至 2.5 美元區間內進行情景分析。報告參考 DeepSeek-V4-Pro 1.6T 等開放權重模型在 GB300 硬體上的公開推理基準，將單 GPU 吞吐量假設放在每秒 2000 至 3500 tokens。

在基準情景下，報告假設 65% 的算力用於推理、單 GPU 每秒處理 2750 tokens、每百萬 tokens 價格為 1.75 美元，對應約 400 億美元收入/GW。完整情景區間對應的收入約為 230 億至 520 億美元/GW。

據此，報告估算 1GW GB300 算力對應的模型層 ROIC 約為 20% 至 60%。

模型 API 收入與成本框架。不同 token 價格、吞吐量和推理算力占比，對應每 GW 約 230 億至 520 億美元收入。

這裡需要注意，20% 至 60% 並不是在固定 1.75 美元價格下自動獲得的回報，而是不同價格、吞吐量和算力分配組合形成的情景區間。

這套帳能否兌現，關鍵在於效率提升能否跑贏價格下降。如果 token 價格繼續快速下探，而 GPU 利用率和吞吐量沒有同步提高，模型層回報就會明顯收窄。

23%-39%：雲平台出租 GPU 的另一套帳

對亞馬遜和谷歌等雲平台而言，更直接的收入來源是出租算力，而不是自己承擔模型 API 的價格風險。

摩根士丹利假設，1GW GB300 數據中心可以配置約 41 萬顆 GB300。在 75% 利用率下，如果每顆 GPU 的租賃價格為每小時 7 至 10 美元，對應年收入約 189 億至 270 億美元/GW。

扣除 IT 設備折舊、非 IT 資產折舊、電力、人工和維護等成本後，報告估算雲平台每 GW 的稅後經營利潤約為 89 億至 153 億美元，對應 ROIC 約為 23% 至 39%。

雲平台 GB300 GPU 租賃模型。每小時 7 至 10 美元的租賃價格，對應約 23% 至 39% 的 ROIC。

這組測算更直接地支撐了摩根士丹利對雲平台 AI 資本開支的樂觀判斷。

即使模型 API 價格下降，企業仍需要租用 GPU 運行開放權重模型。對雲平台來說，關鍵不是單個 token 能賣多貴，而是稀缺算力能否維持較高利用率和租賃價格。

摩根士丹利還強調，低價模型可能帶來更多使用量。即使單位價格和利潤率下降，只要 AI 工作負載的整體規模擴大，雲平台的 EBIT 絕對額仍可能增長。

雲平台賣的不只是 GPU 和 token

摩根士丹利認為，雲平台能夠消化價格戰，主要有四個原因。

第一，算力仍然稀缺。企業即使選擇開放權重模型，也需要 GPU、推理集群、存儲、網絡和安全環境。大型企業可以自建基礎設施，但更多客戶仍會通過 AWS、Google Cloud 或 Azure 租用算力和托管模型。

第二，雲平台可以通過規模提高系統效率。更大的內存容量、更快的互連、MoE 架構和請求批處理，都能提升單位 GPU 的 token 吞吐量。大型雲平台擁有更大的企業客戶流量，更容易合併和調度請求，從而提高 GPU 利用率。

第三，自研芯片能夠降低服務成本。亞馬遜擁有 Trainium，谷歌擁有 TPU。自研芯片和軟件優化讓雲平台在價格競爭中擁有更大的調整空間，也降低了對單一 GPU 供應商的依賴。

第四，AI 工作負載還會帶動其他雲服務收入。企業部署 AI 時，通常還需要購買對象存儲、數據庫、向量檢索、RAG、安全治理、身份驗證和監控服務。這些附加服務可以擴大每個 AI 工作負載帶來的雲收入，並提高整體盈利貢獻。

因此，開放權重模型雖然可能讓 API token 收入變成「引流產品」，卻也可能帶來更多 GPU 租賃、數據存儲和數據庫需求。

亞馬遜、谷歌和 Meta 的回報邏輯並不相同

基於上述判斷，摩根士丹利維持亞馬遜和 Alphabet「增持」評級，目標價分別為 335 美元和 400 美元。

亞馬遜的優勢在於 AWS 企業客戶基礎、Trainium 自研芯片和完整的雲服務生態。谷歌則同時擁有 TPU、Gemini 模型、搜索和 YouTube 應用場景，以及 Google Cloud 的企業分發能力。對於兩家公司，AI 資本開支的回報主要來自算力出租、模型托管和雲服務綁定。

Meta 的邏輯有所不同。

摩根士丹利仍將 Meta 列為 Top Pick，給予「增持」評級和 775 美元目標價，但 Meta 並不是 AWS 或 Google Cloud 意義上的企業雲平台。其 AI 投入主要通過開放模型生態、廣告推薦效率、自有應用和數據中心能力兌現。

Meta 的目標價及風險收益假設。

報告認為，Meta 的 AI 投入可能改善用戶參與度、Reels 商業化和廣告衡量能力，並為新產品提供增長空間。但如果數據中心建設執行不佳、資本強度繼續上升，而新增算力未能產生足夠回報，也會拖累自由現金流和估值。

最大風險是價格跌得比效率提升更快

這份報告並沒有否認 AI 價格戰。

隨著低成本開放權重模型接近前沿能力，企業會更加關注成本、延遲、部署靈活性和數據控制權。模型實驗室單靠高價 API 獲取高利潤會越來越困難，工具鏈、企業分發、應用場景和生態的重要性將繼續上升。

雲平台同樣面臨重資產壓力。1GW GB300 數據中心涉及芯片、機房、電力、網絡和折舊，任何環節成本上升，都会影響最終回報。如果企業 AI 應用擴散慢於預期，GPU 利用率不足，資本開支就更難轉化為利潤。

吞吐量提升也不會自動兌現。硬體升級、MoE 架構和請求批處理都能提高效率，但需要模型、芯片、網絡、軟件棧和真實客戶請求共同配合。

摩根士丹利的結論因此並不是「AI 價格戰沒有影響」，而是：當 token 價格下降時，模型層最先承壓；掌握稀缺算力、系統優化能力和企業雲入口的平台，則更有能力通過 GPU 租賃、規模效應和附加雲服務消化價格競爭。

接下來真正需要觀察的，是雲平台的吞吐量和利用率提升，能否持續跑贏 AI 價格下降的速度。