摩根士丹利在 7 月 27 日报告中给 AI 资本开支算了一笔回本账：如果 GPU 利用率、租金、token 吞吐和 API 价格达到基准假设，生成式 AI 基础设施和模型 API 业务有机会做出约 25%-50% 的资本回报。

这直接回应了市场对大型科技公司的最大担忧。微软、亚马逊、谷歌和 Meta 持续加码 GPU 与数据中心，资本开支越滚越大，投资者想知道这些钱究竟会变成利润，还是只会推高折旧、能耗和研发费用。

这套测算把 GenAI 变现拆成三条路径：把 GPU 算力按 IaaS 出租，用自有基础设施提供 Model API，以及租用第三方算力后再提供 Model API。前两条更适合拥有数据中心、客户入口和产品分发能力的大型科技平台，第三条更容易被 GPU 租金挤压。

1.4 万亿美元开支，关键不只是买 GPU

这份测算的背景，是 AI 数据中心建设进入更重资本开支阶段。公开转载口径显示，摩根士丹利预计 hyperscaler 到 2028 年的资本开支将超过 1.4 万亿美元，计算容量可能从 2025 年到 2028 年翻两番，达到约 120GW。

这些容量不会全部立刻变成收入。前沿模型训练、模型维护和不同规模模型迭代仍会消耗大量算力，训练本身并不直接收费，却要承担折旧、能源和运营成本。

真正影响回报的，是剩余算力能否被推理、API、企业软件和云服务充分消化。换成更直接的话说，一块 GPU 一年能卖出多少小时，每小时能收多少钱，每秒能处理多少 token，每百万 token 能卖多少钱，决定了 AI 资本开支是不是能跑出现金回报。

这也是这份报告最有新闻性的地方。过去市场看到的更多是 Capex 数字不断上调，现在摩根士丹利给出了一套单位经济测算：在基准假设成立时，AI 基础设施可以覆盖高折旧压力，并接近高质量云业务或软件业务的回报水平。

租 GPU：75% 利用率下，IaaS 回报约 31%

第一条路径是大型云厂商把 GPU 计算能力作为 IaaS 出租。基准情景假设 1GW 容量约对应 41 万块英伟达 GB300 GPU，利用率 75%，每小时租金 8.5 美元。

在这组假设下，GPU 租赁业务每 GW 年收入约 229 亿美元，增量 EBIT margin 约 67%，资本回报约 31%。只要 GPU 供给能够被足够高的需求填满，IaaS 就不是低毛利硬件出租，而更接近高利用率基础设施生意。

这里的优势来自大型云厂商已有的电力、数据中心、客户关系和云平台销售能力。新增 GPU 容量如果嵌入现有客户需求，收入转化会更直接。

但这条路对价格和利用率很敏感。GPU 租金下行、利用率不足、能源成本上升，都会压低回报。随着新进入者增加，ASIC 和下一代 GPU 上线，单位算力价格也可能下降，8.5 美元/小时的租金能否长期维持并不确定。

Model API 更赚钱，赌的是 token 消费

第二条路径是用自有基础设施提供 Model API。基准情景假设 65% 的容量用于推理，每 GPU 每秒可处理约 2750 个 token，混合定价为每百万 token 1.75 美元。

在这一情景下，Model API 的增量 EBIT margin 约 75%，资本回报超过 40%。不同转载口径中该项回报约为 40%-46%，但方向一致：自有算力叠加模型服务，回报高于单纯出租 GPU 小时。

原因并不复杂。云厂商和模型提供方卖的不是单个 GPU 小时，而是模型能力、推理服务和 API 调用。收入与 token 消费挂钩，利润空间更大。

这也解释了为什么大型科技公司一边买芯片，一边把 AI 功能塞进搜索、办公软件、广告、电商推荐和开发者工具。它们真正想做的，不只是把闲置算力租出去，而是把推理变成高频、可计费、能嵌入现有产品的收入流。

风险也集中在 token 层面。token 吞吐不只由芯片决定，还取决于模型参数规模、软件栈、输入输出比例和推理优化能力。如果模型更高效，单位 GPU 能处理更多 token，回报会上升。若开源模型和价格战压低每百万 token 收入，利润率会被稀释。

租第三方算力做 API，利润更容易被吃掉

第三条路径是模型公司租用第三方基础设施，再向客户提供 Model API。基准情景下，GPU 租金约 7.75 美元/小时，增量 EBIT margin 约 31%，税后回报或利润率约 25%。

这条路仍然可以赚钱，但不如拥有自有基础设施的平台。租入 GPU 的一方要先支付算力租金，再承担模型训练、推理、服务和销售成本，留给自己的利润空间更窄。

这也是微软、亚马逊、谷歌和 Meta 相对占优的原因。它们拥有资本实力、数据中心、客户入口和产品分发能力，可以在 IaaS 与 API 之间选择更合适的变现方式。纯模型公司或中间层应用如果没有足够强的定价权，更容易被算力成本夹击。

这不代表第三方模型公司没有机会。高质量模型、垂直场景、企业定制和应用层分发仍可能形成差异化。但从资本回报角度看，拥有低成本算力和高利用率基础设施的一方，更容易留下利润。

落点是四家大型科技平台，但高回报还没兑现

摩根士丹利在这套测算下继续看好微软、亚马逊、Meta 和谷歌。它们共同的优势，是既能扩建 AI 基础设施，又有现成产品和客户入口承接推理需求。

微软被给予 Overweight 评级，目标价 600 美元。谷歌母公司 Alphabet 目标价 400 美元，Meta 被列为 Top Pick，目标价 775 美元。亚马逊同样被纳入大型 AI 平台受益方向，但其具体目标价在公开来源中存在不同口径，不宜把单一数字作为结论。

这些股票落点不能被理解为 AI 资本开支已经兑现。四家公司短期财报仍可能承受折旧、能耗、芯片换代和研发开支压力。AI 投入能否转化为股东回报，最终要看推理收入增长能不能跑赢成本扩张。

25%-50% 的回报率也只是情景测算，不是已经发生的财务结果。75% 利用率是高门槛，企业 AI 应用如果落地慢于预期，闲置 GPU 会直接拖低回报。token 定价也不稳，开源模型、更高效的小模型和云厂商价格战，都可能压低每百万 token 收入。

这份报告给出的更像是一把尺子：只要大型科技公司能把 AI 基础设施维持在高利用率，并通过 Model API、云服务和现有产品把 token 消费变成收入，AI 资本开支就不只是成本黑洞。反过来，若租金、利用率和推理采用率不达标，25%-50% 的回报会很快停留在模型表格里。