TL;DR

· 摩根士丹利测算，1GW GB300 算力用于模型 API 时，模型层 ROIC 约为 20%-60%。

· 若由云平台直接出租 GPU，按 75% 利用率测算，IaaS ROIC 约为 23%-39%。

· 报告继续看好亚马逊和谷歌；Meta 仍为 Top Pick，但其 AI 回报更多来自广告、自有应用和开放模型生态。

摩根士丹利 Brian Nowak 团队在最新报告中给出一个反直觉判断：开放权重模型正在压低 AI token 价格，但拥有算力、调度能力和企业入口的平台，仍可能从 AI 资本开支中获得可观回报。

报告分别计算了两套账。

在模型 API 层，摩根士丹利以 1GW GB300 数据中心为基础，假设每百万 tokens 价格为 1 至 2.5 美元、单 GPU 吞吐量为每秒 2000 至 3500 tokens，并将 50% 至 80% 的算力用于推理。在不同情景组合下，模型层 ROIC 约为 20% 至 60%。

在云平台层，报告假设 1GW 数据中心配置约 41 万颗 GB300、GPU 利用率为 75%、租赁价格为每小时 7 至 10 美元。据此测算，云平台出租 GPU 算力的 IaaS ROIC 约为 23% 至 39%。

这两组数字共同解释了摩根士丹利的核心判断：AI 模型价格下降，首先冲击模型提供商的单位经济性；但对亚马逊、谷歌等云平台来说，企业采用 AI 仍然需要 GPU、存储、数据库、安全和模型部署工具。模型可以变便宜，承载模型的基础设施并不会因此失去价值。

开放权重压低价格，也推动更多 AI 工作负载落地

开放权重模型的直接影响，是降低企业使用和部署 AI 的门槛。

和封闭模型不同，开放权重模型允许用户下载模型权重，利用私有数据进行微调或重训，并选择在本地、云端或 API 上部署。企业不必完全依赖单一模型供应商，也能更灵活地控制数据、成本和部署方式。

开放权重与封闭权重模型的差异，包括权重能否下载、是否支持私有数据微调，以及能否在自有硬件运行。

代价是，模型 API 越来越难维持高价。随着接近前沿能力的低成本模型增加，模型实验室需要通过更低价格、更快响应和更完整的工具链争夺客户。报告提到，Meta 最新推出的 Muse Spark 1.2 等低价近前沿模型，正在进一步加剧模型层的价格竞争。

这也是市场担心 AI 资本开支回报的原因。科技公司投入数百亿美元购买 GPU、建设数据中心并锁定电力，如果推理价格持续下降，最终回报将越来越依赖三个变量：GPU 利用率、单卡 token 吞吐量，以及 AI 工作负载能否带动其他云服务收入。

摩根士丹利认为，价格下降会压缩模型层利润，但不一定意味着整个 AI 基础设施的回报同步恶化。更便宜、更灵活的模型也可能推动更多企业采用 AI，进而扩大对底层算力和云服务的需求。

20%-60%：模型 API 层的回报测算

模型 API 层的测算围绕三个核心变量展开：token 价格、GPU 吞吐量和用于推理的算力占比。

摩根士丹利将每百万 tokens 约 1.75 美元作为基准价格，并在 1 至 2.5 美元区间内进行情景分析。报告参考 DeepSeek-V4-Pro 1.6T 等开放权重模型在 GB300 硬件上的公开推理基准，将单 GPU 吞吐量假设放在每秒 2000 至 3500 tokens。

在基准情景下，报告假设 65% 的算力用于推理、单 GPU 每秒处理 2750 tokens、每百万 tokens 价格为 1.75 美元，对应约 400 亿美元收入/GW。完整情景区间对应的收入约为 230 亿至 520 亿美元/GW。

据此，报告估算 1GW GB300 算力对应的模型层 ROIC 约为 20% 至 60%。

模型 API 收入与成本框架。不同 token 价格、吞吐量和推理算力占比，对应每 GW 约 230 亿至 520 亿美元收入。

这里需要注意，20% 至 60% 并不是在固定 1.75 美元价格下自动获得的回报，而是不同价格、吞吐量和算力分配组合形成的情景区间。

这套账能否兑现，关键在于效率提升能否跑赢价格下降。如果 token 价格继续快速下探，而 GPU 利用率和吞吐量没有同步提高，模型层回报就会明显收窄。

23%-39%：云平台出租 GPU 的另一套账

对亚马逊和谷歌等云平台而言，更直接的收入来源是出租算力，而不是自己承担模型 API 的价格风险。

摩根士丹利假设，1GW GB300 数据中心可以配置约 41 万颗 GB300。在 75% 利用率下，如果每颗 GPU 的租赁价格为每小时 7 至 10 美元，对应年收入约 189 亿至 270 亿美元/GW。

扣除 IT 设备折旧、非 IT 资产折旧、电力、人工和维护等成本后，报告估算云平台每 GW 的税后经营利润约为 89 亿至 153 亿美元，对应 ROIC 约为 23% 至 39%。

云平台 GB300 GPU 租赁模型。每小时 7 至 10 美元的租赁价格，对应约 23% 至 39% 的 ROIC。

这组测算更直接地支撑了摩根士丹利对云平台 AI 资本开支的乐观判断。

即使模型 API 价格下降，企业仍需要租用 GPU 运行开放权重模型。对云平台来说，关键不是单个 token 能卖多贵，而是稀缺算力能否维持较高利用率和租赁价格。

摩根士丹利还强调，低价模型可能带来更多使用量。即使单位价格和利润率下降，只要 AI 工作负载的整体规模扩大，云平台的 EBIT 绝对额仍可能增长。

云平台卖的不只是 GPU 和 token

摩根士丹利认为，云平台能够消化价格战，主要有四个原因。

第一，算力仍然稀缺。企业即使选择开放权重模型，也需要 GPU、推理集群、存储、网络和安全环境。大型企业可以自建基础设施，但更多客户仍会通过 AWS、Google Cloud 或 Azure 租用算力和托管模型。

第二，云平台可以通过规模提高系统效率。更大的内存容量、更快的互连、MoE 架构和请求批处理，都能提升单位 GPU 的 token 吞吐量。大型云平台拥有更大的企业客户流量，更容易合并和调度请求，从而提高 GPU 利用率。

第三，自研芯片能够降低服务成本。亚马逊拥有 Trainium，谷歌拥有 TPU。自研芯片和软件优化让云平台在价格竞争中拥有更大的调整空间，也降低了对单一 GPU 供应商的依赖。

第四，AI 工作负载还会带动其他云服务收入。企业部署 AI 时，通常还需要购买对象存储、数据库、向量检索、RAG、安全治理、身份验证和监控服务。这些附加服务可以扩大每个 AI 工作负载带来的云收入，并提高整体盈利贡献。

因此，开放权重模型虽然可能让 API token 收入变成「引流产品」，却也可能带来更多 GPU 租赁、数据存储和数据库需求。

亚马逊、谷歌和 Meta 的回报逻辑并不相同

基于上述判断，摩根士丹利维持亚马逊和 Alphabet「增持」评级，目标价分别为 335 美元和 400 美元。

亚马逊的优势在于 AWS 企业客户基础、Trainium 自研芯片和完整的云服务生态。谷歌则同时拥有 TPU、Gemini 模型、搜索和 YouTube 应用场景，以及 Google Cloud 的企业分发能力。对于两家公司，AI 资本开支的回报主要来自算力出租、模型托管和云服务绑定。

Meta 的逻辑有所不同。

摩根士丹利仍将 Meta 列为 Top Pick，给予「增持」评级和 775 美元目标价，但 Meta 并不是 AWS 或 Google Cloud 意义上的企业云平台。其 AI 投入主要通过开放模型生态、广告推荐效率、自有应用和数据中心能力兑现。

Meta 的目标价及风险收益假设。

报告认为，Meta 的 AI 投入可能改善用户参与度、Reels 商业化和广告衡量能力，并为新产品提供增长空间。但如果数据中心建设执行不佳、资本强度继续上升，而新增算力未能产生足够回报，也会拖累自由现金流和估值。

最大风险是价格跌得比效率提升更快

这份报告并没有否认 AI 价格战。

随着低成本开放权重模型接近前沿能力，企业会更加关注成本、延迟、部署灵活性和数据控制权。模型实验室单靠高价 API 获取高利润会越来越困难，工具链、企业分发、应用场景和生态的重要性将继续上升。

云平台同样面临重资产压力。1GW GB300 数据中心涉及芯片、机房、电力、网络和折旧，任何环节成本上升，都会影响最终回报。如果企业 AI 应用扩散慢于预期，GPU 利用率不足，资本开支就更难转化为利润。

吞吐量提升也不会自动兑现。硬件升级、MoE 架构和请求批处理都能提高效率，但需要模型、芯片、网络、软件栈和真实客户请求共同配合。

摩根士丹利的结论因此并不是「AI 价格战没有影响」，而是：当 token 价格下降时，模型层最先承压；掌握稀缺算力、系统优化能力和企业云入口的平台，则更有能力通过 GPU 租赁、规模效应和附加云服务消化价格竞争。

接下来真正需要观察的，是云平台的吞吐量和利用率提升，能否持续跑赢 AI 价格下降的速度。

欢迎加入币营 Coincamps官方社群：

X 官方账号：https://x.com/coincamps

Telegram 订阅群：https://t.me/coin_camps