據 Woofun AI 消息，針對市場對於微軟、亞馬遜、谷歌和Meta等科技巨頭持續大舉投資GPU與數據中心所引發的資本支出擔憂，摩根士丹利給出了明確的回報預期：在特定預設條件下，生成式人工智能基礎設施及模型API業務有望實現25%-50%的資本回報率。

這一結論直接回應了投資者對於鉅額投入是否會轉化爲利潤，抑或僅加劇折舊、能耗及研發開支的焦慮。報告將變現路徑拆解爲三類：作爲IaaS服務出租GPU算力、通過自有基礎設施提供模型API，以及租用第三方算力提供模型API。前兩種模式更契合擁有數據中心與客戶渠道的大型平臺，而第三種則對租賃價格波動更爲敏感。

宏觀層面的支出規模正推動算力轉化邏輯的重構。摩根士丹利預計到2028年，大型科技公司的資本支出將超過1.4萬億美元。從2025年到2028年，其計算能力有望翻番至約120GW。

然而，算力擴張並不等同於營收增長。頂級模型的訓練、維護及迭代消耗大量算力，且訓練本身不產生直接營收，反而帶來折舊與運營成本。真正決定投資回報率的關鍵指標，在於剩餘算力能否充分用於推理、API服務及企業軟件領域。具體而言，每臺GPU的年使用小時數、每小時營收、每秒處理token數以及每百萬token收益，構成了現金回報的核心變量。

值得注意的是，過去市場多關注資本支出數值的上調，而此次摩根士丹利提供了具體的經濟模型測算，證明在預設條件下，AI基礎設施能夠承受較高折舊壓力，並實現與優質雲服務或軟件企業相當的回報水平。

第一種變現路徑是雲服務提供商將GPU算力作爲基礎設施即服務（IaaS）出租。在基準假設下，1GW算力相當於約410,000塊英偉達GB300 GPU，利用率爲75%，每小時租賃價格爲8.5美元。據此測算，GPU租賃業務每GW年可創造約229億美元營收，增量EBIT利潤率約爲67%，資本回報率在31%左右。只要GPU供應能滿足高需求，IaaS便不僅是低利潤硬件租賃，而是高利用率的基礎設施業務。其優勢在於雲服務商現有的算力資源、數據中心、客戶關係及雲平臺銷售能力。若新增GPU容量匹配現有客戶需求，營收轉化將更爲直接。

然而，該路徑對價格和利用率極爲敏感。GPU租賃價格下降、利用率不足或能源成本上升均會壓低迴報。隨着新競爭者進入及專用集成電路、下一代GPU推出，單位算力價格可能下行，因此8.5美元/小時的租賃價格能否長期維持存在不確定性。

第二種路徑是利用自有基礎設施提供模型API。基準假設中，65%的算力用於推理任務，每塊GPU每秒處理約2,750個token，每百萬token定價爲1.75美元。在此模式下，模型API的增量EBIT利潤率約爲75%，資本回報率超過40%。不同版本測算顯示，回報率在40%-46%之間，趨勢明確：在模型服務中加入自有算力，相比單純按小時出租GPU，能帶來更高回報。

深層原因在於，雲服務提供商和模型提供商出售的並非單個GPU使用時間，而是模型功能、推理服務及API調用服務。營收與token消耗量直接掛鉤，從而推高利潤率。這也解釋了爲何大型科技公司既購買芯片，又將AI功能嵌入搜索、辦公軟件、廣告、電商推薦及開發者工具等產品中。其真正目標並非僅出租閒置算力，而是將推理服務轉變爲高頻、可計費、可嵌入現有產品中的收入來源。

Woofun AI 整理數據顯示，這種基於Token的經濟模型在效率優化下具備顯著的利潤彈性，但也面臨開源模型及價格戰導致每百萬token營收下降的風險，進而稀釋利潤率。

第三種路徑是模型公司租用第三方基礎設施，再向客戶提供模型API。基準假設下，GPU租賃價格爲每小時7.75美元，增量EBIT利潤率約爲31%，稅後投資回報率或利潤率在25%左右。雖然該路徑也能盈利，但遠不及擁有自有基礎設施平臺豐厚。租用GPU的一方需支付算力租賃費，並承擔模型訓練、推理、服務及銷售成本，導致利潤率較低。這正是微軟、亞馬遜、谷歌和Meta具有相對優勢的原因——它們擁有充足資金、數據中心、客戶資源及產品分發能力，能在IaaS和API變現方式間做出最佳選擇。相比之下，缺乏強定價能力的純粹模型公司或中間層應用廠商，易在算力成本壓力下陷入困境。

不過，高質量模型、垂直領域應用場景、企業定製化服務及應用層分佈式部署，仍可能成爲第三方公司的競爭優勢。但從資本回報角度看，擁有低成本算力及高利用率基礎設施的公司，更有可能留住利潤。

在個股評級與目標價方面，摩根士丹利依然看好微軟、亞馬遜、Meta和谷歌。微軟評級爲"超配"，目標股價600美元；谷歌母公司Alphabet目標股價400美元；Meta被列爲"首選"，目標股價775美元；亞馬遜雖被認爲能從大型AI平臺受益，但因目標股價來源差異未給出具體數字。這些股價並不意味着AI資本支出已實現回報，短期財務報告仍面臨折舊、能耗、芯片升級及研發開支壓力。AI投資能否轉化爲股東收益，關鍵在於推理服務營收增長是否快於成本上升。25%-50%的回報率基於特定假設，75%的利用率屬較高水平，若企業級AI應用落地低於預期，閒置GPU將拉低迴報。

此外，Token價格不穩定，開源模型、高效小模型及雲服務商價格競爭可能降低每百萬token營收。該報告更多作爲參照標準：只要大型科技公司保持AI基礎設施高利用率，並通過模型API、雲服務及現有產品將Token消耗轉化爲營收，AI資本支出便不至於淪爲成本黑洞。反之，若租賃價格、利用率及推理服務採用率未達預期，25%-50%的回報率僅停留在理論計算之中。