頂尖大模型“能力突變”，算力需求“系統性超越供給”--大摩：“市場樂觀的程度可能還不夠”

當AI爆炸式增長撞上系統性供給瓶頸，大摩稱，當前市場對這場AI革命的樂觀程度，可能依然嚴重低估了其真實爆發力與深度。

4月11日，據追風交易臺消息，摩根士丹利最新研報的核心判斷是：頂尖大語言模型（LLM）正在經歷"非線性能力躍升"，而算力需求已呈現出系統性超越供給的態勢。

從2026年1月初至3月，全球每周Token使用量從6.4萬億次驟升至22.7萬億次，短短三個月增幅約250%，部分LLM服務商已被迫對用戶實施使用上限。大摩預測，未來算力需求增速約為NVIDIA算力供給CAGR預測值的3倍，算力短缺將長期存在且持續加劇。

能源是另一顆"定時炸彈"。大摩模型預測，2025至2028年間美國數據中心將面臨約55吉瓦的電力缺口。此前已有180億美元的數據中心項目被直接取消，另有460億美元的項目遭到推遲。即便綜合天然氣渦輪、燃料電池、比特幣站址轉換等多種"快速供電"方案，凈電力缺口仍可能高達同期美國數據中心總部署規模的18%至30%

AI對勞動力市場的沖擊已開始顯現。大摩調查顯示，在受AI影響最深的五大行業中，過去12個月內AI導致11%的職位被裁撤，另有12%的崗位空缺后不再補招；新增招聘僅有18%，綜合凈裁員率約4%。報告估計，90%的職業將在某種程度上受到AI自動化或增強的影響。

大模型能力"階躍式突變"：情況比市場預期更極端

大摩報告將"前沿大模型能力的非線性躍升"列為2026年最重要的主題驅動力之一，并援引大量數據印證其"情況遠比市場預期更極端"的判斷。

第三方機構METR的最新分析顯示，目前最優秀的大模型已能獨立完成超過15小時的連續復雜任務——而按照現有技術縮放定律（Scaling Laws）的外推，當前水平應約為8小時。實際能力已大幅超前于理論預期軌道。

多項獨立數據共同印證這一趨勢：

• Artificial Analysis的持續追蹤指標顯示，AI能力仍在快速推進；

• OpenAI首席執行官Sam Altman在印度AI峰會上公開警告："世界還沒準備好，極具能力的模型即將到來

• 有研究人員利用DNA測序與DeepMind的AlphaFold工具，為其寵物犬開發出癌癥疫苗；

• 《紐約時報》科技編輯Kevin Roose的讀者實驗顯示，54%的讀者更偏好AI生成的文章，而非人類寫作；

• 前沿LLM已具備求解物理學領域開放難題的能力；

• 有報道稱某款尚未發布的模型在軟件編程、學術推理和網絡安全領域代表了"能力的階躍式突變"。

報告還引用了Leo Aschenbrenner論文《情境感知》中的預判：

"到2027年實現AGI（通用人工智能）具有令人驚訝的可能性。GPT-2到GPT-4的四年間，我們從學齡前水平躍升至聰明高中生水平……如果我們再走一次同樣的智能跨度，將把我們帶到哪里？很可能是能夠在所有專業領域超越博士和頂級專家的模型。"

如果說大模型能力躍升是"需求側的引擎"，算力供給的嚴重不足則是"供給側的天花板"。大摩將"算力需求系統性超越供給"列為2026年最核心的市場主題。

報告稱，數據極為直觀：

• 根據OpenRouter平臺的實際追蹤數據，2026年1月初至3月，全球每周Token使用量從6.4萬億次增至22.7萬億次，三個月內增幅約250%

• 智能體AI工具（以OpenClaw為代表）的普及速度，大幅加速了需求側的爆發；

• 多家LLM服務商已開始對用戶設置Token使用上限，以應對需求的失控增長；

• 大摩預測，整體算力需求增速約為NVIDIA算力供給CAGR預測值的3倍

• 推動需求的三大并行動力相互疊加：AI使用場景持續擴張、AI任務復雜度的非線性提升、AI采納范圍加速拓寬。

在具體應用層面，軟件編程是目前所有LLM使用場景中Token消耗量最大的單一用途，且該領域被專有（閉源）模型所主導。

大摩"智能工廠"（Intelligence Factory）模型揭示了另一層關鍵邏輯：隨著芯片世代從Blackwell遷移至Rubin GPU，平均Token價格有望下降超過70%——AI使用成本的急速下滑將進一步激發需求端的爆發，形成需求自我強化的正反饋循環。

以一個具體案例為例：一個規模約250兆瓦、使用Blackwell GPU、電力成本為每兆瓦時100美元、運行GPT-4o查詢的數據中心，可為頂級大模型開發商帶來約60%的利潤率

大摩預期，真實的算力需求將達到此前模型預測的3倍左右。在此背景下，任何能夠打破算力擴展瓶頸的公司都將迎來重大利好。這不僅包括芯片制造供應鏈，還包括存儲器、光學網絡設備以及數據中心的核心組件。大摩極其看好這批“算力商人”（Merchants of Compute），認為他們將直接受益于這種系統性的供需失衡。

能源是AI的命脈：55吉瓦缺口與"離網"解決方案的競速

電力，已成為AI基礎設施擴張最關鍵的物理約束。大摩基于其"AI供電"深度分析模型，得出了令人警醒的結論。

2025至2028年間，美國數據中心開發商將面臨約55吉瓦的電力供給缺口。與此同時，已有180億美元的數據中心項目因社區反對和電價上漲擔憂而被直接取消，另有460億美元的項目遭到推遲。制約數據中心增長的多重阻力已在同步發酵：電網接入資源的爭奪、電力設備短缺、勞動力不足，以及地方政治阻力。

面對這一缺口，大摩梳理了四類"快速通電"（Time to Power）解決方案：

• 天然氣渦輪機：可緩解15—20吉瓦缺口，成功概率90%；
  
• Bloom Energy燃料電池：可緩解5—8吉瓦缺口，成功概率90%；
  
• 依托現有核電站部署數據中心：可緩解5—15吉瓦缺口，成功概率75%；
  
• 比特幣礦場改建為數據中心：可緩解10—15吉瓦缺口，成功概率90%。
  

然而，即便將上述所有方案的概率加權貢獻疊加，大摩的基準測算顯示，2028年前凈電力缺口仍將相當于同期美國數據中心總部署規模的18%至30%。

從戰略布局看，Meta已開始采取主動行動——向泰拉能源（Terrapower）的鈉冷快堆商業化項目提供資金，并直接投資路易斯安那州的電力基礎設施。

大摩認為，這可能是AI巨頭開始系統性掌控能源基礎設施、確保算力命脈的戰略信號。

就業沖擊初現，AI采納經濟價值超標普500稅前利潤的25%

大摩的調查數據與模型測算，揭示了AI對勞動力市場早期且深刻的影響。

在受AI沖擊最顯著的五大行業（消費品零售、不動產管理與開發、交通運輸、醫療設備與服務、汽車與零部件），大摩的實地調查顯示：

• 過去12個月，AI已導致11%的職位被直接裁撤
• 另有12%的崗位空缺后不再補招
• 新增招聘為18%，綜合計算凈裁員率約4%
• 值得關注的是，規模較小的企業新招聘量最弱——這可能反映小企業對AI的應用更為靈活迅速。

從宏觀視角看，大摩估計90%的職業將在某種程度上受到AI自動化或增強的影響，影響方式通常不是"整體取消工作崗位"，而是"重新配置崗位內的任務結構"。

從定量經濟價值角度，大摩測算的AI采納TAM（目標可達市場規模）同樣驚人：

1. "AI自動化"帶來的成本削減潛力對應的價值TAM，超過標普500指數2026年預期調整后稅前利潤的25%
2. 這一"AI自動化"成本削減，相當于員工薪酬支出總額的40%以上
3. 其中，智能體AI（軟件層面）與具身AI（以機器人為代表的物理層面）的價值貢獻近乎各占一半；
4. 從行業分布看，消費品零售、不動產管理、交通運輸和醫療設備領域的AI采納經濟潛力相對稅前利潤而言最高。

隨著AI能力加速躍升，核心問題變得愈發緊迫：在AI能夠復制幾乎一切的世界里，什么樣的資產才具有真正的防御性？大摩報告援引投資人Michael Bloch的框架，提出了一個關鍵區分：

AI壓縮了完成事情所需的時間，但它無法壓縮讓事情自然發生所需的時間。這一區別，是當前投資中最重要的篩選標準。

據此，具備真正防御性護城河的資產類型包括五類：

1. 持續累積的專有數據——不是靜態數據集，而是通過可防御的業務運營持續生成的動態數據；

2. 網絡效應——每新增一名用戶都能讓產品對其他用戶更有價值；已積累流動性的網絡優勢，隨著AI降低創建競爭對手的門檻反而會進一步凸顯；

3. 監管許可——銀行牌照需要數年，FDA審批需要數年，監管壁壘隨著AI能力提升而擴大，而非收窄；

4. 大規模資本部署能力——當瓶頸從軟件轉向物理基礎設施，調動大規模資本的能力本身就成為時代核心優勢；

5. 物理基礎設施——工廠、電廠、數據中心……物理定律給時間設定了無法突破的下限，先行者的領先優勢每過一個月都在擴大。

報告進一步列舉了"變革性AI"時代可能升值的八大類資產，涵蓋：具有物理稀缺性的不動產（AI基礎設施用地、工業地產）、具備定價權的AI應用采納者、奢侈品與獨特服務、具有網絡效應的平臺、真實且獨特的人類體驗、監管特許經營權、專有數據與品牌，以及半導體關鍵資產（先進制程芯片廠、ASML的EUV光刻機、稀土加工能力）。