核心观点 - 摩根士丹利报告指出GPT-6 Astra的出现将市场争论从“AI需求是否过度投资”扭转为“物理供给能否跟上智能提升带来的新工作负载”[4][6] - Astra代表能力广度与互操作性的实质性跃升，包括推理、工程、计算机使用及物理世界任务执行，使AI可触达的商业场景大幅扩展[4][5] - 更好的模型创造弹性效应，单位成本智能产出提升导致推理工作负载数量、持续时间和复杂度增加，类似杰文斯悖论[7] - 供给端的物理约束（算力、电力、材料、劳动力）成为真正瓶颈，而非需求形成问题[11] 可触达市场扩展 - 全球知识工作TAM约为22.5万亿美元，基于全球9亿知识工作者、平均年薪约2.52万美元估算[10] - 消费者支出TAM约30万亿美元，涵盖零售+旅行约16万亿美元、自动驾驶/出行约4万亿美元、餐饮配送约4万亿美元及广告约3万亿美元[10] 物理瓶颈：ABF载板 - 摩根士丹利预计ABF载板从2027年起出现供不应求，缺口持续扩大至2030年[13] - 关键约束是新产能至少需要2年才能上线[13] 物理瓶颈：HBM4E后道工序 - HBM4E后道工序代表半导体制造重大范式转变，从专用3D存储堆叠演变为高度集成的定制Chiplet逻辑系统[16] - HBM4E互连层数增加（如SK海力士引入dummy bump），大量DRAM资本开支被迫用于BEOL产能扩张[17] - 前道工序制程迁移资本开支和DRAM GB出货量加速预计要到2027年下半年才能实现[17] - DRAM厂商优先占用设备产能，NAND产能扩张因此可能被推迟[17] 物理瓶颈：电力 - 超大规模云厂商总算力将从2025年约35GW增长至2028年约145GW，增长约4倍[20] - 美国面临38吉瓦电力缺口，数据中心将越来越多采用表后自发电解决方案[21] - 表后电力方案为每吉瓦资本开支增加约30亿美元，以Rubin Ultra一代英伟达芯片为例，含表后电力的全包成本约为每吉瓦500亿美元[22] 市场低估的三件事 - GPT-6 Astra的全球科技受益者尚未被充分定价[23] - 供给紧张持续时间可能更长，ABF和HBM4E BEOL约束短期内无法解决[23] - 模拟芯片（STM、NXP、Renesas）经历超过三年L型底部后，处于早期周期复苏阶段，库存精简、定价企稳、工业订单改善[23] 投资优先级 - AI算力（最优先）：GPU（英伟达）、ASIC（联发科、GUC）、ABF载板（欣兴、揖斐电）、MLCC（村田、三星电机）、后道封测（爱德万、东京电子、华丰、日月光、京元电）、电源（台达）[26] - 网络（次之）：GLW、LITE、COHR、KEYS、古河电工、藤仓[26] - 存储器（选择性）：优先结构性份额增长和本土化（长鑫存储），SK海力士、三星、铠侠在供给持续偏紧情况下有战术性上行空间[26] - 非AI：模拟芯片（意法半导体、恩智浦、瑞萨）[26] - 公司更倾向于布局在更广泛的推理周期与有限物理产能、上升的内容强度、增加的制造复杂度三者交汇处的公司[26] 需要保持清醒的地方 - AI预期已经很高，市场对AI公司容忍度从“好业绩”变成“必须完美业绩”，即便Astra带来实质进展，若业绩未大幅超预期，股价反应可能仍然有限[28] - 2028年资本支出增速预计放缓，减速本身可能持续压制估值，即便绝对值仍在增长[29] - 宏观逆风仍在，包括油价、通胀、美联储利率路径以及2028年美国大选等不确定因素，尤其关注民主党若赢得行政权后对数据中心扩张的潜在政治阻力[29]