摩根士丹利最新研报的核心判断是：顶尖大语言模型正在经历非线性能力跃升，而算力需求已呈现出系统性超越供给的态势。

　　从2026年1月初至3月，全球每周Token使用量从6.4万亿次骤升至22.7万亿次，短短三个月增幅约250%，部分LLM服务商已被迫对用户实施使用上限。大摩预测，未来算力需求增速约为NVIDIA算力供给CAGR预测值的3倍，算力短缺将长期存在且持续加剧。

　　能源是另一颗定时炸弹。大摩模型预测，2025至2028年间美国数据中心将面临约55吉瓦的电力缺口。此前已有180亿美元的数据中心项目被直接取消，另有460亿美元的项目遭到推迟。即便综合天然气涡轮、燃料电池、比特币站址转换等多种快速供电方案，净电力缺口仍可能高达同期美国数据中心总部署规模的18%至30%

　　AI对劳动力市场的冲击已开始显现。大摩调查显示，在受AI影响最深的五大行业中，过去12个月内AI导致11%的职位被裁撤，另有12%的岗位空缺后不再补招；新增招聘仅有18%，综合净裁员率约4%。报告估计，90%的职业将在某种程度上受到AI自动化或增强的影响。

　　大模型能力阶跃式突变：情况比市场预期更极端

　　大摩报告将前沿大模型能力的非线年最重要的主题驱动力之一，并援引大量数据印证其情况远比市场预期更极端的判断。

　　第三方机构METR的最新分析显示，目前最优秀的大模型已能独立完成超过15小时的连续复杂任务——而按照现有技术缩放定律的外推，当前水平应约为8小时。实际能力已大幅超前于理论预期轨道。

　　多项独立数据共同印证这一趋势：

　　OpenAI首席执行官Sam Altman在印度AI峰会上公开警告：世界还没准备好，极具能力的模型即将到来

　　有研究人员利用DNA测序与DeepMind的AlphaFold工具，为其宠物犬开发出癌症疫苗；

　　科技

　　前沿LLM已具备求解物理学领域开放难题的能力；

　　有报道称某款尚未发布的模型在软件编程、学术推理和网络安全领域代表了能力的阶跃式突变。

　　报告还引用了Leo Aschenbrenner论文中的预判：

　　到2027年实现AGI具有令人惊讶的可能性。GPT-2到GPT-4的四年间，我们从学龄前水平跃升至聪明高中生水平……如果我们再走一次同样的智能跨度，将把我们带到哪里？很可能是能够在所有专业领域超越博士和顶级专家的模型。算力供需大裂口：250%的Token增速背后是3倍的需求差距

　　如果说大模型能力跃升是需求侧的引擎，算力供给的严重不足则是供给侧的天花板。大摩将算力需求系统性超越供给列为2026年最核心的市场主题。

　　报告称，数据极为直观：

　　根据OpenRouter平台的实际追踪数据，2026年1月初至3月，全球每周Token使用量从6.4万亿次增至22.7万亿次，三个月内增幅约250%

　　智能体AI工具的普及速度，大幅加速了需求侧的爆发；

　　多家LLM服务商已开始对用户设置Token使用上限，以应对需求的失控增长；

　　大摩预测，整体算力需求增速约为NVIDIA算力供给CAGR预测值的3倍

　　推动需求的三大并行动力相互叠加：AI使用场景持续扩张、AI任务复杂度的非线性提升、AI采纳范围加速拓宽。

　　在具体应用层面，软件编程是目前所有LLM使用场景中Token消耗量最大的单一用途，且该领域被专有模型所主导。

　　大摩智能工厂模型揭示了另一层关键逻辑：随着芯片世代从Blackwell迁移至Rubin GPU，平均Token价格有望下降超过70%——AI使用成本的急速下滑将进一步激发需求端的爆发，形成需求自我强化的正反馈循环。

　　以一个具体案例为例：一个规模约250兆瓦、使用Blackwell GPU、电力成本为每兆瓦时100美元、运行GPT-4o查询的数据中心，可为顶级大模型开发商带来约60%的利润率

　　大摩预期，真实的算力需求将达到此前模型预测的3倍左右。在此背景下，任何能够打破算力扩展瓶颈的公司都将迎来重大利好。这不仅包括芯片制造供应链，还包括存储器、光学网络设备以及数据中心的核心组件。大摩极其看好这批“算力商人”，认为他们将直接受益于这种系统性的供需失衡。

　　能源是AI的命脉：55吉瓦缺口与离网解决方案的竞速

　　电力，已成为AI基础设施扩张最关键的物理约束。大摩基于其AI供电深度分析模型，得出了令人警醒的结论。

　　2025至2028年间，美国数据中心开发商将面临约55吉瓦的电力供给缺口。与此同时，已有180亿美元的数据中心项目因社区反对和电价上涨担忧而被直接取消，另有460亿美元的项目遭到推迟。制约数据中心增长的多重阻力已在同步发酵：电网接入资源的争夺、电力设备短缺、劳动力不足，以及地方政治阻力。

　　面对这一缺口，大摩梳理了四类快速通电解决方案：

　　然而，即便将上述所有方案的概率加权贡献叠加，大摩的基准测算显示，2028年前净电力缺口仍将相当于同期美国数据中心总部署规模的18%至30%。

　　从战略布局看，Meta已开始采取主动行动——向泰拉能源的钠冷快堆商业化项目提供资金，并直接投资路易斯安那州的电力基础设施。

　　大摩认为，这可能是AI巨头开始系统性掌控能源基础设施、确保算力命脉的战略信号。

　　就业冲击初现，AI采纳经济价值超标普500税前利润的25%

　　大摩的调查数据与模型测算，揭示了AI对劳动力市场早期且深刻的影响。

　　在受AI冲击最显著的五大行业，大摩的实地调查显示：

　　从宏观视角看，大摩估计90%的职业将在某种程度上受到AI自动化或增强的影响，影响方式通常不是整体取消工作岗位，而是重新配置岗位内的任务结构。

　　从定量经济价值角度，大摩测算的AI采纳TAM同样惊人：

　　随着AI能力加速跃升，核心问题变得愈发紧迫：在AI能够几乎一切的世界里，什么样的资产才具有真正的防御性？大摩报告援引投资人Michael Bloch的框架，提出了一个关键区分：

　　AI压缩了完成事情所需的时间，但它无法压缩让事情自然发生所需的时间。这一区别，是当前投资中最重要的筛选标准。

　　据此，具备真正防御性护城河的资产类型包括五类：

　　持续累积的专有数据——不是静态数据集，而是通过可防御的业务运营持续生成的动态数据；

　　网络效应——每新增一名用户都能让产品对其他用户更有价值；已积累流动性的网络优势，随着AI降低创建竞争对手的门槛反而会进一步凸显；

　　监管许可——银行牌照需要数年，FDA审批需要数年，监管壁垒随着AI能力提升而扩大，而非收窄；

　　大规模资本部署能力——当瓶颈从软件转向物理基础设施，调动大规模资本的能力本身就成为时代核心优势；

　　物理基础设施——工厂、电厂、数据中心……物理定律给时间设定了无法突破的下限，先行者的领先优势每过一个月都在扩大。

　　报告进一步列举了变革性AI时代可能升值的八大类资产，涵盖：具有物理稀缺性的不动产、具备定价权的AI应用采纳者、奢侈品与独特服务、具有网络效应的平台、真实且独特的人类体验、监管特许经营权、专有数据与品牌，以及半导体关键资产。