最近，摩根士丹利投資管理髮布了一份2026年二季度深度報告，題目是《Artificial Intelligence: Ten Investment Truths》。（文末有連結，需要全文PDF可以私信）

這份報告從更大的視角討論：AI已經不再只是一個技術趨勢，也不只是大模型公司之間的能力競賽，而是正在變成一輪橫跨基礎設施、軟體、資本、能源、機器人、國家競爭和組織治理的系統性變革。

報告開頭有一句話很關鍵：三年前，人工智慧還只是一個令人好奇的話題；今天，它已經成為資本配置的對象。也就是說，AI已經從“能做什麼”的討論，進入了“誰來投入、誰來承載、誰來變現、誰來治理”的階段。這也與前兩天我們發的字節CEO梁汝波談到現在的階段不是要不要做AI，而是如何做的問題一致。字節CEO梁汝波最新發聲：AI仍處早期，真正的攀登才剛開始（附全文）

摩根士丹利用“十條投資真相”來概括這輪變化：

這十條不只是投資判斷框架，也是在提醒企業管理者：AI不是一個新工具，而是一套新的生產系統；不是單點效率提升，而是在重新定義資本如何流動、產業如何組織、工作如何完成、組織如何形成競爭優勢。

真相一：AI進入“四股力量共振”階段，不再只是模型單點突破（4-WAY CONVERGENCE: ALGORITHMS, COMPUTE, TALENT AND CAPITAL）

摩根士丹利認為，AI正在從突破性技術轉向基礎設施，而推動這輪變化的，不是某一個模型的進步，而是四股力量同時加速：演算法、算力、人才和資本。

演算法在持續突破，算力在快速擴張，頂尖AI人才集中在少數機構，資本以前所未有的規模投入。報告提到，自2017年Transformer突破以來，AI相關資本開支已經承諾約2.3兆美元；2025年，Token消費量增長超過10倍。

這個判斷的關鍵在於：AI已經不是單點創新，而是一個飛輪。模型能力提升，帶來更多使用；更多使用，帶來更多收入和資本投入；資本繼續推高算力和基礎設施，又反過來推動模型能力和應用擴張。

所以，企業今天談AI轉型，不能只問“我們用了那個模型”“員工會不會Prompt”。真正要問的是：我們是否具備把技術、人才、資本、資料和業務場景組織在一起的能力。

AI競爭越往後，越不是單一技術能力的競爭，而是組織整合能力的競爭。

真相二：瓶頸不斷遷移，AI競爭開始被物理世界約束（MOORE'S LAW NO MORE: WHEN PHYSICS BECOMES THE BOTTLENECK）

過去科技行業有一個底層信念：算力會越來越便宜，性能會越來越強。但摩根士丹利提醒，在AI時代，摩爾定律已經不足以解釋接下來的變化。真正的瓶頸正在不斷遷移。

先是晶片，然後是電力，再到記憶體、網路、冷卻和資料中心供給。報告提到，記憶體在2026年底前仍會供應不足；AI和資料中心需求預計將在2027年創造75—100 exabytes的新增記憶體需求，並在2028年再次翻倍。更重要的是，超大規模雲廠商的採購邏輯也在變化：過去更重視價格最佳化，現在更重視供應安全，長期供應協議開始變得更常見。

這說明，AI不是一個“雲上無限資源”的故事。越往深處走，AI越依賴物理基礎設施：晶片、電力、記憶體、網路、冷卻、土地、資料中心和供應鏈。

對企業來說，這意味著AI轉型不只是CIO和技術團隊的事，也會變成CFO、採購、能源、戰略和供應鏈共同參與的問題。未來真正有AI能力的企業，不只是模型用得好，而是能否穩定、可持續、可負擔地獲得AI資源。

真相三：Token經濟出現，算力正在變成收入（THE TOKEN ECONOMY: WHEN COMPUTE BECOMES REVENUE）

報告中最有傳播力的一句話是：

Data centers are factories. Tokens are the product.

資料中心正在變成工廠，Token正在變成產品。

過去，資料中心是支援業務運行的成本中心。到了AI時代，資料中心正在變成生產設施，它生產的是智能輸出，而Token就是這種智能輸出的計量單位。每一次提問、每一次文件生成、每一次程式碼修改、每一次Agent執行任務，背後都在消耗Token。

摩根士丹利認為，Token可以被衡量、定價和規模化，就像電力按千瓦時計價一樣，AI智能開始按百萬Token計價。報告還提出，一個非常關鍵的新指標是tokens per watt，也就是每一單位能源可以生產多少Token。

更重要的是，Token需求不是線性增長。生成式AI建立了基礎需求；推理型AI因為要自我反思和糾錯，需要大約1000倍更多算力；Agentic AI因為要呼叫工具、執行任務、持續運行，需要比最初對話模型高出約100萬倍的算力。

這背後對應的是商業模式變化。過去2兆美元的軟體行業，建立在“席位授權”上，一個員工一個帳號，一個部門一套系統。下一階段，AI軟體可能建立在“Token消耗”上。

這對組織管理也很重要。過去企業看人頭、帳號、工時、預算，未來可能還要看：那些崗位消耗Token最多，那些Token轉化成了業務結果，那些Agent任務值得持續運行，那些流程只是燒Token卻沒有創造價值。

Token不是一個純技術詞，它正在變成新的成本指標、收入指標和組織效率指標。

真相四：Agent轉型開始，員工會從執行任務變成管理（AgentFROM REACTIVE TO AUTONOMOUS: THE AGENTIC TRANSITION）

摩根士丹利把AI的下一階段稱為Agentic Transition，也就是Agent化轉型。

第一代AI是被動的。人輸入問題，AI給出回答。人仍然控制節奏，AI只是輔助。現在不同了，AI正在從“回答問題”變成“執行任務”：呼叫工具、管理流程、持續運行，甚至未來可以參與交易和支付。

報告提到，開發者採用Agent的速度最快，一些工程師已經同時管理四個或更多Agent，他們不再只是親自編碼，而是在委託、監督和驗收。報告還引用微軟的說法，把AI在工作中的形態分為三類：簡單聊天、委託任務，以及擁有自己身份、工具和工作空間的數字員工。

過去組織設計的基本假設是：人執行任務，系統記錄流程，管理者監督結果。Agent進入之後，執行單元變了。很多員工未來的工作方式，可能不再是“自己完成任務”，而是“管理一組Agent完成任務”。

這意味著，崗位能力、績效評價、權限設計、責任邊界和協作流程都要重新定義。一個任務到底是人完成的，還是Agent完成的？Agent做錯了誰負責？那些任務可以全自動執行，那些任務必須人工確認？那些工作流需要重新設計，而不是簡單把AI疊加在舊流程上？

AI原生組織的關鍵，不是每個人多一個AI助手，而是組織能否圍繞Agent重新設計工作。

真相五：軟體護城河不再只是程式碼，而是資料、領域和分發（DATA, DOMAIN AND DISTRIBUTION: THE NEW SOFTWARE MOATS）

摩根士丹利提出，AI時代新的軟體護城河是三個D：Data、Domain、Distribution，也就是資料、領域和分發。

過去，軟體公司的壁壘可能來自程式碼、功能、產品體驗和工程能力。但AI正在降低程式碼和功能複製的成本。一個過去需要幾個月、幾千萬甚至上億美元開發的功能，未來可能很快被AI原生公司複製出來。

真正難以複製的，是長期積累下來的資料、行業知識、客戶網路、合規經驗和深嵌在關鍵流程裡的業務邏輯。

尤其在垂直SaaS領域，摩根士丹利認為，擁有資料、領域和分發優勢的公司更有可能建立持久壁壘。報告也指出，很多企業資料分散在CRM、ERP、郵件、文件等不同系統中，彼此割裂。如果Agent看不到完整資訊，只能給出碎片化建議。能夠控制統一資料層、讓Agent跨系統推理的組織，會持續放大優勢。

AI時代，模型可以外采，工具可以購買，但企業自己的業務資料、客戶理解、流程經驗、行業判斷不能外包。真正的護城河不只是“我們用了AI”，而是“我們的資料和領域知識能否被AI持續呼叫，並轉化為更好的決策和行動”。

真相六：AI開始從分析經濟，走向運行經濟（YESTERDAY'S SCI-FI IS INCREASINGLY IN REACH）

AI stops analyzing the economy and starts operating it.

AI不再只是分析經濟，而是開始運行經濟。

這說的是Physical AI，也就是具身智能和物理世界中的AI。如果說數字AI主要改變知識工作，那麼Physical AI將進入交通、物流、製造、建築、農業、醫療、國防、能源和基礎設施。

摩根士丹利提到，自動駕駛、機器人、工業自動化、無人機和智能基礎設施不再只是實驗，而是在商業化部署。軟體定義汽車收入從2021年的5億美元增長到2024年的10億美元，並預計到2027年達到20億美元。報告還提到，人形機器人現在越來越多在模擬環境中訓練，可以把多年物理學習壓縮到幾天，這使Physical AI從實驗走向規模化成為可能。

這意味著，AI原生組織不只是網際網路公司和軟體公司的事。

未來，礦山、工廠、港口、倉庫、電網、醫院、建築工地和物流網路，都可能出現“人+Agent+機器人+裝置系統”的混合組織。企業要管理的不只是員工和數字系統，還要管理智能裝置、自動化流程、機器人作業和AI決策鏈。

AI的組織影響，將從辦公室進入現場。

真相七：AI不是一個行業，而是一輪全端資本周期（AI IS A FULL-STACK CAPITAL CYCLE）

這是整份報告的核心判斷之一。

摩根士丹利認為，AI不是一個單一行業故事，而是一輪跨資產、跨行業的全端資本周期。

這個AI棧可以分成三層：底層是基礎設施，包括晶片、資料中心、電力、網路、記憶體和冷卻；中間是模型層，包括訓練、推理、編排、安全和治理；最上層是應用層，包括軟體、Agent平台、機器人、感測器、執行器和邊緣計算。這與黃仁勳提出的AI五層蛋糕在底層邏輯上一致。

所以，未來判斷AI價值，不能只問“誰有最好的模型”。更重要的問題是：

這對企業同樣成立。AI轉型不是買一個工具，也不是建一個AI小組，而是全端系統工程。基礎設施、資料、模型、流程、業務場景、組織能力和治理機制都要一起看。

更關鍵的是，企業不能只把AI理解為降本工具。摩根士丹利提醒，要關注AI能否創造新需求，而不僅僅是減少成本。真正重要的AI應用，可能不是把舊工作做得更便宜，而是創造過去不存在的新服務、新流程和新商業模式。

真相八：中美正在形成兩種AI架構競爭（COMPETING COMPUTE: TWO ARCHITECTURES, ONE RACE）

摩根士丹利把AI競爭提升到了國家安全和地緣競爭層面。

報告認為，全球正在形成兩種AI生態。美國模式是高成本創新引擎，依靠大規模資本開支和先進晶片，主要約束正在從晶片轉向電力。中國模式則是在先進晶片受限的情況下，發展出低成本、效率導向的系統，依靠開源生態、製造能力、伺服器、記憶體、網路等硬體供應鏈合作，形成平行AI棧。

報告中有一個很值得關注的資料：儘管中國模型投入只有美國超大規模雲廠商的18%，但中國模型公開表現已經大體接近美國同行，性能差距縮小到約一個月。更低的成本基礎，也讓中國模型能夠更快降低Token成本，並通過相近性能和價格優勢獲得市場份額。

這個判斷不應被簡單理解為誰領先誰落後。它更重要的啟發是：AI競爭不只拼資本和參數，也拼效率、工程化、供應鏈、應用速度和生態能力。

對中國企業來說，未來AI優勢未必只來自最強模型，也可能來自更低成本、更快應用、更強場景落地和更高組織效率。

真相九：AI已經是戰略基礎設施，但治理明顯滯後（AI IS STRATEGIC INFRASTRUCTURE, BUT NOBODY IS IN CHARGE）

摩根士丹利認為，AI能力正在快速前進，但治理沒有跟上。

報告指出，前沿AI政策真空正在擴大。很多具有公共安全和地緣影響的關鍵決策，實際上正在由私營公司做出，而不是由政府或國際框架統一管理。那些國家和企業可以部署強模型，那些系統可以訪問關鍵基礎設施，那些Agent可以呼叫工具和外部API，這些問題都還沒有成熟的治理框架。

報告還提醒，AI正在擴大攻擊面，而防禦能力沒有同步部署。很多企業仍然依賴傳統網路安全保護，但AI驅動的威脅已經可以以機器速度運行。更重要的是，Agent如果只是回答問題，幻覺最多產生錯誤文字；但Agent如果開始執行任務，一個錯誤就可能變成真實行動，並造成後果。

AI原生組織不是越快越好，也不是Agent越多越好。Agent越強，越需要權限設計、日誌記錄、審計機制、人工接管、責任歸屬和風險邊界。

否則，AI不是生產力工具，而可能成為組織風險放大器。

真相十：基礎設施會先於應用爆發，Token可能走在應用之前（FROM TELEGRAMS TO TOKENS: HISTORY AS A ROADMAP）

最後一條，摩根士丹利用歷史來解釋今天的AI基礎設施建設。

報告認為，今天AI基礎設施投入看起來很大、很快、甚至讓人不安，但類似模式在通訊基礎設施歷史上反覆出現過：先是基礎設施大規模建設，然後價格下降，接著需求爆發，最後出現當初無法想像的新應用。

19世紀海底電報是這樣，20世紀末網際網路光纖建設也是這樣。很多後來真正消耗基礎設施的應用，比如搜尋、社交媒體、串流媒體、電商、網約車，在基礎設施建設時還沒有出現。

AI也可能如此。報告引用Sam Altman的說法，2025年AI Token成本下降了10倍。摩根士丹利認為，今天正在建設的AI基礎設施，未來會被那些應用消耗，我們可能還沒有完全看到。最大回報的公司，甚至可能還沒有成立。

但AI和過去周期最大的不同，是速度。

電報用了幾十年，光纖用了十年，而AI的價格壓縮可能只用了一年。應用爆發也許不需要十年，可能只需要兩年。

這意味著，企業不能等AI完全成熟再行動。等到下一波應用真正爆發時，基礎設施、資料、人才、流程和組織能力都需要提前準備好。

最後：AI正在重寫的不只是技術，而是資本、產業和組織規則

摩根士丹利這份報告真正提醒我們的，不是“AI又有多熱”，而是AI的討論框架已經變了。

它不再只是一個技術趨勢，而是一輪全端資本周期；不再只是一個軟體功能，而是一套新的生產系統；不再只是員工提效工具，而是在重寫企業如何配置資本、如何組織工作、如何管理風險、如何形成護城河。

彙整鉅亨號中所有使用「摩根士丹」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`