大摩詳解GPT-6 Astra真正的意義：將「AI敘事」從「需求爭論」拉回「物理瓶頸」

•
AI速讀
摩根士丹利報告指出，GPT-6 Astra 的能力躍升將 AI 敘事從「需求端質疑」拉回「供給端壓力」。隨著 AI 能處理更複雜的任務，將觸發效率提升反而增加消耗的「傑文斯悖論」，使對基礎設施的需求進一步擴大。目前真正的瓶頸在於物理供給，包括 ABF 載板 2027 年起的缺口、HBM4E 後道工序的複雜度，以及美國面臨的 38GW 電力缺口。大摩建議投資優先級為：AI 算力 > 網絡 > 記憶體 > 模擬晶片。雖然前景樂觀，但提醒投資者需注意市場對業績的完美要求及未來資本支出增速放緩的風險。
大摩認為，GPT-6 Astra的發佈將AI敘事焦點從「需求是否過剩」轉向「物理供給能否跟上」。Astra帶來的能力躍升將觸發更多AI收入場景。而ABF載板短缺、HBM4E製造瓶頸、38吉瓦電力缺口，才是真正制約AI紅利釋放的硬約束。該行給出優先級：AI算力最優先，網絡次之，記憶體器選擇性配置，模擬晶片作早期周期避險。

一個模型的發佈，正在改變市場爭論的方向。

市場過去幾個月一直在爭論一個問題：「服務已知的AI需求，究竟需要多少基礎設施？」這個問題的潛臺詞是：AI基建是否已經過度投資？

但據追風交易台消息，摩根士丹利9月7日發佈的報告指出，GPT-6 Astra的重要性不應被簡單理解為又一次規模擴張（Scaling）敘事的延續。這並不是又一次的模型升級。

Astra代表的是能力廣度（breadth of capabilities）與互操作性的實質性躍升，具體體現在四個方向：推理能力、工程能力、計算機使用，以及物理世界任務執行。這意味著，AI開始跨越到能夠執行復雜推理、專業工程任務、直接操作計算機乃至處理現實世界任務的層面。能做的事情變多了，能賺錢的場景也就變多了。OpenAI最新發文也表示，更好的模型開闢新的「工作領域」。

AI敘事再度從「需求爭論」拉回「物理瓶頸」

Astra的出現可能把市場的核心問題從「服務已知AI需求需要多少基礎設施」，扭轉為：「隨著模型智能的提升，有多少新的工作負載將變得經濟上可行？」

這是一個方向完全相反的問題。前者是需求側的質疑，後者是供給側的壓力。

  • 彈性效應：每美元買到更多智能

分析師在報告中提出了一個核心經濟學邏輯：更好的模型可以創造彈性效應——當AI每花一美元獲得的智能和實用性越高，推理工作負載的數量、持續時間和複雜度都會隨之增加。

這類似於經典的「傑文斯悖論」：效率提升並不減少消耗，反而擴大總消耗。單位成本的智能產出提升 → 原本不划算的應用場景變得可行 → 新的工作負載湧入 → 對算力和基礎設施的需求反而擴大。

  • 可觸達市場大幅擴展

分析師認為，如果Astra的能力轉化為商業上有用的應用，可觸達的AI收入池將大幅擴展，遠超今天以聊天和編碼為主的使用場景。

大摩測算，全球知識工作TAM約為22.5兆美元（基於全球9億知識工作者、平均年薪約2.52萬美元估算）；消費者支出TAM約30兆美元，涵蓋零售+旅行（約16兆美元）、自動駕駛/出行（約4兆美元）、餐飲配送（約4兆美元）及廣告（約3兆美元）。

  • 供給端的物理約束才是真正瓶頸

分析師的結論是：Astra的出現將瓶頸敘事從「需求形成」拉回到「物理供給約束」——即能否在規模化條件下交付這些智能。

具體指的是什麼？算力、電力、材料、勞動力等。

物理瓶頸具體在那裡：ABF和HBM4E

供給端的緊張，有兩個具體抓手。

第一個是ABF載板。

摩根士丹利預計，ABF載板將從2027年起出現供不應求，且缺口會持續擴大至2030年。關鍵約束是：新產能至少需要2年才能上線。

第二個是HBM4E的後道工序（BEOL）複雜度。

報告指出，HBM4E的後道工序代表著半導體製造的重大範式轉變——HBM從專用3D記憶體堆疊，演變為高度整合的定製Chiplet邏輯系統。

具體影響鏈條：

  • HBM4E互連層數增加（如$SK海力士 (SKHY.US)$引入dummy bump），大量DRAM資本開支將被迫用於BEOL產能擴張
  • 前道工序（FEOL）的製程遷移資本開支和DRAM GB出貨量加速，預計要到2027年下半年才能實現
  • DRAM廠商優先佔用設備產能，NAND產能擴張因此可能被推遲

這兩個瓶頸的共同特點：都是可驗證、可追蹤的物理約束，不是市場情緒。

電力：最真實的物理瓶頸

隨著數據中心監管壓力上升，電力供應成為另一個關鍵物理瓶頸。分析師預計，超大規模雲廠商的總算力將從2025年的約35GW，增長至2028年的約145GW，增長約4倍。

分析師指出，美國面臨38吉瓦的電力缺口，數據中心將越來越多地採用表後（behind-the-meter）自發電解決方案。

該行測算，表後電力方案將為每吉瓦資本開支增加約30億美元。以Rubin Ultra一代輝達晶片為例，含表後電力的全包成本約為每吉瓦500億美元。

市場低估了什麼

分析師認為，市場目前正在低估三件事：

第一，GPT-6 Astra的全球科技受益者尚未被充分定價。

第二，供給緊張持續時間可能更長。ABF和HBM4E BEOL的約束，都不是短期內能解決的。

第三，一些不依賴AI也能上漲的股票正在悄悄走強。模擬晶片（STM、NXP、Renesas）經歷了超過三年的L型底部後，正處於早期周期復甦階段——庫存精簡、定價走穩、工業訂單改善。

結論不是「多買AI」

摩根士丹利給出的投資優先級：

AI算力（最優先）>網絡（次之）>記憶體器（選擇性）+模擬晶片（早期周期避險），包括：

該行表示：「我們更傾向於佈局在更廣泛的推理周期與有限物理產能、上升的內容強度、增加的製造複雜度三者交匯處的公司。」

需要保持清醒的地方

摩根士丹利的報告並非單方面樂觀，並明確提示了三個需要注意的地方：

第一，AI預期已經很高。市場對AI公司的容忍度已從「好業績」變成「必須完美業績」，即便Astra帶來實質進展，若業績未大幅超預期，股價反應可能仍然有限。

第二，2028年資本支出增速預計放緩。股票定價看的是增速的變化方向，減速本身可能持續壓制估值，即便絕對值仍在增長。

第三，宏觀逆風仍在。報告提及油價、通膨、聯準會利率路徑以及2028年美國大選等不確定因素，尤其關注民主黨若贏得行政權後對數據中心擴張的潛在政治阻力。

(華爾街見聞)


科技
從這裡可透過《Google 新聞》追蹤 鉅亨號創作者