Morgan Stanley: Почему Amazon и Google остаются в фаворе на фоне ценовой войны в AI?

TL;DR · Morgan Stanley подсчитал, что при использовании 1GW GB300 вычислительной мощности для API моделей, ROIC на уровне модели составляет около 20%-60%. · Если GPU арендуется напрямую через облачную платформу, при 75% загрузке ROIC IaaS составляет около 23%-39%. · В отчете продолжается оптимизм в отношении Amazon и Google; Meta по-прежнему является Top Pick, но ее доходы от AI в большей степени зависят от рекламы, собственных приложений и открытой экосистемы моделей.

Команда Брайана Новака из Morgan Stanley в своем последнем отчете сделала неожиданный вывод: открытые модели с весами снижают цены на токены AI, но платформы, обладающие вычислительной мощностью, возможностями планирования и корпоративным доступом, все еще могут получить значительную отдачу от капитальных затрат на AI.

Отчет включает два набора расчетов.

На уровне API моделей Morgan Stanley основывается на 1GW GB300 дата-центре, предполагая, что цена за миллион токенов составляет от 1 до 2,5 долларов, а производительность одного GPU составляет от 2000 до 3500 токенов в секунду, при этом 50% до 80% вычислительной мощности используется для вывода. В различных сценариях ROIC на уровне модели составляет от 20% до 60%.

На уровне облачной платформы отчет предполагает, что дата-центр мощностью 1GW может быть оснащен примерно 410000 GPU GB300, с 75% загрузкой и арендной платой от 7 до 10 долларов в час. Исходя из этого, ROIC IaaS для аренды вычислительной мощности GPU составляет около 23% до 39%.

Эти два набора цифр объясняют основное суждение Morgan Stanley: снижение цен на модели в первую очередь ударяет по экономике единицы поставщиков моделей; однако для таких облачных платформ, как Amazon и Google, предприятия, использующие AI, все равно нуждаются в GPU, хранилищах, базах данных, безопасности и инструментах развертывания моделей. Модели могут стать дешевле, но инфраструктура, поддерживающая модели, не потеряет своей ценности.

Снижение цен на открытые веса также способствует увеличению числа рабочих нагрузок AI

Прямое влияние открытых моделей с весами заключается в снижении барьеров для использования и развертывания AI предприятиями.

В отличие от закрытых моделей, открытые модели с весами позволяют пользователям загружать веса моделей, настраивать или переобучать их с использованием частных данных и выбирать, развертывать ли их локально, в облаке или через API. Предприятия не обязаны полностью полагаться на одного поставщика моделей и могут более гибко контролировать данные, затраты и способы развертывания.

Различия между открытыми и закрытыми моделями с весами, включая возможность загрузки весов, поддержку настройки с частными данными и возможность работы на собственном оборудовании.

Цена заключается в том, что API моделей становится все труднее поддерживать на высоком уровне. С увеличением числа моделей низкой стоимости, приближающихся к передовым возможностям, лаборатории моделей должны конкурировать за клиентов, предлагая более низкие цены, более быструю реакцию и более полный набор инструментов. В отчете упоминается, что низкоценовые модели, такие как Muse Spark 1.2 от Meta, еще больше усиливают ценовую конкуренцию на уровне моделей.

Это также причина, по которой рынок беспокоится о доходности капитальных затрат на AI. Технологические компании вкладывают десятки миллиардов долларов в покупку GPU, строительство дата-центров и обеспечение электроэнергией; если цены на вывод продолжают снижаться, конечная отдача будет все больше зависеть от трех переменных: загрузки GPU, производительности токенов на одну карту и того, сможет ли рабочая нагрузка AI привести к дополнительным доходам от других облачных услуг.

Morgan Stanley считает, что снижение цен сжимает прибыль на уровне моделей, но это не обязательно означает, что доходность всей инфраструктуры AI ухудшается одновременно. Более дешевые и гибкие модели также могут способствовать более широкому внедрению AI предприятиями, что, в свою очередь, увеличит спрос на базовую вычислительную мощность и облачные услуги.

20%-60%: Оценка доходности на уровне API моделей

Оценка на уровне API моделей сосредоточена на трех ключевых переменных: цена токенов, производительность GPU и доля вычислительной мощности, используемой для вывода.

Morgan Stanley берет 1,75 доллара за миллион токенов в качестве базовой цены и проводит сценарный анализ в диапазоне от 1 до 2,5 долларов. Отчет ссылается на публичные бенчмарки вывода открытых моделей с весами, таких как DeepSeek-V4-Pro 1.6T, на оборудовании GB300, предполагая производительность одного GPU от 2000 до 3500 токенов в секунду.

В базовом сценарии отчет предполагает, что 65% вычислительной мощности используется для вывода, один GPU обрабатывает 2750 токенов в секунду, а цена за миллион токенов составляет 1,75 доллара, что соответствует доходу около 40 миллиардов долларов/GW. Полный диапазон сценариев соответствует доходу от 23 до 52 миллиардов долларов/GW.

Исходя из этого, отчет оценивает ROIC на уровне модели для 1GW GB300 вычислительной мощности на уровне от 20% до 60%.

Структура доходов и затрат API моделей. Разные цены токенов, производительность и доля вычислительной мощности для вывода соответствуют доходу около 23 до 52 миллиардов долларов за GW.

Важно отметить, что 20%-60% не является автоматической отдачей при фиксированной цене в 1,75 доллара, а представляет собой диапазон сценариев, сформированный различными комбинациями цен, производительности и распределения вычислительной мощности.

Сможет ли этот расчет оправдаться, зависит от того, сможет ли повышение эффективности превзойти снижение цен. Если цена токенов продолжит быстро падать, а загрузка GPU и производительность не увеличатся синхронно, доходность на уровне моделей значительно сократится.

23%-39%: Другой расчет для аренды GPU облачными платформами

Для облачных платформ, таких как Amazon и Google, более прямым источником дохода является аренда вычислительной мощности, а не принятие на себя ценового риска API моделей.

Morgan Stanley предполагает, что дата-центр мощностью 1GW GB300 может быть оснащен примерно 410000 GPU GB300. При 75% загрузке, если арендная плата за каждый GPU составляет от 7 до 10 долларов в час, это соответствует годовому доходу около 18,9 до 27 миллиардов долларов/GW.

После вычета амортизации IT-оборудования, амортизации не-IT-активов, затрат на электроэнергию, рабочую силу и обслуживание, отчет оценивает чистую операционную прибыль облачной платформы на уровне от 8,9 до 15,3 миллиардов долларов за GW, что соответствует ROIC от 23% до 39%.

Модель аренды GPU GB300 облачной платформы. Арендная плата от 7 до 10 долларов в час соответствует ROIC от 23% до 39%.

Этот расчет более прямо поддерживает оптимистичное суждение Morgan Stanley о капитальных затратах на AI для облачных платформ.

Даже если цены на API моделей снижаются, предприятия все равно нуждаются в аренде GPU для работы открытых моделей с весами. Для облачных платформ ключевым моментом является не то, сколько можно продать за токен, а то, сможет ли дефицит вычислительной мощности поддерживать высокую загрузку и арендные цены.

Morgan Stanley также подчеркивает, что низкие цены на модели могут привести к увеличению объемов использования. Даже если цена за единицу и маржа прибыли снижаются, если общий масштаб рабочих нагрузок AI увеличивается, абсолютный EBIT облачных платформ все еще может расти.

Облачные платформы продают не только GPU и токены

Morgan Stanley считает, что облачные платформы могут справиться с ценовой войной по четырем основным причинам.

Во-первых, вычислительная мощность по-прежнему дефицитна. Даже если предприятия выбирают открытые модели с весами, им все равно нужны GPU, кластеры вывода, хранилища, сети и безопасная среда. Крупные предприятия могут строить свою инфраструктуру, но многие клиенты все равно будут арендовать вычислительную мощность и размещать модели через AWS, Google Cloud или Azure.

Во-вторых, облачные платформы могут повысить эффективность систем за счет масштаба. Большая емкость памяти, более быстрые соединения, архитектура MoE и пакетная обработка запросов могут повысить производительность токенов на единицу GPU. Крупные облачные платформы имеют больший поток корпоративных клиентов, что облегчает объединение и планирование запросов, тем самым повышая загрузку GPU.

В-третьих, собственные чипы могут снизить затраты на обслуживание. Amazon имеет Trainium, а Google имеет TPU. Собственные чипы и оптимизация программного обеспечения предоставляют облачным платформам больше возможностей для маневра в ценовой конкуренции и снижают зависимость от одного поставщика GPU.

В-четвертых, рабочие нагрузки AI также могут привести к дополнительным доходам от других облачных услуг. При развертывании AI предприятия обычно также нуждаются в покупке объектного хранилища, баз данных, векторного поиска, RAG, управления безопасностью, аутентификации и мониторинга. Эти дополнительные услуги могут увеличить облачные доходы от каждой рабочей нагрузки AI и повысить общий вклад в прибыль.

Таким образом, хотя открытые модели с весами могут сделать доходы от токенов API «продуктом для привлечения клиентов», они также могут привести к большему спросу на аренду GPU, хранение данных и базы данных.

Возврат Amazon, Google и Meta различен

Основываясь на вышеизложенных выводах, Morgan Stanley сохраняет рейтинг «Увеличить» для Amazon и Alphabet, устанавливая целевые цены на уровне 335 долларов и 400 долларов соответственно.

Преимущество Amazon заключается в базе корпоративных клиентов AWS, собственных чипах Trainium и полном наборе облачных услуг. Google, в свою очередь, имеет TPU, модели Gemini, приложения поиска и YouTube, а также возможности распределения для Google Cloud. Для обеих компаний доходность капитальных затрат на AI в основном зависит от аренды вычислительной мощности, размещения моделей и привязки облачных услуг.

Логика Meta несколько иная.

Morgan Stanley по-прежнему включает Meta в список Top Pick, присваивая рейтинг «Увеличить» и целевую цену 775 долларов, но Meta не является корпоративной облачной платформой в смысле AWS или Google Cloud. Ее инвестиции в AI в основном реализуются через открытую экосистему моделей, эффективность рекламы, собственные приложения и возможности дата-центров.

Целевая цена Meta и предположения о рисках и доходности.

Отчет считает, что инвестиции Meta в AI могут улучшить вовлеченность пользователей, коммерциализацию Reels и возможности оценки рекламы, а также предоставить пространство для роста новых продуктов. Однако если строительство дата-центров будет выполнено неудачно, капитальные затраты продолжат расти, а новая вычислительная мощность не принесет достаточной отдачи, это также может негативно сказаться на свободном денежном потоке и оценке.

Наибольший риск заключается в том, что цены падают быстрее, чем повышается эффективность

Этот отчет не отрицает ценовую войну в AI.

С увеличением числа низкозатратных открытых моделей, приближающихся к передовым возможностям, предприятия будут все больше сосредотачиваться на затратах, задержках, гибкости развертывания и контроле данных. Лабораториям моделей будет все труднее получать высокую прибыль только за счет высоких цен на API, важность инструментов, корпоративного распределения, сценариев применения и экосистемы будет продолжать расти.

Облачные платформы также сталкиваются с давлением на капитальные затраты. Дата-центр мощностью 1GW GB300 включает в себя чипы, серверные помещения, электроэнергию, сети и амортизацию; любое увеличение затрат на любом этапе повлияет на конечную отдачу. Если распространение AI-приложений в предприятиях будет медленнее, чем ожидалось, и загрузка GPU будет недостаточной, капитальные затраты будет труднее превратить в прибыль.

Увеличение производительности также не приведет к автоматическому результату. Обновление оборудования, архитектура MoE и пакетная обработка запросов могут повысить эффективность, но требуют совместной работы моделей, чипов, сетей, программного обеспечения и реальных запросов клиентов.

Таким образом, вывод Morgan Stanley не в том, что «ценовая война в AI не имеет влияния», а в том, что: когда цена токенов падает, уровень моделей оказывается под давлением в первую очередь; платформы, обладающие дефицитной вычислительной мощностью, возможностями оптимизации систем и корпоративным доступом в облако, имеют больше шансов справиться с ценовой конкуренцией через аренду GPU, эффект масштаба и дополнительные облачные услуги.

Далее действительно нужно наблюдать, сможет ли увеличение производительности и загрузки облачных платформ продолжать опережать скорость снижения цен на AI.