Morgan Stanley оценивает прибыль от CapEx: как AI-инфраструктура зарабатывает 25%-50% дохода, начиная с аренды GPU и продажи токенов?

TL;DR > · Morgan Stanley подсчитал, что инфраструктура GenAI может получить около 25%-50% капитальной отдачи в базовом сценарии. > · Ключевые предположения основаны на 75% загрузке GPU, аренде GB300, пропускной способности токенов и ценах на API. > · Microsoft, Amazon, Google и Meta могут извлечь выгоду легче, но ценовая война и модели с открытым исходным код могут снизить доходность.

В отчете Morgan Stanley от 27 июля была проведена оценка капитальных затрат на AI: если загрузка GPU, аренда, пропускная способность токенов и цены на API достигнут базовых предположений, то инфраструктура и API моделей генеративного AI могут обеспечить около 25%-50% капитальной отдачи.

Это напрямую отвечает на главные опасения рынка по поводу крупных технологических компаний. Microsoft, Amazon, Google и Meta продолжают наращивать инвестиции в GPU и центры обработки данных, капитальные затраты растут, и инвесторы хотят знать, превратятся ли эти деньги в прибыль или просто увеличат амортизацию, энергозатраты и расходы на исследования и разработки.

Эта оценка разбивает монетизацию GenAI на три пути: аренда вычислительной мощности GPU как IaaS, предоставление API моделей с использованием собственной инфраструктуры и аренда вычислительной мощности третьих лиц с последующим предоставлением API моделей. Первые два пути больше подходят для крупных технологических платформ с центрами обработки данных, клиентскими входами и возможностями распределения продуктов, в то время как третий путь более подвержен давлению со стороны арендной платы за GPU.

Сравнение доходности трех моделей бизнеса GenAI: GPU IaaS около 31%, API моделей с использованием собственной инфраструктуры более 40%, API моделей с использованием инфраструктуры третьих лиц около 25%.

1,4 триллиона долларов расходов, ключевое не только в покупке GPU

Фон этой оценки заключается в том, что строительство AI-центров обработки данных переходит в стадию более высоких капитальных затрат. По данным открытых источников, Morgan Stanley ожидает, что капитальные затраты гиперскейлеров к 2028 году превысят 1,4 триллиона долларов, а вычислительная мощность может увеличиться в четыре раза с 2025 по 2028 год, достигнув около 120 ГВт.

Эти мощности не превратятся в доход сразу. Обучение передовых моделей, их обслуживание и итерации моделей различного масштаба по-прежнему будут потреблять значительное количество вычислительных ресурсов, само обучение не оплачивается напрямую, но требует покрытия амортизации, энергозатрат и операционных расходов.

На самом деле, влияние на доходность будет зависеть от того, сможет ли оставшаяся вычислительная мощность быть полностью использована для вывода, API, корпоративного программного обеспечения и облачных услуг. Проще говоря, сколько часов в год можно продать одну GPU, сколько можно получить за час, сколько токенов можно обработать в секунду и сколько можно получить за миллион токенов — это определяет, сможет ли капитальные затраты на AI принести денежный доход.

Это также самое новостное в этом отчете. Ранее рынок больше видел, как цифры капитальных затрат постоянно пересматриваются, теперь Morgan Stanley представил набор расчетов единичной экономики: при выполнении базовых предположений AI-инфраструктура может покрыть высокие амортизационные нагрузки и приблизиться к уровням доходности высококачественного облачного или программного бизнеса.

Аренда GPU: при 75% загрузке доходность IaaS около 31%

Первый путь — это аренда вычислительной мощности GPU крупными облачными провайдерами как IaaS. В базовом сценарии предполагается, что 1 ГВт мощности соответствует примерно 410 000 GPU Nvidia GB300, с загрузкой 75% и арендной платой 8,5 долларов в час.

При этих предположениях доход от аренды GPU составляет около 22,9 миллиарда долларов в год на 1 ГВт, а маржа EBIT составляет около 67%, доходность капитала около 31%. Если предложение GPU сможет быть заполнено достаточно высоким спросом, IaaS не будет низкомаржинальной арендой оборудования, а будет ближе к бизнесу с высокой загрузкой инфраструктуры.

Разделение доходности аренды GPU и анализ чувствительности: при 75% загрузке и арендной плате 8,5 долларов в час базовая доходность IaaS составляет около 31%.

Преимущество здесь заключается в уже существующих у крупных облачных провайдеров ресурсах, таких как электроэнергия, центры обработки данных, клиентские отношения и возможности продаж облачных платформ. Если новая мощность GPU будет встроена в существующий спрос клиентов, преобразование дохода будет более прямым.

Но этот путь очень чувствителен к ценам и загрузке. Падение арендной платы за GPU, недостаточная загрузка и рост цен на энергию могут снизить доходность. С увеличением числа новых участников, выходом ASIC и следующего поколения GPU, цена за единицу вычислительной мощности также может снизиться, и неясно, сможет ли арендная плата в 8,5 долларов в час сохраняться в долгосрочной перспективе.

API моделей более прибыльны, ставка на потребление токенов

Второй путь — это предоставление API моделей с использованием собственной инфраструктуры. В базовом сценарии предполагается, что 65% мощности используется для вывода, каждый GPU может обрабатывать около 2750 токенов в секунду, а смешанная цена составляет 1,75 доллара за миллион токенов.

В этом сценарии маржа EBIT API моделей составляет около 75%, а доходность капитала превышает 40%. В различных источниках эта доходность составляет около 40%-46%, но направление одно: собственные вычислительные мощности в сочетании с модельными услугами обеспечивают более высокую доходность, чем простая аренда GPU по часам.

Причина несложна. Облачные провайдеры и поставщики моделей не продают отдельные часы GPU, а предлагают модельные возможности, услуги вывода и вызовы API. Доход связан с потреблением токенов, что дает большую прибыль.

Анализ сценария API моделей с использованием собственной инфраструктуры: при 2750 токенов/сек/GP, цене 1,75 доллара за миллион токенов, доходность превышает 40%.

Это также объясняет, почему крупные технологические компании одновременно покупают чипы и внедряют AI-функции в поисковые системы, офисное ПО, рекламу, рекомендации в электронной коммерции и инструменты для разработчиков. Они действительно хотят не только арендовать неиспользуемые вычислительные мощности, но и превратить вывод в частый, оплачиваемый и встроенный в существующие продукты поток доходов.

Риски также сосредоточены на уровне токенов. Пропускная способность токенов определяется не только чипами, но и масштабом параметров модели, стеком программного обеспечения, соотношением ввода и вывода и способностью оптимизации вывода. Если модель более эффективна, единичный GPU может обрабатывать больше токенов, что увеличивает доходность. Если модели с открытым исходным кодом и ценовая война снижают доход от миллиона токенов, маржа прибыли будет размыта.

Аренда вычислительной мощности третьих лиц для API, прибыль легче съедается

Третий путь — это аренда инфраструктуры третьих лиц модельными компаниями, которые затем предоставляют клиентам API моделей. В базовом сценарии арендная плата за GPU составляет около 7,75 долларов в час, маржа EBIT составляет около 31%, а посленалоговая доходность или маржа прибыли составляет около 25%.

Этот путь все еще может быть прибыльным, но не так выгоден, как платформа с собственной инфраструктурой. Арендатор GPU должен сначала оплатить аренду вычислительной мощности, а затем нести расходы на обучение модели, вывод, услуги и продажи, оставляя себе меньшую прибыль.

Анализ сценария API моделей с использованием инфраструктуры третьих лиц: арендная плата за GPU 7,75 долларов в час, цена токенов, пропускная способность и арендные расходы совместно определяют около 25% посленалоговой доходности.

Это также причина, по которой Microsoft, Amazon, Google и Meta имеют относительное преимущество. У них есть финансовые ресурсы, центры обработки данных, клиентские входы и возможности распределения продуктов, что позволяет им выбирать более подходящие способы монетизации между IaaS и API. Чистые модельные компании или промежуточные приложения, если у них нет достаточной ценовой силы, легче подвержены давлению со стороны затрат на вычислительные мощности.

Это не означает, что у компаний моделей третьих лиц нет шансов. Высококачественные модели, вертикальные сценарии, корпоративные настройки и распределение на уровне приложений все еще могут создать дифференциацию. Но с точки зрения капитальной отдачи, у той стороны, которая имеет низкие затраты на вычислительные мощности и высокую загрузку инфраструктуры, больше шансов оставить прибыль.

Фокус на четырех крупных технологических платформах, но высокая доходность еще не реализована

Morgan Stanley продолжает быть оптимистичным в отношении Microsoft, Amazon, Meta и Google в рамках этой оценки. Их общим преимуществом является то, что они могут как расширять AI-инфраструктуру, так и иметь готовые продукты и клиентские входы для удовлетворения потребностей в выводе.

Microsoft получила рейтинг «Overweight», целевая цена — 600 долларов. Целевая цена материнской компании Google Alphabet — 400 долларов, Meta включена в список «Top Pick», целевая цена — 775 долларов. Amazon также включен в список крупных AI-платформ, но конкретная целевая цена в открытых источниках варьируется, и нецелесообразно использовать одно число в качестве вывода.

Эти акции не следует воспринимать как подтверждение того, что капитальные затраты на AI уже реализованы. Краткосрочные финансовые отчеты четырех компаний все еще могут испытывать давление со стороны амортизации, энергозатрат, смены чипов и расходов на исследования и разработки. Способность AI-вложений преобразоваться в доход для акционеров в конечном итоге зависит от того, сможет ли рост доходов от вывода превысить расширение затрат.

25%-50% доходности также является лишь оценкой сценария, а не уже произошедшим финансовым результатом. 75% загрузка — это высокий порог, если внедрение корпоративных AI-приложений происходит медленнее, чем ожидалось, неиспользуемые GPU будут напрямую снижать доходность. Цены на токены также нестабильны, модели с открытым исходным код, более эффективные модели и ценовая война облачных провайдеров могут снизить доход от миллиона токенов.

Этот отчет больше похож на линейку: если крупные технологические компании смогут поддерживать высокую загрузку AI-инфраструктуры и превращать потребление токенов в доход через API моделей, облачные услуги и существующие продукты, капитальные затраты на AI не будут просто черной дырой затрат. Напротив, если арендные ставки, загрузка и уровень принятия вывода не достигнут стандартов, 25%-50% доходности быстро останется в таблицах моделей.