本文由摩根士丹利基金管理（中国）有限公司根据摩根士丹利投资管理发布的投资观点整理，内容以其英文版本为准。
三年前，人工智能（AI）还只是茶余饭后的猎奇谈资。如今，它已成为资本博弈的重要方向。这给投资者带来的挑战在于，不仅要认识到人工智能的颠覆性影响，还要搭建起足够严谨、能够指导投资决策的分析框架。
本期梳理了每位投资者都需要了解的十大AI投资洞察：从日新月异的AI基础设施建设，到开始自主执行任务的智能体，再到未来数十年将重塑全球地缘政治格局的两大技术体系。机遇贯穿AI价值链的每个层面，并涵盖所有资产类别；风险亦然。这意味着需要建立一个全面的投资框架。
以下十大投资洞察旨在帮助投资者搭建分析框架，而非预测未来。
四力合一: 算法、算力、人才与资本
人工智能正在以超乎预期的速度，从一项突破性技术演变为新一代基础设施。拐点在于谷歌于2017年推出了Transformer架构。自此之后，算法、算力、人才与资本四股力量齐头并进，形成彼此强化的飞轮效应：基础架构的连续突破推动算法不断迭代、算力（即训练与部署人工智能所需的资源）极速扩张、人才向少数机构聚集、资本投入的规模与速度在科技史上前所未有。自Transformer问世以来，围绕人工智能的资本开支已达到约2.3万亿美元，而且速度非但没有放缓，反而正在加速。
结果显而易见。仅在2025年，Token（人工智能模型处理的基本文本单元）的消耗量就增长了10倍以上。各模型正迈向多模态化，涵盖语音、图像与视频领域。这种自我强化的正向循环依然在进行中：更强大的模型催生了更高的使用量，更高的使用量吸引了更多的资本投入，而更多的资本投入又反哺出更强大的模型。
以上四股力量正向通用人工智能（AGI）迈进，其目标是让人工智能系统可胜任人类能从事的任何智力任务，不分领域，也不需针对特定任务进行重新训练。目前的人工智能固然能力非凡，但应用范围有限。它只能在自身训练覆盖的领域内，实现特定作业流程的自动化处理。通用人工智能则将彻底打破这种限制，面对从未遇到的问题，它能够自主识别、设计和执行解决方案。除了通用人工智能之外，还有人工超级智能(ASI)系统，其在所有领域的表现都将超越人类的极限。Anthropic首席执行官曾形象地描述这一未来图景：“2027年底将迎来数据中心领域的天才国度。”
目前，人工智能的能力大约每四个月进化一倍，这意味着到2028年，系统的能力将比今天强250倍。这一增长速度可以说是史无前例。
摩尔定律失效之后：物理极限成为新瓶颈
过去60年，摩尔定律始终是产业发展的核心定律——算力每隔两年会变得更便宜、更强大。如今这一定律已不再适用。算力增长并非暂时放缓，而是已经达到物理极限。这是一种结构性的变化，意味着行业必须寻找全新的方式来保证性能。
对此，行业采取了多维度的对策。在芯片层面，芯粒架构（将多个半导体并置或堆叠封装）正打破传统设计的极限，继续提升性能。在系统层面，协同设计的多芯片架构使AI计算密度实现跃迁式的增长。在数据中心层面，硅光子技术异军突起，解决了铜缆在大规模场景下无法克服的带宽瓶颈。
过去被视为标准化零部件的环节，现在正被重新定价为战略性供应链资源。存储芯片目前供不应求，预计会持续到2026年底。受人工智能和数据中心需求驱动，存储需求在2027年预计会增长75–100艾字节（exabytes，EB），2028年预计再翻一番。云厂商巨头的采购行为已发生结构性的变化：现在确保供应安全更为优先，成本和价格在其次，大家竞相签订长期供应协议，这在以前的存储行业非常罕见。
AI产业发展的规律十分清晰。瓶颈沿着供应链不断转移：先是芯片，然后是电力、存储、网络互联、散热。每一次转移都会让昨天仍被视为普通商品的产业环节变成明天最稀缺的战略资源。半导体行业的投资逻辑不再是比较谁能造出最好的芯片，而是谁能掌握下一个不可或缺的供应链环节。对投资者而言，在市场形成共识之前率先识别出这个环节便是机会。
Token经济: 算力成为营收来源
三年前，大家还在问人工智能能做什么。今天，更重要的问题是人工智能能创造什么。而Token便是答案。每次回答用户提问、每次起草文档、每次智能体执行任务，都会产生Token。Token可计量、可定价、可扩展，是数据中心这一新型工厂的产物。
数据中心已不再只是支持业务的成本中心，而是生产智能的“工厂”，其产出以每百万个Token为单位计价，就像电力按每千瓦时计价一样。
新的经济模式已经形成。算力与营收直接挂钩，这在企业技术史上前所未有。拥有越多算力的企业，其营收也会越多。在这种新型经济下，最重要的技术指标是每瓦电力产生的Token数，也就是每单位能源能生产多少智能。
然而，Token需求的增长并非线性的。人工智能经历了三个截然不同的阶段，每个阶段的Token消耗都大幅提升。生成式AI（使用模型生成文本、图像、视频、音频和其他形式的数据）确立了Token消耗的基准。推理型AI引入了自我反思和纠错机制，所需算力约高出1,000倍。智能体AI不仅仅回答问题，它能使用工具、执行任务并持续运行，所需算力比原始对话模型高出约100万倍。
AI发展的每个阶段都使市场进一步扩容，而非代替原有市场。更多的用户、更多的智能体、更复杂的工作流程、更频繁运行的系统，均推动算力需求呈现乘数效应。
传统软件行业依赖授权许可收费盈利，其市场规模达到2万亿美元。未来AI经济将迈向以Token消耗收费的新篇章。
智能体转型：从被动响应到自主执行
第一代人工智能是被动响应：用户输入问题，AI给出答案。这种交互需要人类熟悉系统界面并主导执行。如今，全新的模型已经来临。人工智能不再是被动响应的工具，而是演进为自主行动的系统，能自主执行任务、管理工作流程、持续稳定运行，并独立完成交易。从被动搜索答案，到主动执行任务，这种转变并非一次简单的产品升级，而是工作方式的结构性重塑。
这一趋势已经率先体现在软件开发领域，并在数据上有所体现。有些工程师已经同时管理四个或更多的智能体，他们不再亲自写代码，而是分配任务，其角色也从执行者变成了监督者。在2026年初，各大互联网基础设施平台上的智能体流量几乎垂直上升。
这种转型对企业组织层面的影响不亚于在技术层面的影响。微软将企业中的AI交互划分为三种不同的模式：简单对话、任务委派，以及拥有独立身份、工具和工作空间的数字员工。虽然不同企业、不同部门的应用程度存在差异，但在未来三年，大多数个人员工都将成为智能体的管理者，而非具体任务的直接执行者。每位员工都将管理智能体。企业面临的问题不是要不要采纳智能体AI，而是如何尽快围绕智能体重新设计工作流程，而非简单地将AI叠加到现有的流程之上。
目前最容易被市场忽视的一项变化，就是智能体从执行迈向交易。智能体商务已经逐渐成为新的基础设施，由AI智能体自主执行采购、支付结算、管理资金往来。事实上，智能体与智能体之间的交易将直接完成，未来的支付体系（支付平台或网络）不需要人工授权、不受银行营业时间限制、几秒钟就能完成结算。围绕这些需求，新一代支付平台、互联网基础设施和数字资产网络已经开始建设。
数据、行业能力与分发能力：新的软件护城河
尽管人工智能的训练需要投入大量资本且竞争激烈，但未来真正创造价值的是人工智能的使用，即推理、编排、应用和工作流程，这些领域将提供更持久的经常性收入。相较于传统软件公司，新兴原生AI公司有海量算力加持，且员工人数远远更少，在运营成本和迭代速度方面已经展现出了结构性的优势。
代码不再是竞争壁垒，工作流程的复杂性、数据的专有性、行业专业能力、网络效应、合规性和分销能力才是铜墙铁壁。如今的软件开发成本远低于从前。过去需耗时数月、耗费上亿美元投资开发出的功能，现在几天就能复制出来。但历经二十多年沉淀的网络和生态却无法复制。真正的护城河从来不仅仅是软件本身，而是其背后长期积累下来的资源。人工智能并未改变这种逻辑，反而强化了这一优势。
尤其是在垂直的软件即服务(SaaS)领域，在数据、行业能力与分发能力三方面均具备优势的公司很可能最终胜出（图1）。数据方面的竞争最为激烈。大多数企业数据分散存储在几十个系统之中，包括客户关系管理(CRM)、企业资源规划(ERP)、电子邮件和文档系统；每个系统又封闭在各自的数据库孤岛之上，数据导出往往还要额外支付费用，这使统一访问变得昂贵且缓慢。AI智能体无法获取数据全貌，便只能生成低质量、碎片化的建议。
图1
如果企业能建立统一数据底座，使智能体能同时进行跨系统推理，其优势将成倍放大。那些利用数据封闭收取导出费的软件厂商并不是在保护自己的护城河，而更可能是在加速自身的淘汰。
行业经验与分发能力是同样重要且更持久的竞争优势。深度嵌入关键任务工作流的系统，例如核心银行系统、ERP，以及支撑整个行业运转的垂直SaaS，其护城河来自多年积累的实施复杂度、合规能力和行业专业知识，人工智能只会强化这些优势，而非削弱它们。投资者需要区分哪些公司能够利用人工智能加强自身优势，哪些公司可能被AI原生公司颠覆。具备数据、行业能力与分发能力的企业将具备最强大的竞争优势。
昨天的科幻，正在成为现实
人工智能正走出软件层面，开始应用到能够移动、建造、运输和操作的机器之中。如果说数字人工智能承接了知识层面的工作，那么具身人工智能将推动实体经济的发展。自动驾驶、机器人、工业自动化、无人机以及智能基础设施不再停留在试验阶段。这些技术正在进行大规模商业化部署。在地面与传统空域之间，新的低空交通开始崛起。软件定义车辆（Software Defined Vehicles，SDV）的营收翻了一番，从2021年的5亿美元增长至2024年的10亿美元，2027年的目标直指20亿美元。这类车辆的早期需求主要来自政府项目和国防合同，其潜在市场规模显著扩大。
无论最终用途是什么，每个自主系统都依赖相同的技术体系：芯片、算力、传感器、储能、电力驱动和执行系统。价值也将更多集中于那些掌握关键节点的企业。
目前人形机器人的训练正从现实世界转移到仿真环境，几天就能完成原本需要数年的物理学习，这种突破使具身人工智能从试验走向规模化应用。具身人工智能可能会重塑交通物流、制造业、建筑业、农业、国防和医疗保健行业。核心平台、底层基础设施以及软件生态将是支撑这一生态系统的重要部分。
自主智能不仅局限于小众垂直领域。它将贯穿硬件、软件、传感器和动力系统。这意味着人工智能不再只是用来分析经济，而是开始从地面、空中和太空全面推动经济。它将降低劳动力成本，重塑供应链，并重新定义价值创造的核心环节。投资者无需试图预测哪种机器人会胜出，只需要将资金投入到所有自主系统都依赖的核心环节。
人工智能是一轮全栈资本周期
人工智能是一轮全栈资本周期，技术链上的每个环节都在实时定价。半导体、晶圆代工、存储、网络、电力和制冷等各个环节都会有赢家胜出。模型层面的环节包括训练、推理、安全和治理。应用层面的环节则有软件、智能体平台、机器人、传感器、执行器和边缘计算。随着瓶颈在整个技术栈中不断转移，稀缺资产也随之转移。
该技术栈包括三个不同的层级（图2）。底部是基础设施层，其特点是资本密集、供应紧张，也是所有AI系统最终赖以运行的基础。中间是模型层，涵盖模型训练、推理和编排，这一层算力消耗最大，竞争变化最快。顶部是应用层，分为两大类：一是在数字化工作流程中自主执行的智能体AI，二是通过机器人、传感器、边缘计算和自主系统在物理世界中运行的自主AI。对于投资者而言，关键问题不再是哪家企业拥有最好的模型，而是谁控制基础设施、谁拥有数据、谁能够驾驭新兴的智能体经济、谁被嵌入到关键任务工作流程、谁掌握具身人工智能供应链，以及谁能够将AI能力转化为持久的盈利能力。
图2
投资者应重点关注人工智能在哪些领域能释放新的需求，而不仅仅是降低成本。人工智能领域最大的突破在于制造出全新的问题，然后在市场意识到这些问题之前将其解决。
对于投资者而言，需要建立更为全面的思维框架，仅仅投资硬件或软件公司不足以把握全部机会。人工智能是个跨资产、跨行业的投资主题，对投资组合构建、基金经理选择和长期资本配置都有深远影响。
算力竞赛：同一赛道的两种技术体系
全球人工智能产业，正在逐步形成两种截然不同的发展路径。美国是走高成本的创新路线，靠巨额资本支出和尖端芯片供应驱动。其主要发展瓶颈不是半导体，而是电力，因为运行基础设施需要充足的电力。受先进半导体出口管制的影响，中国探索出一条低成本、重效率的路线，依托充足电力与开源生态，并与新兴市场晶圆厂及硬件企业（包括服务器、存储、网络）深度合作，力求打造并驾齐驱的人工智能技术体系。北亚企业覆盖整条硬件产业链，其制造规模和技术积淀对中国的供应链构成重要支撑。
中美模型的性能差距正在缩小，速度快于预期（图3）。中国模型的资本支出仅为美国云厂商巨头的18%，但其表现目前与美国同业不相上下，公开报告的性能差距只收窄至一个月左右。得益于更低的投入成本，中国模型能够更快地降低Token价格，同时提供可比的性能水平。以累计下载量计算，其市场份额不断提升。中国经济的高度数字化，有利于更快地普及技术和落地应用。
图3
2026年AI行业最值得关注的信号之一，莫过于美国某云厂商巨头放弃开源模型战略，改为闭源模型，暗示开源策略在企业端市场无法胜出。如果整个行业向闭源模型转变，产业链价值将向更多集中于前沿实验室。如果开源模式被证明具有韧性，模型推理的利润空间可能会更快压缩。
如何利用人工智能正成为国家安全问题。从先进自主武器到实时战场态势感知，军事和商业应用变得越来越重要。在人工智能发展的第一阶段，政府和国防机构是被动的观察者，而到了第二阶段，他们正成为积极的参与者和采购方。AI竞赛不再是纯粹的商业性质。它具有战略意义。从历史经验来看，战略层面的竞争往往持续时间更长，吸引到的资本也比商业竞争更多。
人工智能已成为战略基础设施但监管仍然缺位
前沿人工智能方面的政策空白不断扩大。人工智能的能力提升过快，公共政策跟进速度过慢，导致私营公司代替政府做出可能影响地缘政治的重要决策。私营公司已经成为事实上的访问政策制定者，决定哪些国家和公司可以部署模型，决定谁能够发现关键金融系统、实体系统中长期存在的漏洞。这是以私权管控公共基础设施，并未得到政府授权。既没有选举产生的机构给予授权，也没有国际治理框架加以约束。
美国面临的风险尤为突出。其经济数字化程度很高，但关键基础设施多为私有。许多行业未设立最低网络安全标准。近期电信、水务和能源系统出现的漏洞已经说明其可能带来的代价。人工智能普及过快，网络攻击范围迅速扩大，而安全防御体系跟进缓慢。在人工智能的加持下，安全威胁加速蔓延，几乎不留补救机会，但半数企业仍然沿用老旧的网络安全防御系统。安全防护和访问控制跟不上智能体的迭代速度。
问题不仅局限于网络安全。许多AI实验室的领导层已警觉并呼吁AI发展速度或需适度放缓。但政策制定者的反应依然较慢。随着先进系统逐步接入各类工具、外部应用程序接口(API)及工作流程，它们将越来越难控制。
监管政策最大的挑战是如何找准边界，既能跟上技术的迅速发展，同时又不削弱企业的竞争力。
从电报到Token：历史一脉相承
目前，人工智能基础设施建设以空前速度进行。资本支出史无前例，技术更迭日新月异，而投资与回报之间存在时间差，让经历过上一次全球技术浪潮的人感到不安。但这并非第一次发生。过去170年来，每一轮重大通信基础设施革命都上演着相似的发展路径，那些看似超前的基础设施最终都为下一轮应用浪潮奠定了基础。
最早的例子可以追溯到19世纪中叶海底电报的诞生。从澳大利亚向英国发送一封30字的电报，其费用曾相当于三个星期的平均工资。从1866年到1900年，随着技术进步、竞争和并购，电报价格从每条1.09美元降至0.30美元。电报数量增长了11倍，从580万条增长到6,320万条。使用量的增长抵消了降价的损失。虽然价格下降，但市场规模却增长了三倍。到1930年，市场规模又增长了三倍，达到将近2.12亿条电报。这种变革规律显而易见：基础设施建设带来更低的价格，更低的价格推动技术普及，而技术普及又创造出当初从未想到的需求。
互联网时代以更快的速度重演了这一过程。1996年《电信法》为光纤建设打开了大门，电信运营商数量在四年内从30家增加到711家。光纤铺设量每年增长四倍，推动长途话费从每分钟0.75美元降至0.55美元，部分线路甚至跌至0.10美元。那些看似过度建设的基础设施，最终为消费互联网时代奠定了基础。各种应用层出不穷，包括搜索、社交媒体、流媒体、网约车、电子商务，最终证明这些基础设施并非多余，但当初在铺设光纤时，没人想到会有这些应用。
这种规律不断重复出现：先是基础设施建设，然后价格降低、需求加速增长，最后是新应用爆发。山姆·奥特曼曾表示，仅在2025年，AI Token价格就下降了10倍。目前所建设的基础设施是在为下一代应用铺路。能创造最大回报的公司可能尚未出现。但我们相信，这种规律过去不断重复，人工智能也不例外，只不过有一个关键差异：速度。电报用了几十年时间才实现商业化，光纤建设耗时十年，但人工智能的价格压缩只用了一年时间。AI应用大规模普及可能不用等上十年，拐点可能只需要两年。
潜在风险
第一种风险是技术演进可能放缓。算法的回报或许正在递减。一项研究表示，规模定律（Scaling Law）正在趋于平缓，意味着投入更多算力，已无法成比例提升模型的能力。下一代重大技术突破可能不会遵循当前的路径实现。例如，如果通用人工智能的实现时间晚于预期，今天投入的资本可能会产生巨大的过剩资产。
第二种风险是模型能力与商业化速度之间存在时间差。人工智能的各项性能指标都在快速提升。但从数据来看，经济层面的生产效率并未因此改善。多数企业依然停留在试验阶段，希望能先看到更明确的投资回报，再着手对工作流程进行全面改造。如果无法缩小这种差距，并且人工智能始终停留在成本投入，而无法为整体经济创造营收，当前资本开支周期可能会随之放缓。
第三种风险是智能体的可靠性。智能体能自主行动，而非只回答问题，这带来了全新的风险。对话式人工智能通常只是会生成一句错误的回复。但智能体系统是跨越多个企业工作流程执行任务，模型的错误可能会导致操作的错误，并造成真实的后果。一旦某家重大机构发生了大型事故，可能引发监管介入，拖缓企业层面的AI普及数年。AI智能体的责任归属仍然未有定论。智能体造成损失应由谁承担责任，目前并不明确。
最后一种风险是看似多元分散，实则高度集中。人工智能的投资生态看似广泛：半导体、云、模型、应用以及实体系统。但这些领域之间存在深度关联。云厂商巨头正投资于人工智能实验室，而这些实验室的收入又回流到其自身的云平台。先进半导体的制造仍然集中在单一地区。一旦发生地缘政治冲击、资本开支大规模收缩，或监管介入，其影响将不限于单个层面。所有环节将同时产生连锁反应。不过，以上风险固然真实存在，但机遇大于风险。
结论
对于投资者而言，以上十条投资洞察旨在搭建更为全面的思维框架，而不仅仅是投资硬件或软件公司。人工智能是个跨资产、跨行业的投资主题，对投资组合构建、基金经理选择、长期资本配置和系统性风险管理都有深远影响。
要在未来十年把握机会，投资者不能把人工智能当作孤立的行业，而应把它看成一个全栈资本周期。在具身人工智能开始推动实体经济发展的时代，投资者需要建立更全面的思维框架，将基础设施层面、模型软件平台以及实体应用联系起来综合考虑。把握机会的关键不在于某个单一层面，而是所有层面之间的关联。
尾声提示
人工智能部署规模空前，且没有历史经验参考。我们只能根据当下情况构想未来。本报告中的框架代表我们目前的最佳判断，需要根据现实情况的变化加以调整。成功的AI投资并非是对结果抱有确定性，而是在新变化出现时，仍能维持严谨的思维框架，更新自己的认知。
内容声明：
本文来源的引用仅供参考。摩根士丹利未对提供的任何内容进行审查，并且不为这些网站提供的内容承担任何索赔或责任。
信息披露：
所述的观点和意见和/或分析是作者或投资团队在撰写本文件时的观点和意见，可能会因为市场、经济或其他条件的变化而随时改变（恕不另行通知），且可能并不一定会实现。而且，上述观点不会进行更新或以其他方式进行修订，以反映本文件发布日期之后的可用信息或存在的情况或发生的变化。表达的观点不反映摩根士丹利投资管理（MSIM）及其附属公司和联属公司（合称“本公司”）所有投资团队的意见，并且可能不会体现在本公司提供的所有策略和产品中。
本文件中的预测和/或估计可能发生变更，因此实际上可能不会实现。有关市场预期回报和市场前景的信息，依据为作者或研究团队的研究、分析和意见。这些结论属于推测性质，有可能不会实现，且其用意并非是预测本公司提供的任何特定策略或产品的未来表现。未来业绩可能因证券或金融市场或整体经济状况的变化等因素而存在显著差异。
本资料根据公开可用的信息、内部开发数据以及我们认为可靠的其他第三方数据来源编制。但概不保证该等信息的可靠性，且本公司并不欲对来自公开和第三方来源的信息进行独立核实。
本资料是常规传播材料，可能存在不公正之处，并且提供的信息仅出于提供信息和宣讲目的，并不构成买卖任何特定证券或采纳任何特定投资策略的要约或建议。本文件所载信息并未考虑任何个别投资者的情况，既非投资建议，也不应以任何方式被解读为税务、会计、法律或监管建议。为此，投资者在作出任何投资决定之前，应寻求独立的法律和财务意见，包括税务影响方面的意见。
历史业绩不保证未来结果。
本资料并非摩根士丹利研究部门的产品，且不应被视为研究资料或建议。
未经本公司明确书面同意，不得直接或间接对本资料的全部或任何部分进行复制、复印、修改、用于创作衍生作品、演示、展示、发布、张贴、授权、放入图框、分发或传播，或将本资料的任何内容向第三方进行披露。除用于个人和非商业用途外，不得对本资料进行链接。本文件载列的所有信息均属于专有信息，受版权法及其他适用法律保护。
免责声明及风险提示：
本资料由摩根士丹利基金管理（中国）有限公司根据摩根士丹利投资管理发布的投资观点整理，内容以其英文版本为准。本资料仅作为观点介绍材料，不构成具体基金的宣传推介材料或法律文件。本资料中的信息及数据均来源于已公开或获许可使用的资料，摩根士丹利基金管理（中国）有限公司对这些信息及数据的准确性、完整性及适用性不作任何保证。在任何情况下本资料中的信息或所表达的意见并不构成实际投资结果，不构成任何要约或要约邀请，也不构成任何宣传推介或对投资人的投资建议、承诺和担保。本公司及其关联方、雇员、代理人不对任何人使用本资料内容而引致的任何损失承担责任。基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。基金管理人与股东之间实行业务隔离制度，股东并不直接参与基金财产的投资运作。本资料版权归本公司所有，未获得本公司事先书面授权，任何人不得对本资料内容进行任何形式的发布、复制、引用或转载，或对本资料内容进行任何有悖原意的删节或修改。基金有风险，投资需谨慎。
#存储概念再度走弱！澜起科技股价重挫##端侧AI合规落地提速，受益股有哪些？##算力硬件股持续大跌，恐慌原因是什么？##WAIC 2026开幕在即：哪些热点值得关注？##长鑫科技打新来袭，如何参与“吃肉盛宴”？#
本文作者可以追加内容哦 !
