顶尖大模型“能力突变”!算力需求“系统性超越供给”!投行怎么看?

大模型能力“阶跃式突变”：情况比市场预期更极端

  大摩报告将“前沿大模型能力的非线性跃升”列为2026年最重要的主题驱动力之一，并援引大量数据印证其“情况远比市场预期更极端”的判断。

  第三方机构METR的最新分析显示，目前最优秀的大模型已能独立完成超过15小时的连续复杂任务——而按照现有技术缩放定律（Scaling Laws）的外推，当前水平应约为8小时。实际能力已大幅超前于理论预期轨道。

  多项独立数据共同印证这一趋势：

• Artificial Analysis的持续追踪指标显示，AI能力仍在快速推进；
• OpenAI首席执行官Sam Altman在印度AI峰会上公开警告：“世界还没准备好，极具能力的模型即将到来”；
• 有研究人员利用DNA测序与DeepMind的AlphaFold工具，为其宠物犬开发出癌症疫苗；
• 《纽约时报》科技编辑Kevin Roose的读者实验显示，54%的读者更偏好AI生成的文章，而非人类写作；
• 前沿LLM已具备求解物理学领域开放难题的能力；
• 有报道称某款尚未发布的模型在软件编程、学术推理和网络安全领域代表了“能力的阶跃式突变”。

  报告还引用了Leo Aschenbrenner论文《情境感知》中的预判：

到2027年实现AGI（通用人工智能）具有令人惊讶的可能性。GPT-2到GPT-4的四年间，我们从学龄前水平跃升至聪明高中生水平……如果我们再走一次同样的智能跨度，将把我们带到哪里？很可能是能够在所有专业领域超越博士和顶级专家的模型。

AI能力跃升示意图

算力供需大裂口：250%的Token增速背后是3倍的需求差距

  如果说大模型能力跃升是“需求侧的引擎”，算力供给的严重不足则是“供给侧的天花板”。大摩将“算力需求系统性超越供给”列为2026年最核心的市场主题。

  报告称，数据极为直观：

• 根据OpenRouter平台的实际追踪数据，2026年1月初至3月，全球每周Token使用量从6.4万亿次增至22.7万亿次，三个月内增幅约250%；
• 智能体AI工具（以OpenClaw为代表）的普及速度，大幅加速了需求侧的爆发；
• 多家LLM服务商已开始对用户设置Token使用上限，以应对需求的失控增长；
• 大摩预测，整体算力需求增速约为NVIDIA算力供给CAGR预测值的3倍；
• 推动需求的三大并行动力相互叠加：AI使用场景持续扩张、AI任务复杂度的非线性提升、AI采纳范围加速拓宽。

  在具体应用层面，软件编程是目前所有LLM使用场景中Token消耗量最大的单一用途，且该领域被专有（闭源）模型所主导。

  大摩“智能工厂”（Intelligence Factory）模型揭示了另一层关键逻辑：随着芯片世代从Blackwell迁移至Rubin GPU，平均Token价格有望下降超过70%——AI使用成本的急速下滑将进一步激发需求端的爆发，形成需求自我强化的正反馈循环。

  以一个具体案例为例：一个规模约250兆瓦、使用Blackwell GPU、电力成本为每兆瓦时100美元、运行GPT-4o查询的数据中心，可为顶级大模型开发商带来约60%的利润率。

  大摩预期，真实的算力需求将达到此前模型预测的3倍左右。在此背景下，任何能够打破算力扩展瓶颈的公司都将迎来重大利好。这不仅包括芯片制造供应链，还包括存储器、光学网络设备以及数据中心的核心组件。大摩极其看好这批“算力商人”（Merchants of Compute），认为他们将直接受益于这种系统性的供需失衡。

能源是AI的命脉：55吉瓦缺口与“离网”解决方案的竞速

  电力，已成为AI基础设施扩张最关键的物理约束。大摩基于其“AI供电”深度分析模型，得出了令人警醒的结论。

  2025至2028年间，美国数据中心开发商将面临约55吉瓦的电力供给缺口。与此同时，已有180亿美元的数据中心项目因社区反对和电价上涨担忧而被直接取消，另有460亿美元的项目遭到推迟。制约数据中心增长的多重阻力已在同步发酵：电网接入资源的争夺、电力设备短缺、劳动力不足，以及地方政治阻力。

  面对这一缺口，大摩梳理了四类“快速通电”（Time to Power）解决方案：

  然而，即便将上述所有方案的概率加权贡献叠加，大摩的基准测算显示，2028年前净电力缺口仍将相当于同期美国数据中心总部署规模的18%至30%。

  从战略布局看，Meta已开始采取主动行动——向泰拉能源（Terrapower）的钠冷快堆商业化项目提供资金，并直接投资路易斯安那州的电力基础设施。

  大摩认为，这可能是AI巨头开始系统性掌控能源基础设施、确保算力命脉的战略信号。

就业冲击初现，AI采纳经济价值超标普500税前利润的25%

  大摩的调查数据与模型测算，揭示了AI对劳动力市场早期且深刻的影响。

  在受AI冲击最显著的五大行业（消费品零售、不动产管理与开发、交通运输、医疗设备与服务、汽车与零部件），大摩的实地调查显示：

• 过去12个月，AI已导致11%的职位被直接裁撤；
• 另有12%的岗位空缺后不再补招；
• 新增招聘为18%，综合计算净裁员率约4%；
• 值得关注的是，规模较小的企业新招聘量最弱——这可能反映小企业对AI的应用更为灵活迅速。

  从宏观视角看，大摩估计90%的职业将在某种程度上受到AI自动化或增强的影响，影响方式通常不是“整体取消工作岗位”，而是“重新配置岗位内的任务结构”。

  从定量经济价值角度，大摩测算的AI采纳TAM（目标可达市场规模）同样惊人：

• “AI自动化”带来的成本削减潜力对应的价值TAM，超过标普500指数2026年预期调整后税前利润的25%；
• 这一“AI自动化”成本削减，相当于员工薪酬支出总额的40%以上；
• 其中，智能体AI（软件层面）与具身AI（以机器人为代表的物理层面）的价值贡献近乎各占一半；
• 从行业分布看，消费品零售、不动产管理、交通运输和医疗设备领域的AI采纳经济潜力相对税前利润而言最高。

AI颠覆的“护城河”：什么资产才能在AI时代真正保值？

  随着AI能力加速跃升，核心问题变得愈发紧迫：在AI能够复制几乎一切的世界里，什么样的资产才具有真正的防御性？大摩报告援引投资人Michael Bloch的框架，提出了一个关键区分：

AI压缩了完成事情所需的时间，但它无法压缩让事情自然发生所需的时间。这一区别，是当前投资中最重要的筛选标准。

  据此，具备真正防御性护城河的资产类型包括五类：

1. 持续累积的专有数据——不是静态数据集，而是通过可防御的业务运营持续生成的动态数据；
2. 网络效应——每新增一名用户都能让产品对其他用户更有价值；已积累流动性的网络优势，随着AI降低创建竞争对手的门槛反而会进一步凸显；
3. 监管许可——银行牌照需要数年，FDA审批需要数年，监管壁垒随着AI能力提升而扩大，而非收窄；
4. 大规模资本部署能力——当瓶颈从软件转向物理基础设施，调动大规模资本的能力本身就成为时代核心优势；
5. 物理基础设施——工厂、电厂、数据中心……物理定律给时间设定了无法突破的下限，先行者的领先优势每过一个月都在扩大。

  报告进一步列举了“变革性AI”时代可能升值的八大类资产，涵盖：具有物理稀缺性的不动产（AI基础设施用地、工业地产）、具备定价权的AI应用采纳者、奢侈品与独特服务、具有网络效应的平台、真实且独特的人类体验、监管特许经营权、专有数据与品牌，以及半导体关键资产（先进制程芯片厂、ASML的EUV光刻机、稀土加工能力）。