来源：海豚研究
本文内容基于《中国 AI 之路：从 8.5 万亿资本开支到 3 倍算力》（英文标题：China’s AI Path: From Rmb8.5tr Capex to 3x Compute）整理，报告发布机构：摩根士丹利，发布时间：2026年9月13日；来源于：「调研纪要整理」。本文仅作产业信息交流与学术研究参考，不构成任何投资建议。文中所有观点均来自原报告，不代表本公众号立场。市场有风险，投资需谨慎。
摩根士丹利这份最新的中国AI产业报告，算出来的数字很有冲击力。2026到2030年五年间，中国AI全行业总资本开支将达到8.5万亿人民币，对应IT算力规模从2025年的26GW增长到2030年的81GW，涨了两倍多。
这笔天量开支不是笼统的数字。报告拆清了谁在花钱、花在哪、钱从哪来、最终能赚回来多少。甚至连国产芯片到底能撑住多少算力、回报水平怎么样，都做了量化测算。
8.5万亿，到底是谁在花
超大规模互联网厂商是绝对主力，五年总开支6.3万亿，占了差不多四分之三。2026年单年开支就接近万亿，同比增速121%，比美国同行的41%高出一大截。2025年因为芯片供应的问题，国内算力扩张踩了刹车，2026年算是集中释放，这个增速差是阶段性的，但也能看出国内的需求韧性。
拆分来看，超大规模厂商的开支大概三分之二落在国内，三分之一在海外。国内部分主要是服务器采购，海外部分包括高端芯片采购和海外数据中心建设。
第二股力量是新云厂商，五年总投入1.5万亿。这类玩家主打高端算力租赁，开支几乎全砸在服务器上，占比超过95%。
第三块是电信运营商，五年计算相关资本开支约6530亿。运营商的总资本开支整体没怎么涨，但计算相关的占比越来越高，从现在的水平到2030年复合增速大概10%，主要服务政务和国企客户。
这张图把五年总开支的流向拆得很清楚，整体计算相关开支占到总盘子的近九成，其中GPU/AI加速器服务器又占到服务器开支的92%。说白了，AI资本开支的核心就是买芯片，其他都是配套。
从年度走势看，超大规模厂商的开支增长是整个行业的主引擎，新云和运营商的增长相对平缓。整个行业的开支节奏，基本跟着头部互联网厂商的规划走。
算力翻三倍，底气全在国产芯片
之前国内算力扩张慢，从来不是需求不够，是高端芯片拿不到。报告的核心判断是，随着国产GPU和ASIC在2026年下半年开始放量，供应瓶颈会逐步缓解，这是算力规模能冲到81GW的核心前提。
具体增量拆分的话，五年间超大规模厂商贡献34GW的算力增长，运营商增加9GW，剩下的AI实验室、二线互联网公司、国企算力平台加起来贡献12GW。头部厂商里，阿里和腾讯各自会新增6到9GW，百度大概1GW左右。
国产芯片的出货量增速很快。摩根士丹利半导体团队测算，2025年国内AI芯片出货110万颗，2026年直接翻番到240万颗，2027年到480万颗，2030年冲到1100万颗。对应的国内芯片市场规模从2025年的940亿，扩张到2030年的6460亿。整个部署周期里，国产芯片占到服务器总部署量的70%到85%。
这条出货曲线的斜率很陡。做过半导体的人都知道，产能爬坡从来不是线性的，中间会有无数的坑。这个预测能不能兑现，关键看2026到2027年的良率和交付节奏。
中美算力的成本结构完全不一样。美国部署1GW的GB300算力，大概要390亿美元，其中数据中心基建就占了41%。中国反过来，基建很便宜，只占总部署成本的10%到15%，但芯片采购成本更高。
高端训练芯片每GW成本大概50到70亿美元，国产推理芯片便宜很多，2026年大概19亿美元每GW，2027年涨到22亿，主要是因为HBM和服务器配套涨价。
这个成本结构差异，决定了中国做算力基础设施的逻辑和美国完全不一样。美国是基建贵、芯片相对便宜，所以尽量提高芯片利用率；中国是基建便宜、芯片贵，所以所有优化都围绕怎么省芯片来做。
算力的地理分布也有规律。增量的70%都会落在西部的内蒙古、宁夏这些地方，东部只占30%，这个和电力成本、土地资源直接相关。
钱从哪来，不同玩家的账本完全不一样
这么大的开支，不是谁都能靠自有资金扛住的。不同玩家的融资逻辑差得很远，这也是后面行业分化的核心。
先讲超大规模厂商。国内的开支基本不用愁，靠经营现金流和账上现金就能覆盖。阿里、腾讯、百度三家的经营性现金流，大部分时间都能覆盖国内的资本开支。当然也不是完全没风险，比如阿里如果外卖赛道竞争加剧，补贴重启的话会消耗不少现金；百度如果搜索收入企稳不及预期，现金流也会承压。三家里面，腾讯的现金流最稳。
真正的压力在海外开支。五年间超大规模厂商的海外资本开支大概2万亿，主要是字节跳动贡献的。离岸现金是有限的，要支撑这么大的开支，无非三个路径：变现海外投资组合、发离岸债、股权融资。腾讯的海外投资盘子比较大，流动性也不错，是重要的现金储备。
然后是新云厂商。这类玩家的杠杆率要高得多，融资方式也更复杂。以金山云为例，大概40%的投资靠融资租赁，期限5年，利率5%左右；银行贷款能占到成本的九成，利率3%到4%；再加上客户的预付款，还有股权债权融资。行业整体的话，30%到40%的开支靠租赁，剩下的大部分靠债务。
这种模式的好处是扩张快，坏处是抗风险能力弱。一旦服务器交付延迟、利息上涨、或者高端算力需求下滑，现金流很容易出问题。
这张图画清了头部厂商在整个生态里的角色：不光自己花钱买设备，还给供应链放预付款、签长期租约锁定需求、投资上下游芯片和模型公司。本质上是用自己的信用和现金流，撑起来整个生态的扩张。
运营商的融资最简单，基本全靠自有资金，现金流完全覆盖开支，债务水平也健康，没什么融资压力。毕竟运营商的收入稳定，算力建设又和国家战略对齐，抗周期能力强。
不过话又说回来，中美两国的融资逻辑差异很大。美国的数据中心厂商，很多时候靠头部客户的信用评级就能融资，甚至直接用头部云厂商的合同发债。中国还是传统的项目贷款，靠实物资产抵押，利率3%到4%。所以中国AI生态的循环性比美国弱，头部厂商的话语权虽然大，但还没到用信用撬动整个产业链融资的程度。
投资回报，越往上走越赚钱
花了这么多钱，到底能不能赚回来，是所有人最关心的问题。报告测算了四种主流商业模式的回报水平，差异非常大。
第一种，自有GPU做IaaS，也就是基础算力租赁。基准情况是44%的运营利润率，13%的ROIC，现金回本周期3年。这个水平比美国低不少，主要因为国内芯片采购成本是美国的近三倍，好在数据中心和电力成本便宜，抵消了一部分。
第二种，租服务器再转租，也就是新云厂商的模式。这种模式没有前期服务器资本开支，赚的是租金差价。基准情况大概20%的运营利润率，只要租售差转正，马上就能产生正现金流，缺点是利润率薄。
第三种，自有算力做自有大模型，也就是MaaS模式。这种模式的天花板最高，基准情况53%的运营利润率，19%的ROIC，2.6年就能回本。但这个结果对算力利用率、推理占比、token定价非常敏感。训练占比太高、吞吐量上不去，很容易亏损；反过来如果推理占比提升，模型效率优化，利润弹性会非常大。
第四种，自有算力跑第三方大模型API。这种模式不需要自己训练模型，只付10%的收入分成，基准情况运营利润率能到57%，ROIC接近30%，回本只要2年左右。核心变量是第三方模型在自有基础设施上的性能折扣，如果优化得好，回报会非常可观。
从这张表能很清楚看到，token吞吐量每上一个台阶，ROIC的涨幅非常夸张。所以说AI算力的回报，从来不是线性的，效率提升带来的杠杆效应非常强。
然后重点讲国产芯片的回报水平。现在的国产芯片大多不带HBM3E，内存带宽不够，跑大模型解码比较吃力，更多适合做预填充阶段的任务。用PD分离的架构，在长输入的场景下，比如文档总结、长文本问答，能一定程度提升效率和回报。
下一代搭载HBM3E的国产芯片，就能跑完整的推理流程了。报告测算了不同性能水平下的回报：如果性能只有海外芯片的20%，ROIC几乎可以忽略，要5年多才回本；如果能到30%，也就是基准情况，运营利润率31%，ROIC 9.1%，回本周期3.6年；如果能做到40%，ROIC能到17.9%，2.7年回本。
这个回报水平肯定不如进口芯片，但意义不一样。这是完全自主可控的算力体系的起点，随着工艺和架构迭代，成本和效率都会持续优化。而且如果是厂商自己设计的专用ASIC，成本还能再降15%到20%，ROIC能冲到20%到25%，那就很有竞争力了。
当然也要看到不确定性。如果国产芯片的性能不及预期，尤其是解码能力上不去，那部署的越多，反而越拖累回报。之前有大模型厂商用全国产基础设施做推理版本，实际的回报水平就不太理想，这个坑后面的玩家要注意。
这份报告本质上是从资本开支的视角，把中国AI产业的整个资金流、算力流、回报流拆了一遍。从上游芯片，到中游算力基础设施，再到上层模型应用，每一环的投入、融资、回报都对应起来了。
现在行业里很多人只看需求侧的热闹，很少算供给侧的账。8.5万亿砸下去，不是均匀分布在每个环节，谁能拿到钱、谁能兑现回报、谁会在周期里掉队，其实已经写在这些数字里了。