摩根士丹利2026年AI十条投资真相：Token正在变成产品，AI开始运行经济

来源：市场资讯

（来源：AI科技评论）

本篇梳理了摩根士丹利2026年二季度报告《Artificial Intelligence: Ten Investment Truths》的核心框架。

报告提出：AI已不再是技术趋势，而是一轮跨资产、跨行业的系统性变革。Token正成为新的价值计量单位，Agent正从“回答”转向“执行”，物理AI正进入矿山、工厂和港口，全球正在形成两种AI架构并行竞争。

最近，摩根士丹利投资管理发布了一份2026年二季度深度报告，题目是《Artificial Intelligence: Ten Investment Truths》。（文末有链接，需要全文PDF可以私信）

这份报告从更大的视角讨论：AI已经不再只是一个技术趋势，也不只是大模型公司之间的能力竞赛，而是正在变成一轮横跨基础设施、软件、资本、能源、机器人、国家竞争和组织治理的系统性变革。

报告开头有一句话很关键：三年前，人工智能还只是一个令人好奇的话题；今天，它已经成为资本配置的对象。也就是说，AI已经从“能做什么”的讨论，进入了“谁来投入、谁来承载、谁来变现、谁来治理”的阶段。这也与前两天我们发的字节CEO梁汝波谈到现在的阶段不是要不要做AI，而是如何做的问题一致。字节CEO梁汝波最新发声：AI仍处早期，真正的攀登才刚开始（附全文）

摩根士丹利用“十条投资真相”来概括这轮变化：

这十条不只是投资判断框架，也是在提醒企业管理者：AI不是一个新工具，而是一套新的生产系统；不是单点效率提升，而是在重新定义资本如何流动、产业如何组织、工作如何完成、组织如何形成竞争优势。

真相一：AI进入“四股力量共振”阶段，不再只是模型单点突破（4-WAY CONVERGENCE: ALGORITHMS, COMPUTE, TALENT AND CAPITAL）

摩根士丹利认为，AI正在从突破性技术转向基础设施，而推动这轮变化的，不是某一个模型的进步，而是四股力量同时加速：算法、算力、人才和资本。

算法在持续突破，算力在快速扩张，顶尖AI人才集中在少数机构，资本以前所未有的规模投入。报告提到，自2017年Transformer突破以来，AI相关资本开支已经承诺约2.3万亿美元；2025年，Token消费量增长超过10倍。

这个判断的关键在于：AI已经不是单点创新，而是一个飞轮。模型能力提升，带来更多使用；更多使用，带来更多收入和资本投入；资本继续推高算力和基础设施，又反过来推动模型能力和应用扩张。

所以，企业今天谈AI转型，不能只问“我们用了哪个模型”“员工会不会Prompt”。真正要问的是：我们是否具备把技术、人才、资本、数据和业务场景组织在一起的能力。

AI竞争越往后，越不是单一技术能力的竞争，而是组织整合能力的竞争。

真相二：瓶颈不断迁移，AI竞争开始被物理世界约束（MOORE'S LAW NO MORE: WHEN PHYSICS BECOMES THE BOTTLENECK）

过去科技行业有一个底层信念：算力会越来越便宜，性能会越来越强。但摩根士丹利提醒，在AI时代，摩尔定律已经不足以解释接下来的变化。真正的瓶颈正在不断迁移。

先是芯片，然后是电力，再到内存、网络、冷却和数据中心供给。报告提到，内存在2026年底前仍会供应不足；AI和数据中心需求预计将在2027年创造75—100 exabytes的新增内存需求，并在2028年再次翻倍。更重要的是，超大规模云厂商的采购逻辑也在变化：过去更重视价格优化，现在更重视供应安全，长期供应协议开始变得更常见。

这说明，AI不是一个“云上无限资源”的故事。越往深处走，AI越依赖物理基础设施：芯片、电力、内存、网络、冷却、土地、数据中心和供应链。

对企业来说，这意味着AI转型不只是CIO和技术团队的事，也会变成CFO、采购、能源、战略和供应链共同参与的问题。未来真正有AI能力的企业，不只是模型用得好，而是能否稳定、可持续、可负担地获得AI资源。

真相三：Token经济出现，算力正在变成收入（THE TOKEN ECONOMY: WHEN COMPUTE BECOMES REVENUE）

报告中最有传播力的一句话是：

Data centers are factories. Tokens are the product.

数据中心正在变成工厂，Token正在变成产品。

过去，数据中心是支持业务运行的成本中心。到了AI时代，数据中心正在变成生产设施，它生产的是智能输出，而Token就是这种智能输出的计量单位。每一次提问、每一次文档生成、每一次代码修改、每一次Agent执行任务，背后都在消耗Token。

摩根士丹利认为，Token可以被衡量、定价和规模化，就像电力按千瓦时计价一样，AI智能开始按百万Token计价。报告还提出，一个非常关键的新指标是tokens per watt，也就是每一单位能源可以生产多少Token。

更重要的是，Token需求不是线性增长。生成式AI建立了基础需求；推理型AI因为要自我反思和纠错，需要大约1000倍更多算力；Agentic AI因为要调用工具、执行任务、持续运行，需要比最初对话模型高出约100万倍的算力。

这背后对应的是商业模式变化。过去2万亿美元的软件行业，建立在“席位授权”上，一个员工一个账号，一个部门一套系统。下一阶段，AI软件可能建立在“Token消耗”上。

这对组织管理也很重要。过去企业看人头、账号、工时、预算，未来可能还要看：哪些岗位消耗Token最多，哪些Token转化成了业务结果，哪些Agent任务值得持续运行，哪些流程只是烧Token却没有创造价值。

Token不是一个纯技术词，它正在变成新的成本指标、收入指标和组织效率指标。

真相四：Agent转型开始，员工会从执行任务变成管理（AgentFROM REACTIVE TO AUTONOMOUS: THE AGENTIC TRANSITION）

摩根士丹利把AI的下一阶段称为Agentic Transition，也就是Agent化转型。

第一代AI是被动的。人输入问题，AI给出回答。人仍然控制节奏，AI只是辅助。现在不同了，AI正在从“回答问题”变成“执行任务”：调用工具、管理流程、持续运行，甚至未来可以参与交易和支付。

报告提到，开发者采用Agent的速度最快，一些工程师已经同时管理四个或更多Agent，他们不再只是亲自编码，而是在委托、监督和验收。报告还引用微软的说法，把AI在工作中的形态分为三类：简单聊天、委托任务，以及拥有自己身份、工具和工作空间的数字员工。

这对组织的影响会非常深。

过去组织设计的基本假设是：人执行任务，系统记录流程，管理者监督结果。Agent进入之后，执行单元变了。很多员工未来的工作方式，可能不再是“自己完成任务”，而是“管理一组Agent完成任务”。

这意味着，岗位能力、绩效评价、权限设计、责任边界和协作流程都要重新定义。一个任务到底是人完成的，还是Agent完成的？Agent做错了谁负责？哪些任务可以全自动执行，哪些任务必须人工确认？哪些工作流需要重新设计，而不是简单把AI叠加在旧流程上？

AI原生组织的关键，不是每个人多一个AI助手，而是组织能否围绕Agent重新设计工作。

真相五：软件护城河不再只是代码，而是数据、领域和分发（DATA, DOMAIN AND DISTRIBUTION: THE NEW SOFTWARE MOATS）

摩根士丹利提出，AI时代新的软件护城河是三个D：Data、Domain、Distribution，也就是数据、领域和分发。

过去，软件公司的壁垒可能来自代码、功能、产品体验和工程能力。但AI正在降低代码和功能复制的成本。一个过去需要几个月、几千万甚至上亿美元开发的功能，未来可能很快被AI原生公司复制出来。

真正难以复制的，是长期积累下来的数据、行业知识、客户网络、合规经验和深嵌在关键流程里的业务逻辑。

尤其在垂直SaaS领域，摩根士丹利认为，拥有数据、领域和分发优势的公司更有可能建立持久壁垒。报告也指出，很多企业数据分散在CRM、ERP、邮件、文档等不同系统中，彼此割裂。如果Agent看不到完整信息，只能给出碎片化建议。能够控制统一数据层、让Agent跨系统推理的组织，会持续放大优势。

这对传统企业同样成立。

AI时代，模型可以外采，工具可以购买，但企业自己的业务数据、客户理解、流程经验、行业判断不能外包。真正的护城河不只是“我们用了AI”，而是“我们的数据和领域知识能否被AI持续调用，并转化为更好的决策和行动”。

真相六：AI开始从分析经济，走向运行经济（YESTERDAY'S SCI-FI IS INCREASINGLY IN REACH）

报告里有一句非常值得记住：

AI stops analyzing the economy and starts operating it.

AI不再只是分析经济，而是开始运行经济。

这说的是Physical AI，也就是具身智能和物理世界中的AI。如果说数字AI主要改变知识工作，那么Physical AI将进入交通、物流、制造、建筑、农业、医疗、国防、能源和基础设施。

摩根士丹利提到，自动驾驶、机器人、工业自动化、无人机和智能基础设施不再只是实验，而是在商业化部署。软件定义汽车收入从2021年的5亿美元增长到2024年的10亿美元，并预计到2027年达到20亿美元。报告还提到，人形机器人现在越来越多在仿真环境中训练，可以把多年物理学习压缩到几天，这使Physical AI从实验走向规模化成为可能。

这意味着，AI原生组织不只是互联网公司和软件公司的事。

未来，矿山、工厂、港口、仓库、电网、医院、建筑工地和物流网络，都可能出现“人+Agent+机器人+设备系统”的混合组织。企业要管理的不只是员工和数字系统，还要管理智能设备、自动化流程、机器人作业和AI决策链。

AI的组织影响，将从办公室进入现场。

真相七：AI不是一个行业，而是一轮全栈资本周期（AI IS A FULL-STACK CAPITAL CYCLE）

这是整份报告的核心判断之一。

摩根士丹利认为，AI不是一个单一行业故事，而是一轮跨资产、跨行业的全栈资本周期。

这个AI栈可以分成三层：底层是基础设施，包括芯片、数据中心、电力、网络、内存和冷却；中间是模型层，包括训练、推理、编排、安全和治理；最上层是应用层，包括软件、Agent平台、机器人、传感器、执行器和边缘计算。这与黄仁勋提出的AI五层蛋糕在底层逻辑上一致。

所以，未来判断AI价值，不能只问“谁有最好的模型”。更重要的问题是：

这对企业同样成立。AI转型不是买一个工具，也不是建一个AI小组，而是全栈系统工程。基础设施、数据、模型、流程、业务场景、组织能力和治理机制都要一起看。

更关键的是，企业不能只把AI理解为降本工具。摩根士丹利提醒，要关注AI能否创造新需求，而不仅仅是减少成本。真正重要的AI应用，可能不是把旧工作做得更便宜，而是创造过去不存在的新服务、新流程和新商业模式。

真相八：中美正在形成两种AI架构竞争（COMPETING COMPUTE: TWO ARCHITECTURES, ONE RACE）

摩根士丹利把AI竞争提升到了国家安全和地缘竞争层面。

报告认为，全球正在形成两种AI生态。美国模式是高成本创新引擎，依靠大规模资本开支和先进芯片，主要约束正在从芯片转向电力。中国模式则是在先进芯片受限的情况下，发展出低成本、效率导向的系统，依靠开源生态、制造能力、服务器、内存、网络等硬件供应链合作，形成平行AI栈。

报告中有一个很值得关注的数据：尽管中国模型投入只有美国超大规模云厂商的18%，但中国模型公开表现已经大体接近美国同行，性能差距缩小到约一个月。更低的成本基础，也让中国模型能够更快降低Token成本，并通过相近性能和价格优势获得市场份额。

这个判断不应被简单理解为谁领先谁落后。它更重要的启发是：AI竞争不只拼资本和参数，也拼效率、工程化、供应链、应用速度和生态能力。

对中国企业来说，未来AI优势未必只来自最强模型，也可能来自更低成本、更快应用、更强场景落地和更高组织效率。

真相九：AI已经是战略基础设施，但治理明显滞后（AI IS STRATEGIC INFRASTRUCTURE, BUT NOBODY IS IN CHARGE）

摩根士丹利认为，AI能力正在快速前进，但治理没有跟上。

报告指出，前沿AI政策真空正在扩大。很多具有公共安全和地缘影响的关键决策，实际上正在由私营公司做出，而不是由政府或国际框架统一管理。哪些国家和企业可以部署强模型，哪些系统可以访问关键基础设施，哪些Agent可以调用工具和外部API，这些问题都还没有成熟的治理框架。

报告还提醒，AI正在扩大攻击面，而防御能力没有同步部署。很多企业仍然依赖传统网络安全保护，但AI驱动的威胁已经可以以机器速度运行。更重要的是，Agent如果只是回答问题，幻觉最多产生错误文字；但Agent如果开始执行任务，一个错误就可能变成真实行动，并造成后果。

这对企业做AI转型非常关键。

AI原生组织不是越快越好，也不是Agent越多越好。Agent越强，越需要权限设计、日志记录、审计机制、人工接管、责任归属和风险边界。

否则，AI不是生产力工具，而可能成为组织风险放大器。

真相十：基础设施会先于应用爆发，Token可能走在应用之前（FROM TELEGRAMS TO TOKENS: HISTORY AS A ROADMAP）

最后一条，摩根士丹利用历史来解释今天的AI基础设施建设。

报告认为，今天AI基础设施投入看起来很大、很快、甚至让人不安，但类似模式在通信基础设施历史上反复出现过：先是基础设施大规模建设，然后价格下降，接着需求爆发，最后出现当初无法想象的新应用。

19世纪海底电报是这样，20世纪末互联网光纤建设也是这样。很多后来真正消耗基础设施的应用，比如搜索、社交媒体、流媒体、电商、网约车，在基础设施建设时还没有出现。

AI也可能如此。报告引用Sam Altman的说法，2025年AI Token成本下降了10倍。摩根士丹利认为，今天正在建设的AI基础设施，未来会被哪些应用消耗，我们可能还没有完全看到。最大回报的公司，甚至可能还没有成立。

但AI和过去周期最大的不同，是速度。

电报用了几十年，光纤用了十年，而AI的价格压缩可能只用了一年。应用爆发也许不需要十年，可能只需要两年。

这意味着，企业不能等AI完全成熟再行动。等到下一波应用真正爆发时，基础设施、数据、人才、流程和组织能力都需要提前准备好。

最后：AI正在重写的不只是技术，而是资本、产业和组织规则

摩根士丹利这份报告真正提醒我们的，不是“AI又有多热”，而是AI的讨论框架已经变了。

它不再只是一个技术趋势，而是一轮全栈资本周期；不再只是一个软件功能，而是一套新的生产系统；不再只是员工提效工具，而是在重写企业如何配置资本、如何组织工作、如何管理风险、如何形成护城河。

过去企业管理者习惯看人头、预算、流程和系统。未来还要看算力、Token、Agent、数据层、模型路由、AI工作流和治理边界。

AI正在重写的不只是技术，而是资本、产业和组织规则。

原文地址：https://www.morganstanley.com/im/en-us/institutional-investor/insights/big-picture/big-picture-artificial-intelligence.html （含下载地址）