摩根大通中国AI价值链大拆解：3.65万亿利润蛋糕将更多分给模型应用层，而非硬件

投资者内参丨杨跃滂

9月23日，摩根大通亚太股票研究团队针对中国AI价值链发布了一篇专题报告《中国AI价值链：不断扩大的蛋糕与价值争夺》。

报告预计AI智能消费将指数级增长并对中国AI价值链的全面发展形成支撑，在2026年至2030年间创造5440亿美元（折合人民币3.65万亿）的累计经营利润。

模型和应用将贡献2026年至2030年累计行业经营利润的约三分之一，并贡献2026年至2030年间年度经营利润增量的近三分之二。相比之下，其目前仅占中国AI相关上市市值估计的约14%。其余主要由硬件和云构成。

摩根大通此前预计，到2030年全球AI终端客户支出将超过1.4万亿美元。其中，中国约占四分之一，包括约2500亿美元B2B机会及约1000亿美元消费者需求。

在2030年，中国企业消耗的Token消耗量将占到总消耗量的约69%，剩余31%则由消费者贡献。企业需求和消费者需求呈现互补关系。

不仅Token消费结构有所变化，摩根大通认为中国AI利润增长的重心也将发生结构性变化，模型和应用将成为新增利润的重要来源。硬件短期内持续受益，但模型和应用的利润空间正逐步显现。

Token消耗量是不断扩大市场规模的物理度量

摩根大通认为，随着中国AI应用扩大以及智能体工作负载增长，Token需求将在2030年达到2026年水平的约60倍。背后有两种机制共同推动Token需求增长：

其一，模型能力越来越强，更复杂任务得以执行，AI的工作范围不断扩大;

其二，单位成本持续下降，能够覆盖更大范围的客户和使用场景。

两项机制叠加之下，同一工作流中的AI推理链越来越长，上下文窗口更加丰富，同时多步骤智能体执行也会推高单项任务的Token消耗。

在2030年，中国企业消耗的Token消耗量将占到总消耗量的约69%，剩余31%则由消费者贡献。

企业消费具有重复性并嵌入工作流。编码、研究、客户服务、文档处理和运营工作流一旦部署，就会产生重复且可预测的Token需求。这支撑了合约收入、基于用量的定价和更高的留存率，同时也是企业用来对标劳动力和外包成本的基础。

消费者消费场景更广，但价格弹性更高。更容易获得的AI能力和更低成本将扩大创作、生产力和个性化服务的用户基础。其主要通过订阅、广告和交易收入变现，而非合约，这使分发和单位服务用户成本成为关键变量。

摩根大通指出，企业需求和消费者需求不矛盾，二者反而是互补关系：企业工作负载提供持续消费基础，而消费者采用扩大使用范围并推动服务规模经济。

因此，单位成本下降可以与行业总收入快速增长同时发生。推理、长上下文、多模态和智能体增加每个工作流的Token消耗，而更低的价格会使更多工作流在经济上具备可行性。

利润增长重心向下游模型与应用倾斜

伴随着不仅Token消费结构变化，中国AI利润增长的重心也会发生结构性变化，模型和应用逐步成为新增利润的主要来源。

在这篇报告中，摩根大通将AI价值链大致切分为三大板块：硬件、云、下游(模型和应用)。

据摩根大通的测算，2026年至2030年中国超大规模云厂商AI投资将达到7780亿美元，这是价值链收入增长的价值底座。

报告预计2026年超大规模云厂商投资1000亿美元，2027年增长40%，2028年增长20%，2029年增长10%至1848亿美元，而2030年不再增长。

每一轮投资在采购产能时产生硬件销售，而在相应产能投产后便会产生持续的云收入，更下游的模型和应用层则围绕其支持的智能、工作流和产出收费。

在摩根大通的测算中，硬件收入等于当年云投资，不存在任何滞后性，这是硬件在行业早期利润占主导的原因。此时它尚未服务任何工作负载，下游(模型+应用)也尚未从中赚取任何收入。

云的收入确认取决于利用率、收入产出率以及2026年前产能的剩余贡献，收入确认周期更长，但不同年份的各批次投入会同时产生收入，因此云收入增长远快于支撑它的投资。

云收入在训练和推理之间的分配会影响下游(模型+应用)，模型和应用收入受其消耗的推理产能上限约束，训练则是下游承担的成本。随着推理经济性改善，下游毛利率有所提高。

随着已部署产能规模增长，云和下游企业将不断实现变现。与2026年相比，摩根大通预计到2030年，硬件收入增至1.8倍，而云收入则增至12.5倍，模型+应用收入达到26.9倍。

报告预计，中国AI价值链行业经营利润将从2026年的270亿美元增长至2030年的2430亿美元。硬件是短期内最大受益者，但其在价值链中的利润占比预计将从2026年的93%降至2030年的30%;云利润规模持续扩大;而模型+应用将占到2030年行业利润的54%。

与2026年相比，到2030年，硬件利润将增加至2.5倍，云增加至15.6倍，模型+应用则从亏损转为盈利。

2028年将是下游利润拐点

在报告中，摩根大通特别指出：模型和应用目前仅占中国AI相关上市市值的14%，这并非错配，而是与目前的收入分布高度吻合。根据摩根大通的模型，模型+应用占2026年价值链收入的约12%，而硬件占约74%，云占约15%。市场大致按当前收入结构进行资本化，估值集中于上游，这与现有收入分布相匹配。

2026年至2027年间，AI产业仍处于产能向利用率过渡阶段。硬件已经盈利，并分别占这两年行业利润池93%和87%。随着2026年投资批次投入使用，云收入开始复合增长。下游仍亏损，因为训练研发相对于初始收入基础仍然很高。

2028年是一个关键拐点，下游经营利润转正至62亿美元，占行业利润池8%。随着推理经济性改善，当年毛利率达到约40%，训练支出降至云收入的30%，相当于下游收入约25%。而2029年是下游收入爆发的关键年，下游收入超过2330亿美元，其经营利润占年度行业利润池32%，硬件占比首次降至51%。

下游(模型和应用)占利润比例越来越高的同时，上游增长并未停止。这反映的是利润池内部结构变化，而非整体规模变化。

下游模型和应用越活跃，背后需要的推理算力、内存、网络带宽、云数据中心产能就越多——因为下游公司的收入本质上就是靠消耗这些上游产能实现的。

毛利情况是评估下游公司投资价值的重要指标。判断AI能否赚钱，不仅要看Token消耗量或AI推广程度是否快速增长，还要看模型、推理或交付成本会不会对冲掉大部分增量收入。

云回报则是决定价值池如何分配的关键约束，更大的下游价值池仍需要经济上可持续的上游投资。如果云回报持续偏弱，投资增长最终会放缓，需要提高利用率和价格，或者部分经济利益必须重新向基础设施所有者转移;如果云回报有吸引力，就可以融资增加产能，下游智能价值池也能继续扩大。

AI价值链股票名单与三家首选标的

报告中列出的中国AI价值链股票汇总(云及下游)名单，分别是：阿里巴巴、腾讯、智谱、商汤科技、Phancy、讯策、金山办公、MiniMax、JST、美图、金蝶、群核科技、用友网络。

其中阿里巴巴、腾讯、智谱、商汤科技、Phancy、讯策、金山办公为增持评级，摩根大通明确给出减持评级只有用友网络。

值得关注的是，摩根大通在报告中明确指出：当前AI技术栈同时存在多种稀缺来源;由于稀缺价值池不断移动，公司不会停留在最初所属的层级。

摩根大通在AI价值链的不同环节挑选了三家首选标的，分别是：阿里巴巴、腾讯、智谱。

对阿里巴巴的投资逻辑建立在芯片、云和模型一体化布局上，而非单一层级。平头哥拓宽了阿里巴巴在硬件领域的参与，使其不再局限于买方角色，而云和模型业务则将基础设施与客户需求连接起来。

摩根大通认为这就是云差异化演进的终点，运营商同时拥有自研芯片、自有服务产能和自有模型，并尝试进行模型/基础设施协同设计。

腾讯则代表了“应用稀缺性能够在模型进步后继续存在”的观点，分发渠道、专有上下文和交易执行能力，使腾讯能够直接触达现有的消费者和商业活动。摩根大通表示这类资产在很大程度上尚未被集团估值充分定价。

智谱是摩根大通选择的差异化智能敞口(差异化智能推动付费使用)。持续的相对能力可以支持API定价、付费调用和客户留存，而服务优化、专有Harness和企业部署可以降低单位Token成本。其定位取决于能力是否具有持续性，而不仅取决于今天是否具备能力。在这一层级，摩根大通预期稀缺性会随时间下降。

结语

中国AI价值链的核心变化并不仅是市场规模扩大，更在于智能消费增长如何通过算力、云服务以及模型和应用转化为收入和利润。

“稀缺性”是报告分析不同公司的核心维度之一。当前AI技术栈存在多种同时存在的稀缺来源，稀缺性会随着算力供给、模型能力和应用方式变化而不断迁移：从算力和前沿智能，逐渐延伸至高效服务、专有上下文、权限、工作流和执行能力。公司的价值链边界并非固定不变。随着稀缺性池发生变化，不同公司会向相邻的瓶颈和收费点延伸。

摩根大通认为，判断投资价值的关键包括四个方面：智能消费增长有多快;已部署算力能否获得足够的收入产出和回报;推理成本下降能否扩大下游毛利润;以及哪些公司控制各层级中的稀缺能力和收费点。

风险提示：本文为内容资讯，不构成投资建议。市场有风险，投资需谨慎。