摩根士丹利-中國經濟展望：緩慢邁向低通脹（四）

人工智能：先投入資本開支，后提升生產力

人工智能可以支持中國的中期增長，但短期推動力由投資驅動，而非生產力驅動。預計在2026–2027年將在計算、連接性和應用方面出現一波資本支出熱潮，這將抵消房地產拖累對GDP的0.2%–0.3%的影響，而AI應用導致的經濟效率提升則將在2027年以后才逐步顯現。從這個意義上說，人工智能2026–2027年的資本支出來被視為宏觀經濟穩定器，同時為下一周期的真正生產力提升奠定基礎。

圖表13：2026年人工智能對勞動生產率的提升有限，2027年開始上升

分析：AI就屬于上一篇說的“制造業投資增速會降低而重點行業除外”里面的重點行業。對于整個AI行業來說，2026年和2027年的資本開支高速增長的確定性是很強的，這里要注意我強調的是整個AI行業而不是某只AI股，因為幾乎所有顛覆性新技術的早期龍頭更替率都是非常高的，這也是為什么我三番五次建議買AI的ETF而不是某只AI股的原因。

而AI對于經濟的拉動作用會分兩步走。第一步是AI基建投資對經濟的拉動作用（對GDP的貢獻有0.3%左右），大概可以抵消同期房地產對GDP的拖累，這可能也是高層對房地產采取托而不舉策略的重要原因之一。第二步是AI真正開始在各行業進行應用，從而大大提高經濟運行的效率，這對于宏觀經濟來說屬于長期的加持buff。

推動人工智能相關資本支出增長的因素

基礎設施：數據中心、先進網絡、電力升級（包括液冷、分布式能源和電網加固）構成了人工智能規模化的骨干，政策性銀行和地方平臺可以共同提供基礎設施資金支持，從而降低長期項目的財務風險。

芯片和系統：本地化推動提升了對GPU/NPU、加速器、服務器系統的需求，盡管受到美國技術限制，本土供應商仍可通過在推理工作中提供足夠的性能和成本優勢來擴大市場。

企業采用：早期采用者包括制造業、可交易服務（軟件、融資、客戶支持）、物流（路線優化、庫存管理），消費互聯網。

分析：以上列舉了AI資本支出的詳細領域，主要分為基礎設施和芯片兩大塊。其中基礎設施類的確定性比較高，因為這一塊技術端基本自主可控。而芯片方面我沒有做過詳細的研究，直覺上經常會受國際局勢的影響而斷供，所以我比較傾向于配置比較穩妥的基礎設施類AI的ETF。至于企業應用端似乎看起來還早，目前暫時看不出很明確的受益方向。

生產力滯后的原因

應用擴散：企業必須重構數據平臺、重新設計工作流程，重新培訓員工，大型企業的整合周期為12–24個月，中小企業可能更長。

勞動力市場粘性：人工智能首先取代常規初級職位，而高生產力職位則需要互補技能，較高的青年失業率和招聘需求減少可能會減緩AI配置。

監管節奏：對數據、安全、行業試點的監管將降低尾部風險，但會分階段推行部署。

分析：AI對于經濟效率的提升需要在2027年以后才開始顯現，其原因是企業部署并且培訓員工使用AI需要相當長的一個過程，另外目前招聘需求較少導致AI配置的需求也比較少，最后監管對于AI應用的推進也會采取比較謹慎的態度，所以AI的全行業部署很可能會分階段緩慢推進。以上這些原因都造成了AI應用全面鋪開需要兩年左右的時間，這也是我不著急研究AI應用端受益股的主要原因。

需關注的指標

計算能力：數據中心每月新增耗電量和GPU出貨量，主要省份的發電能力。

模型效率：大型語言模型每個token的成本及推理成本曲線，如果這些成本顯著下降，采用率可在不增加資本支出的情況下擴大。

勞動力重新配置：人工智能互補職業的空缺與失業比率，數據/機器學習崗位的工資溢價。

生產力信號：人工智能相關行業的人均增值，基于PMI和服務業子指數的總要素生產率（TFP）趨勢的實時估算。

分析：以上列舉了AI行業需要關注的一些指標，計算能力和模型效率是現階段比較重要的參考。特別是在中美AI競爭的大前提下，我國發電量和電網是否能夠支撐未來AI時代的用電需求（見前段時間瑞銀的電力研報），同時結合碳中和目標和風光水互補的特點，這也是我前段時間關注水電股的主要邏輯。

對于模型效率來說就比較簡單了，只要定期比較市面上AI模型的每個token的成本和推理成本即可，當然還有反應時間長短，這些就可以基本判斷出哪個模型是目前最有競爭力的，注意我說的是目前，因為長期看AI模型的不確定性是很高的，目前這個行業才處于戰國初期而已。

解鎖收益的政策

金融：拓展多渠道融資，超越政策性銀行。例如高效能計算的綠色/轉型債券、支持中小企業AI采用的信貸指導，以及軟件/算法的分期償還減免。

人力資源：技能再培訓補貼，面向數據工程和人工參與操作的職業路徑，針對畢業生吸納的定向支持。

數據基礎設施：互操作性標準和安全數據共享沙箱，降低中小企業整合成本，同時保護隱私和安全。

公共部門需求：在醫療分診、城市服務和教育內容中的關鍵應用案例，創造可預測需求并對民營企業產生溢出效應。

分析：以上這些都是比較基礎的AI應用，而且缺乏相關的應用端投資標的。反而站在房地產的角度上看，我覺得對于高線城市來說可能是一個長期的buff，因為高線城市資源多且集中，AI在基礎領域的應用可以快速鋪開，發揮的效能也會更加大，而且高線城市居民接受新事物的能力也相對較強，整個城市的運營效率都會有所提升。

基線預測和風險

2026年：增長動力中90%來自資本支出，10%來自AI導致的生產力提升，整體勞動生產率影響約為0至5個基點，反映出替代摩擦。

2027年：互補性改善，隨著更好的再培訓和更廣泛的工具成熟，生產力貢獻上升至10–15個基點。

上行風險：推理成本下降更快，數據流的決定性框架促進中小企業采用。

下行風險：電力限制、組件瓶頸、長期招聘需求減少延遲資源重新配置。

分析：關于AI對產出效率的提升，2026年AI應用端的效率提升大概只有0-5個基點，而2027年將提升至10-15個基點（后面還會增高）。要知道這種產出效率的提升是永久性的，所以假設其他條件不變的話，總體而言兩年后我們的日子會以肉眼可見的速度好起來。

我對于AI應用在全行業的快速鋪開持比較樂觀的態度，可以借鑒之前互聯網在我國的快速鋪開，可見我國的年輕人對于新事物的接受和應用速度是很快的，所以我覺得AI行業的上行風險大于下行風險，下行風險里的電力限制和組件瓶頸對于我們這種基建和生產大國來說應該不是問題。