摩根士丹利-中国经济展望：缓慢迈向低通胀（四）

人工智能：先投入资本开支，后提升生产力

人工智能可以支持中国的中期增长，但短期推动力由投资驱动，而非生产力驱动。预计在2026–2027年将在计算、连接性和应用方面出现一波资本支出热潮，这将抵消房地产拖累对GDP的0.2%–0.3%的影响，而AI应用导致的经济效率提升则将在2027年以后才逐步显现。从这个意义上说，人工智能2026–2027年的资本支出来被视为宏观经济稳定器，同时为下一周期的真正生产力提升奠定基础。

图表13：2026年人工智能对劳动生产率的提升有限，2027年开始上升

分析：AI就属于上一篇说的“制造业投资增速会降低而重点行业除外”里面的重点行业。对于整个AI行业来说，2026年和2027年的资本开支高速增长的确定性是很强的，这里要注意我强调的是整个AI行业而不是某只AI股，因为几乎所有颠覆性新技术的早期龙头更替率都是非常高的，这也是为什么我三番五次建议买AI的ETF而不是某只AI股的原因。

而AI对于经济的拉动作用会分两步走。第一步是AI基建投资对经济的拉动作用（对GDP的贡献有0.3%左右），大概可以抵消同期房地产对GDP的拖累，这可能也是高层对房地产采取托而不举策略的重要原因之一。第二步是AI真正开始在各行业进行应用，从而大大提高经济运行的效率，这对于宏观经济来说属于长期的加持buff。

推动人工智能相关资本支出增长的因素

基础设施：数据中心、先进网络、电力升级（包括液冷、分布式能源和电网加固）构成了人工智能规模化的骨干，政策性银行和地方平台可以共同提供基础设施资金支持，从而降低长期项目的财务风险。

芯片和系统：本地化推动提升了对GPU/NPU、加速器、服务器系统的需求，尽管受到美国技术限制，本土供应商仍可通过在推理工作中提供足够的性能和成本优势来扩大市场。

企业采用：早期采用者包括制造业、可交易服务（软件、融资、客户支持）、物流（路线优化、库存管理），消费互联网。

分析：以上列举了AI资本支出的详细领域，主要分为基础设施和芯片两大块。其中基础设施类的确定性比较高，因为这一块技术端基本自主可控。而芯片方面我没有做过详细的研究，直觉上经常会受国际局势的影响而断供，所以我比较倾向于配置比较稳妥的基础设施类AI的ETF。至于企业应用端似乎看起来还早，目前暂时看不出很明确的受益方向。

生产力滞后的原因

应用扩散：企业必须重构数据平台、重新设计工作流程，重新培训员工，大型企业的整合周期为12–24个月，中小企业可能更长。

劳动力市场粘性：人工智能首先取代常规初级职位，而高生产力职位则需要互补技能，较高的青年失业率和招聘需求减少可能会减缓AI配置。

监管节奏：对数据、安全、行业试点的监管将降低尾部风险，但会分阶段推行部署。

分析：AI对于经济效率的提升需要在2027年以后才开始显现，其原因是企业部署并且培训员工使用AI需要相当长的一个过程，另外目前招聘需求较少导致AI配置的需求也比较少，最后监管对于AI应用的推进也会采取比较谨慎的态度，所以AI的全行业部署很可能会分阶段缓慢推进。以上这些原因都造成了AI应用全面铺开需要两年左右的时间，这也是我不着急研究AI应用端受益股的主要原因。

需关注的指标

计算能力：数据中心每月新增耗电量和GPU出货量，主要省份的发电能力。

模型效率：大型语言模型每个token的成本及推理成本曲线，如果这些成本显著下降，采用率可在不增加资本支出的情况下扩大。

劳动力重新配置：人工智能互补职业的空缺与失业比率，数据/机器学习岗位的工资溢价。

生产力信号：人工智能相关行业的人均增值，基于PMI和服务业子指数的总要素生产率（TFP）趋势的实时估算。

分析：以上列举了AI行业需要关注的一些指标，计算能力和模型效率是现阶段比较重要的参考。特别是在中美AI竞争的大前提下，我国发电量和电网是否能够支撑未来AI时代的用电需求（见前段时间瑞银的电力研报），同时结合碳中和目标和风光水互补的特点，这也是我前段时间关注水电股的主要逻辑。

对于模型效率来说就比较简单了，只要定期比较市面上AI模型的每个token的成本和推理成本即可，当然还有反应时间长短，这些就可以基本判断出哪个模型是目前最有竞争力的，注意我说的是目前，因为长期看AI模型的不确定性是很高的，目前这个行业才处于战国初期而已。

解锁收益的政策

金融：拓展多渠道融资，超越政策性银行。例如高效能计算的绿色/转型债券、支持中小企业AI采用的信贷指导，以及软件/算法的分期偿还减免。

人力资源：技能再培训补贴，面向数据工程和人工参与操作的职业路径，针对毕业生吸纳的定向支持。

数据基础设施：互操作性标准和安全数据共享沙箱，降低中小企业整合成本，同时保护隐私和安全。

公共部门需求：在医疗分诊、城市服务和教育内容中的关键应用案例，创造可预测需求并对民营企业产生溢出效应。

分析：以上这些都是比较基础的AI应用，而且缺乏相关的应用端投资标的。反而站在房地产的角度上看，我觉得对于高线城市来说可能是一个长期的buff，因为高线城市资源多且集中，AI在基础领域的应用可以快速铺开，发挥的效能也会更加大，而且高线城市居民接受新事物的能力也相对较强，整个城市的运营效率都会有所提升。

基线预测和风险

2026年：增长动力中90%来自资本支出，10%来自AI导致的生产力提升，整体劳动生产率影响约为0至5个基点，反映出替代摩擦。

2027年：互补性改善，随着更好的再培训和更广泛的工具成熟，生产力贡献上升至10–15个基点。

上行风险：推理成本下降更快，数据流的决定性框架促进中小企业采用。

下行风险：电力限制、组件瓶颈、长期招聘需求减少延迟资源重新配置。

分析：关于AI对产出效率的提升，2026年AI应用端的效率提升大概只有0-5个基点，而2027年将提升至10-15个基点（后面还会增高）。要知道这种产出效率的提升是永久性的，所以假设其他条件不变的话，总体而言两年后我们的日子会以肉眼可见的速度好起来。

我对于AI应用在全行业的快速铺开持比较乐观的态度，可以借鉴之前互联网在我国的快速铺开，可见我国的年轻人对于新事物的接受和应用速度是很快的，所以我觉得AI行业的上行风险大于下行风险，下行风险里的电力限制和组件瓶颈对于我们这种基建和生产大国来说应该不是问题。