AI 推理，是一门利润惊人的生意。

摩根士丹利最新发布的重磅报告，首次通过精密的财务模型，给全球 AI 算力竞赛的回报率算清了经济账。结论是：一座标准的 "AI 推理工厂 "，无论采用哪家巨头的芯片，其平均利润率普遍超过 50%。

其中，英伟达 GB200 以近 78% 的利润率毫无悬念地封王，而谷歌和华为的芯片也 " 稳赚不赔 "。然而，被市场寄予厚望的 AMD，其 AI 平台在推理场景下却录得严重亏损。

盈利榜单：冰火两重天

大摩的模型测算结果，折射出 AI 硬件巨头们在真实商业场景下的盈利能力分化，谱写出一首清晰的 " 冰与火之歌 "。

火焰，属于英伟达、谷歌、亚马逊和华为。

报告显示，采用英伟达旗舰产品 GB200 NVL72 的 "AI 工厂 "，盈利能力达到了恐怖的77.6%，一骑绝尘。这不仅源于其无与伦比的计算、内存和网络性能，还得益于其在 FP4 精度等领域的持续创新和 CUDA 软件生态的深厚壁垒，展现了绝对的市场统治力。

谷歌自研的 TPU v6e pod 则以 74.9%的利润率紧随其后，证明了顶级云厂商通过软硬件协同优化，完全有能力构建起极具经济效益的 AI 基础设施。

同样，AWS 的 Trn2 UltraServer 也以 62.5% 的利润率，华为的昇腾 CloudMatrix 384 平台也取得了 47.9% 的利润率。

冰水，则意外地泼向了 AMD。

报告最具颠覆性的结论，莫过于 AMD 在推理场景下的财务表现。大摩测算数据显示，采用其 MI300X 和 MI355X 平台的 "AI 工厂 "，利润率分别为 -28.2% 和 -64.0%。

亏损的核心原因在于高昂成本与产出效率的严重失衡。报告数据显示，一个 MI300X 平台的年度总拥有成本（TCO）高达 7.74 亿美元，与英伟达 GB200 平台的 8.06 亿美元处于同一水平线。

这意味着，运营 AMD 方案的前期投入和持续开销是顶级的，但在模型所模拟的、占未来 AI 市场 85% 份额的推理任务中，其 token 产出效率所能创造的收入，远不足以覆盖其高昂的成本。

"100MW AI 工厂模型 "：建模 AI 工厂，量化投资回报

支撑上述结论的，是摩根士丹利首创的一套标准化分析框架—— "100MW AI 工厂模型 "。它将不同技术路径的 AI 解决方案，置于同一商业维度下进行量化评估，其核心在于三大支柱：

1. 标准化的 " 算力单元 "： 模型以 100 兆瓦（MW）的电力消耗作为 "AI 工厂 " 的基准单位。这是一个中等规模数据中心的典型功耗，足以驱动约 750 个高密度 AI 服务器机架。

2. 精细化的 " 成本账本 "： 模型全面核算了总拥有成本（TCO），主要包括：

基建成本：每 100MW 约6.6 亿美元的资本开支，用于建设数据中心及配套电力设施，按 10 年折旧。

硬件成本：总额可高达3.67 亿至 22.73 亿美元的服务器系统（含 AI 芯片），按 4 年折旧。

运营成本：基于不同冷却方案的电源使用效率（PUE）和全球平均电价计算得出的持续电费。

综合估算，一座 100MW"AI 工厂 " 的年均 TCO 在3.3 亿至 8.07 亿美元之间。

3. 市场化的 " 收入公式 "： 收入与 token 产出直接挂钩。模型基于各硬件的公开性能数据计算 TPS（每秒处理 token 数），并参考 OpenAI、Gemini 等主流 API 定价，设定了每百万 token 0.2 美元的公允价格。同时，考虑到现实中 70% 的设备利用率，使得收入预测更贴近商业现实。

未来战场：生态之争与产品路线图

盈利能力的背后，是更深层次的战略博弈。报告揭示，未来的 AI 战场，焦点将集中在技术生态的构建和下一代产品的布局上。

在非英伟达阵营，一场关于 " 连接标准 " 的战争已经打响。以 AMD 为首的厂商力推UALink，强调其对低延迟的严格规定对 AI 性能至关重要；而以博通为代表的力量则主张采用更开放、灵活的以太网方案。这场争论的胜负，将决定谁能建立起一个可与英伟达 NVLink 抗衡的开放生态。

与此同时，英伟达正以清晰的路线图巩固其领先地位。报告提到，其下一代平台 "Rubin" 正按计划推进，预计2026 年第二季度进入大规模量产，同年第三季度相关服务器就将开始放量。这无疑给所有竞争者设定了一个不断移动的、更高的追赶目标。

总而言之，摩根士丹利的这份报告，为狂热的 AI 市场注入了一剂 " 商业理性 "。它雄辩地证明，AI 推理不仅是一场技术革命，更是一门可以被精确计算且回报丰厚的生意。

对于全球的决策者和投资者而言，前文两张盈利图表，将对 AI 时代算力投资提供相当大的参考价值。