摩根斯坦利：AI的下一个飞跃，创新和投资回报率的5个趋势

来源：Morganstanley 作者：

世界上最大的科技公司正在争夺AI的尖端用途：大型语言模型（LLM）像人类一样推理的能力；在自然语言处理、图像生成和编码方面突破界限的前沿模型；以及创建跨文本、图像和视频集成多模态数据的系统。

通过这样做，他们正在竞相获得更多的AI市场份额，并满足其最大客户的需求——这些企业正在投资AI以降低成本并提高生产力。作为回报，他们要求优化的性能、盈利能力和安全性。

摩根士丹利全球互联网投资银行主管Kate Claassen说：“今年一切都与客户有关。”“我们正处于一个全新的技术基础的悬崖上，任何企业都可以在这里获得最好的。公司获胜的方式是将其整体地带给客户。”

来自全球最大科技公司的高管们聚集在最近在旧金山举行的摩根士丹利技术、媒体和电信会议上，他们谈到了他们为在整个AI生态系统中建立领先的AI平台和合作伙伴所做的努力。他们还讨论了他们的挑战，包括关于美国出口禁令和关税的未知数，以及电力和图形处理单元（GPU）可用性的限制。出现了五个关键主题，供高管和投资者关注：

1. AI推理和对芯片的定制硅燃料需求
2. 超大规模者将云迁移和AI工作负载视为收入机会
3. LLM看到了企业AI推理的潜力
4. 数据公司专注于评估AI
5. 软件公司将目光投向AI agents

1.AI推理和定制芯片的需求

设计和制造芯片的公司高管表示，AI推理是计算需求增加的最大驱动因素之一，因此半导体需求也增加。AI推理超越了基本的理解，进入了高级学习和决策，这需要额外的计算来进行预训练、训练后和推理。

高管们还强调，他们正在投资能力，以满足客户对定制数据中心架构的需求，如内存和电源管理，以及为特定AI任务而不是通用处理而设计的定制硅。客户正在争论是否为特定用途购买专门设计的应用集成电路（ASIC）；与通用GPU相比，ASIC提供更高的效率和性能，后者提供更大的灵活性和更广泛的应用。高管们表示，未来几年，随着小型设备上边缘人工智能的采用增加，ASICs的需求可能会加快。

美国负责人Marco Lagos Morales说：“对于芯片公司来说，客户需求在于可编程基础设施的AI工作负载的广度。”摩根士丹利的半导体投资银行。“每个客户在数据中心构建中想要的东西都不同，这意味着从原始设备制造商设计开始，规范性要少得多。”

高管们还谈到了收入增长的挑战，包括由于开发新建筑工地所需的年数及其物理限制，铸造厂持续受到制约。他们还强调了美国出口管制的未知性质，许多人表示，在了解标准之前，他们无法估计对其底线的影响。

2.超大规模者将云迁移和AI赋能工作视为收入机会

拥有最大计算、存储和网络资源的云提供商Hyperscalers谈到说服企业在其软件堆栈中使用尽可能多的服务，以创建更大的人工智能平台，并增加市场份额。

高管们描述了商业云服务器的强劲资本支出，并扩大了他们的Workloads产品，以改善Workloads推理，以及创建专业应用程序和AI agents的进展。他们谈到了通过优化计算性能的可定制芯片来抵消成本，并针对其土地和建筑工地的长期利用。他们还谈到了AI的最新进步，这些进步提高了计算效率，这对他们的业务是积极的，因为它有助于降低成本和增加AI需求。

摩根士丹利全球技术投资银行主管Dave Chen说：“最近的AI进步将利用Jevons Paradox的力量，推动对AI的长期需求，并进一步增加生态系统中所有参与者的总可解决市场。”他指的是提高效率导致整体消费增加的影响。

3.LLM看到了企业AI推理的潜力

开发了世界上最大的LLM的公司打算使用最有效的芯片并构建最好的软件，以提供对公司和消费者至关重要的AI服务。LLM高管表示，虽然LLM的早期用例是内容生成、总结和分类，但最大的未开发的潜力在于企业数据的AI推理。

企业目前正在使用LLM进行客户支持和聊天机器人、内部知识检索和搜索、内容生成和营销、编码自动化和商业智能。然而，通过AI推理，LLM可以帮助公司提供上下文感知建议、数据洞察、流程优化、合规性和战略规划。高管们谈到了编码进步的预期进一步加速。据估计，单个软件工程师的产出已经增长了10倍或更多。最早充分利用量身定做的AI进行十重工作的行业中，可能是生物技术，用于临床试验和监管提交，以及法律，用于AI驱动的律师助理工作。

大多数企业想要能够确保其数据安全的AI模型，这就是为什么一些LLM正在研究和尝试将机械解释性商业化，旨在了解模型为什么会这样做。这对所有公司都很重要，尤其是金融服务等受监管行业的公司。东海岸科技银行主管Brett Klein说：“LLM正在竞相为企业提供最好的推理堆栈，其中包括推理能力和强大的AI治理。”“凭借复杂的推理和自适应学习，AI agents将能够在最少的人为干预下做出决策并采取行动来实现业务目标。”

LLM高管还谈到了与铸造厂合作设计和制造定制硅，以降低与开发功能（如大规模广告或视频推荐系统）相关的成本。许多人还表示，随着软件和应用程序的激增，随着软件和应用程序的扩散，创造了更多的现实世界使用、数据暴露和改进的培训机会，最近的AI 进步——例如基于最近的互动和更新实现适应的持续学习是积极的。

4.数据公司专注于评估AI

数据和云基础设施生态系统中的公司正在为企业提供餐饮，通过构建能够帮助他们实现可观察性自动化的工具——通过分析系统生成的数据来了解系统行为的能力——并为其AI使用创建评估系统，以帮助客户提高投资回报率。

摩根士丹利全球科技投资银行主管 Enrique Perez-Hernandez 表示：“AI让代码编写速度大幅提升，但现在的价值在于测试和理解它，并观察它是否适用于业务。数据公司正在构建AI引擎，更侧重于帮助企业了解 LLM 是否运行正常，是否对业务有利。”

一些数据公司正在与LLM合作，为前沿模型提供动力，允许没有商业智能背景的用户获得见解。高管们谈到了构建自定义AI工具的重要性，如聊天界面，这些工具可以通过实体的结构化和非结构化数据进行解析，无论它们是受监管行业的企业还是数据必须保留在场所的国家。

高管们还强调了“数据湖屋革命”——一种创建统一数据平台的趋势，将数据湖的低成本存储和灵活性与数据仓库的结构和管理功能相结合。这可能涉及与人工智能生态系统中的大公司和其他大型科技公司合作，为云集成、网络安全、分析、数据共享和行业特定解决方案创建一流的人工智能和机器学习服务。

5.软件公司着重于Agentic AI

软件高管谈到了他们目前使用Agentic AI来提高营销和工程的生产力，以及他们在未来获得市场份额的长期前景。这些公司的目标是创建大型系统，部署Agentic AI来做出决策，采取自主行动，并适应不断变化的环境，用于跨行业的现实世界应用。

高管们谈到了下一代技术如何向个性化内容和购物体验转变，以熟悉用户兴趣和查询的助手的形式出现。许多人还警告说，AI的炒作周期不应预期未来三到五年的盈利能力。

软件银行全球主管Brittany Skoda说：“软件公司正在争夺创建更大的操作系统，利用机器学习、LLM、自然语言处理、Agentic AI和决策算法，以走向Agentic的未来。”软件银行全球主管Melissa Knox说：“最终，此类系统可能会证明对消费者、创作者、广告商以及整个企业都具有令人难以置信的价值。”