Morgan Stanley ước tính lợi nhuận CapEx: Từ thuê GPU đến bán Token, cơ sở hạ tầng AI làm thế nào để kiếm được 25%-50% lợi nhuận?

TL;DR > · Morgan Stanley ước tính, cơ sở hạ tầng GenAI có thể đạt khoảng 25%-50% lợi nhuận vốn trong kịch bản cơ sở. > · Các giả định chính dựa trên tỷ lệ sử dụng GPU 75%, giá thuê GB300, thông lượng token và định giá API. > · Microsoft, Amazon, Google và Meta dễ dàng hưởng lợi hơn, nhưng cuộc chiến giá và mô hình mã nguồn mở sẽ làm giảm lợi nhuận.

Morgan Stanley trong báo cáo ngày 27 tháng 7 đã tính toán chi phí vốn cho AI: nếu tỷ lệ sử dụng GPU, giá thuê, thông lượng token và giá API đạt giả định cơ sở, cơ sở hạ tầng và mô hình API của AI có cơ hội tạo ra khoảng 25%-50% lợi nhuận vốn.

Điều này trực tiếp phản hồi lại mối lo ngại lớn nhất của thị trường đối với các công ty công nghệ lớn. Microsoft, Amazon, Google và Meta liên tục đầu tư vào GPU và trung tâm dữ liệu, chi phí vốn ngày càng tăng, và các nhà đầu tư muốn biết liệu số tiền này sẽ chuyển thành lợi nhuận hay chỉ làm tăng khấu hao, chi phí năng lượng và chi phí nghiên cứu phát triển.

Bảng tính này chia việc kiếm tiền từ GenAI thành ba con đường: cho thuê sức mạnh tính toán GPU theo mô hình IaaS, cung cấp Model API bằng cơ sở hạ tầng tự có, và thuê sức mạnh tính toán từ bên thứ ba rồi cung cấp Model API. Hai con đường đầu tiên phù hợp hơn với các nền tảng công nghệ lớn có trung tâm dữ liệu, điểm tiếp cận khách hàng và khả năng phân phối sản phẩm, trong khi con đường thứ ba dễ bị áp lực từ giá thuê GPU.

So sánh lợi nhuận của ba mô hình kinh doanh GenAI: GPU IaaS khoảng 31%, Model API với cơ sở hạ tầng tự có vượt quá 40%, Model API với cơ sở hạ tầng bên thứ ba khoảng 25%.

1,4 nghìn tỷ đô la chi tiêu, điều quan trọng không chỉ là mua GPU

Bối cảnh của bảng tính này là việc xây dựng trung tâm dữ liệu AI bước vào giai đoạn chi tiêu vốn lớn hơn. Các số liệu công khai cho thấy, Morgan Stanley dự đoán rằng chi tiêu vốn của các hyperscaler sẽ vượt quá 1,4 nghìn tỷ đô la vào năm 2028, và công suất tính toán có thể tăng gấp bốn lần từ năm 2025 đến 2028, đạt khoảng 120GW.

Những công suất này sẽ không ngay lập tức chuyển thành doanh thu. Việc đào tạo mô hình tiên tiến, bảo trì mô hình và lặp lại các mô hình với quy mô khác nhau vẫn sẽ tiêu tốn rất nhiều sức mạnh tính toán, việc đào tạo bản thân không tính phí trực tiếp nhưng phải chịu chi phí khấu hao, năng lượng và vận hành.

Điều thực sự ảnh hưởng đến lợi nhuận là liệu sức mạnh tính toán còn lại có thể được tiêu thụ đầy đủ bởi suy diễn, API, phần mềm doanh nghiệp và dịch vụ đám mây hay không. Nói một cách trực tiếp hơn, một GPU có thể bán được bao nhiêu giờ mỗi năm, mỗi giờ thu được bao nhiêu tiền, mỗi giây xử lý được bao nhiêu token, và mỗi triệu token có thể bán được bao nhiêu tiền, quyết định liệu chi tiêu vốn cho AI có thể tạo ra lợi nhuận tiền mặt hay không.

Đây cũng là điều có tính chất tin tức nhất trong báo cáo này. Trước đây, thị trường thường thấy các con số Capex liên tục được điều chỉnh tăng, giờ đây Morgan Stanley đưa ra một bộ tính toán kinh tế đơn vị: khi các giả định cơ sở được xác lập, cơ sở hạ tầng AI có thể vượt qua áp lực khấu hao cao và gần đạt được mức lợi nhuận của các doanh nghiệp đám mây hoặc phần mềm chất lượng cao.

Cho thuê GPU: Lợi nhuận IaaS khoảng 31% ở tỷ lệ sử dụng 75%

Con đường đầu tiên là các nhà cung cấp đám mây lớn cho thuê sức mạnh tính toán GPU theo mô hình IaaS. Giả định trong kịch bản cơ sở là 1GW công suất tương ứng với khoảng 410.000 GPU Nvidia GB300, tỷ lệ sử dụng 75%, giá thuê mỗi giờ là 8,5 đô la.

Dưới các giả định này, doanh thu hàng năm từ kinh doanh cho thuê GPU mỗi GW khoảng 22,9 tỷ đô la, biên lợi nhuận EBIT gia tăng khoảng 67%, lợi nhuận vốn khoảng 31%. Chỉ cần cung cấp GPU có thể được lấp đầy bởi nhu cầu đủ cao, IaaS không phải là cho thuê phần cứng với biên lợi nhuận thấp, mà gần giống như một doanh nghiệp cơ sở hạ tầng có tỷ lệ sử dụng cao.

Phân tích lợi nhuận cho thuê GPU và phân tích độ nhạy: Ở tỷ lệ sử dụng 75%, giá thuê 8,5 đô la/giờ, lợi nhuận IaaS cơ sở khoảng 31%.

Lợi thế ở đây đến từ khả năng điện, trung tâm dữ liệu, mối quan hệ khách hàng và khả năng bán hàng của các nhà cung cấp đám mây lớn. Nếu công suất GPU mới được nhúng vào nhu cầu khách hàng hiện có, việc chuyển đổi doanh thu sẽ trực tiếp hơn.

Nhưng con đường này rất nhạy cảm với giá cả và tỷ lệ sử dụng. Giá thuê GPU giảm, tỷ lệ sử dụng không đủ, chi phí năng lượng tăng, tất cả đều sẽ làm giảm lợi nhuận. Khi số lượng người mới tham gia tăng lên, ASIC và GPU thế hệ tiếp theo ra mắt, giá sức mạnh tính toán đơn vị cũng có thể giảm, không chắc giá thuê 8,5 đô la/giờ có thể duy trì lâu dài.

Model API có lợi nhuận cao hơn, đánh cược vào tiêu thụ token

Con đường thứ hai là sử dụng cơ sở hạ tầng tự có để cung cấp Model API. Giả định trong kịch bản cơ sở là 65% công suất được sử dụng cho suy diễn, mỗi GPU có thể xử lý khoảng 2750 token mỗi giây, và giá hỗn hợp là 1,75 đô la cho mỗi triệu token.

Trong kịch bản này, biên lợi nhuận EBIT gia tăng của Model API khoảng 75%, lợi nhuận vốn vượt quá 40%. Trong các số liệu khác nhau, lợi nhuận này khoảng 40%-46%, nhưng hướng đi là nhất quán: sức mạnh tính toán tự có cộng với dịch vụ mô hình, lợi nhuận cao hơn so với việc chỉ cho thuê giờ GPU.

Nguyên nhân không phức tạp. Các nhà cung cấp đám mây và nhà cung cấp mô hình không bán từng giờ GPU, mà là khả năng mô hình, dịch vụ suy diễn và gọi API. Doanh thu gắn liền với tiêu thụ token, không gian lợi nhuận lớn hơn.

Phân tích kịch bản Model API với cơ sở hạ tầng tự có: 2750 tokens/sec/GPU, giá 1,75 đô la cho mỗi triệu token, lợi nhuận vượt quá 40%.

Điều này cũng giải thích tại sao các công ty công nghệ lớn vừa mua chip vừa nhồi nhét chức năng AI vào tìm kiếm, phần mềm văn phòng, quảng cáo, gợi ý thương mại điện tử và công cụ cho nhà phát triển. Những gì họ thực sự muốn làm không chỉ là cho thuê sức mạnh tính toán nhàn rỗi, mà là biến suy diễn thành dòng doanh thu có thể tính phí, có thể nhúng vào sản phẩm hiện có.

Rủi ro cũng tập trung ở cấp độ token. Thông lượng token không chỉ phụ thuộc vào chip, mà còn phụ thuộc vào quy mô tham số mô hình, ngăn xếp phần mềm, tỷ lệ đầu vào và đầu ra, và khả năng tối ưu hóa suy diễn. Nếu mô hình hiệu quả hơn, mỗi GPU có thể xử lý nhiều token hơn, lợi nhuận sẽ tăng lên. Nếu mô hình mã nguồn mở và cuộc chiến giá làm giảm doanh thu mỗi triệu token, biên lợi nhuận sẽ bị pha loãng.

Thuê sức mạnh tính toán bên thứ ba để làm API, lợi nhuận dễ bị ăn mòn hơn

Con đường thứ ba là các công ty mô hình thuê cơ sở hạ tầng bên thứ ba, sau đó cung cấp Model API cho khách hàng. Trong kịch bản cơ sở, giá thuê GPU khoảng 7,75 đô la/giờ, biên lợi nhuận EBIT gia tăng khoảng 31%, lợi nhuận sau thuế khoảng 25%.

Con đường này vẫn có thể kiếm tiền, nhưng không bằng các nền tảng sở hữu cơ sở hạ tầng tự có. Bên thuê GPU phải trả trước chi phí thuê sức mạnh tính toán, sau đó chịu chi phí đào tạo mô hình, suy diễn, dịch vụ và bán hàng, để lại không gian lợi nhuận hẹp hơn cho chính mình.

Phân tích kịch bản Model API với cơ sở hạ tầng bên thứ ba: Giá thuê GPU 7,75 đô la/giờ, định giá token, thông lượng và chi phí thuê cùng nhau quyết định khoảng 25% lợi nhuận sau thuế.

Điều này cũng là lý do tại sao Microsoft, Amazon, Google và Meta tương đối chiếm ưu thế. Họ có sức mạnh vốn, trung tâm dữ liệu, điểm tiếp cận khách hàng và khả năng phân phối sản phẩm, có thể chọn cách kiếm tiền phù hợp hơn giữa IaaS và API. Các công ty mô hình thuần túy hoặc ứng dụng trung gian nếu không có quyền định giá đủ mạnh, dễ bị áp lực chi phí sức mạnh tính toán.

Điều này không có nghĩa là các công ty mô hình bên thứ ba không có cơ hội. Mô hình chất lượng cao, cảnh dọc, tùy chỉnh doanh nghiệp và phân phối ứng dụng vẫn có thể tạo ra sự khác biệt. Nhưng từ góc độ lợi nhuận vốn, bên sở hữu sức mạnh tính toán chi phí thấp và cơ sở hạ tầng có tỷ lệ sử dụng cao, dễ dàng để lại lợi nhuận.

Điểm nhấn là bốn nền tảng công nghệ lớn, nhưng lợi nhuận cao vẫn chưa được thực hiện

Morgan Stanley tiếp tục lạc quan về Microsoft, Amazon, Meta và Google trong bộ tính toán này. Lợi thế chung của họ là vừa có thể mở rộng cơ sở hạ tầng AI, vừa có sản phẩm sẵn có và điểm tiếp cận khách hàng để đáp ứng nhu cầu suy diễn.

Microsoft được đánh giá là Overweight, giá mục tiêu 600 đô la. Công ty mẹ của Google, Alphabet, có giá mục tiêu 400 đô la, Meta được liệt kê là Top Pick, giá mục tiêu 775 đô la. Amazon cũng được đưa vào danh sách các nền tảng AI lớn hưởng lợi, nhưng giá mục tiêu cụ thể của nó có sự khác biệt trong các nguồn công khai, không nên coi một con số đơn lẻ là kết luận.

Những cổ phiếu này không thể được hiểu là chi tiêu vốn cho AI đã được thực hiện. Bốn công ty có thể vẫn chịu áp lực khấu hao, chi phí năng lượng, thay đổi chip và chi phí nghiên cứu phát triển trong báo cáo tài chính ngắn hạn. Liệu đầu tư vào AI có thể chuyển thành lợi nhuận cho cổ đông, cuối cùng phụ thuộc vào việc doanh thu suy diễn có thể tăng trưởng nhanh hơn chi phí mở rộng hay không.

Tỷ lệ lợi nhuận 25%-50% cũng chỉ là tính toán kịch bản, không phải là kết quả tài chính đã xảy ra. Tỷ lệ sử dụng 75% là một ngưỡng cao, nếu ứng dụng AI doanh nghiệp triển khai chậm hơn dự kiến, GPU nhàn rỗi sẽ trực tiếp kéo giảm lợi nhuận. Định giá token cũng không ổn định, mô hình mã nguồn mở, mô hình nhỏ hiệu quả hơn và cuộc chiến giá của các nhà cung cấp đám mây đều có thể làm giảm doanh thu mỗi triệu token.

Báo cáo này giống như một thước đo: chỉ cần các công ty công nghệ lớn có thể duy trì cơ sở hạ tầng AI ở tỷ lệ sử dụng cao, và thông qua Model API, dịch vụ đám mây và sản phẩm hiện có để biến tiêu thụ token thành doanh thu, chi tiêu vốn cho AI không chỉ là một cái hố chi phí. Ngược lại, nếu giá thuê, tỷ lệ sử dụng và tỷ lệ áp dụng suy diễn không đạt tiêu chuẩn, lợi nhuận 25%-50% sẽ nhanh chóng chỉ nằm trong bảng mô hình.