TL;DR

· Morgan Stanley ước tính, với 1GW GB300 năng lực tính toán dùng cho API mô hình, ROIC tầng mô hình khoảng 20%-60%.

· Nếu nền tảng đám mây trực tiếp cho thuê GPU, theo mức sử dụng 75%, ROIC IaaS khoảng 23%-39%.

· Báo cáo tiếp tục đánh giá tích cực Amazon và Google; Meta vẫn là lựa chọn hàng đầu, nhưng lợi nhuận AI của họ chủ yếu đến từ quảng cáo, ứng dụng nội bộ và hệ sinh thái mô hình mở.

Nhóm Brian Nowak của Morgan Stanley trong báo cáo mới nhất đưa ra nhận định phản trực giác: mô hình trọng số mở đang kéo giá token AI xuống, nhưng các nền tảng sở hữu năng lực tính toán, khả năng điều phối và điểm vào doanh nghiệp vẫn có thể thu được lợi nhuận đáng kể từ chi tiêu vốn AI.

Báo cáo lần lượt tính toán hai bộ số liệu.

Ở tầng API mô hình, Morgan Stanley dựa trên trung tâm dữ liệu 1GW GB300, giả định giá mỗi triệu token là 1 đến 2,5 USD, thông lượng mỗi GPU là 2000 đến 3500 token mỗi giây, và dành 50% đến 80% năng lực tính toán cho suy luận. Trong các tổ hợp kịch bản khác nhau, ROIC tầng mô hình khoảng 20% đến 60%.

Ở tầng nền tảng đám mây, báo cáo giả định trung tâm dữ liệu 1GW cấu hình khoảng 410.000 chip GB300, tỷ lệ sử dụng GPU là 75%, giá cho thuê từ 7 đến 10 USD mỗi giờ. Theo đó, ROIC IaaS của nền tảng đám mây cho thuê năng lực GPU khoảng 23% đến 39%.

Hai nhóm số liệu này cùng giải thích nhận định cốt lõi của Morgan Stanley: giá mô hình AI giảm, trước tiên tác động đến kinh tế đơn vị của nhà cung cấp mô hình; nhưng đối với các nền tảng đám mây như Amazon, Google, doanh nghiệp áp dụng AI vẫn cần GPU, lưu trữ, cơ sở dữ liệu, bảo mật và công cụ triển khai mô hình. Mô hình có thể rẻ hơn, nhưng hạ tầng chứa đựng mô hình không vì thế mà mất đi giá trị.

Trọng số mở kéo giá xuống, đồng thời thúc đẩy nhiều khối lượng công việc AI triển khai

Tác động trực tiếp của mô hình trọng số mở là hạ thấp rào cản cho doanh nghiệp sử dụng và triển khai AI.

Khác với mô hình đóng, mô hình trọng số mở cho phép người dùng tải xuống trọng số mô hình, sử dụng dữ liệu riêng để tinh chỉnh hoặc đào tạo lại, và lựa chọn triển khai tại chỗ, trên đám mây hoặc qua API. Doanh nghiệp không cần phụ thuộc hoàn toàn vào một nhà cung cấp mô hình duy nhất, đồng thời có thể kiểm soát linh hoạt hơn dữ liệu, chi phí và cách thức triển khai.

Sự khác biệt giữa mô hình trọng số mở và trọng số đóng, bao gồm việc trọng số có thể tải xuống hay không, có hỗ trợ tinh chỉnh dữ liệu riêng tư hay không, và có thể chạy trên phần cứng tự sở hữu hay không.

Cái giá phải trả là, API mô hình ngày càng khó duy trì mức giá cao. Khi số lượng mô hình chi phí thấp tiến gần đến năng lực tiên phong tăng lên, các phòng thí nghiệm mô hình cần cạnh tranh khách hàng thông qua giá thấp hơn, phản hồi nhanh hơn và chuỗi công cụ hoàn thiện hơn. Báo cáo đề cập rằng các mô hình giá rẻ gần tiên phong như Muse Spark 1.2 mới nhất của Meta đang làm gia tăng thêm sự cạnh tranh về giá ở tầng mô hình.

Đây cũng là lý do thị trường lo ngại về lợi nhuận từ chi tiêu vốn AI. Các công ty công nghệ đầu tư hàng chục tỷ đô la để mua GPU, xây dựng trung tâm dữ liệu và khóa nguồn điện, nếu giá suy luận tiếp tục giảm, lợi nhuận cuối cùng sẽ ngày càng phụ thuộc vào ba biến số: tỷ lệ sử dụng GPU, thông lượng token trên mỗi thẻ, và liệu khối lượng công việc AI có thể thúc đẩy doanh thu từ các dịch vụ đám mây khác hay không.

Morgan Stanley cho rằng, giá giảm sẽ nén lợi nhuận ở tầng mô hình, nhưng không nhất thiết có nghĩa là lợi nhuận của toàn bộ hạ tầng AI sẽ xấu đi đồng thời. Các mô hình rẻ hơn và linh hoạt hơn cũng có thể thúc đẩy nhiều doanh nghiệp áp dụng AI, từ đó mở rộng nhu cầu về sức mạnh tính toán nền tảng và dịch vụ đám mây.

20%-60%: Ước tính lợi nhuận của tầng API mô hình

Việc ước tính tầng API mô hình xoay quanh ba biến số cốt lõi: giá token, thông lượng GPU và tỷ trọng sức mạnh tính toán dành cho suy luận.

Morgan Stanley lấy mức giá khoảng 1,75 đô la cho mỗi triệu token làm mức giá cơ sở, và thực hiện phân tích kịch bản trong khoảng từ 1 đến 2,5 đô la. Báo cáo tham khảo các chuẩn suy luận công khai của các mô hình trọng số mở như DeepSeek-V4-Pro 1.6T trên phần cứng GB300, giả định thông lượng GPU đơn đặt ở mức 2000 đến 3500 token mỗi giây.

Trong kịch bản cơ sở, báo cáo giả định 65% sức mạnh tính toán dành cho suy luận, GPU đơn xử lý 2750 token mỗi giây, giá mỗi triệu token là 1,75 đô la, tương ứng với doanh thu khoảng 40 tỷ đô la/GW. Khoảng doanh thu tương ứng với toàn bộ kịch bản là khoảng 23 tỷ đến 52 tỷ đô la/GW.

Theo đó, báo cáo ước tính ROIC của tầng mô hình tương ứng với 1GW sức mạnh tính toán GB300 là khoảng 20% đến 60%.

Khung doanh thu và chi phí API mô hình. Các mức giá token, thông lượng và tỷ trọng sức mạnh tính toán suy luận khác nhau, tương ứng với doanh thu khoảng 23 tỷ đến 52 tỷ đô la mỗi GW.

Ở đây cần lưu ý, 20% đến 60% không phải là lợi nhuận tự động đạt được ở mức giá cố định 1,75 đô la, mà là khoảng kịch bản được hình thành từ các tổ hợp khác nhau của giá, thông lượng và phân bổ sức mạnh tính toán.

Bộ sổ sách này có thể hiện thực hóa hay không, mấu chốt nằm ở việc liệu hiệu quả tăng trưởng có thể chạy nhanh hơn mức giá giảm hay không. Nếu giá token tiếp tục lao dốc nhanh, trong khi tỷ lệ sử dụng GPU và thông lượng không tăng tương ứng, thì lợi nhuận từ tầng mô hình sẽ thu hẹp rõ rệt.

23%-39%: Một bộ sổ sách khác khi nền tảng đám mây cho thuê GPU

Đối với các nền tảng đám mây như Amazon và Google, nguồn doanh thu trực tiếp hơn là cho thuê sức mạnh tính toán, thay vì tự mình gánh chịu rủi ro giá của API mô hình.

Morgan Stanley giả định rằng một trung tâm dữ liệu GB300 công suất 1GW có thể cấu hình khoảng 410.000 chip GB300. Với tỷ lệ sử dụng 75%, nếu giá cho thuê mỗi GPU là 7 đến 10 USD mỗi giờ, doanh thu tương ứng khoảng 18,9 tỷ đến 27 tỷ USD/GW mỗi năm.

Sau khi trừ đi khấu hao thiết bị IT, khấu hao tài sản phi IT, chi phí điện năng, nhân công và bảo trì, báo cáo ước tính lợi nhuận kinh doanh sau thuế của nền tảng đám mây mỗi GW là khoảng 8,9 tỷ đến 15,3 tỷ USD, tương ứng với ROIC khoảng 23% đến 39%.

Mô hình cho thuê GPU GB300 của nền tảng đám mây. Giá cho thuê 7 đến 10 USD mỗi giờ, tương ứng với ROIC khoảng 23% đến 39%.

Bộ tính toán này hỗ trợ trực tiếp hơn cho nhận định lạc quan của Morgan Stanley về chi tiêu vốn AI của các nền tảng đám mây.

Ngay cả khi giá API mô hình giảm, doanh nghiệp vẫn cần thuê GPU để chạy các mô hình trọng số mở. Đối với nền tảng đám mây, điều quan trọng không phải là một token có thể bán đắt đến đâu, mà là liệu sức mạnh tính toán khan hiếm có thể duy trì tỷ lệ sử dụng và giá cho thuê ở mức cao hay không.

Morgan Stanley cũng nhấn mạnh rằng các mô hình giá rẻ có thể mang lại lượng sử dụng lớn hơn. Ngay cả khi đơn giá và biên lợi nhuận giảm, chỉ cần quy mô tổng thể của khối lượng công việc AI mở rộng, giá trị tuyệt đối của EBIT trên nền tảng đám mây vẫn có thể tăng trưởng.

Nền tảng đám mây không chỉ bán GPU và token

Morgan Stanley cho rằng nền tảng đám mây có thể hấp thụ cuộc chiến giá, chủ yếu vì bốn lý do.

Thứ nhất, sức mạnh tính toán vẫn khan hiếm. Doanh nghiệp dù chọn mô hình trọng số mở cũng vẫn cần GPU, cụm suy luận, lưu trữ, mạng và môi trường bảo mật. Các doanh nghiệp lớn có thể tự xây dựng hạ tầng, nhưng nhiều khách hàng hơn vẫn sẽ thuê sức mạnh tính toán và lưu trữ mô hình thông qua AWS, Google Cloud hoặc Azure.

Thứ hai, nền tảng đám mây có thể nâng cao hiệu quả hệ thống thông qua quy mô. Dung lượng bộ nhớ lớn hơn, kết nối nhanh hơn, kiến trúc MoE và xử lý hàng loạt yêu cầu đều có thể tăng thông lượng token trên mỗi GPU. Các nền tảng đám mây lớn có lưu lượng khách hàng doanh nghiệp lớn hơn, dễ dàng hợp nhất và điều phối yêu cầu hơn, từ đó nâng cao tỷ lệ sử dụng GPU.

Thứ ba, chip tự phát triển có thể giảm chi phí dịch vụ. Amazon sở hữu Trainium, Google sở hữu TPU. Chip tự phát triển và tối ưu hóa phần mềm giúp nền tảng đám mây có nhiều không gian điều chỉnh hơn trong cạnh tranh giá cả, đồng thời giảm sự phụ thuộc vào một nhà cung cấp GPU duy nhất.

Thứ tư, khối lượng công việc AI còn thúc đẩy doanh thu từ các dịch vụ đám mây khác. Khi doanh nghiệp triển khai AI, họ thường cần mua thêm dịch vụ lưu trữ đối tượng, cơ sở dữ liệu, truy xuất vector, RAG, quản trị bảo mật, xác thực danh tính và giám sát. Các dịch vụ bổ sung này có thể mở rộng doanh thu đám mây từ mỗi khối lượng công việc AI và nâng cao đóng góp lợi nhuận tổng thể.

Do đó, mặc dù mô hình trọng số mở có thể biến doanh thu token API thành "sản phẩm dẫn dắt", nhưng cũng có thể mang lại nhu cầu lớn hơn về cho thuê GPU, lưu trữ dữ liệu và cơ sở dữ liệu.

Logic lợi nhuận của Amazon, Google và Meta không giống nhau

Dựa trên nhận định trên, Morgan Stanley duy trì xếp hạng "Tăng tỷ trọng" cho Amazon và Alphabet, với giá mục tiêu lần lượt là 335 USD và 400 USD.

Lợi thế của Amazon nằm ở nền tảng khách hàng doanh nghiệp AWS, chip tự phát triển Trainium và hệ sinh thái dịch vụ đám mây hoàn chỉnh. Google đồng thời sở hữu TPU, mô hình Gemini, các kịch bản ứng dụng Tìm kiếm và YouTube, cùng khả năng phân phối doanh nghiệp của Google Cloud. Đối với cả hai công ty, lợi nhuận từ chi tiêu vốn AI chủ yếu đến từ cho thuê sức mạnh tính toán, lưu trữ mô hình và gắn kết dịch vụ đám mây.

Logic của Meta có sự khác biệt.

Morgan Stanley vẫn xếp Meta vào danh sách Top Pick, đưa ra xếp hạng "Tăng tỷ trọng" và giá mục tiêu 775 USD, nhưng Meta không phải là nền tảng đám mây doanh nghiệp theo nghĩa AWS hay Google Cloud. Khoản đầu tư AI của họ chủ yếu được hiện thực hóa thông qua hệ sinh thái mô hình mở, hiệu quả đề xuất quảng cáo, ứng dụng riêng và năng lực trung tâm dữ liệu.

Giá mục tiêu và giả định rủi ro-lợi nhuận của Meta.

Báo cáo cho rằng, khoản đầu tư AI của Meta có thể cải thiện mức độ tương tác của người dùng, khả năng thương mại hóa Reels và đo lường quảng cáo, đồng thời tạo không gian tăng trưởng cho các sản phẩm mới. Nhưng nếu việc xây dựng trung tâm dữ liệu thực hiện kém, cường độ vốn tiếp tục tăng, mà sức mạnh tính toán mới không tạo ra đủ lợi nhuận, thì cũng sẽ kéo lùi dòng tiền tự do và định giá.

Rủi ro lớn nhất là giá giảm nhanh hơn mức tăng hiệu quả

Báo cáo này không phủ nhận cuộc chiến giá AI.

Khi các mô hình mã nguồn mở chi phí thấp tiến gần đến năng lực tiên phong, doanh nghiệp sẽ chú trọng hơn đến chi phí, độ trễ, tính linh hoạt trong triển khai và quyền kiểm soát dữ liệu. Các phòng thí nghiệm mô hình sẽ ngày càng khó đạt lợi nhuận cao chỉ dựa vào API giá đắt, trong khi tầm quan trọng của chuỗi công cụ, phân phối doanh nghiệp, kịch bản ứng dụng và hệ sinh thái sẽ tiếp tục tăng lên.

Các nền tảng đám mây cũng đối mặt với áp lực tài sản nặng nề. Trung tâm dữ liệu GB300 công suất 1GW liên quan đến chip, phòng máy, điện năng, mạng lưới và khấu hao; bất kỳ khâu nào tăng chi phí đều ảnh hưởng đến lợi nhuận cuối cùng. Nếu việc triển khai ứng dụng AI trong doanh nghiệp chậm hơn dự kiến, tỷ lệ sử dụng GPU không đủ, thì chi phí vốn càng khó chuyển hóa thành lợi nhuận.

Việc tăng thông lượng cũng không tự động thành hiện thực. Nâng cấp phần cứng, kiến trúc MoE và xử lý hàng loạt yêu cầu đều có thể cải thiện hiệu quả, nhưng cần sự phối hợp giữa mô hình, chip, mạng lưới, ngăn xếp phần mềm và yêu cầu thực tế từ khách hàng.

Do đó, kết luận của Morgan Stanley không phải là "cuộc chiến giá AI không có tác động", mà là: khi giá token giảm, lớp mô hình chịu áp lực đầu tiên; các nền tảng nắm giữ tài nguyên tính toán khan hiếm, khả năng tối ưu hệ thống và cổng vào đám mây doanh nghiệp sẽ có khả năng tốt hơn để hấp thụ cạnh tranh giá thông qua cho thuê GPU, hiệu quả quy mô và dịch vụ đám mây bổ sung.

Điều thực sự cần theo dõi tiếp theo là liệu việc tăng thông lượng và tỷ lệ sử dụng của các nền tảng đám mây có thể liên tục vượt qua tốc độ giảm giá AI hay không.

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia