2026 年 7 月 31 日，Apple 发布 F3Q26（June quarter）财报后，华尔街两大投行几乎同时发布了点评报告。摩根士丹利的 Erik Woodring 以 “F3Q26 Earnings – Cracks Emerge in Margins and Services” 为题，维持 Overweight 评级，将目标价从 $364 小幅下调至 $360（当前 $333.43，隐含上行约 8%）。美银（BofA）的 Wamsi Mohan 则以 “In-line quarter but underlying trends strong; catalysts ahead” 为题，维持 Buy 评级，目标价 $380（37x CY27E EPS，隐含上行约 14%）。

两份报告基于同一份财报，却得出了两种截然不同的基调判断：大摩看到了”裂痕”（Cracks），美银看到了”强势底色”（underlying trends strong）。但两家报告在最核心的变量上达成了共识——内存通胀正在吞噬 Apple 的利润率，而 Apple 的应对策略（涨价）将决定整个 iPhone 18 超级周期的成败。 本文将两份报告融合分析，提供一个更完整的视角来观察：当全球 DRAM 超级周期撞上全球最大的消费电子公司，会发生什么？

市场反应： 财报发布后 Apple 股价在盘后交易中暴跌约 7%（大摩 Off The Call 纪要记录）。这是一个强烈的信号——市场的反应比两份报告的”裂痕”或”强势底色”都要悲观得多。7% 的跌幅在 Apple 财报后并不常见，暗示投资者对于 Services 增速跌破 10%、毛利率指引低于预期以及 3nm 供给约束的综合反应，远比卖方分析师的文字措辞更负面。

TL;DR：

1. iPhone 需求强劲，但供给拖了后腿：F3Q26 iPhone 营收 $543 亿，同比增长 22%，创历史新高。Mac 营收增长 29%，所有地理区域均创 6 月季度纪录。活跃设备基数突破 25 亿（美银数据），换机用户数创历史新高。iPhone 在美国、中国城市、英国、法国、澳大利亚、日本等七个主要市场均为销量第一（美银）。需求不是问题，问题是 3nm 先进制程的供给瓶颈。
2. Services 增速跌破 10%——2015 年以来首次，但裂痕掩盖了韧劲：F3Q26 Services 营收 $307 亿，同比增长 12%，低于华尔街 14.6%。9 月季度指引隐含增速降至约 9.5%。App Store 疲软是主因。但美银指出，云服务、视频、支付服务和广告均实现强劲的双位数增长，付费订阅突破 15 亿，交易账户和付费账户均创历史新高——Services 的问题集中在 App Store，而非全局。
3. 内存成本吞噬毛利率——两份报告达成最高共识：大摩指出内存成本贡献了超过 100% 的 9 月季度毛利率环比压缩。美银量化了 F3Q 的具体影响——内存成本在 F3Q 已造成约 100bp 的毛利率拖累。Apple 已经将 Mac 和 iPad 提价以应对”异常的内存成本环境”（美银数据），而 iPhone 涨价是 12 月季度的必然选项。
4. iPhone 涨价是唯一的解药，但也是双刃剑：美银的 ASP 数据极具参考价值——F3Q26 iPhone ASP 已达 $986（同比 +8%），而 9 月季度（F4Q26）预计跳升至 $1,080（同比 +19%）。这意味着 iPhone 涨价已经发生，而不只是市场预期。 但消费者能否承受连续涨价，是最大的未知数。
5. 两份报告的分歧——大摩 PT $360 vs 美银 PT $380： 同一份财报，大摩应用 35x P/E，美银应用 37x P/E。美银的估值倍数高于过去五年历史区间上限（19-35x），理由是 Agentic AI 和多年代际升级周期。这个分歧的本质是：你认为 Apple 的裂痕是周期性的（美银），还是结构性的（大摩）？

2026 年 7 月 31 日，Amazon 发布 Q2 2026 财报后，华尔街两大投行几乎同时发声。摩根士丹利的 Brian Nowak 发布 M Idea 报告 “AWS’s Rule of 70 and ROIC Deliver”，维持 Overweight，目标价从 $309.10 上调至 $335（当前 $235.50，隐含上行约 30%）。瑞银的 Stephen Ju 发布深度报告 “AWS Set to Accelerate Further into 40%+ Growth”，维持 Buy，目标价从 $305 上调至 $318（当前 $258.12，隐含上行约 23%）。两份报告共用一个事实基础，但切入角度、估值方法和关键催化剂各有侧重。合在一起，它们构成了当前华尔街对 Amazon 最完整的叙事框架。

两份报告的核心共识可以概括为：AWS 的增长正在加速——从 2Q25 的 17.5% 到 2Q26 的 36.8%，且在 2027 年有望突破 40%+。更重要的是，这种增长不是”赔钱换规模”——增量利润率（incremental margin）高达 52%，验证了 GenAI 投资的 ROIC。 但真正的价值在于两份报告如何从不同角度解构同一组数据，以及它们的分歧点揭示了怎样的市场定价偏差。

TL;DR：

1. AWS 增长从”加速”到”再加速”：2Q26 同比增速 36.8%（大摩），超出华尔街 31% 和瑞银 32% 的预测。瑞银预测 2026 下半年 ~39%，2027 年在 OpenAI 采用 Trainium 的推动下突破 40%+。AI ARR 从 $100 亿单季翻倍至 $250 亿，但非 AI 营收也在加速（low-20s%），证明 AI 不是替代而是带动。
2. Backlog 的真相——不只是 Anthropic：$4,960 亿 backlog 环比增加 $1,320 亿，但瑞银拆解出其中约 $1,000 亿来自 Anthropic 长期合同（此前已公告），剩余约 $510 亿是纯粹的有机增长——远超历史上任何一个季度。这回答了市场最核心的疑问：”AWS 的增长是不是只靠一个大客户？”
3. GenAI 的 ROIC 从理论走向财报：大摩此前专题报告提出超大规模云厂商在 GenAI 推理时代的增量利润率可达 30-70%+，Q2 数据给出了验证——AWS 增量利润率 52%（剔除一次性项目），为 4Q24 以来最高。瑞银从反向角度论证：AWS 营收增长太快，Amazon 需要把 SG&A 增速提到近三年的 3 倍才能阻止利润率扩张——而这显然不可能。
4. 资本开支大幅上调，但市场”欣然接受”：瑞银指出 2026 年 capex 指引从 $2,000 亿上调至 $2,200 亿（主因内存等供应链成本上升），大摩将 2027/2028 年 capex 预测上调至 $3,250 亿/$3,500 亿。但两家一致认为——ROIC 越高，越应该加大投资。
5. OpenAI 将采用 Trainium——瑞银独家催化剂：这是报告中最重要的前瞻性信息。OpenAI 预计在 2027 年初开始使用 AWS 自研的 Trainium 芯片进行训练。这意味着 AWS 的 AI 芯片业务从”内部降本工具”升级为”外部营收引擎”，也是瑞银对 2027 年 AWS 40%+ 增长预测的核心支撑。
6. 估值方法论的对决——P/E vs P/FCF：大摩用 P/E（25x 2027/2028 平均 EPS），强调 PEG 折价（0.7x vs 云厂商中位数 1.3x）。瑞银用 P/FCF（30x 3Q27-2Q28 FCF），强调 Amazon 管理层一直以自由现金流为沟通核心。两家目标价差距仅 5%，但底层哲学截然不同。

2026 年 7 月 27 日，野村证券（Nomura）发布了对长鑫存储（CXMT，688825.SS）的首次覆盖报告，标题为 “The DRAM in the Chinese crown; initiate at Buy”，给予 Buy 评级，目标价 CNY 116（当前 IPO 价格 CNY 8.66，隐含上行空间 +1,239.5%）。同一天，CXMT 正式登陆上交所科创板，募资约 CNY 579 亿（若超额配售权行使则最高 CNY 666 亿），成为 A 股史上规模最大的半导体 IPO 之一。

这份报告的核心叙事可以概括为一句话：全球 AI 驱动的内存需求正以指数级增长，而供给端受限于物理瓶颈，供不应求将成为未来数年的常态。CXMT 作为中国唯一具备通用 DRAM 量产能力的企业，将在这一超级周期中持续获取市场份额。 但它的价值远不止于一个 Buy 评级——野村花了 31 页篇幅，构建了一个从底层技术趋势到宏观供需再到公司微观财务的完整分析框架。

TL;DR：

1. 需求端的核心矛盾：Agentic AI 将内存需求从”线性增长”扭转为”乘法级增长”。野村测算 2026-30 年 AI 驱动的内存需求将以 60%+ bit CAGR 增长（七年超七倍），而全球供给增速仅 30-40%。即使计入内存效率技术（最多 4-5x 节省），缺口依然巨大。报告提出了一个令人不安的定性问题：如果 AI Bot 开始自己给自己派任务，需求天花板在哪里？
2. CXMT 在这个缺口中的位置：中国占全球 DRAM 消费约 25%，但国产自给率仅约 30%。CXMT 市场份额预计从当前约 10% 提升至 2028F 的约 18%，直逼美光（20%+）。报告预测 2026-28F 营收/净利润 CAGR 分别为 63%/74%，毛利率从 FY25 的 41.0% 跃升至 FY28F 的 90.5%。
3. 三重增长驱动：产能从 280kwpm 扩至 550kwpm（2028F），制程从 16-17nm 向 14-15nm 迁移，晶圆 ASP 从 USD 14-15k 涨至 USD 21-25k。
4. 最大的不确定性：MATCH Act 制裁风险。设备国产化率仅 ~40%，高端光刻胶几乎 100% 依赖日本。若最坏情况发生，营收/净利润将分别下降 13-30%/14-33%。但合肥+北京存量产能（450kwpm）提供了安全垫。

2026 年 7 月 19 日，摩根士丹利发布了一篇关于 SpaceX 的简短研究笔记，由知名汽车与太空行业分析师 Adam Jonas 执笔。报告提出了一个理解 SpaceX 商业模式的全新框架——$i = er^2$（智能 = 能量 × 机器人²），将公司的本质定义为”将能量转化为智能”。报告维持对 SpaceX 的 Overweight 评级，目标价 $300（当前价格约 $135）。

这篇报告的价值不在于财务预测的更新，而在于它提出了一套评估”智能经济”中公司竞争力的方法论：通过三个嵌套商数，逐层剥开智能产出的能量密度、资本密度和时间密度。

TL;DR：

1. $i = er^2$ 是摩根士丹利为 SpaceX 构建的底层叙事框架——生命的本质是将能量（$e$）转化为智能（$i$），机器人（$r$，即物理世界的执行能力）以平方级放大这个转化。SpaceX 的火箭、卫星和 AI 集群，全部服务于”以最低能量、最低资本、最短时间生产智能”这一个目标。
2. 三层嵌套商数（$i/w$ → $(i/w)/MATH0HTAM)/t$）是衡量智能密度的方法论，分别考验公司能否省电、省钱、省时间。最完整的公式 $((i/w)/$$)/t$ 定义为：在正确的地点、正确的时间，用最低价格交付最高能效的智能。 3. **SOTP 估值 $300** 中，Enterprise AI 占比最大（51%），但被打了 50% 的执行风险折扣。去掉折扣后隐含量约 $452——信与不信之间，差出 3.3 倍上行空间。 4. **最大的上行/下行变量**是星舰复用节奏。它决定了 $r^2$ 能否兑现、决定了 Starlink 的现金流厚度、决定了 Enterprise AI 的 time-to-power 优势是否存在。它不是风险清单上的一条——它是整张清单的总开关。 ## 一、核心框架：$i = er^2$ 报告开篇提出了一个极具哲学意味的命题：**所有生命——无论是有机的还是无机的——本质上都是将能量（$e$）转化为智能（$i$）的过程**。 从 40 亿年前冥古宙晚期地球冷却形成液态海洋、诞生原始有机分子的"Sagan 式原始汤"，到 2026 年的人类文明，生命的全部历程无非是将太阳的能量转化为智能。这个框架同样适用于现代技术： > The story of life = the conversion of 'e' to 'i.' At the highest level, all biological (organic) and non-biological (inorganic) life is a process of converting energy into intelligence. From the 'Saganian' primordial soup of organic molecules in the late Hadean eon (over 4 billion years ago when a cooling of the Earth's temperature allowed liquid oceans to form) to the drama of human civilization in the Summer of 2026… all life - individually and collectively - is a process of converting the sun's energy into intelligence. 报告接着给出了一系列"$e$ 到 $i$"的具体例证——从微处理器到白蚁群落，从 iPhone 到人类文明本身，每一个系统无一例外地遵循着这个转化定律： > - A microprocessor converts e to i > - A data center converts e to i > - Your iPhone converts e to i > - A socket wrench converts e to i > - A rocket converts e to i > - The first dividing cell converted e to i > - The discovery of fire was a 'Promethean leap' in the conversion of e to i > - The 86bn neurons (and nearly 100tn neural connections) in your brain convert e to i… while running on just 20 watts (an LED light bulb) > - A termite colony converts e to i > - Human civilization converts e to i (not always in a straight line) 这个清单的精妙之处在于它的极端跨度：从一把扳手（socket wrench）到人类文明，全部被纳入同一个分析框架。扳手之所以"产生智能"，是因为它是人类设计和制造的产物，凝结了将能量转化为有目的的动作的能力——这正是工具的本质。而将"火的发现"称为"普罗米修斯式的跃迁"，则呼应了希腊神话中盗火者给人类带来文明火种的隐喻：对火的掌控，是生命第一次大规模、可控地将化学能转化为热能和光能，进而转化为烹饪、取暖、冶金和战争——这一切都是智能的延伸。 最惊人的对比出现在人类大脑：**86 亿神经元、近 100 万亿神经连接，功耗仅 20 瓦特**。摩根士丹利提醒读者，现在训练一个大语言模型的电力消耗动辄以百万瓦计，而一台 LED 灯泡的功耗就足以驱动人类最复杂的已知结构。这本身就是对当前算力军备竞赛最优雅的讽刺。 - 微处理器将电转化为计算智能 - 数据中心将电转化为 AI 推理能力 - 一枚火箭将化学能转化为轨道智能 - 人类大脑用 86 亿神经元和近 100 万亿神经连接，仅消耗 20 瓦特（相当于一盏 LED 灯泡）完成这一切 在这个框架下，**SpaceX 并没有什么特殊——它的"$e$ 到 $i$"之路和其他公司并无不同。真正区分它的是其"第一性原理"方法论、马斯克算法（Elon's Algorithm）和 DVFS（设计-验证-制造-规模化）属性**。 `$i = er^2$` 中的 `$r$` 代表机器人（robots），指数级的平方关系暗示：物理世界的执行能力——无论是星舰的复用、Starlink 的星座还是 AI 集群的建设——能够以非线性方式放大能量到智能的转化效率。 ## 二、三层嵌套商数：衡量智能密度的终极标准 报告真正的贡献在于提出了一套递进的评估框架，来衡量一家公司在智能经济中的竞争力。 ### 第一层：单位能量智能产出（$i/w$） > i-per-watt: Measures the energy density of intelligence. Imagine you had 10 companies with the same gross intelligence. All else equal, the one that consumed the least amount of energy would create the most value. **大白话**：就是比"省电"。智能产出好比考卷分数——10 家公司考了同一个分数，谁用电最少谁就是真学霸。OpenAI 的 GPT 和 Anthropic 的 Claude 如果推理能力相当，但 Claude 每回答一个问题耗电只有 GPT 的一半，那 Claude 的 $i/w$ 就是 GPT 的两倍。这也是为什么模型蒸馏和推理优化（而非单纯扩大参数规模）正在成为新战场——在智能产出不缩水的前提下压缩功耗。 SpaceX 能否比竞争对手实现更高的 $i/w$？驱动因素包括： - 更高效的芯片设计 - 从数据中心到边缘的更优网关/路由/软件/架构 - **马斯克有一句名言："最好的零件是没有零件"（the best part is no part）。在 AI 计算领域，最好的 token 是没有 token？** ### 第二层：单位能量-资本智能产出（$(i/w)/$$）

(i-per-watt-per-dollar): Measures both the energy density and capital density of intelligence. Imagine you had 6 companies with the identical intelligence-per-watt. All else equal, the one that consumed the least amount of capital to produce their (i/w) would create the most value.

大白话：在省电的基础上比谁花钱少。6 家公司耗电一样、智能产出一样，那就看谁的建厂成本低——谁投入的资本少，谁的资本回报率就高。举个例子：两家公司都能造出同样水平的 AI，每度电产出也一样，但公司 A 花了 100 亿建数据中心，公司 B 花了 200 亿。那公司 A 的 $((i/w)/$)$ 就是 B 的两倍。SpaceX 在这层的独特优势在于：它已经靠火箭发射和 Starlink 摊掉了大量制造和基础设施成本，AI 算力投入的边际资本负担远小于纯 AI 公司。

SpaceX 能否比竞争对手实现更高的资本效率？驱动因素包括：

• 设计、规模、数据、制造能力
• 将产生的数据反馈回制造体系，形成自增强的递归闭环（recursive loops）：数据驱动软件，软件驱动硬件，硬件驱动制造工厂
• 这种数据-软件-硬件-制造的飞轮，是 SpaceX 最根本的护城河

第三层：单位能量-资本-时间智能产出（$((i/w)/$$)/t$）

(i-per-watt-per-dollar-per-second): Measures the energy density, capital density and temporal density of intelligence. Imagine you had 3 companies with identical intelligence-per-watt-per-dollar. All else equal, the one that could deliver their ((i/w)/$) in the least amount of time would create the most value.

大白话：在省电、省钱的基础上比谁快。同样聪明、同样省电、同样低成本的公司，谁能最先交付谁就赢。这就好比外卖：三家店做的菜一样好吃、用一样少的燃气、食材成本也一样——那谁能在 20 分钟送到而非 40 分钟，谁就吞掉市场。在 AI 基建里，”时间”就是数据中心的通电速度——从破土动工到 GPU 开始训练第一轮，传统需要 18-24 个月，SpaceX 凭借垂直整合和制造能力，目标是把”time-to-power”压缩到极致。

设 3 家公司拥有完全相同的 $((i/w)/$)$。在其他条件相同的情况下，能在最短时间内交付同等智能产出的公司创造最多价值。

SpaceX 能否在最短时间内、用最少资本完成”$e$ 到 $i$”的转化？驱动因素包括：

• 垂直整合：从芯片到火箭到数据中心的全栈控制
• 无处不在的物理和数字网络：Starlink 的近地轨道覆盖、星舰的快速复用
• 随着传统计算向量子计算演进，每一秒的供电时间和计算”飞行时间”的改进，都将某些公司与其余公司拉开差距

报告的结论是：以最低价格、在正确的地点和正确的时间提供最高能效的智能——持久、冗余、可靠。这构成了智能经济中公司的终极竞争标准。

三、估值框架：分部加总法

摩根士丹利对 SpaceX 采用分部加总法（Sum-of-the-Parts, SOTP）进行估值，而非对合并报表做单一 DCF。

所谓 SOTP，通俗地说就是“拆开称、再加总”。一家综合企业集团（conglomerate）旗下如果既有成熟稳定的现金牛业务，又有亏损烧钱的成长业务，把它们揉在一起做一个 DCF 模型，就好比把一头奶牛和一匹还没驯服的赛马放到同一个秤上，用同一个尺子去量——结果既低估了奶牛的价值（成熟业务的低折现率被成长业务的高风险拉高了），也看不清赛马到底值多少钱（成长业务终值被成熟业务的低增长率拖死了）。SOTP 的做法是把每个业务单独建模、单独估值，然后加总，每个分部可以用各自合理的 WACC 和终端增长率。

SpaceX 的四个分部——太空发射、卫星通信、社交/AI 消费产品、企业 AI 基础设施——本质上处于完全不同的生命周期和竞争格局中，用同一个增长率或同一个折现率去套，会严重扭曲任何一个分部的真实价值。

整体参数

WACC 11.1% 和股权成本 11.9% 远高于标普 500 成分股的平均水平（通常在 7%-9%），这反映了 SpaceX 作为未盈利转型科技企业的双重风险溢价：一方面，太空发射和卫星互联网的资本密集属性带来高经营杠杆；另一方面，企业 AI 分部缺乏成熟的收入记录，折现率中嵌入了相当大的不确定性补偿。而 0.41 EV/EBIT/Growth 这个倍数的含义是：市场对 SpaceX 每一单位 EBIT 增长只愿意付出 0.41 倍的企业价值——在一个愿意为 AI 增长支付 1.5 倍甚至更高倍数的市场环境中，这是一个相当克制的定价。

EPS 轨迹

EPS 从 2026 年的勉强盈利到 2028 年的 $6.29，三年复合增速约为 182%。但需要特别注意：这份预测中 2026-2027 年的共识数据（§标记）与摩根士丹利自身估算（e标记）之间存在显著差异——例如 2027 Q1，共识 EPS 为 $0.54，而摩根士丹利估算仅为 $0.27。这意味着市场共识可能远比特许分析师乐观，$300 的目标价在”摩根士丹利自己的数字”下可能更高，但也意味着如果共识被证伪，当前的 $135 也不一定是底。

四个分部的拆解

1. 太空（Space）—— $8（占总目标价 2.7%）

太空发射是 SpaceX 的起点，但在估值中几乎可以忽略不计。$8 的目标价意味着发射业务的价值仅约 $14 亿（按完全摊薄股本估算），对于一家颠覆了全球发射市场、用可复用火箭将 $/kg 打到全行业最低的公司而言，这个数字低得反直觉。

两个原因：第一，终端增长率仅 4.0%，是四个分部中最低的——分析师认为发射市场的 TAM 存在物理天花板，无论复用多少次，全球每年需要的入轨质量不会无限增长；第二，太空发射被视为 SpaceX 其他分部的使能器（enabler）而非利润中心——它存在的首要意义是把 Starlink 卫星打上去、把星舰的复用打磨成熟，而非贡献报表利润。

大白话：火箭不赚钱，火箭是铲子——真正的金矿在上面飞的卫星和下面跑的 AI 里。

2. 连接（Connectivity / Starlink）—— $128（42.7%）

Starlink 是当前估值中最扎实的支柱。$128 的每股估值对应约 $230 亿的空间，终端增长率 4.5%，高于太空但低于企业 AI，反映了一个正在兑现但增速趋于稳定的订阅收入模型。

Starlink 的经济学逻辑简单而有力：已在轨的卫星星座构成沉没成本优势，新增一颗卫星的边际成本远远低于新增一个地面基站或铺设海底光缆。每新增一个订阅用户，增量成本几乎只有地面终端和客户获取费用——这种”太空基建 + 地面变现”的模式，本质上是电信行业的终极成本结构。而星舰的复用如果能将单星发射成本再降一个数量级，Starlink 的利润率模型将经历二次重估。

3. X & Grok —— $12（4.0%）

$12、终端增长率仅 3.0%——这是四个分部中最保守的定价。Grok 虽然技术上能与 GPT 和 Claude 竞争，但其分发渠道依赖 X 社交平台的用户基础，而 X 本身的广告收入和用户增长都处于不确定状态。3.0% 的终端增长率几乎等同于”跑不赢通胀的真实增长为零”，反映了摩根士丹利对消费端 AI 产品能否建立差异化护城河的怀疑态度。

大白话：聊天机器人赛道太拥挤，卖广告的不确定性太高，先给个地板价放着。

4. 企业 AI（Enterprise AI）—— $152（50.7%）

这是整个 SOTP 中最刺激的部分：

• 最大的分部，占总目标价的一半以上
• 最激进的终端增长率 5.0%，是四个分部中最高的
• 被打了 50% 的执行风险折扣

如果去掉这 50% 的 haircut，企业 AI 分部的原始估值约为 $304/股，总目标价将飙升至约 $452。这 50% 的剪刀差就是市场分歧所在：如果你相信 SpaceX 能将 Starship 的复用节奏、Starlink 的全球覆盖和自有芯片设计能力转化为 AI 算力的成本优势和通电速度优势，$135 到 $452 就是你的肉；如果你认为这不过是另一家烧钱追 AI 热点的公司，那连 $135 都未必是底。

企业 AI 分部的驱动因素包括：

• 自有 AI 芯片设计：减少对英伟达的依赖，降低 $/watt
• 星舰级数据中心：利用 SpaceX 的制造和工程能力，缩短 time-to-power
• Neocloud 客户获取：向其他 AI 公司出租算力
• Cursor ARR 加速：开发者工具作为 AI 收入的前沿阵地

大白话：SpaceX 能不能靠 AI 赚大钱？摩根士丹利说”有可能，但我不确定，先给你砍一半”。这一刀砍出了一个巨大期权——信与不信，差出 3.3 倍。

四、上行与下行风险

摩根士丹利列出的风险清单，如果放到 $i = er^2$ 的框架里重新排序，会发现它们并非散落的独立事件，而是沿着三条主线串联起来的：星舰复用节奏决定了 $r$（机器人，即物理世界的执行能力）的非线性放大效应能否兑现；Starlink 的现金流决定了 SpaceX 能否在不被严重稀释的前提下自筹 AI 所需的巨额资本开支；而企业 AI 的变现能力则直接检验”智能作为生产要素”这个命题本身是否成立。

上行：如果飞轮真的转起来

最核心的上行催化剂是星舰复用节奏的加快。星舰不是猎鹰 9 号的线性升级——它是一台重新定义了”快速复用”含义的机器。猎鹰 9 号的助推器复用周期以周计，星舰的目标是以小时计。如果这个目标哪怕只实现一半，单次发射成本将从千万美元级降至百万美元级，SpaceX 部署 Starlink 卫星的边际成本将再次腰斩，而 Starlink 的容量和利润空间会随之急剧膨胀。更重要的是，星舰的复用能力本身就是一种可迁移的制造哲学：如果 SpaceX 能在发射台上实现”加油即飞”，那它在数据中心工地上实现”通电即训”的概率就远高于任何一家传统基建公司。前文提到的 $((i/w)/$)/t$ 中那个 $t$——时间——最直接的加速器就是星舰。

Starlink 的用户增长和 DTC/企业客户采用构成了第二层推力。Starlink 目前已经证明了自己在偏远地区、航空、海运等传统宽带覆盖不到的利基市场具备不可替代性，但真正的爆发点在于”直接到手机”（Direct-to-Cell）服务的规模化——当每一部普通智能手机都能在没有地面基站的地方通过卫星收发短信、拨打电话、接入互联网时，Starlink 的 TAM 将从”没有宽带的 5 亿人”扩展到”所有手机用户”。这个跃迁如果发生，Starlink 分部的 $128 估值可能严重偏低。

第三层是 AI 端的兑现：更多 Neocloud 客户（向其他 AI 公司出租 SpaceX 的算力）、Cursor ARR 的加速（开发者工具的订阅收入），以及更低的通电时间和成本。这三者合在一起，构成一个自增强的正反馈：通电越快→客户越多→收入越多→再投资越多→通电再加快。Cursor 尤其值得关注——它不是又一个 ChatGPT 套壳，而是一个深度嵌入开发者工作流的 IDE，如果它的 ARR 开始指数增长，说明 SpaceX 在 AI 应用层找到了真正的 product-market fit，而不只是卖铲子。

下行：飞轮的每一环都可能打滑

下行风险是上行的精确镜像，而且它们之间有串联效应。

星舰复用进度缓慢是”第一块倒下的多米诺骨牌”。如果星舰的快速复用被证明在工程上比预期困难得多——隔热瓦的损耗、发动机的翻修周期、发射台的周转速度中的任何一个环节卡住——那么 SpaceX 整个成本优势的叙事就会从”指数级下降”降级为”线性改善”。这对 Starlink 的影响是直接的：卫星部署速度放缓，容量增长落后于用户需求，在最极端的情况下甚至可能出现”星座维护成本侵蚀利润”的尴尬局面。

Starlink 用户增长不及预期则会切断 SpaceX 最可靠的内部现金流来源。在一个需要年复一年烧钱建设 AI 基础设施的时期，如果 Starlink 的订阅收入无法扮演”印钞机”的角色，SpaceX 就只能对外融资。而更大的融资需求意味着股权稀释——当前的分析师预测已经显示 EPS 在 2026 年勉强转正，如果股本因融资扩张 20%-30%，每股价值将被进一步摊薄。这是一个经典的”高增长、高稀释”陷阱：公司变大了，但每股价值没变大。

企业 AI 变现疲软是最大的下行风险，因为它是 SOTP 估值中占比最高的分部。SpaceX 在 AI 算力市场的竞争对手不是新手——亚马逊 AWS、微软 Azure、谷歌 GCP 三家已经占据了全球云基础设施的三分之二以上，它们有成熟的客户关系、已有的数据中心和折旧完成的硬件。SpaceX 带着自主芯片和星舰进入这个市场，至少在最初几年，capex per watt（每瓦算力的资本开支）大概率高于三大云厂商。如果时间站在在位者一边——也就是说，SpaceX 的 time-to-power 优势被监管延迟、供应链瓶颈或工程返工消耗殆尽——那么企业 AI 分部不仅 50% 的折扣不够用，可能整个分部都需要重新评估。

最后，监管是一个容易被技术叙事掩盖的变量。FAA 对星舰发射频率的限制、FCC 对 Starlink 频谱的授权、以及日益复杂的出口管制对 AI 芯片和太空技术的双重约束——这些都不是 SpaceX 靠第一性原理能绕过去的问题。在估值模型里，它们被折现率中的风险溢价”一笔带过”，但在现实中，一次不利的监管裁决可能比一次发射失败造成的市值损失更大。

五、解读：当智能成为一种生产要素

这份笔记虽然简短，但传递了一个重要的范式转换信号：

华尔街开始将”智能”视为一种可量化、可比较、可定价的基础生产要素，而非仅仅是科技公司的产品特性。

当摩根士丹利用”$i/w$”、”$((i/w)/$)/t$”这样的量纲来分析 SpaceX 时，它实际上在用分析石油、电力或钢铁的框架来分析 AI 能力。如果这种范式被市场广泛接受，意味着：

1. 估值锚点的转移：公司的价值不再完全取决于收入、利润或用户增长，而取决于它能够以多低的能量成本、多低的资本成本和多短的时间来生产智能——这更像是对一座矿藏或一座发电站的估值逻辑。

2. 垂直整合的重新定价：SpaceX 从火箭（降低 $\$/kg$）、到卫星星座（Starlink 的全球覆盖）、到 AI 芯片和算力集群（降低 $\$/watt$）、到开发者工具（Cursor）的布局，构成了从物理世界的最低成本通路到数字世界的最高价值产出的完整链条。这一链条的价值，很难用传统的 SOTP 来充分捕捉。

3. “最好的 token 是没有 token”：这是报告中最值得玩味的一句话。如果未来的 AI 竞争不仅是”产出更多智能”，更是”用更少的计算产出同等的智能”——即追求 $i/w$ 而非 $i$ 本身的绝对规模——那么当前以 GPU 数量为纲的军备竞赛逻辑可能面临根本性的挑战。

博客作者对摩根士丹利研究报告做了解读与总结，并未按原文全译，需要精确原文的读者请自行寻找。本报告是摩根士丹利在 2026 年 7 月 7 日发布 SpaceX 首次覆盖报告（目标价 $300）之后的一篇补充性 Idea 笔记。

2026 年 7 月，一篇独立研究报告深入分析了存储稀缺与开源模型平价对 AI 产业格局的双重冲击。报告的核心判断是：AI 产业已从增长叙事转入”走廊”区间——崩溃风险（25%）与寡头稳态（25%）呈共模态分布，商品化冲击并非尾部风险，而是与基准情形等概率的结构性威胁。

这份报告认为，2026至2030年间，AI行业将同时受到DRAM/HBM价格飙升、开源前沿模型（如GLM‑5.2）出现、推理效率大幅提升（如接近香农极限的KV缓存压缩和轻量级本地运行环境），以及Meta和xAI等“前AI实验室”凭借价格重估前囤积的算力进入算力转售市场这四股力量的冲击。量化分析显示，现有玩家因拥有已摊销的旧机群，在内存带宽成本上对新入局者拥有结构性优势，且该优势不会随时间消失——按每PB内存带宽的美元成本计，差距从2026年的3.2倍缩至2027年的1.9倍，之后若HBM价格在2028年正常化则重新扩至约3倍，若短缺持续至2030年则超过4倍。训练成本则分化为奢侈级与大众级，前沿模型单次训练成本到2030年将达180亿至380亿美元，而通过强化学习和蒸馏复现上一代能力的成本却降至约500万美元，两者差距从当前的约40倍扩大至三到四个数量级。新基础设施的偿付能力被限制在极窄的通道内——在既定建设规模和每年30%的字节效率提升下，总token需求必须连续四年维持约2倍的年增长，且封闭模型的溢价定价须保持绝对价格的刚性，一旦偏离任一维度，2028‑2029年交付的产能将成为最脆弱的“高危年份”。

本篇文章是对 SemiAnalysis 报告的思考，原文翻译请看：AWS 的秘密：Anthropic 增长与 Bedrock 组合推动 AWS 利润率攀升，同行落后

2026 年 5 月 28 日，SemiAnalysis 发布了一份付费报告，发现 AWS 经营利润率环比攀升了 213 个基点。是什么驱动了 AWS 的利润提升？

在展开分析之前，先讲清楚 SemiAnalysis 发现了什么。这份报告的核心逻辑可以拆成四个部分：现象上来看：AWS 的利润曲线出现了拐点；从结构上来看， Bedrock 贡献了 30% 的利润增量；从驱动力上来看，Anthropic 是核心动力；从竞争上来看，各家大相径庭但 AWS 占据竞争的中心。所以我们可以总结道：

AWS 的利润率攀升不是一次性的财务优化，而是一场从”出租算力”的 IaaS 商向”分销智能”的 AI 平台商的深层商业模式迁移。这不再是谁更早建好数据中心的问题，而是谁同时掌握了分销渠道权、自研芯片能力和客户工程深度的问题。AWS 是唯一在三层博弈中同时落子的玩家。

本文为 SemiAnalysis 2026年5月28日付费报告的中文原文直译，由博客作者整理，供读者参考。

亚马逊 Bedrock 组合与 Anthropic 交易条款共同展现了更强的运营杠杆。

过去几个季度，其他云服务提供商的运营利润率持续下滑或持平，而亚马逊 AWS 的利润率却在上一季度出现拐点，主要得益于客户通过 Bedrock 平台对 Claude 的支出增长。AWS 在第三方模型 API 支出中占据更高份额、Anthropic/Bedrock 的交易结构设计，以及 Anthropic 在 2026 年第一季度超预期的年度经常性收入表现，共同推动其息税前利润率环比增长 213 个基点，而其他云服务提供商则表现滞后。

SemiAnalysis 在全新的 Tokenomics 2.0 模型中揭示了 AWS 如何领先同行，并找到了提升利润率的强劲途径。模型估算了超大规模云厂商和 AI 实验室每个业务板块的季度收入、利润、投资资本回报率及算力需求，例如 Gemini API 的收入与利润率、 Microsoft Copilot 的年度经常性收入、OpenAI ChatGPT 各订阅计划的收入等。

2026 年 2 月，SemiConductor 针对存储产业继续深入分析。

存储芯片行业正经历一场由人工智能驱动的结构性短缺，其规模与持续时间均属罕见。报告核心结论指出，存储芯片价格已大幅上涨且远未见顶，供需失衡的紧张局面预计将持续至2027年甚至更久。

博客作者对 SemiAnalysis 文章做了解读，并做了总结。并没有按照原文进行全部直译，需要精确文章内容的读者请自行寻找原文。

2026年1月，J.P.Morgan 发布了关于 AI 科技的 2026 展望，取名为 Smothering Height（令人窒息的高度）。

四家超大规模科技企业及其所依托的半导体生态企业，市值在短短数年间从 3 万亿美元攀升至 18 万亿美元；而自 2022 年 11 月 ChatGPT 推出以来，范围更广的 42 家人工智能相关企业贡献了标普 500 指数 65% 至 75% 的营收、利润与资本支出。这道护城河真的坚不可摧吗？

博客作者对图文做了深度的解读，并做了总结。并没有按照原文进行全部直译，需要精确文章内容的读者请自行寻找原文。

作者证明，当前先进的推理模型（如DeepSeek-R1与QwQ-32B）并不仅仅是在做计算扩展，它们实际上在内部模拟了一个“思想社群”——一种具备不同角色、冲突与和解的多智能体对话。通过机制可解释性与强化学习消融实验，研究表明，促使模型表现得更像在对话，能直接提升其推理准确率。