|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(五) |
| 日期 2026-10-19 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第五章微软 一、企业概况与算力资产规模 (一)Azure算力基础设施规模 Azure在2026财年完成了从“追赶者”向“规模化算力运营者”的关键转型。微软CEO萨提亚·纳德拉在2026财年第四季度财报电话会上披露,公司在本季度于五大洲新增31座数据中心,全年新增数据中心总量达到88座,以应对市场爆发式增长的算力需求。这一建设速度在超大规模云厂商中处于领先位置。 算力上线的交付速度同样创下历史新高。纳德拉指出,过去整个财年,各大核心区域新增显卡从到货到正式投产的周期缩短了近50%。微软CFO艾米·胡德在后续的投资者会议上进一步量化了这一改善:公司已将“dock-to-live”时间(即硬件从交付到产生收入的部署时间)减少了超过50%。这一效率提升的资产含义是深远的:它意味着微软的资本支出转化为收入的时间被大幅压缩,算力资产的“闲置窗口”显著缩短。 从算力容量的绝对规模来看,微软本季度新增1GW算力容量,按照当前建设节奏,两年内公司总算力规模将实现近乎翻倍。这一“吉瓦级”的扩张速度使微软成为全球算力基础设施增量最大的单一主体之一。微软CEO纳德拉此前曾明确表示,电力和可用的数据中心建筑是限制微软部署芯片速度的两大瓶颈。这一判断揭示了微软算力扩张的物理边界:芯片可以采购,但“有电的建筑”需要更长的建设周期。 从数据中心租赁承诺的角度,可以更清晰地观察微软算力资产的“远期储备”。微软在2026财年第四季度披露,单季新增尚未开始执行的数据中心租约承诺超过1300亿美元,总额环比增长67.4%至3291亿美元。这一数字意味着微软的算力资产扩张不仅是“当期部署”,更是“远期锁定”。胡德在高盛会议上解释,微软已在整个供应链中签订长期协议,以确保获得所需的“全套”设备和组件。这种“全套锁定”策略的资产含义是:微软的算力资产扩张具有高度的确定性,不太可能因供应链瓶颈而中断。 (二)2026年资本支出计划 微软2026自然年的资本支出计划在超大规模云厂商中呈现出独特的“结构优化”特征。根据纳斯达克的报道,微软预计2026年资本支出约1900亿美元,较2025年增长61%。其中,约250亿美元反映的是零部件价格上涨——而非新增容量——主要来自全行业内存和存储成本的激增。这一细节值得特别关注:它意味着微软资本支出中约13%的部分并不产生任何新增算力,而仅仅是“维持性支出”。对于算力资产管理而言,这是一个重要的警示:供应链通胀正在成为算力资产成本结构中不可忽视的独立变量。 资本支出的结构特征是理解微软策略的关键。胡德在2026财年第四季度财报会上披露,本季度资本支出410亿美元中,约三分之二投向CPU、显卡等短周期资产,剩余投向数据中心楼宇等长期固定资产。这一“三分之二/三分之一”的结构在2026财年第三季度同样成立:约三分之二的资本支出用于短期资产,主要是显卡和CPU;剩余支出用于长期资产,以支持未来15年及更长时间内的盈利。 这种资产配置策略的底层逻辑是灵活性与回报率的平衡。胡德在回答关于行业远期算力产能过剩风险的提问时详细阐述了这一逻辑:当前资本开支结构已大幅向短使用周期资产倾斜——即CPU、显卡硬件,该类资产采购交付周期短、弹性极强。若市场需求走弱,微软可以快速放缓硬件采购,而无需承担长期固定资产的减值风险。这一策略的本质是:用“可调节的短期资产”来对冲“需求不确定性”,用“不可逆的长期资产”来承载“确定的长期需求”。 然而,微软的资本支出计划也经历了一次重要的会计政策调整。胡德宣布,公司将数据中心和办公楼的预估使用年限由15年延长至25年。政策变更将导致大量数据中心租赁业务从融资租赁重分类为经营租赁(融资租赁计入资本开支,经营租赁不计入)。剔除该重分类影响,2026自然年资本开支规划不变;但受重分类调整,全年资本支出预期从1900亿美元修正至1750亿美元。 这一会计政策变更的战略含义值得深入分析。将数据中心使用年限从15年延长至25年,反映了微软对数据中心物理寿命的判断——在AI时代,数据中心的“壳”(建筑、供电、冷却系统)的寿命可能远长于其内部的“芯”(显卡)。通过将租赁重分类为经营租赁,微软在财务报表上降低了对资本支出的呈现,但实际的算力资产扩张并未放缓。微软因此成为第一家未上调资本支出指引的美股科技巨头,这一消息公布后,其股价盘后涨幅明显扩大,反映出市场对微软在AI领域持续高投入的担忧有所缓和。 (三)云市场份额与增长态势 Azure在2026财年实现了具有里程碑意义的突破:全年营收首次突破1000亿美元,达到1019亿美元。这一数字使Azure成为继AWS之后第二个年营收突破千亿美元的云服务。微软在2026年9月首次单独披露了Azure的季度和年度收入,为投资者提供了与AWS和谷歌 Cloud直接比较的基础。 从季度表现看,Azure的增长在2026财年呈现加速态势。第四季度Azure营收同比增长43%,智能云部门(包含Azure)贡献营收393亿美元,同比增长约32%。第三季度Azure同比增长40%(按固定汇率39%),较第二季度的38%有所加速,管理层对第四季度的指引为39%至40%固定汇率增长。纳斯达克的分析明确指出:“一个已经处于巨大规模的企业仍在加速,而非放缓”。 从市场份额看,根据Synergy Research的数据,截至2026年6月30日,Azure的市场份额维持在20%,与一年前持平。同期,AWS的市场份额同样保持稳定,而谷歌 Cloud则呈现出显著的追赶态势。Azure在2026财年第三季度(截至3月31日)增长40%,而AWS同期增长28%,谷歌 Cloud增长63%。这一数据揭示了一个关键格局:Azure的增速快于AWS,但慢于谷歌 Cloud。微软在“第二位置”上的竞争压力来自两侧——既要追赶AWS的规模优势,又要应对谷歌 Cloud的增速挑战。 从需求端来看,微软反复强调的核心信息是:供给是瓶颈,而非需求。胡德在2026年4月就表示,公司预计“至少在2026年全年保持受限状态”。第四季度财报确认了这一判断:Azure和其他云服务收入增长43%,而需求仍然超过可用容量。微软AI业务已达到370亿美元的年化收入运行率,同比增长123%。这一数据表明,微软的算力资产正在被快速“货币化”——新增容量在部署后迅速被客户需求消化。 二、核心算力资产分析 (一)Azure AI基础设施体系 Azure的AI基础设施体系是微软算力资产的核心载体,其架构设计体现了“异构算力池化”和“多层级服务”的双重逻辑。 从物理基础设施层看,Azure正在构建一个规模庞大的全球算力网络。微软在2026财年新增88座数据中心,本季度新增1GW算力容量。这些设施分布在五大洲,形成了覆盖全球主要经济区域的算力供给网络。微软的第一座Fairwater设施(威斯康星州)已于2026年6月全面投入运营,第二座相邻设施预计2028年投运。计划中的得克萨斯州Pecos园区预计将增加约2GW的容量,初期将依赖就近的天然气发电厂,后续接入区域电网。 从芯片层看,Azure的算力资产呈现出显著的“多源异构”特征。微软正在同时部署来自多个供应商的芯片:英伟达的显卡、AMD的Helios机架级平台、以及微软自研的玛雅和Cobalt系列芯片。2026年7月,AMD宣布微软将在Azure上大规模部署AMD Helios机架级解决方案,用于支撑前沿模型推理。Helios整合了AMD Instinct MI455X 显卡、EPYC “Venice” CPU、Pensando网络和ROCm软件,定位为“开放式整合机架级平台”。纳德拉对此的评价是:“客户正在寻求针对广泛工作负载进行优化的AI基础设施,包括从训练与推理到数据准备、搜索与强化学习。” 从平台服务层看,Azure通过铸造厂平台将算力资产转化为可编程的AI服务。铸造厂模型目录包含超过10,000个模型,每月发布约50款新模型。这些模型涵盖基础模型、推理模型、小型语言模型、多模态模型和行业特定模型,来自微软、OpenAI、Anthropic、DeepSeek、Meta、Mistral、Cohere、Hugging Face等众多提供商。胡德在高盛会议上披露,微软平台上支持超过11,000个模型。这一“模型超市”策略的算力含义是:不同的模型对算力的需求特征截然不同,铸造厂平台需要能够动态调度异构算力资源来匹配多样化的模型工作负载。 (二)自研芯片(玛雅/Cobalt)进展 微软的自研芯片战略在2026年进入了实质性部署阶段,这是其算力资产管理中最具战略意义的维度之一。 玛雅AI加速器是微软对标英伟达显卡的核心产品。玛雅 200于2026年1月发布,已在爱荷华州和亚利桑那州投入生产,并计划扩展至意大利、澳大利亚和韩国。玛雅 200采用台积电3nm工艺,在750W SoC TDP的功耗包络内提供约10 Peta浮点运算每秒FP4和5 Peta浮点运算每秒FP8的算力性能。其内存系统包含216GB HBM3e(带宽7 Tbps)和272MB片上SRAM。微软声称玛雅200是“所有超大规模厂商中性能最强的芯片”,其FP4性能达到亚马逊Trainium3和谷歌第七代TPU Ironwood的三倍。 纳德拉在2026年8月披露的一个关键数据使玛雅的战略价值更加清晰:微软自研AI芯片相比依赖OpenAI的基础设施,在每瓦效率上带来了高达40%的提升。纳德拉同时强调,微软的模型和芯片相比OpenAI或Anthropic的方案是“更可负担的选项”。这一声明的资产含义是深远的:如果自研芯片能够以更低的单位算力成本提供可接受的性能,那么微软的算力资产将获得结构性的成本优势,从而改善整个AI基础设施投资的回报率。 Cobalt CPU是微软自研的Arm架构服务器处理器,定位为Azure通用计算工作负载的算力基础。Cobalt 200在2026年Build大会上进入早期访问预览阶段,相比上一代Cobalt 100性能提升50%。每颗Cobalt 200 SoC包含132个活跃核心,每核心3MB L2缓存,192MB L3系统缓存,并支持每核心独立的动态电压和频率调节。Cobalt 200虚拟机的vCPU可扩展至128个,在云数据库工作负载上性能提升最高135%,在缓存工作负载上提升80%。胡德披露,Cobalt CPU将在年内部署于约25个数据中心。 微软自研芯片战略的资产含义可以从两个层面理解。在成本层面,自研芯片使微软能够以低于外购显卡的成本获得可比性能的算力,从而提升单位算力投资的回报率。在供应链层面,自研芯片降低了对英伟达单一供应商的依赖,增强了算力供给的韧性。胡德对此的表述是:微软的策略是“通过内部设计和第三方组件的混合来维持竞争性的性价比”。这一“混合策略”的本质是:不追求完全的垂直整合,而是在关键环节建立自研能力以增强议价权和供应链弹性。 (三)与OpenAI的算力绑定关系 微软与OpenAI的关系在2026年经历了根本性的重构,这一重构对微软的算力资产管理产生了深远影响。 2026年4月,微软与OpenAI宣布修订合作协议,核心变化包括四个方面:云端合作松绑——微软仍是主要云合作伙伴,OpenAI产品优先在Azure上发布,但取消独家云限制,OpenAI可在任意云平台提供产品与服务;IP授权去独占化——微软对OpenAI模型及相关产品知识产权的使用授权延续至2032年,但变更为非独占许可;营收分成机制重构——微软将不再向OpenAI支付营收分成,OpenAI继续向微软支付营收分成但仅持续至2030年,设有总额上限;废除AGI触发的特殊终止条款。 这一“松绑但不分手”的协议修订,反映了AI行业竞争逻辑的深层变化。云阿云智库报告分析指出,OpenAI早期近乎90%以上算力绑定微软Azure上的英伟达显卡,这一选择帮助其在发展速度上一度碾压谷歌与Meta,但也付出了长期独立性的代价,在算力成本上无法像Anthropic那样自由比价、压缩开支。Anthropic的“多芯策略”——自投500亿美元建设数据中心并与博通合作开发自研专用集成电路,使单一供应商占比不超过50%——在算力成本优化上形成了对比优势。 对微软而言,协议修订的资产含义是双重的。在风险层面,取消独家云限制意味着OpenAI可以将算力需求分散到AWS和谷歌 Cloud,微软Azure可能失去部分来自OpenAI的收入。但微软在监管文件中披露,1325亿美元的新增租赁承诺不包含来自OpenAI和Anthropic等前沿实验室的承诺,这表明微软的算力资产扩张并未依赖OpenAI的单一需求。在机遇层面,微软通过将OpenAI IP授权去独占化,可以将OpenAI的模型能力更灵活地集成到自己的产品中,同时减少对OpenAI经济结构的暴露。纳德拉对此的战略表述是:“每个模型都是可替代的”,微软正在构建“一个新的模型系统”,使核心的技术脚手架与任何特定模型分离,从而允许微软“根据经济性和质量在自有模型或OpenAI、Anthropic等创建的模型之间切换”。 从财务角度看,OpenAI在过去一年为微软贡献了241亿美元收入,约占微软3320亿美元总营收的7%。这一比例虽然不高,但OpenAI作为Azure最大客户之一的地位仍然重要。微软对OpenAI的四分之一持股使其继续以主要股东身份直接参与OpenAI的增长。 三、竞争优势分析 (一)企业级客户的深度锁定 微软在企业级市场的优势是其算力资产管理中最具“防御性”的竞争壁垒。这一优势的根源在于微软数十年积累的企业客户关系、信任基础和产品集成度。 胡德在高盛会议上将“信任、安全、主权、知识产权保护”描述为平台公司的根本。她指出,客户期望微软提供可靠的产品,同时保护他们的知识产权。这一“信任”维度的竞争优势在AI时代被显著放大:当企业将敏感数据和核心业务流程迁移到AI平台时,对供应商的信任成为决策的首要考量。微软作为企业软件领域的长期领导者,在这一维度上具有结构性优势——这一优势无法通过技术投入在短期内复制,因为它是时间和客户关系的函数。 从产品集成的角度看,微软的竞争优势体现在AI能力与企业工作流的深度耦合。胡德描述微软为“一个拥有基础设施、管理工具、应用、智能能力和新兴智能体层的平台公司”。这种“全栈”定位使企业客户可以在同一生态系统中完成从算力基础设施到AI应用部署的全部环节,而无需在多个供应商之间集成。微软的微软365 Copilot产品是这一策略的核心载体:付费Copilot席位在2026财年达到3000万,较4月底的2000万增长近50%。 从客户结构的角度看,微软的算力资产具有多元化的需求基础。胡德强调,“产品架构、产品组合是穿越周期的核心抓手,客户结构多元化至关重要”。微软的AI需求不仅来自OpenAI等前沿模型实验室,还来自办公生产力、代码开发、网络安全、智能代理管控等多个赛道。这种多元化的需求结构使微软的算力资产具有更强的抗周期能力——当某一客户群体的需求波动时,其他群体的需求可以提供缓冲。 (二)“从芯片到Agent”的垂直整合能力 微软在2026年展示的最具战略意义的竞争优势,是从芯片到Agent的垂直整合能力。这一能力使微软能够以“系统级效率”而非“组件级性能”来竞争。 在芯片层,微软同时部署英伟达显卡、AMD Helios和自研玛雅/Cobalt芯片,形成了“多源异构”的算力供给。纳德拉披露的自研芯片40%每瓦效率提升是这一层级的核心价值主张:通过将部分工作负载从外购显卡迁移到自研芯片,微软可以降低单位算力的成本,从而改善整个AI基础设施的回报率。 在平台层,Azure提供从IaaS到PaaS的完整AI基础设施。铸造厂平台的10,000+模型目录使客户可以在同一平台上发现、评估和部署来自不同提供商的模型。胡德描述的多模型分层调度架构——“轻量化模型承接标准化任务,降低单位token算力成本”——是这一层级的核心效率机制。通过将不同类型的任务分配给最适合的模型和芯片,微软可以在整体层面优化算力资源的使用效率。 在应用层,微软通过Copilot和Agent 365等产品将AI能力嵌入到企业工作流中。胡德特别强调了微软 Agent 365的价值:该产品帮助客户“衡量和管理AI支出”,使企业能够对AI消费进行可观测性和成本控制。从资产管理角度看,Agent 365的本质是一个企业级算力资产管理工具——它使客户能够追踪AI工作负载的算力消耗和成本,从而做出更明智的部署决策。 这种垂直整合能力的资产含义是:微软的算力资产不是孤立的“计算能力”,而是嵌入在“芯片-平台-应用”价值链条中的系统性资产。系统性资产的价值取决于整个链条的协同效率,而非任何单一环节的性能。微软的竞争优势不在于拥有“最好的芯片”或“最好的模型”,而在于能够以最优的系统级效率将芯片转化为客户可用的AI服务。 (三)多模型策略与11,000+模型平台 微软的多模型策略是其算力资产管理中最具“反脆弱性”的竞争特征。胡德在高盛会议上披露,微软平台支持超过11,000个模型,涵盖前沿模型、开源模型、专业模型和微软内部MAI团队的工作。 这一“模型超市”策略的资产含义可以从三个层面理解。 第一,需求多样性匹配。不同的AI工作负载对算力的需求特征截然不同:前沿模型的训练需要大规模显卡集群和高带宽互联,推理任务可能需要低延迟的专用芯片,轻量级任务可以在CPU上运行。拥有11,000+模型的平台意味着微软能够覆盖从最高端到最边缘的完整算力需求谱系,从而最大化其异构算力资产的利用率。 第二,供应商议价能力。当客户可以选择“用哪个模型”时,微软作为平台方获得了更大的灵活性。胡德将微软的“前沿生态系统”方法描述为“使公司、组织和国家能够拥有自己的持续学习循环,并直接从他们创造的IP中受益”。这种“客户自主选择”的定位使微软不必绑定于任何单一模型提供商,从而在与OpenAI、Anthropic等模型公司的谈判中保持议价能力。 第三,技术迭代对冲。AI模型领域的技术迭代速度极快——今天的前沿模型可能在几个月后就被超越。11,000+模型的多源策略使微软能够动态地“切换”到表现最好的模型,而无需重新建设基础设施。纳德拉的表述最为清晰:“每个模型都是可替代的”。这一策略的本质是:在模型层面保持“供应商中立”,在算力层面保持“资产通用性”,使算力资产的价值不依赖于任何特定模型的命运。 四、劣势与风险分析 (一)云市场份额增长放缓 尽管Azure在2026财年实现了43%的季度增长和千亿美元的年营收突破,但其在云市场份额上的表现却呈现出停滞的迹象。 根据云阿云智库数据,截至2026年6月30日,Azure的市场份额为20%,与一年前的20%完全持平。这意味着,尽管Azure的绝对收入在快速增长,但其相对于整体云市场的增速并未超越市场平均水平,因此份额没有提升。与此同时,谷歌 Cloud的增速显著快于Azure(第三季度63% vs. 40%),正在从第三位置加速追赶。 这一份额停滞的背后,是竞争格局的结构性变化。AWS作为市场领导者,其规模优势(季度云收入422亿美元 vs. Azure的294亿美元)使其能够在价格和服务广度上保持竞争力。谷歌 Cloud则凭借其在AI/ML领域的技术积累和TPU的成本优势,正在赢得对价格敏感或对谷歌生态有偏好的客户。微软处于“第二位置”的中间地带:规模大于谷歌但小于AWS,增速快于AWS但慢于谷歌。 从算力资产管理的角度看,份额停滞的含义是:微软的算力资产扩张速度可能与市场整体的算力需求增长速度相当,而非超越。这意味着微软无法通过“份额扩张”来获得额外的规模经济优势,而必须通过“效率提升”来改善单位算力资产的回报率。胡德反复强调的效率优化抓手——模型分层调度、自研芯片、硬件供应链成本管控、超大规模集群运营效率——正是对这一约束的回应。 (二)自研芯片竞争力尚待验证 微软的自研芯片(玛雅和Cobalt)虽然在参数上具有竞争力,但其实际部署规模和性能表现仍需时间验证。 从部署规模看,玛雅200的部署范围目前仅限于爱荷华州和亚利桑那州,计划扩展至意大利、澳大利亚和韩国。Cobalt 200将在年内部署于约25个数据中心。相对于微软全球数百座数据中心的规模,这些部署仍处于早期阶段。胡德在高盛会议上的表述也较为谨慎:她表示微软对玛雅芯片的基准测试“感到鼓舞”,但强调策略是“通过内部设计和第三方组件的混合来维持竞争性的性价比”。这一表述暗示,自研芯片在短期内不会取代外购显卡,而是作为“补充”存在。 从性能验证的角度看,微软声称玛雅200的FP4性能是亚马逊Trainium3和谷歌TPU Ironwood的三倍,但这一声明尚未经过独立第三方基准测试的验证。在AI芯片领域,“厂商声称性能”与“实际工作负载性能”之间往往存在显著差距,因为实际性能取决于软件栈成熟度、编译器优化、内存带宽利用率等多种因素。微软尚未披露玛雅200在真实训练或推理工作负载上的吞吐量、延迟或能效数据。 从算力资产管理的角度看,自研芯片的“未验证”状态意味着资产价值的不确定性。如果玛雅和Cobalt的实际性能达到或接近宣称水平,微软的算力资产将获得显著的成本优势;如果实际性能低于预期,微软可能需要继续依赖外购显卡,从而失去自研芯片带来的效率提升。这一“期权价值”的存在使微软的算力资产估值包含了一个技术执行风险因子。 (三)对OpenAI依赖的反噬风险 尽管2026年4月的协议修订“松绑”了微软与OpenAI的绑定关系,但微软对OpenAI的结构性依赖并未完全消除。 从收入角度看,OpenAI在过去一年为微软贡献了241亿美元收入,约占微软总营收的7%。虽然这一比例不高,但OpenAI作为Azure最大客户之一的地位使微软的算力资产在一定程度上暴露于单一客户的风险。如果OpenAI因竞争压力、融资困难或战略调整而减少对Azure的算力采购,微软的算力利用率将受到直接影响。 从竞争角度看,微软与OpenAI的关系具有内在的张力。微软既是OpenAI的最大投资者和云服务提供商,又是其竞争对手——微软自研的MAI模型和Copilot产品与OpenAI的模型和产品存在直接竞争。纳德拉的“模型可替代”策略虽然在理论上使微软免于绑定OpenAI,但在实践中,OpenAI的模型(尤其是GPT系列)在企业客户中仍然具有强大的品牌认知和使用惯性。如果微软过度“去OpenAI化”,可能面临企业客户的抵制;如果微软继续依赖OpenAI,则可能面临定价权和战略自主性的损失。 从算力资产管理的角度看,对OpenAI的依赖风险体现在资产利用率的波动性上。如果微软的算力资产扩张是以“OpenAI将持续增长”为前提的,那么OpenAI的战略变化可能导致算力资产的闲置。胡德在回答产能过剩风险时强调的“短周期资产倾斜”策略正是对这一风险的对冲机制:通过将大部分资本支出配置于“可快速调整”的CPU/显卡资产,微软可以在需求波动时快速调整算力供给。 (四)资本支出回报周期的不确定性 微软的资本支出规模(2026年约1750-1900亿美元)是理解其算力资产风险的核心变量。这一投资规模相当于微软当前年收入(3320亿美元)的超过一半。 从折旧压力的角度看,微软的资本支出正在形成日益沉重的折旧负担。胡德在2026财年第三季度披露,毛利率为68%,同比略有下降,“主要因为对人工智能基础设施的持续投资和AI产品使用增长,部分被持续的效率提升所抵消”。随着数据中心和芯片资产陆续投入使用,折旧费用将逐步流入损益表,对利润率形成持续压力。纳斯达克的分析明确指出:“微软今天花得越多,其云业务明天必须交付的收益就越多,才能‘原地踏步’”。 从自由现金流的角度看,微软的资本支出已经开始对现金流产生实质性影响。2026财年,微软的自由现金流下降23%至196亿美元。虽然这一下降幅度远小于Meta(-91%)和字母表(从正250亿美元转为负59亿美元),但趋势方向是明确的。胡德在高盛会议上区分了“长周期投资”(建筑和租赁)和“由需求驱动的短期资本支出”,并强调短期优先事项“不是调整特定金额的支出,而是更快地将可用供给投入系统”。 从投资回报的角度看,微软目前的证据是混合的。积极的一面是:Azure收入加速增长(43%),Copilot付费席位增长50%,AI业务年化收入运行率达到370亿美元。这些数据表明微软的资本支出正在“转化为收入”。但风险在于:收入的增速是否足以覆盖折旧的增速?如果Azure的增长在未来几个季度放缓,而折旧费用继续上升,微软的利润率将面临显著压缩,市场可能对其估值进行重估。纳斯达克的分析对此的表述是:“如果Azure增长低于高30%的区间,而支出加速,利润率的数学开始收紧,股票可能被快速重定价”。 五、战略动向与展望 (一)从“云服务商”向“AI工厂运营商”的定位迁移 微软的战略演进方向日益清晰:将Azure从“云服务平台”重新定位为“AI工厂”。这一转变的核心标志是算力资产在微软价值主张中地位的上升——从“基础设施的一部分”变为“核心产品本身”。 纳德拉对“AI工厂”概念的使用具有深刻的资产含义。在AI工厂的框架下,微软的算力资产不再被视为“支持软件服务的底层硬件”,而是直接生产AI输出(Token)的“制造设施”。胡德描述的效率抓手——模型分层调度、自研芯片、硬件供应链成本管控、超大规模集群运营效率——本质上是工厂运营的优化杠杆,而非传统IT管理的范畴。 这一定位迁移的战略含义体现在微软的报告结构重组上。2026年,微软宣布从三个业务部门调整为两个新部门:“Agent与基础设施”将包含云服务、AI相关软件和传统商业软件;“设备与消费者”将涵盖Windows、Xbox以及Bing和LinkedIn的广告收入。这一重组“反映了人工智能在公司产品和业务运营中日益增长的影响”。从资产管理的角度看,将“Agent与基础设施”归入同一报告部门,意味着微软将算力资产和AI应用视为同一价值链的组成部分,而非独立的业务单元。 (二)自研芯片的规模化与“成本曲线”战略 微软自研芯片战略的下一阶段目标清晰:通过规模化部署来压降单位算力的成本曲线。 胡德披露的40%每瓦效率提升是这一战略的核心价值主张。如果微软能够将这一效率优势从“爱荷华和亚利桑那的试点部署”扩展到“全球数据中心的规模化部署”,其算力资产的单位成本将获得结构性的下降。纳德拉将自研芯片定位为“相比OpenAI或Anthropic更可负担的选项”,这一表述的战略含义是:微软不追求在“绝对性能”上超越英伟达,而是在“性价比”上建立优势。 从资产管理的角度看,自研芯片的规模化部署将改变微软算力资产的成本结构。当前,微软的算力资产成本主要由外购显卡的采购价格驱动——这一价格受英伟达定价权和市场供需的强烈影响。随着自研芯片占比上升,微软的算力资产成本将更多地由内部研发和制造效率驱动,从而获得更大的成本控制权。胡德对此的表述是:微软的策略是“维持竞争性的性价比”通过“内部设计和第三方组件的混合”。 然而,自研芯片规模化面临一个经典挑战:软件生态。玛雅和Cobalt需要相应的软件栈(编译器、库、框架集成)来释放硬件性能。微软尚未披露玛雅的软件栈成熟度,这构成了自研芯片战略的关键不确定性。如果软件生态不成熟,硬件性能的“纸面优势”可能无法转化为实际工作负载中的有效算力。 (三)多模型策略的深化与Agent经济的布局 微软多模型策略的下一阶段深化方向,是从“模型超市”向“Agent经济平台”的演进。 胡德在高盛会议上描述的企业级AI讨论的转变——从“模型选择”转向“结果和投资回报”——揭示了这一演进的市场逻辑。客户不再关心“使用哪个模型”,而是关心“AI能为业务带来什么结果,成本是多少”。微软的应对策略是将模型选择“后台化”:客户描述他们想要的结果,微软的平台自动选择最合适的模型和算力配置来交付结果。 微软 Agent 365是这一策略的核心产品。胡德描述其功能是“帮助客户衡量和管理AI支出”。从资产管理的角度看,Agent 365的本质是一个企业级算力消费管理界面:它使客户能够观测AI工作负载的算力消耗、成本构成和产出价值,从而在“用多少算力、花多少钱、得到什么结果”之间做出明智的权衡。 这一策略的资产含义是:微软的算力资产正在从“客户自行管理的基础设施”转变为“按结果计费的AI服务”。胡德描述了微软向“基于用户和基于消费的定价组合”的迁移:用户许可证仍然重要,因为客户重视预算可预测性;消费定价更适合与工作单元或可衡量结果挂钩的AI服务。这种定价模式的转变意味着微软的算力资产收入将更加与客户的业务成果直接挂钩,而非与“预留了多少容量”挂钩。 (四)展望:规模、效率与信任的三角平衡 微软的算力资产管理战略可以概括为“规模、效率、信任”的三角平衡。 规模是基础。微软正在以每年约1GW的速度扩张算力容量,两年内总算力翻倍的目标使其成为全球算力基础设施增量最大的主体之一。没有规模,就无法满足AI需求的爆发式增长,也无法获得超大规模运营的规模经济。 效率是杠杆。在资本支出达到收入一半的极端投资强度下,效率决定了投资回报率。微软的效率策略是多层次的:自研芯片的40%每瓦提升、dock-to-live时间减少50%、多模型分层调度降低单位token成本、会计政策调整改善财务呈现。这些杠杆的共同目标是在“花更多钱”的同时“让每一美元产出更多”。 信任是护城河。胡德将“信任、安全、主权、知识产权保护”描述为平台公司的根本。在企业级AI市场,信任是决定客户是否将敏感数据和核心工作负载迁移到云端的首要因素。微软数十年积累的企业客户关系和品牌信任,是其在AI时代最具“不可复制性”的竞争优势。 三角平衡的内在张力在于:规模扩张要求大规模资本支出,这可能在短期内压缩利润率和自由现金流;效率提升需要时间(自研芯片规模化、软件生态成熟),而市场竞争不等待;信任的建立是缓慢的,但信任的丧失可能是迅速的(一次重大安全事件或服务中断)。 微软的战略选择是以“短周期资产”为缓冲,以“效率提升”为杠杆,在规模扩张的同时保护财务韧性。胡德的“CPU/显卡资产占三分之二”的结构、会计政策调整降低资本支出呈现、以及“未上调指引”的市场沟通策略,都服务于这一目标。如果Azure的增长能够持续匹配算力资产的扩张速度,微软的“三角平衡”将形成一个自我强化的正循环:规模扩张→收入增长→效率提升→利润改善→再投资能力增强。如果增长放缓而支出刚性,循环可能逆转。2026财年的数据表明,微软目前处于正循环的早期阶段——但这一阶段的可持续性,将是未来几个季度市场关注的焦点。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|