摩根士丹利在 9 月 7 日发布的报告中指出，OpenAI 的 GPT-6 Astra 模型的意义远超一次常规升级，它可能将市场争论的焦点从“AI 需求是否过热”重新拉回到“物理供给瓶颈”。这一观点由“追风交易台”援引并传播，引发市场关注。
报告认为，Astra 带来的并非单纯的规模扩张，而是能力广度与互操作性的实质性提升，具体体现在推理能力、工程能力、计算机使用以及物理世界任务执行四个方向。这意味着 AI 开始能够处理复杂推理、专业工程任务、直接操作计算机乃至现实世界任务，从而开辟更多可盈利的应用场景。OpenAI 官方也发文表示，更好的模型将开辟新的“工作领域”。
因此，市场的核心问题可能从“服务已知 AI 需求需要多少基础设施”（需求侧质疑）转变为“随着模型智能提升，有多少新工作负载将变得经济上可行”（供给侧压力）。这一转变方向完全相反，前者质疑 AI 基建是否过度投资，后者则强调供给端的物理约束。
报告引入了“弹性效应”概念：当每美元投入能获得更多智能时，推理工作负载的数量、持续时间和复杂度都会增加，这类似于“杰文斯悖论”——效率提升反而扩大总消耗。单位成本智能产出提升，使原本不划算的应用变得可行，新工作负载涌入，进而扩大对算力和基础设施的需求。
基于此，摩根士丹利测算，如果 Astra 的能力转化为商业应用，可触达的 AI 收入池将大幅扩展。全球知识工作市场总规模（TAM）约为 22.5 万亿美元（基于全球 9 亿知识工作者、平均年薪约 2.52 万美元），消费者支出 TAM 约 30 万亿美元，涵盖零售与旅行（约 16 万亿美元）、自动驾驶与出行（约 4 万亿美元）、餐饮配送（约 4 万亿美元）及广告（约 3 万亿美元）。
报告强调，真正的瓶颈已从“需求形成”转向“物理供给约束”，即能否在规模化条件下交付这些智能。具体约束包括算力、电力、材料、劳动力等，其中两个具体抓手是 ABF 载板和 HBM4E 后道工序。
摩根士丹利预计，ABF 载板将从 2027 年起供不应求，缺口持续扩大至 2030 年，而新产能至少需两年才能上线。HBM4E 的后道工序（BEOL）复杂度则代表半导体制造的重大转变——HBM 从专用 3D 存储堆叠演变为高度集成的定制 Chiplet 逻辑系统。互连层数增加（如 SK 海力士引入 dummy bump）将迫使大量 DRAM 资本开支转向 BEOL 产能扩张，而前道工序（FEOL）的制程迁移和 DRAM 出货量加速预计要到 2027 年下半年才能实现，同时 DRAM 厂商优先占用设备产能可能推迟 NAND 产能扩张。
电力是另一个关键物理瓶颈。随着数据中心监管压力上升，分析师预计超大规模云厂商总算力将从 2025 年的约 35GW 增长至 2028 年的约 145GW，增长约 4 倍。美国面临 38 吉瓦的电力缺口，数据中心将更多采用表后（behind-the-meter）自发电方案，该方案将为每吉瓦资本开支增加约 30 亿美元。以 Rubin Ultra 一代英伟达芯片为例，含表后电力的全包成本约为每吉瓦 500 亿美元。
报告指出，市场目前低估了三件事：一是 GPT-6 Astra 的全球科技受益者尚未被充分定价；二是供给紧张持续时间可能更长，ABF 和 HBM4E BEOL 约束短期难解；三是部分不依赖 AI 的股票正悄悄走强，如模拟芯片（STM、NXP、Renesas）经历三年多 L 型底部后，处于早期周期复苏阶段。
在投资优先级上，摩根士丹利建议：AI 算力最优先，网络次之，存储器选择性配置，并加入模拟芯片作为早期周期对冲。具体标的包括：AI 算力领域（GPU 英伟达、ASIC 联发科与 GUC、ABF 载板欣兴与揖斐电、MLCC 村田与三星电机、后道封测爱德万与东京电子等、电源台达）；网络领域（GLW、LITE、COHR、KEYS、古河电工、藤仓）；存储器领域（优先长鑫存储等结构性增长标的，SK 海力士、三星、铠侠在供给偏紧时有战术性机会）；非 AI 领域（意法半导体、恩智浦、瑞萨）。报告称，更倾向于布局在“更广泛的推理周期与有限物理产能、上升的内容强度、增加的制造复杂度”三者交汇处的公司。
然而，报告并非单方面乐观，提示了三个风险：第一，AI 预期已很高，市场对 AI 公司的容忍度从“好业绩”变为“必须完美业绩”，即便 Astra 有实质进展，若业绩未大幅超预期，股价反应可能有限；第二，2028 年资本支出增速预计放缓，股票定价看增速变化方向，减速可能压制估值；第三，宏观逆风仍在，包括油价、通胀、美联储利率路径及 2028 年美国大选等不确定因素，尤其关注民主党若赢得行政权对数据中心扩张的潜在政治阻力。