摩根士丹利在 9 月 7 日釋出的報告中指出，OpenAI 的 GPT-6 Astra 模型的意義遠超一次常規升級，它可能將市場爭論的焦點從“AI 需求是否過熱”重新拉回到“物理供給瓶頸”。這一觀點由“追風交易台”援引並傳播，引發市場關注。
報告認為，Astra 帶來的並非單純的規模擴張，而是能力廣度與互操作性的實質性提升，具體體現在推理能力、工程能力、計算機使用以及物理世界任務執行四個方向。這意味著 AI 開始能夠處理複雜推理、專業工程任務、直接操作計算機乃至現實世界任務，從而開闢更多可盈利的應用場景。OpenAI 官方也發文表示，更好的模型將開闢新的“工作領域”。
因此，市場的核心問題可能從“服務已知 AI 需求需要多少基礎設施”（需求側質疑）轉變為“隨著模型智慧提升，有多少新工作負載將變得經濟上可行”（供給側壓力）。這一轉變方向完全相反，前者質疑 AI 基建是否過度投資，後者則強調供給端的物理約束。
報告引入了“彈性效應”概念：當每美元投入能獲得更多智慧時，推理工作負載的數量、持續時間和複雜度都會增加，這類似於“傑文斯悖論”——效率提升反而擴大總消耗。單位成本智慧產出提升，使原本不划算的應用變得可行，新工作負載湧入，進而擴大對算力和基礎設施的需求。
基於此，摩根士丹利測算，如果 Astra 的能力轉化為商業應用，可觸達的 AI 收入池將大幅擴充套件。全球知識工作市場總規模（TAM）約為 22.5 萬億美元（基於全球 9 億知識工作者、平均年薪約 2.52 萬美元），消費者支出 TAM 約 30 萬億美元，涵蓋零售與旅行（約 16 萬億美元）、自動駕駛與出行（約 4 萬億美元）、餐飲配送（約 4 萬億美元）及廣告（約 3 萬億美元）。
報告強調，真正的瓶頸已從“需求形成”轉向“物理供給約束”，即能否在規模化條件下交付這些智慧。具體約束包括算力、電力、材料、勞動力等，其中兩個具體抓手是 ABF 載板和 HBM4E 後道工序。
摩根士丹利預計，ABF 載板將從 2027 年起供不應求，缺口持續擴大至 2030 年，而新產能至少需兩年才能上線。HBM4E 的後道工序（BEOL）複雜度則代表半導體制造的重大轉變——HBM 從專用 3D 儲存堆疊演變為高度整合的定製 Chiplet 邏輯系統。互連層數增加（如 SK 海力士引入 dummy bump）將迫使大量 DRAM 資本開支轉向 BEOL 產能擴張，而前道工序（FEOL）的製程遷移和 DRAM 出貨量加速預計要到 2027 年下半年才能實現，同時 DRAM 廠商優先佔用裝置產能可能推遲 NAND 產能擴張。
電力是另一個關鍵物理瓶頸。隨著資料中心監管壓力上升，分析師預計超大規模雲廠商總算力將從 2025 年的約 35GW 增長至 2028 年的約 145GW，增長約 4 倍。美國面臨 38 吉瓦的電力缺口，資料中心將更多采用表後（behind-the-meter）自發電方案，該方案將為每吉瓦資本開支增加約 30 億美元。以 Rubin Ultra 一代輝達晶片為例，含表後電力的全包成本約為每吉瓦 500 億美元。
報告指出，市場目前低估了三件事：一是 GPT-6 Astra 的全球科技受益者尚未被充分定價；二是供給緊張持續時間可能更長，ABF 和 HBM4E BEOL 約束短期難解；三是部分不依賴 AI 的股票正悄悄走強，如模擬晶片（STM、NXP、Renesas）經歷三年多 L 型底部後，處於早期週期復甦階段。
在投資優先順序上，摩根士丹利建議：AI 算力最優先，網路次之，儲存器選擇性配置，並加入模擬晶片作為早期週期對沖。具體標的包括：AI 算力領域（GPU 輝達、ASIC 聯發科與 GUC、ABF 載板欣興與揖斐電、MLCC 村田與三星電機、後道封測愛德萬與東京電子等、電源台達）；網路領域（GLW、LITE、COHR、KEYS、古河電工、藤倉）；儲存器領域（優先長鑫儲存等結構性增長標的，SK 海力士、三星、鎧俠在供給偏緊時有戰術性機會）；非 AI 領域（意法半導體、恩智浦、瑞薩）。報告稱，更傾向於佈局在“更廣泛的推理週期與有限物理產能、上升的內容強度、增加的製造複雜度”三者交匯處的公司。
然而，報告並非單方面樂觀，提示了三個風險：第一，AI 預期已很高，市場對 AI 公司的容忍度從“好業績”變為“必須完美業績”，即便 Astra 有實質進展，若業績未大幅超預期，股價反應可能有限；第二，2028 年資本支出增速預計放緩，股票定價看增速變化方向，減速可能壓制估值；第三，宏觀逆風仍在，包括油價、通脹、美聯儲利率路徑及 2028 年美國大選等不確定因素，尤其關注民主黨若贏得行政權對資料中心擴張的潛在政治阻力。