Ipinahayag ng Morgan Stanley na ang paglunsad ng GPT-6 Astra ay magbabago sa direksyon ng diskusyon sa merkado. Ang Astra ay kumakatawan sa malaking paglakas sa pag-iisip, kakayahan sa inhenyeriya, paggamit ng kompyuter, at pagpapatupad ng mga gawain sa pisikal na mundo, na nangangahulugan na ang AI ay mula sa simpleng interaksyon ay lumalawak patungo sa pagpapatupad ng mga kumplikadong gawain.

May-akda ng artikulo: Long Yue

Pinagkunan: Wall Street Journal

Ang paglabas ng isang modelo ay nagbabago ng direksyon ng diskusyon sa merkado.

Ang mga market ay nag-uusap sa loob ng mga nakaraang buwan tungkol sa isang tanong: “Gaano karaming imprastruktura ang kailangan upang sirvin ang kilalang pangangailangan sa AI?” Ang lihim na mensahe ng tanong na ito ay: Nakakalabas na ba ang pag-invest sa imprastruktura ng AI?

Ngunit ayon sa Mga Balita mula sa Trading Platform Zhui Feng, ang ulat na inilabas ng Morgan Stanley noong Setyembre 7 ay nagpapahiwatig na ang kahalagahan ng GPT-6 Astra ay hindi dapat maunawaan bilang karagdagan sa isang kuwento ng pagpapalawak (Scaling). Ito ay hindi isang bagong pagpapabuti ng modelo.

Ang Astra ay nagpapakita ng malaking paglakas sa saklaw ng mga kakayahan at interoperability, na nakikita sa apat na direksyon: kakayahang mag-isip, kakayahang inhinyero, paggamit ng kompyuter, at pagpapatupad ng mga gawain sa pisikal na mundo. Ibig sabihin nito, ang AI ay nagsisimulang lumampas sa pagkakaroon ng kakayahang magpatupad ng mga kumplikadong pag-iisip, propesyonal na inhinyeriyang gawain, direkta na pag-operate sa kompyuter, at kahit na pagharap sa mga gawain sa totoong mundo. Mas maraming bagay na kayang gawin, kaya mas maraming oportunidad para kumita. Ang pinakabagong pahayag ng OpenAI ay nagpapahiwatig na ang mas mahusay na mga modelo ay nagbubukas ng mga bagong “larangan ng trabaho”.

Ang AI narrative ay muli nang hinarap ang “physical bottleneck” mula sa “debate sa demand”

Ang pagkakaroon ng Astra ay maaaring palitan ang pangunahing tanong ng merkado mula sa “Gaano karaming imprastruktura ang kailangan upang sirvin ang mga kilalang pangangailangan ng AI” patungo sa: “Gaano karaming mga bagong workload ang magiging ekonomikong makabuluhan habang tumataas ang intelihensya ng mga modelo?”

Ito ay isang tanong na kabaligtaran ng direksyon. Ang unang isa ay pagdududa sa panig ng demand, habang ang pangalawa ay presyur sa panig ng supply.

In the report, ang analyst ay nagbigay ng pangunahing ekonomikong lohika: mas magandang modelo ay nagdadala ng elastic effect—habang mas mataas ang intelihensya at pagkakagamit na natatanggap ng AI bawat dolyar na ginugugol, tumataas ang bilang, haba, at kumplikasyon ng mga推理 workloads.

Kasalukuyang katulad ng klasikong “Paradoks ng Jevons”: ang pagpapabuti ng efisyensiya ay hindi nagbabawas sa paggamit, kundi nagpapalawak sa kabuuang paggamit. Ang pagpapabuti ng intelligent output sa bawat yunit ng gastos → ang mga dating hindi makabuluhan na aplikasyon ay naging maaaring gawin → dumating ang mga bagong workload → ang pangangailangan sa computing power at infrastructure ay lumalaki pa.

Naniniwala ang mga analista na kung ang kakayahan ng Astra ay maipapalit sa mga komersyal na gamit, malaki ang paglalawak ng pool ng kita sa AI, higit pa sa mga kasalukuyang应用场景 na nakatuon sa chat at coding.

Ipinagmamalaki ng Morgan Stanley na ang kabuuang agwat ng pamamaraan sa kaalaman sa buong mundo ay humigit-kumulang $22.5 trilyon (batay sa 900 milyong manggagawa sa kaalaman sa buong mundo, na may average na taunang kita na humigit-kumulang $25,200); ang TAM sa gastusin ng mga konsyumer ay humigit-kumulang $30 trilyon, na kasama ang retail + paglalakbay (humigit-kumulang $16 trilyon), autonomous/transportasyon (humigit-kumulang $4 trilyon), pagdudulot ng pagkain (humigit-kumulang $4 trilyon), at advertising (humigit-kumulang $3 trilyon).

Ang konklusyon ng analista ay: Ang pagkakaroon ng Astra ay nagbalik sa bottleneck narrative mula sa "demand formation" patungo sa "physical supply constraints"—kung kayang ipagbigay ang mga ito sa iskala.

Ano ang tama nangangahulugan? Hash rate. Kuryente. Materyales. Paggawa. Atbp.

Saan eksaktong physical bottleneck: ABF at HBM4E

Ang kagipitan sa supply ay may dalawang tiyak na paraan.

Ang unang isa ay ABF substrate.

Inaasahan ng Morgan Stanley na magkakaroon ng kakulangan sa ABF substrate mula 2027, at lalawak ang puwang hanggang 2030. Ang pangunahing paghihirap ay: kailangan ng hindi bababa sa 2 taon ang bago产能 upang magsimula.

Ang pangalawa ay ang kumplikadong proseso ng pagkatapos (BEOL) ng HBM4E.

Ang ulat ay nagpapahiwatig na ang back-end process ng HBM4E ay nagtataguyod ng malaking pagbabago sa paggawa ng semiconductor—ang HBM ay mula sa espesyalisadong 3D stack ng memorya, ay naging mataas na integradong custom Chiplet logic system.

Tiyak na chuon ng epekto:

• Dagdagan ang bilang ng interconnect layers ng HBM4E (tulad ng pagpapakilala ng dummy bump ni SK Hynix), at maraming kapital na gastusin sa DRAM ay magiging kailangan para sa pagpapalawak ng BEOL capacity
• Ang paglipat ng kapital expenditure sa proseso ng FEOL at ang pagtaas ng paglabas ng DRAM GB ay inaasahang mangyayari sa ikalawang kalahati ng 2027.
• Ang mga producer ng DRAM ay unang nagsisiguro ng kapasidad ng aparato, kaya ang pagpapalawak ng kapasidad ng NAND ay maaaring ipagpaliban

Ang mga karaniwang katangian ng dalawang bottleneck: parehong mga physical constraint na maaaring i-verify at i-trace, hindi ang market sentiment.

Kapangyarihan: Ang pinakatotoong pisikal na hadlang

Dumarami ang presyur sa regulasyon ng mga data center, ang pagkakaroon ng kuryente ay naging isa pang mahalagang pisikal na hadlang. Inaasahan ng mga analista na maaabot ng kabuuang kapasidad ng mga malaking cloud provider ang halos 145GW noong 2028, mula sa halos 35GW noong 2025, isang pagdami ng halos apat na beses.

Pinapansin ng mga analista na mayroong kakulangan sa kuryente na 38 GW sa Estados Unidos, at lalaganap ang paggamit ng mga solusyon sa sariling paggawa ng enerhiya sa likod ng meter ng mga data center.

Ayon sa pagkalkula, ang elektrikong solusyon pagkatapos ng tabla ay magdudulot ng dagdag na gastos na humigit-kumulang sa $3 bilyon bawat gigawatt. Sa halimbawa ng Rubin Ultra na henerasyon ng chip ng NVIDIA, ang kabuuang gastos na kasama ang elektrikong solusyon pagkatapos ng tabla ay humigit-kumulang sa $50 bilyon bawat gigawatt.

Ano ang maliit na pinagsasamantalahan ng merkado

Naniniwala ang mga analista na ang merkado ay kasalukuyang nagpapakita ng maliit na halaga sa tatlong bagay:

Una, ang mga global na benepisyaryo ng GPT-6 Astra ay hindi pa sapat na price.

Pangalawa, ang kakulangan sa suplay ay maaaring magtrabaho nang higit pa. Ang mga limitasyon sa ABF at HBM4E BEOL ay hindi maaaring lutasin sa maikling panahon.

Ikatlo, ang ilang mga stocks na hindi nakasalalay sa AI ay nagkakaroon ng malakas na pag-angat. Ang mga simulated chip (STM, NXP, Renesas) ay nasa unang yugto ng pagbabalik sa siklo pagkatapos ng higit sa tatlong taon ng L-shaped bottom—pagpapaliit ng inventory, pagpapanatili ng presyo, at pagpapabuti ng mga order sa industriya.

Hindi ang konklusyon ang “bumili ng higit sa AI”

Morgan Stanley na binigay na prioridad sa pag-invest:

AI computing power (highest priority) > Network (secondary) > Memory (optional) + Analog chips (early cycle hedge), including:

• AI computing power: GPU (NVIDIA), ASIC (MediaTek, GUC), ABF substrate (Unimicron, Ibiden), MLCC (Murata, Samsung Electro-Mechanics), back-end packaging and testing (Advantest, Tokyo Electron, Hua Feng, ASE, Kyocera), power supply (Delta)
• Network: GLW, LITE, COHR, KEYS, Furukawa Electric, Fujikura
• Memory: Prioritize structural share growth and localization (CXMT), SK Hynix, Samsung, and Kioxia have tactical upside potential as supply remains tight
• Hindi AI: Simulation chip (STMicroelectronics, NXP, Renesas)

Ang pahayag na ito ay: "Mas pinipili namin ang mga kumpanya na nasa intersection ng mas malawak na pagpapalawak ng cycle, limitadong fisikal na kapasidad, pagtaas ng intensity ng content, at pagdami ng paggawa ng kompleksidad."

Mga lugar kung saan kailangan mag-ingat

Hindi eksklusibong positibo ang ulat ng Morgan Stanley, at malinaw na binigyang-pansin ang tatlong bagay na dapat tandaan:

Una, mataas na ang mga inaasahan sa AI. Ang pagtitiwala ng merkado sa mga kumpanya ng AI ay nagbago mula sa “mabuting resulta” patungo sa “kailangang perpektong resulta”; kahit na may malaking pag-unlad ang Astra, kung hindi ito lalong lalong lumampas sa mga inaasahan, maaaring limitado pa rin ang reaksyon ng presyo ng stock.

Pangalawa, inaasahang magiging mas mabagal ang paglago ng kapital expenditure noong 2028. Ang pagpapresyo ng mga aktibo ay batay sa direksyon ng pagbabago sa paglago, at ang pagbaba mismo ay maaaring patuloy na magdulot ng presyur sa valuation, kahit na ang absolute value ay patuloy na tumataas.

Ikatlo, patuloy pa ang mga makro na salungat. Binanggit ng ulat ang mga hindi tiyak na salik tulad ng presyo ng langis, inflasyon, landas ng interest rate ng Federal Reserve, at ang pagpili ng Amerika noong 2028, lalo na ang posibleng politikal na pagtutol kung mananalo ang Democratic Party sa eksekutibo sa pagpapalawak ng mga data center.