Morgan Stanley Riset Semikonduktor Greater China menerbitkan laporan baru pada 8 Mei 2026.

-> $NVDA Rak dan server masih menjadi pendorong utama capex, mewakili sekitar 58–63% dari total biaya pusat data 1GW, tidak termasuk HBM dan CPU.
-> Untuk ASIC kustom, rak dan server jauh lebih rendah, sekitar 39% dari total biaya. Itu adalah alasan paling jelas mengapa hyperscalers terus mendorong silikon internal.
-> Morgan Stanley memperkirakan bahwa pusat data GPU NVIDIA 1GW biaya:
Vera Rubin: ~$41B
GB300: ~$33B
B200: ~$24B
H100: ~$23B
Dibandingkan dengan ASIC kustom:
TPUv7: ~$27B
Trainium3: ~$15B
-> Sistem NVIDIA generasi saat ini dapat biaya hingga ~2x lebih banyak per GW daripada ASIC kustom. Vera Rubin hampir 3x Trainium3 berdasarkan perkiraan ini.
-> Ini tidak berarti ASIC kustom secara otomatis lebih baik. NVIDIA masih memiliki ekosistem lengkap terkuat, perangkat lunak, jaringan, ketersediaan, dan dukungan model. Tapi ini menunjukkan mengapa hyperscalers memiliki insentif ekonomi besar untuk memperbesar ASIC.
-> Kantong biaya terbesar kedua adalah jaringan, sekitar 19–23% di sebagian besar sistem.
-> Power shell, pendinginan, DRAM, HBM, dan CPU penting, tetapi sekunder dibandingkan rak, server, dan jaringan.
-> Ini juga bullish untuk pemasok infrastruktur skala rak, karena debat capex AI bukan hanya GPU vs ASIC. Ini adalah rak, jaringan, pengiriman daya, pendinginan, dan pembangunan pusat data secara keseluruhan.
-> Dunia hyperscaler akan terbagi antara klaster NVIDIA premium untuk kinerja dan fleksibilitas maksimal, dan klaster ASIC kustom untuk beban kerja yang lebih murah dan lebih teroptimasi.
-> NVIDIA masih menangkap bagian terkaya dari capex infrastruktur AI, tetapi ASIC kustom menjadi mekanisme tekanan biaya yang akan digunakan hyperscalers untuk mengurangi ketergantungan jangka panjang.