原报告：Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》，2026 年 8 月 3 日
编译及整理：DaiDai、Frank，MSX 麦通研究院
核心速览
开放权重模型降低的是单次调用成本和部署门槛，不一定降低总算力需求，随着 AI 进入更多企业、工作流与设备，调用量的增长可能超过效率提升，触发典型的「杰文斯悖论」；
企业已经进入多模型时代，开放权重模型主要承担编程、文档处理、高频调用和特定领域任务， 复杂推理与 Agent 工作负载仍更多依赖前沿闭源模型；
开放权重并不等于免费，企业省下的可能是模型授权费或部分 API 费用，但仍需承担 GPU、云服务、本地机房、微调、人才、安全和运维成本；
无论闭源、混合还是开放权重模型最终占据主导，NVIDIA、现场电力与安全软件都属于较明确的跨情景受益方向；
开放权重模型越普及，AI 价值链越可能从基础模型层，向推理、路由、编排、可观测性、本地基础设施、边缘设备和垂直应用扩散；
每隔一段时间，AI 市场似乎都会经历一次「效率恐慌」。
当模型参数变小、推理成本下降，或者一家模型公司用更少的芯片实现接近前沿的性能时，市场很快便会产生一种直觉，既然完成同样任务所需要的计算资源越来越少，GPU、数据中心和电力需求是否也将随之见顶？
Kimi K3、DeepSeek V4 Flash 正式版等新一代开放权重模型的出现，再次把这一问题推到市场面前，它们不仅试图缩小与前沿闭源模型之间的能力差距，也允许企业下载、修改和自主部署模型，将过去高度集中于少数美国模型实验室的能力，扩散到更广泛的开发者与企业技术栈中。
但摩根士丹利在最新报告中给出的答案，恰恰与这种直觉相反：
模型效率提高，未必会杀死算力需求，它更可能让 AI 变得足够便宜，从而进入过去不值得使用 AI 的场景，并最终推高整体调用量。
在此基础上，真正需要重新讨论的，就变成了算力会在哪里发生、由谁提供，又有哪些公司能够从这种扩散中获得收入。
一、更便宜的模型，为什么可能消耗更多算力？
开放权重模型最容易引发的一种误解，是把「模型成本下降」直接等同于「基础设施需求下降」。
但对于多数企业而言，是否采用 AI，并不只取决于模型完成一次任务需要多少算力，而取决于它所创造的收益，能否覆盖模型、工程和基础设施成本。
摩根士丹利引用的测算显示，一个企业 AI 任务平均可以创造约 55 美元收益，而直接成本约为 2—5 美元，即使考虑数据、工程、安全与管理成本，这一收益成本比仍然意味着，大量企业工作流尚未完成 AI 化。
在这种情况下，模型降价带来的结果，可能不是企业减少 AI 支出，而是更多任务跨过经济可行性的门槛。
过去，企业或许只会将最重要、价值最高的任务交给 AI；当推理价格继续下降后，客服记录分类、合同审核、代码测试、商品描述、企业搜索、营销素材、数据清洗乃至内部审批，都可能被纳入模型工作流。
每项任务所需的计算资源可能下降，但任务数量、运行频率与用户规模却会同步扩大。
这正是报告反复提到的「杰文斯悖论」，当一项资源的使用效率提高、单位成本下降后，由于应用范围迅速扩大，其总消耗量反而可能增加。
譬如汽车更省油，并没有让全球石油需求自动消失；网络带宽越来越便宜，也没有让数据流量下降，类似地，更高效的模型未必减少 GPU 使用，反而可能让 AI 从少数高价值任务，变成企业内部无处不在的基础能力。
目前，这一扩散已经开始发生。
报告援引的 McKinsey 调查显示，63% 的受访企业已经在技术栈中使用开放模型，但多数企业并没有完全放弃闭源模型，而是将二者组合使用，开放权重模型主要用于编程、文档解析、高频调用和特定领域任务，前沿闭源模型则继续承担复杂推理、可靠性要求较高以及更难标准化的工作。
2026 年 2 月至 7 月，美国公司每周通过 OpenRouter 路由至中国开放模型的 Token 比例一度超过 30%，这一数据可能更偏向开发者和初创公司，无法直接代表大型企业支出，但至少说明，开放权重模型已经从实验室概念，进入真实的调用与部署环境。
当然，开放权重模型也并不等于「免费模型」。
企业在自托管时，可以不再向模型提供商支付按 Token 计算的 API 费用，但仍需购买或租赁 GPU，并承担机房、云服务、微调、工程团队、安全和日常运维成本，这意味着通过模型厂商或云平台提供的托管 API 使用开放权重模型，企业仍然可能按照 Token 或计算量付费。
因此，开放权重改变的不是计算成本是否存在，而是企业以什么方式支付计算成本，以及价值由模型提供商、云平台还是企业自有基础设施获得。
摩根士丹利援引的一项 MIT 研究估算，从闭源模型转向开放模型，平均价格可能下降约 70%，每年为消费者节省约 250 亿美元。但报告也特别提示，这一研究完成时间较早，不同模型的能力并不完全可比，也未必充分计入工程、微调和运维等隐性成本。
另一项 Carnegie Mellon 研究则显示，开放模型自建部署的回收期可能从约 3 个月延伸至 6 年，其中参数较小、任务固定、调用频率高的模型，能够较快摊薄硬件成本；大型模型和复杂企业级应用，则可能因为利用率不足、更新频繁和微调成本过高，很长时间都无法证明自建比 API 更便宜。
所以，开放权重模型的经济性并没有统一答案。
它取决于模型规模、使用频率、基础设施利用率、企业工程能力，以及数据是否必须留在本地。模型越开放，企业拥有的选择越多，但承担的技术责任也越多。
二、下一阶段，算力发生在哪里？
如果 AI 的未来只由少数闭源模型主导，那么训练和推理会继续集中在大型云平台与超大规模数据中心中。
但如果开放权重模型获得更广泛采用，AI 算力并不会消失，而是会从少数中心节点，进一步扩散至私有云、企业机房、主权数据中心、边缘服务器和个人设备。
这意味着，市场需要关注的变量将从「需要多少块 GPU」，转向「GPU 部署在哪里、由谁管理、如何被调用」。
在闭源模型时代，企业可以将大部分复杂性外包给模型公司：接入一个 API，按照 Token 付费，由提供商负责模型更新、基础设施、安全对齐与部分法律责任。
进入多模型时代后，这种简单结构开始被打破。
企业可能将最复杂的任务交给前沿闭源模型，将高频且成本敏感的任务交给开放权重模型； 敏感数据留在本地，一般工作负载运行在公有云；部分请求在数据中心处理，部分请求则直接在电脑、手机或其他边缘设备完成。
模型数量越多、部署位置越分散，企业 AI 技术栈也会变得越复杂：
首先是网关层：企业需要一个统一入口，管理不同模型的身份认证、调用权限、速率限制、日志记录和供应商故障切换；
其次是路由层：系统需要根据准确率、延迟、成本、数据敏感程度和任务难度，将每个请求分配给最合适的模型；
随后是编排层：复杂的 Agent 工作流通常需要多个模型、数据库和外部工具协同，单次用户请求可能被拆解为数十个步骤与调用；
最后是可观测性与评估层：企业必须持续跟踪模型输出质量、响应延迟、Token 使用、运行成本、失败原因和安全风险。
这也是为什么开放权重模型的扩散，不只利好模型厂商。
当基础模型本身变得更容易获得，企业更愿意为「如何把模型稳定地投入生产」付费。模型网关、任务路由、Agent 编排、数据治理、可观测性和安全软件，可能成为价值链中更难被压缩的环节。
安全的重要性尤其突出。闭源模型集中运行时，部分安全责任由模型实验室和云平台承担；而开放模型进入企业本地、私有云和边缘设备后，身份、数据、端点、模型权重和运行时环境都需要独立保护。
企业不仅需要防止员工将敏感数据发送给错误的模型，还需要管理不同模型能够访问哪些数据库、调用哪些工具，以及是否可能遭受提示词注入、模型蒸馏、权重篡改或权限滥用。
模型部署越分散，攻击面越大；模型数量越多，治理成本越高。
因此，开放权重模型真正带来的，并不是 AI 基础设施价值的消失，而是价值从单一的基础模型和 API 层，逐渐向整个系统栈扩散。
未来的 AI 支出可能不再只体现为少数科技巨头建设超级训练集群，也会表现为企业购买服务器、升级网络与存储、部署安全系统、建设私有 AI 平台，以及在手机和 PC 上配置更强的端侧算力。
算力需求从集中走向分布，并不意味着总量减少，只意味着受益者不再只集中于模型实验室和大型云厂商。
三、AI 的三种世界：无论谁赢，谁都绕不开算力、电力与安全
摩根士丹利没有为未来三种情景分配明确概率，而是分别推演了闭源模型胜出、混合架构共存和开放权重模型胜出时，AI 产业链可能出现的价值分配方式。
第一种世界：闭源模型继续掌握前沿能力
在这一情景下，前沿模型的性能、可靠性和安全能力仍然难以被复制，少数资本实力雄厚的模型实验室继续保持领先。
企业更看重准确率、部署便利、知识产权赔偿和品牌可信度，而不是完全控制模型权重，因此愿意继续为闭源 API 与企业订阅付费。
训练与推理工作负载会进一步集中在 AWS、Google Cloud 等 Hyperscaler 平台，超级训练集群继续推动对 GPU、高速网络、光通信和定制 ASIC 的需求。
Google、Amazon 等拥有云基础设施和模型能力的平台处于更有利的位置，Broadcom、Arista Networks、Lumentum、Coherent 等芯片与网络厂商也可能受益。
报告测算，如果 Google 能够凭借领先模型，在自有基础设施上运行 Gemini API，其示意投入资本回报率可以达到约 45%；即使模型并未处于绝对领先位置，仅作为基础设施提供商，相关回报率也可能接近 30%。
这说明，闭源世界最重要的资产不只是模型本身，还包括模型运行所依赖的算力所有权，谁拥有芯片、数据中心和客户入口，谁就更有能力保留模型调用产生的利润。
第二种世界：开放与闭源长期共存
这是目前最接近企业真实使用状态的一种情景。
闭源前沿模型负责复杂推理、长流程 Agent 和高可靠性任务，而开放权重模型与小模型则处理高频、成本敏感、低延迟或高度专业化的工作。
企业不会只选择一个模型，而是根据任务不断切换和路由， 这也意味着 AI 部署同时存在于公有云、私有云、本地基础设施和边缘设备中。
这一情景下，单一模型厂商很难获得完全垄断性的定价权，但整个 AI 软件与基础设施市场会获得最广泛的需求。
微软、亚马逊和 Google 仍然受益于云端工作负载；
Datadog、Palantir、Appian 等基础设施与工作流软件厂商，可能受益于模型编排、数据连接与可观测性需求；
Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Okta 等安全厂商，则受益于企业攻击面与身份边界持续扩大；
与此同时，Cisco、F5 等网络设备厂商，以及 Dell、HPE、NetApp 等企业基础设施公司，也可能从本地和混合部署中获得新增需求。
混合架构最大的投资含义是，AI 支出不会只集中于训练集群，而会沿着企业技术栈逐层扩散，且模型层的竞争越激烈，企业越需要中立的软件与基础设施，帮助其在不同模型和部署环境之间进行切换。
第三种世界：开放权重模型成为主流
在这一情景下，开放权重模型逐步接近前沿闭源模型，基础模型智能变得广泛可得，API 价格大幅下降。
企业不再愿意为通用模型能力支付过高溢价，而是利用私有数据进行微调，将主要预算投入推理优化、Agent、行业工具和应用部署。
创新重心由预训练转向后训练和应用层，AI 基础设施也更加分散。政府和大型企业可能出于数据主权、隐私、延迟和避免供应商锁定等考虑，将更多模型部署在主权云、私有数据中心和本地环境中。
微软可能凭借 Azure、GitHub、企业软件与开放模型生态获得更强地位；
MiniMax、智谱/Z.ai，以及阿里巴巴、腾讯等开放模型提供商的战略价值上升
Dell、HPE、NetApp 等本地基础设施厂商，HP、苹果等端侧设备公司，以及系统集成与 IT 分销渠道，也会获得更明显的需求；
但开放世界并不意味着云平台失去价值。
多数企业仍不会完全自行建设基础设施，开放模型仍然可能运行在 Azure、AWS 或 Google Cloud 上，Hyperscaler 的角色会从唯一的模型入口，转变为开放模型托管、计算资源、数据服务和企业 AI 平台的提供者。
因此，云厂商面临的并非简单的输赢，而是利润结构的变化，譬如基础模型租金可能下降，但计算、存储、数据库、安全与企业服务收入仍可能增长。
三种结局中的共同赢家
在摩根士丹利列出的资产矩阵中，最值得注意的不是每个情景独有的公司，而是那些在三列中反复出现的名字。
首先是 NVIDIA。
闭源模型胜出，意味着更多算力集中在超大规模训练与推理集群中；开放权重模型胜出，则意味着推理节点向企业、本地和边缘环境扩散。
两种路径所对应的芯片形态、客户结构和单个集群规模可能不同，但都需要持续增加计算能力，说到底，开放模型降低的是模型使用门槛，而不是取消计算过程。
其次是电力。
闭源世界需要稳定的 GW 级电力支撑超级数据中心，开放世界则会增加企业数据中心、主权云与现场推理设施的供电需求。模型效率提高，可能降低单次任务耗电量，却也可能让更多任务和设备持续运行 AI。
Bloom Energy、Williams、Liberty Energy 等现场电力、天然气与能源基础设施公司，因此被报告反复列入受益范围。
第三是安全软件。
无论企业使用闭源还是开放模型，都需要保护身份、数据与应用；而当部署从少数云平台扩散至本地和边缘环境时，安全需求只会变得更加复杂。
从这个角度看，安全软件可能是开放权重模型扩散中被市场低估的二阶受益方向。
写在最后
总的来看，开放权重模型真正可能杀死的，或许从来不是算力需求，而是基础模型层能够长期维持高额租金的想象。
当模型能力逐渐普及，企业不再只为「获得智能」付费，而会将更多预算投入如何部署智能、连接数据、管理工作流、保护系统，并让模型在真实业务中持续创造回报。
算力也不会简单地从增长转向衰退——它可能从少数超级训练集群，扩散至更多推理节点、企业机房、主权云和边缘设备；从一次性的模型训练竞赛，逐步变成覆盖企业每个工作流程的长期基础设施投入。
因此，开放权重模型带来的最大变化，不是 AI CapEx 周期即将结束，而是这个周期正在进入一个参与者更多、部署更分散、价值链也更长的新阶段。
