①開放權重模型降低AI使用成本後，可能刺激更多企業部署，從而帶動Token、算力和電力需求增長；②開放權重並不等於完全免費，企業仍需承擔GPU、雲服務、運維和安全等成本，實際經濟性取決於應用場景；③大摩提出未來三種情景，並認為無論模型開放程度如何變化，輝達等均有望受益。

財聯社8月4日訊（編輯 夏軍雄）摩根士丹利在最新報告《開放權重模型與三種未來情景》中指出，開放權重模型並不一定削弱AI算力需求。

恰恰相反，更低的使用成本可能加快AI普及，形成典型的「傑文斯悖論」：單次推理變便宜後，企業會把AI用於更多任務，最終推高Token、算力、電力和基礎設施的總需求。

報告強調了開源（Open-Source）模型和開放權重（Open-Weights）模型的區別。市場經常將「開放權重」和「開源」混為一談，但兩者並不相同。

開放權重模型會公佈訓練完成後的參數，允許用戶下載、部署和微調，卻可能不公開訓練數據和完整代碼，許可條件也未必完全寬鬆。Meta的Llama、Google的Gemma，以及Qwen、DeepSeek和Kimi等中國AI模型均屬於此類。

而真正的開源模型則會進一步公開代碼、訓練指南和數據細節，報告列舉的代表是AI2的OLMo。

開放與閉權重（Closed-Weights，亦常被稱為閉源模型）的核心區別，也不在參數規模、速度或效率，而在於用戶如何取得、改造和部署模型。

閉權重模型通常由模型商統一託管，企業需要支付訂閱或席位費，並按Token用量付費。開放權重本身大多可以免費取得，但企業仍需承擔GPU、雲服務、訓練、微調、運維和安全成本。企業可以自購算力，也可以按小時租用雲端GPU，或者通過託管API按Token付費。

因此，開放權重只是取消了模型許可費，並不意味著總體擁有成本為零。

麥肯錫對41個國家、700名技術負責人的調查顯示，63%的受訪企業已經使用開源模型，通常與閉權重模型並存。2026年2月至7月，美國用戶每周有超過30%的OpenRouter Token被路由至中國開放模型。

不過，這組數據可能更多反映初創企業和技術團隊的行為。摩根士丹利判斷，開放權重模型目前仍只佔企業LLM使用量和模型支出的少數。

原因在於，大型企業不僅關心模型價格，還重視可靠性、品牌信譽、服務支援、版權賠償和持續升級能力。多數企業目前仍選擇模型商的標準化產品，或直接與前沿實驗室合作定製模型，以減少自行訓練和維護的工程負擔。

開放權重主要應用於編程、文檔解析、客戶服務及其他專業化任務。這些場景通常具備三個特徵：調用頻繁、對響應速度要求較高，或者需要使用企業內部數據進行定製。

開放權重最直接的吸引力是降低高頻推理的可變成本。

報告援引MIT的一項研究稱，從閉源模型轉向開放模型，可能使平均價格下降70%，每年為消費者節省約250億美元。對於每天需要執行數十億次多模態推理的企業，逐Token收費可能難以持續，開放權重因而具有明顯吸引力。

但報告給出了三項限定：這項測算完成於2025年12月；並非所有開放模型的單位Token成本都更低，Kimi K3就是反例；企業還要承擔算力、託管、訓練和微調成本。

部署規模尤其影響投資回收期。卡內基梅隆大學的研究顯示，低於300億參數、主要用於客服和文檔分析的小型模型，最長可能在3個月左右收回投入；參數規模達到2000億至1兆、用於高級研究或全企業生成式應用的大型部署，回收期最長可能達到6年。

因此，開放權重的經濟性並非簡單的「免費替代付費」，而取決於調用量、GPU利用率、模型大小和企業自身技術能力。

除成本外，開放權重的另一項價值是部署控制權。企業可以把模型運行在本地或私有雲中，從而滿足數據主權、本地化記憶體和行業監管要求。調查顯示，40%的企業領導者正是因為能夠控制模型部署地點而青睞開放權重，這對金融、醫療、政府等高度監管領域尤其重要。

然而，控制權也意味著責任轉移。開放模型發佈後，開發者很難限制第三方如何修改權重。

報告提到，2026年4月，英國《金融時報》和AI安全組織Alice利用Heretic工具，在幾分鐘內移除了Meta和Google開放模型的安全護欄。惡意使用、模型蒸餾攻擊以及內部數據洩漏，都可能成為企業必須自行處理的風險。

在知識產權方面，OpenAI、Anthropic等商業模型通常會在企業遵守安全規則和正確使用的條件下，提供一定的版權賠償。開放權重模型一般沒有類似安排，相關法律責任可能由部署企業承擔。

地緣政治也是新的變量。美國若限制中國開放模型，可能破壞企業的業務連續性。美國企業即使認可中國模型的性價比，也可能為了避免未來突然無法使用而轉向美國開放模型或閉源供應商。

其他採用障礙包括切換成本、品牌與信任，以及對外國模型的排斥。

三種未來：價值可能沿AI產業鏈重新分配

摩根士丹利提出了三種可能的產業格局。

前沿能力始終難以複製，市場集中於少數資金雄厚的實驗室。企業為準確性、可靠性、知識產權保障和部署便利支付溢價，訓練及推理繼續集中在超大規模雲端。

這一情景最利多Google、亞馬遜、Meta、輝達和博通，以及Arista Networks、Lumentum、Coherent等光通訊和網絡設備公司。若Gemini 4幫助Google重返模型前沿，報告估算其在自有基礎設施上運營模型API的資本回報率約為45%；若Google主要充當基礎設施供應商，回報率約為30%。

閉權重模型負責複雜推理和智能體任務，開放權重及小模型承擔高流量、成本敏感和垂直領域任務。同一個企業工作流可能根據價格和能力在不同模型之間動態切換。

在這種情況下，亞馬遜、Google和微軟三大雲平台都能受益，模型編排、基礎設施軟件、安全、SaaS和網絡設備的價值也會提升。SAP、ServiceNow、思科和F5等公司有望成為重要受益者。

開放模型性能逐漸逼近前沿，基礎模型智能廣泛可得，API價格顯著下降。創新重點從大規模預訓練轉向微調、推理優化、智能體、工具和專用應用。

AI部署也會更加分散：部分工作負載從公有雲遷往私有數據中心、主權雲、本地服務器和邊緣設備。微軟、阿里巴巴、騰訊、MiniMax等模型或雲平台，以及戴爾、慧與（HPE）、NetApp、惠普、蘋果、TD Synnex、Ingram Micro和CDW等本地基礎設施、終端及分銷管道公司將更直接受益。

雖然三種情景對模型商和雲廠商的影響不同，但報告列出了一批跨情景贏家。

輝達在三種情景下均被列為「最大受益者」，無論模型開放與否，推理量擴張都需要GPU。CoreWeave和NEBIUS等新型雲廠商也在三個情景中受益。

Palo Alto Networks、CrowdStrike和Okta同樣貫穿三種情景。閉權重世界需要保護集中式雲服務，開放權重世界則要保護數量更多、分佈更廣的本地和邊緣工作負載。

更值得關注的是電力。Bloom Energy、INNIO、Solaris Energy Infrastructure、Williams和Liberty Energy在三個情景中均被列為最大受益者。模型效率提升可以降低單次計算的耗電，卻可能因為使用量迅速增加而推高總用電需求。

報告測算，三種AI推理商業模式均可能實現至少約25%的增量資本回報率：超大規模雲GPU租賃約31%，在自有基礎設施上運行模型API約46%，在第三方基礎設施上運行模型API約25%。

與此同時，一項平均AI任務可創造約55美元收益，而推理成本僅約2至5美元。只要這一投入產出關係成立，企業就仍有動力擴大AI使用。 (財聯社)

近期 AI 基礎設施類股出現了一輪明顯的回呼，尤其是在國內大模型 K3 發佈之後，市場擔憂情緒升溫：是不是 AI 的需求已經見頂？這輪行情是不是已經走完了？

摩根士丹利最新發佈的全球 AI 基礎設施專題報告，給出了完全不同的判斷：機構認為，當前的回呼恰恰是佈局的機會，因為全球算力的需求，未來很多年都會持續超過供給，中國大模型的進步反而會進一步放大這種供需缺口，也就是所謂的 “傑文斯悖論”。

一、核心判斷：算力供需失衡，將持續多年

摩根士丹利的最高信心判斷是：未來很多年，全球對 AI 算力的需求，都將顯著超過供給，這是整個 AI 基礎設施類股的核心驅動邏輯。

很多投資者擔心，企業會不會因為成本問題，限制 token 的支出，從而壓制 AI 的收入增長？但機構的判斷恰恰相反，他們認為，這種擔憂完全沒有必要，實際的情況是，企業對 AI 的需求只會越來越旺盛，而不是被成本限制。

更關鍵的是，AI 能力的提升是非線性的，這一點往往被市場低估。當前的前沿大模型，已經可以在超過 50% 的人類知識任務上，達到甚至超過人類的水平。如果未來大模型的能力再提升一倍，會帶來什麼樣的經濟影響？

機構認為，長期來看，絕大多數的知識類工作，最終都可以由前沿大模型來完成，效率和成本都會遠低於人類。這意味著，AI 的資本開支，會成為未來很長一段時間裡，企業的核心投入方向。

而且，遞迴自我改進（RSI）的技術正在推進，這會讓大模型的能力提升速度，從 “人類研發的速度” 變成 “機器自我迭代的速度”，一旦這個技術落地，AI 能力的進步會進一步加速，反過來又會推高對算力的需求。

二、中國大模型的進步：不是威脅，反而放大算力需求

近期國內的 Kimi K3 大模型發佈，引發了市場的擔憂：是不是中國的大模型已經追上了海外，海外的 AI 需求會因此下降？

但摩根士丹利認為，這恰恰相反，中國大模型的進步，反而進一步強化了機構對算力需求的樂觀判斷，也就是所謂的“傑文斯悖論”—— 技術進步帶來的效率提升，反而會帶來更大的需求，而不是減少。

機構的分析師 Gary Yu 指出，K3 並不是什麼 overnight 的奇蹟，而是中國 AI 行業多年積累的結果，之前的 GLM-5.2 就已經非常出色了。K3 的發佈，反而說明縮放定律依然有效，未來中國還會有更多更大、更強、定價更高的大模型推出，這些都會帶來海量的算力需求。

而且，從資料中心的 ROIC 來看，用 Kimi K3 來營運資料中心，反而會讓利潤率提升 3% 左右，這意味著，企業的投入會有更高的回報，反而會刺激更多的資本開支。

簡單來說，中國的大模型進步，不是在搶海外的市場，而是在共同把整個算力的蛋糕做大，全球的算力需求，只會因此變得更旺盛。

三、資料中心的最大瓶頸：電力缺口，38GW 的供需缺口

隨著 AI 資料中心的爆發，最大的瓶頸已經不是晶片，而是電力。

摩根士丹利測算，到 2028 年，美國的資料中心，會面臨 38GW 的電力缺口，到 2030 年，這個缺口會擴大到 122GW。

現在很多地區的電網互聯等待時間，已經長達 5-7 年，根本趕不上資料中心的建設速度。這就催生了 “time to power” 的解決方案，也就是快速部署的發電方案，來解決這個瓶頸。

1.天然氣渦輪機，可以提供 15-20GW 的額外電力

3.利用核電站的場地，可以提供 3-5GW

4.把之前比特幣礦企的場地改造成資料中心，可以提供 14-19GW

這些方案加起來，最多可以填補 37GW 的缺口，但即便如此，到 2028 年，依然會有 1-11GW 的淨缺口，這意味著，電力的供需緊張，會持續很長一段時間。

而且，這些資料中心的供電合同，價值被市場嚴重低估了。比如，現在很多比特幣企業，正在轉型做資料中心的“powered shell”，也就是建好帶供電的資料中心，和超大規模企業簽 15-25 年的長期合同，這種項目的無槓桿 FCF 收益率可以達到 15-19%，槓桿後的股權回報可以到中高十幾，這是非常高的回報，但是很多相關的股票，還沒有反映出這個價值。

四、企業端的真實需求：CIO 把 AI 列為第一優先順序

機構的 2026 年二季度 CIO 調研，也驗證了 AI 需求的強勁：
AI/ML 已經連續多個季度，成為 CIO 的第一 spending 優先順序，二季度有 18% 的受訪者把 AI 列為最優先的投入，比一季度的 17.7% 還略有提升。

雖然在經濟下行的風險下，CIO 對 AI 項目的防禦性有所下降，從一季度的 + 10% 降到了 + 4%，但這只是說明，企業會更謹慎地篩選 AI 項目，而不是減少投入。

從目標來看，30% 的 CIO，把 “通過生成式 AI 提升員工 productivity” 作為首要目標，比去年同期的 29% 還略有提升；21% 的 CIO，把面向客戶的 AI 應用，用來提升收入，作為第二目標。

更關鍵的是，AI 的部署速度在加快：一季度的時候，只有 43% 的 CIO，預計在 2026 年底之前完成 AI 項目的部署；到了二季度，這個數字已經升到了 76%，絕大多數的企業，都要在今年把 AI 項目落地。

這說明，企業端的 AI 需求，不是什麼炒作，而是實實在在的落地處理程序，正在加速推進。

五、各類股的投資機會：這些個股有 30% 以上的上漲空間

基於當前的供需格局，摩根士丹利梳理了 AI 基礎設施各個類股的投資機會，給出了具體的個股推薦：

美國網際網路：超大規模企業的護城河在加深

很多投資者擔心，Meta 的 3800 億美元的資本開支，會不會打水漂？但機構認為，這恰恰是 Meta 加深護城河的機會，Meta 的 35 億日活使用者，加上 GPU 帶來的產品改進，會讓它的使用者粘性和變現能力變得更強。而且，Meta 的 neocloud 業務，還可以把多餘的算力租出去，在算力緊缺的市場裡變現。

機構給 Meta 的目標價是 775 美元，還有 30% 的上漲空間。

輝達雖然市值很大，但依然是機構在半導體類股的首選，雖然近期股價有所回呼，但機構的信心依然很高。機構認為，當前的估值，已經充分反映了市場的擔憂，未來的價值重估會帶來上漲。

機構給輝達的目標價是 288 美元，還有 39% 的上漲空間。

另外，美光也是機構推薦的標的，目標價 120 美元，還有 30% 的上漲空間，因為記憶體晶片的需求，也會隨著 AI 的爆發而提升。

微軟是機構非常看好的標的，因為它在企業端的管道能力，加上它覆蓋了 AI 的應用層和基礎設施層，從 Office 365 到 Azure，都可以嵌入 AI 能力，這讓它可以充分受益於 AI 的普及。

機構給微軟的目標價是 600 美元，還有 57% 的上漲空間，認為當前的估值，依然沒有充分反映它的 AI 增長潛力。

六、中國市場：AI 晶片 TAM 將達 910 億美元，自給率升至 70%

針對中國市場，機構也做了專門的測算：
中國的 AI 晶片市場，到 2030 年，規模會達到 910 億美元，比之前的預測上調了 36%，2025-2030 年的復合增速是 23%。

這個上調的原因，主要是幾個方面：

1.字節跳動的資本開支會大幅提升，2027 年預計會達到 800 億美元，用來強化它的 AI 競爭力

2.中國的主權 AI 投入，也就是國企和政府的 AI 基礎設施建設，會進一步提升，之前有消息說，中國準備在 5 年裡投 2 兆人民幣建資料中心

3.中國的雲廠商，未來會在海外的 data center 用國產的 GPU，這會帶來額外的需求

同時，中國的 AI 晶片自給率，會從 2025 年的 42%，提升到 2030 年的 70%，隨著國產晶片的性能提升，國產替代的處理程序會加速。

七、全球資產配置：啞鈴型佈局，AI + 能源材料

最後，針對全球資產配置，機構給出了建議：
投資者應該採取啞鈴型的佈局，一方面配置 AI 基礎設施的相關標的，另一方面配置能源、材料、工業這些上游的受益標的，也就是機構的能源安全、可再生能源、國防這些類股。

而消費相關的類股，比如可選消費、必選消費、汽車，機建構議低配。

在區域上，日本依然是機構的核心超配，因為日本的通縮結束，企業盈利的動能很強；新加坡也是超配，而澳大利亞，因為面臨滯脹的風險，還有房地產的調整，機建構議低配。

整體來看，機構認為，當前 AI 類股的回呼，恰恰是佈局的機會，因為算力的供需缺口，會持續很多年，這是一個長周期的投資邏輯，短期的波動，不會改變這個長期的趨勢。

彙整鉅亨號中所有使用「傑文斯悖論」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`