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)

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