摩根士丹利在 2026 年 8 月 3 日发布的研究报告《Weighing In: Open-Weights Models & 3 States of the World》中提出，开放权重模型降低的是单次调用成本和部署门槛，但这不必然意味着 AI 总算力需求下降。报告认为，随着 AI 被纳入更多企业、工作流和设备，调用量的增长可能超过效率提升，进而触发典型的“杰文斯悖论”。
报告称，市场围绕“效率提升会不会杀死算力需求”的讨论再度升温，和 Kimi K3、DeepSeek V4 Flash 正式版等新一代开放权重模型的出现有关。这类模型一方面试图缩小与前沿闭源模型之间的能力差距，另一方面也允许企业下载、修改并自主部署模型，使原本高度集中于少数美国模型实验室的能力，开始向更广泛的开发者和企业技术栈扩散。
更便宜的模型，不等于更低的基础设施需求
摩根士丹利指出，开放权重模型最容易引发的误解之一，是把“模型成本下降”直接等同于“基础设施需求下降”。对多数企业来说，是否采用 AI，不只取决于模型完成一次任务需要多少算力，更取决于它创造的收益能否覆盖模型、工程和基础设施成本。
报告援引的测算显示，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。即便把数据、工程、安全和管理成本纳入考量，这样的收益成本比仍意味着，大量企业工作流还没有完成 AI 化。模型价格下降后，结果未必是企业减少 AI 支出，更可能是更多任务跨过经济可行性的门槛。
报告列举称，过去企业可能只把最重要、价值最高的任务交给 AI；但在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、数据清洗以及内部审批等环节，都可能被纳入模型工作流。单项任务所需计算资源可能下降，但任务数量、运行频率和用户规模会同步扩大。
这也是报告反复提到“杰文斯悖论”的原因：当某项资源的使用效率提高、单位成本下降后，随着应用范围迅速扩大，总消耗量反而可能上升。报告以汽车更省油并未让全球石油需求自动消失、网络带宽变便宜也未让数据流量下降作类比，认为更高效的模型不一定减少 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。
企业已经进入多模型时代
摩根士丹利援引 McKinsey 调查称，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，而是将两者组合使用。开放权重模型主要承担编程、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。
报告还提到，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%。报告同时强调，这组数据可能更偏向开发者和初创公司，不能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走入真实的调用与部署环境。
不过，开放权重并不等于免费。报告指出，企业在自托管时，虽然可以不再向模型提供商支付按 Token 计费的 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，即便通过模型厂商或云平台提供的托管 API 使用开放权重模型，企业仍可能按 Token 或计算量付费。
摩根士丹利认为，开放权重改变的不是计算成本是否存在，而是企业以何种方式支付这部分成本，以及价值最终由模型提供商、云平台还是企业自有基础设施获得。
报告援引一项 MIT 研究估算称，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。不过，报告也提示，这项研究完成时间较早，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，能较快摊薄硬件成本；大型模型和复杂企业级应用，则可能因利用率不足、更新频繁和微调成本过高，长期无法证明自建比 API 更便宜。
报告据此认为，开放权重模型的经济性没有统一答案。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，以及数据是否必须保留在本地。模型越开放，企业拥有的选择越多，承担的技术责任也越多。
算力不会消失，只是从中心向外扩散
摩根士丹利在报告中提出，如果 AI 未来继续由少数闭源模型主导，训练和推理将继续集中在大型云平台和超大规模数据中心。但如果开放权重模型获得更广泛采用，AI 算力不会消失，而是会从少数中心节点，扩散到私有云、企业机房、主权数据中心、边缘服务器和个人设备。
在这种情况下，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”。
报告称，在闭源模型时代，企业可以把大部分复杂性交给模型公司处理：接入一个 API，按 Token 付费，由提供商负责模型更新、基础设施、安全对齐和部分法律责任。进入多模型时代后，这种简单结构开始被打破。企业可能把最复杂的任务交给前沿闭源模型，把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。摩根士丹利将其拆分为几层：
- 网关层：需要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。
- 路由层：系统需要按准确率、延迟、成本、数据敏感程度和任务难度，将请求分配给最合适的模型。
- 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成数十个步骤与调用。
- 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。
报告认为，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，企业会更愿意为“如何稳定把模型投入生产”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。
安全是其中最突出的部分之一。报告指出，在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单独保护。
企业不仅要防止员工把敏感数据发送给错误的模型，还要管理不同模型可以访问哪些数据库、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。
按照报告的判断，开放权重真正带来的，不是 AI 基础设施价值消失，而是价值从单一的基础模型和 API 层，逐步向整个系统栈扩散。未来的 AI 支出不再只体现为少数科技巨头建设超级训练集群，也会体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。
摩根士丹利推演 AI 的三种世界
报告没有给三种未来情景分配明确概率，但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 和企业订阅付费。
报告认为，这种情况下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 GPU、高速网络、光通信和定制 ASIC 的需求。Google、Amazon 等同时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达到约 45%；即便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%。报告借此指出，闭源世界里最重要的资产不只是模型本身，也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
摩根士丹利认为，这一情景最接近当前企业的真实使用状态。闭源前沿模型负责复杂推理、长流程 Agent 和高可靠性任务，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，而是会围绕不同任务不断切换和路由，这也意味着 AI 部署会同时出现在公有云、私有云、本地基础设施和边缘设备中。
在这一情景下，单一模型厂商较难获得完全垄断性的定价权，但整个 AI 软件和基础设施市场会获得最广泛的需求。报告列出的潜在受益方包括微软、亚马逊和 Google 等云平台；Datadog、Palantir、Appian 等基础设施与工作流软件厂商；Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Okta 等安全厂商；以及 Cisco、F5 等网络设备厂商，和 Dell、HPE、NetApp 等企业基础设施公司。
报告认为，混合架构最大的投资含义在于，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；模型层竞争越激烈，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，开放权重模型逐步逼近前沿闭源模型，基础模型智能变得广泛可得，API 价格明显下降。企业不再愿意为通用模型能力支付过高溢价，而会利用私有数据进行微调，把主要预算投向推理优化、Agent、行业工具和应用部署。
报告认为，创新重心会从预训练转向后训练和应用层，AI 基础设施也会更分散。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，把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。
但报告同时指出，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建基础设施，开放模型依然可能运行在 Azure、AWS 或 Google Cloud 上。Hyperscaler 的角色会从唯一的模型入口，转向开放模型托管、计算资源、数据服务和企业 AI 平台提供者。云厂商面对的不是简单输赢，而是利润结构变化，例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。
三种结局中的共同受益方
摩根士丹利列出的资产矩阵中，最值得注意的并非每个情景独有的公司，而是那些在三列中反复出现的名字。
第一类是 NVIDIA。报告称，无论闭源模型胜出还是开放权重模型胜出，路径不同，但都离不开持续增加的计算能力：前者意味着更多算力集中在超大规模训练与推理集群中，后者则意味着推理节点向企业、本地和边缘环境扩散。开放模型降低的是模型使用门槛，不是取消计算过程。
第二类是电力。报告指出，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、主权云和现场推理设施的供电需求。模型效率提高，也许会降低单次任务耗电量，但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，因此被报告反复列为受益范围。
第三类是安全软件。报告认为，无论企业采用闭源还是开放模型，都需要保护身份、数据和应用；而当部署从少数云平台扩散到本地和边缘环境时，安全需求只会更复杂。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。
报告结论：被压缩的可能是基础模型层租金，不是算力本身
摩根士丹利在报告最后写道，开放权重模型真正可能压缩的，未必是算力需求，而是基础模型层长期维持高额租金的想象。随着模型能力逐渐普及，企业不再只为“获得智能”付费，而会把更多预算投入到如何部署智能、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。
报告认为，算力不会简单从增长转向衰退。它可能从少数超级训练集群，扩散到更多推理节点、企业机房、主权云和边缘设备；从一次性的模型训练竞赛，转向覆盖企业每个工作流程的长期基础设施投入。开放权重模型带来的最大变化，不是 AI CapEx 周期即将结束，而是这个周期正进入一个参与者更多、部署更分散、价值链也更长的新阶段。