徽声在线8月4日讯（编辑 李晓峰）摩根士丹利在其最新发布的《开放权重模型与三种未来情景》研究报告中指出，开放权重模型并不会必然削弱人工智能（AI）领域的算力需求。

相反，随着使用成本的降低，AI技术的普及速度有望加快，从而形成典型的“杰文斯悖论”现象：即单次推理成本下降后，企业会倾向于将AI应用于更多任务场景，最终导致Token、算力、电力以及基础设施等方面的总需求持续攀升。

开放权重模型与开源模型：概念需厘清

报告特别强调了开源（Open-Source）模型与开放权重（Open-Weights）模型之间的本质区别。市场上常常将“开放权重”与“开源”混为一谈，但实际上两者存在显著差异。

开放权重模型会公开训练完成后的模型参数，允许用户下载、部署并进行微调，但可能不会公开训练数据和完整代码，且许可条件也可能并不完全宽松。例如，Meta的Llama、谷歌的Gemma，以及Qwen、DeepSeek和Kimi等中国AI模型均属于开放权重模型范畴。

而真正的开源模型则会进一步公开代码、训练指南以及数据细节。报告以AI2的OLMo作为开源模型的典型代表。

开放权重模型与闭权重（Closed-Weights，也常被称为闭源模型）的核心区别，并不在于参数规模、处理速度或效率，而在于用户如何获取、改造以及部署这些模型。

闭权重模型通常由模型提供商统一托管，企业需要支付订阅费用或席位费，并根据Token使用量进行付费。而开放权重模型本身大多可以免费获取，但企业仍需承担GPU、云服务、训练、微调、运维以及安全等方面的成本。企业可以选择自购算力，也可以按小时租用云端GPU，或者通过托管API按Token付费。

因此，开放权重模型只是取消了模型许可费用，并不意味着企业的总体拥有成本为零。

企业当前对开放权重模型的应用情况

麦肯锡对41个国家、700名技术负责人进行的调查显示，63%的受访企业已经在使用开源模型，且通常与闭权重模型并存使用。在2026年2月至7月期间，美国用户每周有超过30%的OpenRouter Token被路由至中国的开放模型。

然而，这组数据可能更多地反映了初创企业和技术团队的行为模式。摩根士丹利判断，目前开放权重模型在企业大语言模型（LLM）使用量和模型支出中仍只占少数比例。

原因在于，大型企业不仅关注模型的价格，还非常重视模型的可靠性、品牌信誉、服务支持、版权赔偿以及持续升级能力。多数企业目前仍倾向于选择模型提供商的标准化产品，或者直接与前沿实验室合作定制模型，以减少自行训练和维护的工程负担。

开放权重模型主要应用于编程、文档解析、客户服务以及其他专业化任务场景。这些场景通常具备三个特征：调用频繁、对响应速度要求较高，或者需要使用企业内部数据进行定制。

开放权重模型的主要优势解析

开放权重模型最直接的吸引力在于能够降低高频推理的可变成本。

报告援引麻省理工学院（MIT）的一项研究称，从闭源模型转向开放模型，可能使平均价格下降70%，每年为消费者节省约250亿美元。对于每天需要执行数十亿次多模态推理的企业而言，逐Token收费的模式可能难以持续，因此开放权重模型具有明显的吸引力。

但报告也给出了三项限定条件：这项测算完成于2025年12月；并非所有开放模型的单位Token成本都更低，例如Kimi K3就是一个反例；企业还需要承担算力、托管、训练和微调等方面的成本。

部署规模对投资回收期的影响尤为显著。卡内基梅隆大学的研究显示，低于300亿参数、主要用于客服和文档分析的小型模型，最长可能在3个月左右收回投入；而参数规模达到2000亿至1万亿、用于高级研究或全企业生成式应用的大型部署，回收期最长可能达到6年。

因此，开放权重模型的经济性并非简单的“免费替代付费”，而是取决于调用量、GPU利用率、模型大小以及企业自身的技术能力。

开放权重模型的风险与限制因素

除成本因素外，开放权重模型的另一项重要价值在于部署控制权。企业可以将模型运行在本地或私有云中，从而满足数据主权、本地化存储以及行业监管要求。调查显示，40%的企业领导者正是因为能够控制模型部署地点而青睐开放权重模型，这对金融、医疗、政府等高度监管领域尤为重要。

然而，控制权也意味着责任转移。开放模型发布后，开发者很难限制第三方如何修改权重。

报告提到，2026年4月，英国《金融时报》和AI安全组织Alice利用Heretic工具，在几分钟内移除了Meta和谷歌开放模型的安全护栏。恶意使用、模型蒸馏攻击以及内部数据泄漏等问题，都可能成为企业必须自行处理的风险。

在知识产权方面，OpenAI、Anthropic等商业模型通常会在企业遵守安全规则和正确使用的条件下，提供一定的版权赔偿。而开放权重模型一般没有类似安排，相关法律责任可能由部署企业承担。

地缘政治也是影响开放权重模型应用的新变量。如果美国限制中国开放模型的使用，可能破坏企业的业务连续性。美国企业即使认可中国模型的性价比，也可能为了避免未来突然无法使用而转向美国开放模型或闭源供应商。

其他采用障碍还包括切换成本、品牌与信任问题，以及对外国模型的排斥心理。

三种未来情景：AI产业链价值或重新分配

摩根士丹利提出了三种可能的产业格局发展情景。

第一种情景是闭权重模型胜出。

前沿能力始终难以被复制，市场集中于少数资金雄厚的实验室。企业为准确性、可靠性、知识产权保障以及部署便利支付溢价，训练及推理继续集中在超大规模云端。这一情景最利好谷歌、亚马逊、Meta、英伟达和博通等公司，以及Arista Networks、Lumentum、Coherent等光通信和网络设备公司。若Gemini 4帮助谷歌重返模型前沿，报告估算其在自有基础设施上运营模型API的资本回报率约为45%；若谷歌主要充当基础设施供应商，回报率约为30%。

第二种情景是混合架构成为主流。

闭权重模型负责复杂推理和智能体任务，开放权重及小模型承担高流量、成本敏感和垂直领域任务。同一个企业工作流可能根据价格和能力在不同模型之间动态切换。

在这种情况下，亚马逊、谷歌和微软三大云平台都能受益，模型编排、基础设施软件、安全、软件即服务（SaaS）和网络设备的价值也会提升。SAP、ServiceNow、思科和F5等公司有望成为重要受益者。

第三种情景是开放权重胜出。

开放模型性能逐渐逼近前沿水平，基础模型智能广泛可得，API价格显著下降。创新重点从大规模预训练转向微调、推理优化、智能体、工具和专用应用等领域。

AI部署也会更加分散：部分工作负载从公有云迁往私有数据中心、主权云、本地服务器和边缘设备。微软、阿里巴巴、腾讯、MiniMax等模型或云平台，以及戴尔、慧与（HPE）、NetApp、惠普、苹果、TD Synnex、Ingram Micro和CDW等本地基础设施、终端及分销渠道公司将更直接受益。

跨情景共同赢家分析

虽然三种情景对模型商和云厂商的影响各不相同，但报告列出了一批跨情景赢家。

英伟达在三种情景下均被列为“最大受益者”，因为无论模型开放与否，推理量的扩张都需要GPU的支持。CoreWeave和Nebius等新型云厂商也在三个情景中受益。

Palo Alto Networks、CrowdStrike和Okta同样贯穿三种情景。在闭权重世界中，需要保护集中式云服务；而在开放权重世界中，则需要保护数量更多、分布更广的本地和边缘工作负载。

更值得关注的是电力领域。Bloom Energy、INNIO、Solaris Energy Infrastructure、Williams和Liberty Energy在三个情景中均被列为最大受益者。模型效率的提升可以降低单次计算的耗电量，但可能因为使用量的迅速增加而推高总用电需求。

报告测算，三种AI推理商业模式均可能实现至少约25%的增量资本回报率：超大规模云GPU租赁约31%，在自有基础设施上运行模型API约46%，在第三方基础设施上运行模型API约25%。

与此同时，一项平均AI任务可创造约55美元收益，而推理成本仅约2至5美元。只要这一投入产出关系成立，企业就仍有动力扩大AI的使用规模。

（徽声在线 李晓峰）