开源模型会杀死「算力需求」？摩根士丹利推演 AI 的三种未来

MSX 研究院

特邀专栏作者

@MSX_CN

2026-08-10 08:49

本文約6022字，閱讀全文需要約9分鐘

当单次推理消耗下降，更多业务开始调用 AI，反而可能换来更大的调用总量。

AI總結

展開

核心观点：开放权重模型降低单次调用成本，但可能因调用量激增触发「杰文斯悖论」，推高总算力需求。AI算力不会消失，而是从集中式训练集群扩散至企业私有云、边缘设备等分布式节点，价值链重心从基础模型层转移至路由、编排、安全及本地基础设施。
关键要素：
1. 企业AI任务平均创造约55美元收益，直接成本仅2-5美元，降价使更多工作流跨过经济可行性门槛，扩大调用量。
2. 63%受访企业已使用开放模型，但多与闭源模型组合使用；后者仍主导复杂推理与Agent工作负载。
3. MIT研究估算转向开放模型可降本约70%，但CMU研究显示自建部署回收期或长达6年，经济性因场景而异。
4. 开放权重普及将增加模型网关、任务路由、Agent编排、可观测性与安全软件等中间层需求，安全因部署分散而更复杂。
5. 摩根士丹利推演三种情景（闭源胜出、混合共存、开放胜出），NVIDIA、现场电力与安全软件均为跨情景共同受益方。

原始報告：Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》，2026 年 8 月 3 日

編譯及整理：DaiDai、Frank，MSX 麥通研究院

核心速覽

開放權重模型降低的是單次調用成本和部署門檻，不一定降低總算力需求，隨著 AI 進入更多企業、工作流與設備，調用量的增長可能超過效率提升，觸發典型的「傑文斯悖論」；
企業已經進入多模型時代，開放權重模型主要承擔程式設計、文件處理、高頻調用和特定領域任務，複雜推理與 Agent 工作負載仍更多依賴前沿閉源模型；
開放權重並不等於免費，企業省下的可能是模型授權費或部分 API 費用，但仍需承擔 GPU、雲端服務、本地機房、微調、人才、安全和維運成本；
無論閉源、混合還是開放權重模型最終佔據主導，NVIDIA、現場電力與安全軟體都屬於較明確的跨情境受益方向；
開放權重模型越普及，AI 價值鏈越可能從基礎模型層，向推理、路由、編排、可觀測性、本地基礎設施、邊緣設備和垂直應用擴散；

每隔一段時間，AI 市場似乎都會經歷一次「效率恐慌」。

當模型參數變小、推理成本下降，或者一家模型公司用更少的晶片實現接近前沿的效能時，市場很快便會產生一種直覺，既然完成同樣任務所需要的計算資源越來越少，GPU、資料中心和電力需求是否也將隨之見頂？

Kimi K3、DeepSeek V4 Flash 正式版等新一代開放權重模型的出現，再次把這一問題推到市場面前，它們不僅試圖縮小與前沿閉源模型之間的能力差距，也允許企業下載、修改和自主部署模型，將過去高度集中於少數美國模型實驗室的能力，擴散到更廣泛的開發者與企業技術棧中。

但摩根士丹利在最新報告中給出的答案，恰恰與這種直覺相反：

模型效率提高，未必會殺死算力需求，它更可能讓 AI 變得足夠便宜，從而進入過去不值得使用 AI 的情境，並最終推高整體調用量。

在此基礎上，真正需要重新討論的，就變成了算力會在哪裡發生、由誰提供，又有哪些公司能夠從這種擴散中獲得收入。

一、更便宜的模型，為什麼可能消耗更多算力？

開放權重模型最容易引發的一種誤解，是把「模型成本下降」直接等同於「基礎設施需求下降」。

但對於多數企業而言，是否採用 AI，並不只取決於模型完成一次任務需要多少算力，而取決於它所創造的收益，能否覆蓋模型、工程和基礎設施成本。

摩根士丹利引用的測算顯示，一個企業 AI 任務平均可以創造約 55 美元收益，而直接成本約為 2—5 美元，即使考慮資料、工程、安全與管理成本，這一收益成本比仍然意味著，大量企業工作流尚未完成 AI 化。

在這種情況下，模型降價帶來的結果，可能不是企業減少 AI 支出，而是更多任務跨過經濟可行性的門檻。

過去，企業或許只會將最重要、價值最高的任務交給 AI；當推理價格繼續下降後，客服記錄分類、合約審核、程式碼測試、商品描述、企業搜尋、行銷素材、資料清洗乃至內部審批，都可能被納入模型工作流。

每項任務所需的計算資源可能下降，但任務數量、運行頻率與使用者規模卻會同步擴大。

這正是報告反覆提到的「傑文斯悖論」，當一項資源的使用效率提高、單位成本下降後，由於應用範圍迅速擴大，其總消耗量反而可能增加。

譬如汽車更省油，並沒有讓全球石油需求自動消失；網路頻寬越來越便宜，也沒有讓資料流量下降，類似地，更高效的模型未必減少 GPU 使用，反而可能讓 AI 從少數高價值任務，變成企業內部無所不在的基礎能力。

目前，這一擴散已經開始發生。

報告援引的 McKinsey 調查顯示，63% 的受訪企業已經在技術棧中使用開放模型，但多數企業並沒有完全放棄閉源模型，而是將二者組合使用，開放權重模型主要用於程式設計、文件解析、高頻調用和特定領域任務，前沿閉源模型則繼續承擔複雜推理、可靠性要求較高以及更難標準化的工作。

2026 年 2 月至 7 月，美國公司每週透過 OpenRouter 路由至中國開放模型的 Token 比例一度超過 30%，這一數據可能更偏向開發者和新創公司，無法直接代表大型企業支出，但至少說明，開放權重模型已經從實驗室概念，進入真實的調用與部署環境。

當然，開放權重模型也並不等於「免費模型」。

企業在自托管時，可以不再向模型提供商支付按 Token 計算的 API 費用，但仍需購買或租賃 GPU，並承擔機房、雲端服務、微調、工程團隊、安全和日常維運成本，這意味著透過模型廠商或雲平台提供的托管 API 使用開放權重模型，企業仍然可能按照 Token 或計算量付費。

因此，開放權重改變的不是計算成本是否存在，而是企業以什麼方式支付計算成本，以及價值由模型提供商、雲平台還是企業自有基礎設施獲得。

摩根士丹利援引的一項 MIT 研究估算，從閉源模型轉向開放模型，平均價格可能下降約 70%，每年為消費者節省約 250 億美元。但報告也特別提示，這一研究完成時間較早，不同模型的能力並不完全可比，也未必充分計入工程、微調和維運等隱性成本。

另一項 Carnegie Mellon 研究則顯示，開放模型自建部署的回收期可能從約 3 個月延伸至 6 年，其中參數較小、任務固定、調用頻率高的模型，能夠較快攤薄硬體成本；大型模型和複雜企業級應用，則可能因為利用率不足、更新頻繁和微調成本過高，很長時間都無法證明自建比 API 更便宜。

所以，開放權重模型的經濟性並沒有統一答案。

它取決於模型規模、使用頻率、基礎設施利用率、企業工程能力，以及資料是否必須留在本地。模型越開放，企業擁有的選擇越多，但承擔的技術責任也越多。

二、下一階段，算力發生在哪裡？

如果 AI 的未來只由少數閉源模型主導，那麼訓練和推理會繼續集中於大型雲平台與超大規模資料中心中。

但如果開放權重模型獲得更廣泛採用，AI 算力並不會消失，而是會從少數中心節點，進一步擴散至私有雲、企業機房、主權資料中心、邊緣伺服器和個人設備。

這意味著，市場需要關注的變數將從「需要多少塊 GPU」，轉向「GPU 部署在哪裡、由誰管理、如何被調用」。

在閉源模型時代，企業可以將大部分複雜性外包給模型公司：接入一個 API，按照 Token 付費，由提供商負責模型更新、基礎設施、安全對齊與部分法律責任。

進入多模型時代後，這種簡單結構開始被打破。

企業可能將最複雜的任務交給前沿閉源模型，將高頻且成本敏感的任務交給開放權重模型；敏感資料留在本地，一般工作負載運行在公有雲；部分請求在資料中心處理，部分請求則直接在電腦、手機或其他邊緣設備完成。

模型數量越多、部署位置越分散，企業 AI 技術棧也會變得越複雜：

首先是閘道層：企業需要一個統一入口，管理不同模型的身分認證、調用權限、速率限制、日誌記錄和供應商故障切換；
其次是路由層：系統需要根據準確率、延遲、成本、資料敏感程度和任務難度，將每個請求分配給最合適的模型；
隨後是編排層：複雜的 Agent 工作流通常需要多個模型、資料庫和外部工具協同，單次使用者請求可能被拆解為數十個步驟與調用；
最後是可觀測性與評估層：企業必須持續追蹤模型輸出品質、回應延遲、Token 使用、運行成本、失敗原因和安全風險。

這也是為什麼開放權重模型的擴散，不只利好模型廠商。

當基礎模型本身變得更容易獲得，企業更願意為「如何把模型穩定地投入生產」付費。模型閘道、任務路由、Agent 編排、資料治理、可觀測性和安全軟體，可能成為價值鏈中更難被壓縮的環節。

安全的重要性尤其突出。閉源模型集中運行時，部分安全責任由模型實驗室和雲平台承擔；而開放模型進入企業本地、私有雲和邊緣設備後，身分、資料、端點、模型權重和運行時環境都需要獨立保護。

企業不僅需要防止員工將敏感資料發送給錯誤的模型，還需要管理不同模型能夠存取哪些資料庫、調用哪些工具，以及是否可能遭受提示詞注入、模型蒸餾、權重篡改或權限濫用。

模型部署越分散，攻擊面越大；模型數量越多，治理成本越高。

因此，開放權重模型真正帶來的，並不是 AI 基礎設施價值的消失，而是價值從單一的基礎模型和 API 層，逐漸向整個系統棧擴散。

未來的 AI 支出可能不再只體現為少數科技巨頭建設超級訓練叢集，也會表現為企業購買伺服器、升級網路與儲存、部署安全系統、建設私有 AI 平台，以及在手機和 PC 上配置更強的端側算力。

算力需求從集中走向分布，並不意味著總量減少，只意味著受益者不再只集中於模型實驗室和大型雲廠商。

三、AI 的三種世界：無論誰贏，誰都繞不開算力、電力與安全

摩根士丹利沒有為未來三種情境分配明確機率，而是分別推演了閉源模型勝出、混合架構共存和開放權重模型勝出時，AI 產業鏈可能出現的價值分配方式。

第一種世界：閉源模型繼續掌握前沿能力

在這一情境下，前沿模型的效能、可靠性和安全能力仍然難以被複製，少數資本實力雄厚的模型實驗室繼續保持領先。

企業更看重準確率、部署便利、智慧財產權賠償和品牌可信度，而不是完全控制模型權重，因此願意繼續為閉源 API 與企業訂閱付費。

訓練與推理工作負載會進一步集中在 AWS、Google Cloud 等 Hyperscaler 平台，超級訓練叢集繼續推動對 GPU、高速網路、光通訊和定製 ASIC 的需求。

Google、Amazon 等擁有雲基礎設施和模型能力的平台處於更有利的位置，Broadcom、Arista Networks、Lumentum、Coherent 等晶片與網路廠商也可能受益。

報告測算，如果 Google 能夠憑藉領先模型，在自有基礎設施上運行 Gemini API，其示意投入資本報酬率可以達到約 45%；即使模型並未處於絕對領先位置，僅作為基礎設施提供商，相關報酬率也可能接近 30%。

這說明，閉源世界最重要的資產不只是模型本身，還包括模型運行所依賴的算力所有權，誰擁有晶片、資料中心和客戶入口，誰就更有能力保留模型調用產生的利潤。

第二種世界：開放與閉源長期共存

這是目前最接近企業真實使用狀態的一種情境。

閉源前沿模型負責複雜推理、長流程 Agent 和高可靠性任務，而開放權重模型與小模型則處理高頻、成本敏感、低延遲或高度專業化的工作。

企業不會只選擇一個模型，而是根據任務不斷切換和路由，這也意味著 AI 部署同時存在於公有雲、私有雲、本地基礎設施和邊緣設備中。

這一情境下，單一模型廠商很難獲得完全壟斷性的定價權，但整個 AI 軟體與基礎設施市場會獲得更廣泛的需求。

微軟、亞馬遜和 Google 仍然受益於雲端工作負載；
Datadog、Palantir、Appian 等基礎設施與工作流軟體廠商，可能受益於模型編排、資料連接與可觀測性需求；
Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Okta 等安全廠商，則受益於企業攻擊面與身分邊界持續擴大；

與此同時，Cisco、F5 等網路設備廠商，以及 Dell、HPE、NetApp 等企業基礎設施公司，也可能從本地和混合部署中獲得新增需求。

混合架構最大的投資含義是，AI 支出不會只集中於訓練叢集，而會沿著企業技術棧逐層擴散，且模型層的競爭越激烈，企業越需要中立的軟體與基礎設施，幫助其在不同模型和部署環境之間進行切換。