Ang totoong tanong ay hindi kung bababa ang pangangailangan sa AI, kundi kung saan hahantong ang halaga sa hanay ng supply chain.

May-akda ng artikulo, pinagkukunan: 0x9999in1, ME News

TL;DR

• Sa kanilang ulat na “Open Weight Models at Tatlong Mga Eskenario ng Kinabukasan,” ang Morgan Stanley ay nagbigay ng pangunahing pagtataya: Ang pag-usbong ng mga open weight model tulad ng Kimi K3, Qwen, at Llama ay isang katalisador para sa pagpapabilis ng pagkakaroon ng AI, hindi isang banta sa mga lider.
• Ang argumento ay ang Jevons Paradox—kapag nagiging mas mura ang isang paggamit, ang mga kumpanya ay gagamitin ang AI sa mas maraming gawain, na nagdudulot ng pagtaas sa kabuuang pangangailangan para sa mga token, computing power, kuryente, at imprastruktura.
• Ang Morgan Stanley ay nagpapahalina nang malinaw: ang pagbukas ng weight ay hindi katumbas ng libre. Ang gastos para sa GPU, cloud services, operations, at security ay patuloy na umiiral, at ang tunay na ekonomiya ay nakadepende sa scenario.
• Ang cited na pag-aaral ng MIT ay nagpapakita na ang paglipat mula sa closed-source patungo sa open models ay maaaring magbawas ng halos 70% sa average price, na tumutugma sa mga savings na halos $25 bilyon taun-taon para sa mga negosyo; ngunit ang pag-aaral ay natapos noong Disyembre 2025 at hindi sapat na kinuha ang mga gastos sa deployment.
• Mas mapayapang pag-aaral ng Carnegie Mellon: Ang panahon para mabawi ang gastos ay malaking depende sa sukat; ang maliit na pag-deploy na may mas mababa sa 30 bilyong parameter ay maaaring mabawi nang mabilis, ngunit ang pagkakaiba ay malaki kapag tumataas ang sukat.
• Tatlong posibleng kinalabasan: pampribadong oligopolyo, mixed coexistence, at open weights ang nananalo. Ang real-world benchmark ay 63% ng mga kumpanya na gumagamit na parehong uri ng model.
• Ang mga patuloy na tagapagpakinabang ay mayroon lamang dalawang linya: NVIDIA, at ang mga bahagi ng pagpapagana sa lugar. Ang dahilan ay hindi pagkakaroon ng panig, kundi ang fact na anuman ang pagkonsentrasyon ng computing power sa malalaking data center o sa edge, ang pundamental na lohika ng GPU at kuryente ay hindi nagbabago.
• Ang totoong tanong ay hindi kung bababa ang pangangailangan sa AI, kundi kung saan hahantong ang halaga sa hanay ng supply chain.

Ano ang mali sa pagbabasa ng merkado

Mid-2026, ipinakilala ang Kimi K3. Bumaba ang Philadelphia Semiconductor Index, at nasaktan din ang NVIDIA, Micron, at SK Hynix, pati na ang mga kumpanya tulad ng Cadence.

Kilala mo ba? Sobrang kilala.

Isang taon at marami ang nakalipas noong ang DeepSeek, ang reaksyon ng merkado ay pareho: mas malakas ang open-source model, mas mababa ang halaga ng computing power. Ang lohika ay mukhang maayos—kung ang isang open-weight model ay kayang makasunod sa unang tier, nawawala na ang premium ng closed-source; kung tumataas na ang efficiency, nawawala na ang pangangailangan ng pagkukuwenta ng mga GPU. Kaya, sinira ang chain mula sa pagbebenta ng chip, equipment, hanggang sa kuryente.

Sa report noong Agosto 4, sinabi ng Morgan Stanley na ang pagtugon na ito ay isang maling pag-unawa.

Saan ang maling pag-unawa? Sa pagkakasalungat ng pamilihan ng "pagbaba ng unit cost" nang direkta bilang "pagbaba ng kabuuang gastos".

Ang isang malaking variable na nagtataglay sa pagitan ay ang paggamit.

Inilabas ng Morgan Stanley ang paradox ni Jevons. Noong ika-19 siglo, obserbahan ng ekonomista na si Jevons ang isang hindi intuisyonal na bagay: pagkatapos umunlad ang epekto ng steam engine at makagawa ng higit pa sa parehong dami ng coal, tumataas sa halip bumaba ang paggamit ng coal sa Britain. Dahil naging mas mura, mas maraming tao ang nakakapaggamit nito; at dahil nakakapaggamit na sila, ginagamit ito saan-man.

Itinatanim sa AI: Bawat pagpapatakbo ay bumaba mula sa isang sentimo hanggang sa isang-sampung bahagi ng isang dimes, at hindi ito ipipigil ng mga kumpanya. Iipapasok ng mga kumpanya ang AI sa mga proseso na dati’y “hindi nakakabili”—ang buong pagsusuri ng mga tiket ng serbisyo, ang patuloy na pagsusuri sa codebase, ang paghahambing sa bawat patakaran ng kontrata, at ang awtomatikong paghahati sa bawat e-mail. Ang mga gawaing ito ay dati’y hindi ginagawa, hindi dahil ayaw, kundi dahil sobrang mahal.

Kapag bumaba ang presyo sa ibabaw ng linya, ang demand ay hindi tumataas nang linyar—kundi umuusbong nang biglaan.

Pangalawa: Ano ang talagang inilabas ng "open weights"

Dito ay kailangang linawin muna ang konsepto, dahil ang kaguluhan sa merkado ay kalahati ay galing sa kaguluhan sa mga termino.

Ang Morgan Stanley ay gumawa ng isang pagkakaiba na hindi bagongunit kailangan: open weights ≠ open source.

Mga open-weight model na may malinaw na depinisyon—ang Meta’s Llama, Google’s Gemma, at ang Qwen, DeepSeek, Kimi—ang mga nai-publish ay ang mga naitraining na parameter. Maaari mong i-download, i-micro-adjust, at i-deploy ang sarili mo. Ngunit ang mga training data ay maaaring hindi ipinapahayag, at ang mga lisensya ay maaaring may mga limitasyon.

Totoo ang open source kapag ang buong teknikal na stack ay nakalagay sa mesa: ang code, ang mga paraan ng pag-train, at ang mga detalye ng data. Ang halimbawa na binanggit sa ulat ay ang OLMo ng AI2. Mas maliit ang komunidad kaysa sa inyong inisip.

Kaya ang mas tumpak na pagsasabi ay: ang pangunahing pagkakaiba sa pagitan ng open-weight at closed-source ay hindi sa laki ng mga parameter o kung sino ang nasa itaas sa isang listahan, kundi sa paraan ng pagkuha at pagbabayad.

Open weights: Karaniwang libreng makakuha ng weights, suporta sa fine-tuning, at fleksibleng deployment—lokal, private cloud, public cloud, API, ayon sa iyong pagpili.

Proprietary: Lisensya + Token billing, ang lahat ng mga user ay nakakatanggap ng parehong set ng weights, hindi mo ito maaaring baguhin o makita.

Sinabi rin ng Morgan Stanley ang isang totoo: Ang pinakamalakas na modernong modelo ngayon ay karamihan ay sarado. Ang dahilan ay simpleng: ang gastos sa pag-train ay sobrang mataas, at hanggang sa lumabas ang susunod na modelo, walang magbibigay ng libre ang nakaraang modelo.

值得 basahin muli ang pangungusap na ito. Ito ay nangangahulugan ng paghuhuli sa open weights, na sa kanyang kalikasan ay isang paghuhuli na may pagkakalipas ng oras. Ang pagkakaiba ay mababawasan, ngunit ang structural na pagkakaiba sa oras ay hindi madaling mawala.

Tatlo: Ang libre ay ang pinakamahal: Ang mga gastos na hindi nakalista sa presyo

Ang pinakamahalagang bahagi ng ulat ay ang seksyon na nagpapababa sa pag-asa sa open weights.

Inilah ang citation ng Morgan Stanley sa pag-aaral ng MIT: Ang paglipat mula sa saradong modelo patungo sa bukas na modelo ay maaaring bawasan ang average presyo ng halos 70%, na katumbas ng savings na halos $25 bilyon taon-taon sa为企业端.

Magandang numero. Ngunit agad ni Morgan Stanley isinama ang sumusunod—nagtapos ang pag-aaral na ito noong Disyembre 2025 at hindi sapat na kinuha ang mga gastos sa pag-deploy.

Ano ang gastos sa pag-deploy? Kailangan mong bilhin o irental ang GPU, kailangan ng tao na mag-alaga ng cluster, kailangan ng tao na mag-micro-adjust ng model, at kailangan ng tao na magtaguyod sa seguridad at pagkakasunod. Ang pagbibigay ng open weights ay parang pagbibigay sa iyo ng mga plano at mga bahagi ng isang kotse, hindi isang kotse na kayang sundin nang agad.

Ang pag-aaral ng Carnegie Mellon University ay nag-quantify nang mas malalim ang bagay na ito: ang payback period ay malalim na nakadepende sa laki ng deployment. Ang maliit na deployment na may mas mababa sa 30 bilyong parameter ay maaaring mabawi nang mabilis; kung tataasan ang laki, magiging iba nang buong kalikasan ang accounting.

Ito ay isang kaunting pinag-uusapan ngunit napakasangkot na katotohanan: ang ekonomiya ng open weights ay hindi isang malambot na kurba, kundi isang piecewise function.

Maliit na skena, madalas na pagkakataon, malinaw na gawain—ang bukas na weights ay sobrang maganda.

Komplikadong pag-iisip, malalayong Agent, kailangan ng ekstremong kumpiyansa—hindi nagugugol nang walang dahilan ang pera sa sariling sistema.

Tingnan nang mas malapit ang mga super malalaking MoE architecture tulad ng Kimi K3. Kahit na aktibuhin lamang ang kaunting mga eksperto, ang malaking weights ay patuloy na kailangang ipamahagi sa isang cluster na may mataas na kapasidad na memorya at mabilis na interconnect. Ang tinatawag na "bukas" ay ang pagkakaroon ng karapatan sa weights, hindi ang pagkakataon na maiwasan ang mga hadlang sa hardware.

Sa ibang salita, ang pagbubukas ng weights ay nagdala ng pangangailangan sa computing power mula sa ilang closed-source labs patungo sa cloud service providers, sovereign cloud, at corporate-owned data centers. Hindi bumaba ang kabuuang dami, nagbago lang ang may-ari.

Ito ang mga utang na hindi pa nalilinaw ng merkado sa pagbaba nito noong July.

apat: Tatlong huling resulta, saan nagkakaroon ng halaga

Hindi sumuporta ang Morgan Stanley sa isang solong konklusyon, kundi ibinigay ang tatlong senaryo. Ang paraan ng pagsulat na ito ay isang paghuhusga na: walang nakakaalam ng wakas, ngunit ang istruktura ng benepisyo sa bawat wakas ay maaaring maunawaan nang maaga.

Hinaharap na mahirap i-replicate ang performance ng mga frontier model. Patuloy na mataas ang density ng computing workload at patuloy na nakikikonsentrasi sa hyper-scale cloud. Bababa pa rin ang presyo ng token, ngunit mas mabagal—dahil ang oligopolistic structure ay nagpapanatili ng pricing discipline.

Mga benepisyaryo: Cloud provider, security software, optical network, semiconductor, supply chain ng kuryente.

Nakapunto ang ulat sa isang partikular na variable: Google. Kung makamit ng Gemini 4 ang breakthrough at muling maging nangunguna, ang return on investment (ROI) ng Google sa pag-invest sa kanilang sariling infrastructure para sa model API ay maaaring umabot sa halos 45%. Kung hindi ito maging nangunguna, mas mukhang isang provider ng infrastructure ang Google, kung saan ang kaugnay na ROI ay halos 30%.

Isang lagay ng sampu't limang porsiyento, nakadikit sa isang modelo. Ito ang mga taya sa patimpalak ng mga unang klase.

Walang iisang arkitektura na nagtatagumpay sa lahat. Ang mga modelong may sariling pagsasara ang dominanteng nagpapatakbo sa mga kumplikadong pag-iisip at mga gawain ng AI Agent, habang ang mga bukas na timbang ay sumasakop sa mga pangangailangan na may mataas na kadalian, sensitibo sa gastos, at espesyalisado sa tiyak na larangan.

Ang workload ay nakalat sa public cloud, private cloud, on-premises, at edge. Kaya—ang mga "middle layer" software tulad ng model orchestration, routing, evaluation, at governance, ay naging mahalaga sa pagtaas ng halaga. Ang pangangailangan sa security software ay tumataas kasabay ng pagkakalat ng workload.

May napakatibay na realidad sa sitwasyong ito: kasalukuyan, may 63% ng mga negosyo na gumagamit ng parehong open-weight at proprietary models.

Ang bilang na ito ay nagpapakita nang malinaw. Ang pagpili ng mga negosyo ay hindi "sino ang iyong pinaniniwalaan," kundi "alin ang mas mura at mas matatag para sa isang partikular na gawain." Ito ay isang pagbili, hindi isang pakikidigma sa ideolohiya.

Ang performance ng open weights ay tumutok sa antas ng pinakamataas, at ang intelligence ng base model ay naging madaling ma-access. Bumaba nang malaki ang presyo ng model API, at nagkaroon ng isang alon ng paggamit ng mga negosyo.

Ang mga imprastruktura ng AI ay naglalakbay patungo sa de sentralisasyon: ang pangangailangan para sa mga pribadong data center, sovereign cloud, local deployment, at edge devices ay tumataas nang malaki. Ang pagkakaroon ng pagkakaintindi ay nagsisilbi sa pagpapabuti, pag-optimize ng pagpapaliwanag, Agent, at pagpapatupad ng mga partikular na aplikasyon.

Sa sitwasyong ito, ang security software ay isa sa mga pinakamalaking tagapagtagumpay. Napapaliwanag din ito nang maayos—sa mundo kung saan ang weight ay libreng kumikilos, ang attack surface ay tumataas sa geometric rate.

Ang pagkakaiba-iba sa antas ng bawat stock ay interesante: ang AVGO ay maaaring maging pinakadakilang benepisyaryo sa iskENARIO ng pagsasara; ang mga lokal na infrastrakturang kumpanya tulad ng DELL at HPE, at ang mga kumpanya ng edge device tulad ng Apple, ay mas madaling magpalabas ng halaga sa iskenario ng pagbubukas. Ang mga cloud provider ay nakadepende kung saan tatapos ang load—kung tama ang iskenario ng pagbubukas, mas malinaw ang kahusayan ni Microsoft dahil sa kanyang hybrid cloud at on-premises capability, habang ang Amazon at Google ay bababa sa posisyon bilang "iba pang benepisyaryo" sa iskenario na ito.

Limang: Mga Benepisyaryo sa Buong Araw: Bakit ang NVIDIA at ang Electricity

Pagkatapos ng tatlong senaryo, pinili ng Morgan Stanley ang dalawang linya na sumasaklaw sa lahat ng mga senaryo.

Ang unang isa ay NVIDIA.

Hindi komplikado ang lohika, ngunit matibay: anuman ang pagkakalagay ng computing power—kung nakalagay sa malalaking data center o nahahati sa mga opisina ng kumpanya at sa edge—ang pundamental na lohika sa pangangailangan ng GPU ay hindi nagbabago.

Ang pagkonsentrasyon ay ilang buyer na bumibili ng malaking dami; ang pagkakahati-hati ay mga libo-libong buyer na bumibili ng maliit na dami. Ang kabuuang dami ay hindi bumababa, kahit na lumalaki dahil sa pagpapalawak ng pagkakaroon.

Mahalagang tandaan na binaasan din ng Morgan Stanley ang kanilang pagsasakaltong gastos para sa AI cluster—ang presyo ng NVIDIA Vera Rubin system ay itinakda sa halos $49 bilyon bawat gigawatt, na 20% mas mataas kaysa sa nakaraang pagtataya.

Ang bilang na ito ay medyo kakaibang ilalagay dito. Sa isang kanto, mas mura ang model, habang sa ibang kanto, tumataas ang kapital expenditure bawat yunit ng computing power. Hindi ito magkakasalungat: bumababa ang marginal cost sa pagpapatakbo, samantalang tumataas ang fixed asset investment sa pagtatrain at pag-deploy. Ang una ang nagpapalawak ng demand, habang ang ikalawa ang nagdedesisyon kung sino ang may karapatan na sumali sa supply.

Ang pangalawang bagay ay ang on-site power.

Ang dahilan ay ang kurba ng demand sa kuryente ay sumasakop sa parehong "centralized" at "distributed" configuration. Anuman ang pagkakasunod-sunod ng load, ang paglalawak ng AI ay nangangahulugan na ang pagkakagamit ng kuryente at ang kakayahan sa pagpapadala ay dapat magkasabay na tumaas.

Ang kuryente ay ang pinakamalawak na pagtutok sa buong kuwento ng AI. Maaaring buksan ang mga modelo, maaaring i-download ang mga timbang, maaaring palitan ang mga chip, ngunit ang kuryente ay hindi maaaring buksan. Isang gigawatt ay isang gigawatt, at walang makakagawa ng karagdagang isa.

Ito ay maaaring ang pinakamalinaw na linya sa tatlong sitwasyon. Napakalinaw na medyo boring.

Six: Ang totoong halaga ng ulat na ito ay hindi ang konklusyon, kundi ang framework

Ibahagi ang iyong sariling opinyon.

Kung titingnan mo lang ang pamagat ng report na ito ng Morgan Stanley—“Ang pagpapalawak ng open weights ay nagpapabilis sa pagkakaroon ng mas malawak na paggamit, hindi nagpapahina sa mga lider”—maraming makakaisip na ito ay isang pagsisikap na mapasigla ang merkado. Ngunit ang totoong may bigat ay ang pagbabago nito sa paraan ng pagtanong.

Ang orihinal na tanong sa merkado ay: Sasabog ba ang demand sa AI dahil sa pagtaas ng efficiency?

Ang tanong ng Morgan Stanley ay: Ang pangangailangan sa AI ay tiyak na hindi mababawasan, ang tanong ay kung saan hahantong ang halaga—sa computing power, cloud, software orchestration at governance, o sa distributed infrastructure sa lokal at edge?

Ang pagkakaiba sa dalawang tanong ay ang pagkakaiba sa pag-iisip ng bear market at pag-iisip sa istruktura.

Naniniwala ako na ang direksyon ng Morgan Stanley ay tama, ngunit may dalawang bagay na dapat maging babala.

Una, hindi awtomatikong nagsasagawa ang paradox ni Jevons.

Ang epekto ng Jevons ay may kondisyon: dapat sapat ang elasticity ng demand. Dahil sa mga industriya na hindi pa mekanisado sa Britain noong ika-19 siglo, mas marami ang coal na ginagamit kahit na mas maliit ang paggamit nito. Ang sitwasyon ng AI ay katulad ngunit hindi ganap—maraming mga sitwasyon kung saan maaaring i-integrate ang AI, ngunit ang tanong ay kung makakapagdala ba ito ng measurable na return pagkatapos i-integrate.

Kung ang malaking bilang ng mga negosyo ay gumagamit lamang ng AI sa mga lugar na "mukhang busy ngunit hindi malinaw ang benepisyo," mayroong tuktok ang paglago ng demand, at ang tuktok na ito ay maaaring biglang lumabas sa isang kuwarto. Ang Paradox ni Jevons ay naglalarawan ng epekto ng efisyensiya sa pagkonbersyon ng enerhiya, hindi nagjamin na ang resulta ay may halaga.

Pangalawa, ang konklusyon na "nagkakaroon ng patuloy na benepisyo ang NVIDIA sa buong araw" ay masyadong komportable sa kawastuhan nito.

Mahirap mahanap ang mali sa lohika nito—hindi nagbabago ang pangangailangan sa GPU dahil sa pagbabago sa arkitektura. Ngunit may pagitan ang tamang pagtataya at mabuting pagtataya sa pag-invest, at iyon ay ang presyo. Hindi sinagot ng ulat kung ang merkado ay nakapag-price na nang sapat sa "24/7" na inaasahan, at hindi dapat sagutin nito.

Isang lohikal na walang kapantay na argumento para sa bull market ay madalas na nagsisilbing kapaligiran para sa crowded trade. Hindi ito pagtutol, kundi paalala: ang katiyakan ng isang konklusyon ay hindi katumbas ng atraktibong odds.

Pitong, para sa mga negosyo, mas simple lang ito

Hindi nakikita sa paglalaro ng pagtataya sa secondary market, kundi mula sa pananaw ng pagbili ng mga kumpanya, mas simpleng aral ang ibinibigay ng ulat na ito.

63% ng mga kumpanya ay gumagamit ng parehong panig, at ang bilang na ito ay nagpapaliwanag na ang sagot: huwag pumili ng panig, pumili ng skena.

Mga gawain na may mataas na frecuency, makikita ang pagkakasunod-sunod, sensitibo sa data, at malinaw na hangganan ng gawain—magsimula ng sarili mong open-weight, at ang perang matitipid ay totoong pera, lalo na sa ilalim ng 30 bilyong parameter, ang panahon ng pagbabalik ay napakakaliit upang maging nakakaakit.

Ang paggawa ng komplikadong pag-iisip, mahabang distansya na Agent, at ang pangangailangan na tuloy-tuloy na sundin ang pagpapalawig ng kakayahan—ang closed-source API, ang pagbabayad para sa kumpiyansa at bilis ng pag-update, ay hindi nakakahiya.

Ang tunay na kailangang ipasok ay ang gitnang layer: pag-ayos, pagrute, pagsusuri, at pamamahala. Paano mo huhusgahan kung saan dapat pumunta ang isang kahilingan? Paano mo iiyak na hindi mababagsak ang kalidad ng output pagkatapos baguhin ang modelo? Paano mo hahawakan ang mga hangganan ng data sa isang mundo kung saan ang mga timbang ay maaaring i-download nang libre?

Inilista ng Morgan Stanley ang antas na ito bilang pangunahing nakikinabang sa iskemang mix, at sa tingin ko, mas praktikal ang paghuhusga na ito kaysa sa anumang rekomendasyon sa isang indibidwal na stock. Dahil ang antas na ito ay kakayahan na kailangang itayo ng mga kumpanya mismo—hindi ito mabibili.

Sa pagkakasundo, ang seguridad. Ang pagbubukas ng weights ay nagpapadali ng decentralization ng deployment at ng attack surface. Noon, kailangan mo lang pangalagaan ang ilang API keys; ngayon, kailangan mong pangalagaan ang maraming lokal na weights file, fine-tuning data, at inference endpoints. Ang security software ay binanggit sa lahat ng tatlong scenaryo—hindi ito pagkakataon.

Walo, Pagwawakas

Noong araw ng paglabas ni Kimi K3, ang lahat ng mga pangkat ng semiconductor ay bumagsak. Ngayon, tingnan natin muli, mas tila ito ay isang muscle memory ng merkado kaysa isang pag-iisip.

Hindi ang pagbukas ng weights ang nagpapalabas ng mesa. Ito ang nagpapalawak ng mesa.

Pagkatapos na palawakin ang mesa, baka ba ma-eliminate ang dating nakaupo sa pangunahing upuan? Posible, ngunit hindi dahil sa pagbubukas ng weights mismo, kundi dahil sa kanyang pagkakamali sa pagpapanatili sa harap. Ito ay dalawang magkakaibang bagay.

Ang pinakamakatotohanang bahagi ng ulat na ito ng Morgan Stanley ay ang pagkakawala nito ng pagpapaliwanag kung ano ang huling resulta; ito ay nagpapakita lamang kung sino ang mananatili sa posisyon nila sa bawat posibleng huling resulta.

NVIDIA, at elektrisidad.

Ang una ay ang kasunduan, ang ikalawa ay ang pisikal.

Tungkol sa mga kumpanya sa gitna na sumusunod sa pagtaas at pagbaba, nagpapalit ng panig, at nagrerereprice ang kanilang halaga—ang kanilang kapalaran ay malalaking nakadepende sa sitwasyon. Parang walang kwenta ang pahayag na ito, ngunit sa isang merkado kung saan lahat ay naghahanap ng tiyak na sagot, ang pagtanggap na "nagpapalit ito ay depende sa sitwasyon" ay ang pinakamahal na anyo ng katotohanan.

Mababawasan ang presyo ng mga modelo sa bawat generasyon, ito ang trend, at hindi ito matitigil.

Ang computing power ay magkakalat sa mga antas, at ito ay isang trend na hindi maiiwasan.

Ngunit ang pagiging murang at pagkakasibat ay hindi nagiging pagkabawas.

Nakita na ni Jevons ang bagay na ito noong 1865. Lumipas na ang isang libo at animnapu't limang taon, at ang sangkatauhan ay patuloy pa ring nagbabayad ng tuition para sa parehong maling intuisyon.

Talagang interesante.

Source ng citation

1. Morgan Stanley, *Open-Weight Models and Three Future Scenarios* (研究报告), 2026年8月
2. Gelonghui / Sina Financial News: "Morgan Stanley: Ang pagbubukas ng mga modelo na may open weight ay nagbabawas sa gastos sa AI; maaaring magpatuloy ang pagtaas ng pangangailangan sa computing power dahil sa 'Jevons Paradox'", Agosto 4, 2026
3. BigGo Finance: *Ang Open-Weight Models ay Magpapabilis sa Pagtatanggap ng AI: Ipinakita ng Morgan Stanley ang Tatlong Senaryo, Tinukoy ang Nvidia at Power Chain bilang Mga Nakikinabang*, Agosto 4, 2026
4. Huo Xing Cai Jing: "Morgan Stanley: Ang pag-usbong ng open-weight AI models ay magpapabilis sa pagkalat ng AI sa pamamagitan ng pagbaba ng gastos," Ika-4 ng Agosto, 2026
5. Blockspace Media: *Sabi ng Morgan Stanley, ang open-weight AI ay maaaring palawigin ang pangangailangan sa compute at enerhiya*, Agosto 2026
6. Ang pag-aaral ng MIT tungkol sa pagkakaiba ng presyo ng open-source at proprietary models (natapos noong Disyembre 2025, na binanggit sa report ng Morgan Stanley)
7. Ang pag-aaral ng Carnegie Mellon University tungkol sa ugnayan ng panahon ng pagbabalik sa puhunan at sukat ng pag-deploy ng open model (na binanggit sa report ng Morgan Stanley)
8. Morgan Stanley Insights: *Mga Pagkakataon sa AI Infrastructure* (kasama ang pagtaas ng pagsasakataw ng bawat gigawatt sa sistema ni Vera Rubin)