Masalah sebenar bukanlah "Permintaan AI akan berkurang", tetapi "Nilai akhirnya terpendam di lapisan rangkaian bekalan yang mana?"

Penulis artikel, sumber: 0x9999in1, ME News

TL;DR

• Morgan Stanley dalam "Model Berbobot Terbuka dan Tiga Skenario Masa Depan" memberikan penilaian utama: Kebangkitan model berbobot terbuka seperti Kimi K3, Qwen, dan Llama adalah katalis yang mempercepat penggunaan AI, bukan ancaman terhadap pemimpin pasaran.
• Argumen tersebut adalah paradoks Jevons—setelah penggunaan AI menjadi lebih murah, perusahaan akan menggunakan AI untuk lebih banyak tugas, sehingga permintaan keseluruhan terhadap token, kekuatan pengiraan, tenaga listrik, dan infrastruktur justru meningkat.
• Morgan Stanley secara jelas memperingatkan: akses terbuka tidak sama dengan percuma. Kos GPU, perkhidmatan awan, pengurusan, dan keselamatan masih ada; keekonomian sebenar bergantung pada konteks.
• Kajian MIT yang dirujuk menunjukkan bahawa peralihan dari model tertutup kepada model terbuka boleh mengurangkan harga purata sebanyak kira-kira 70%, yang sepadan dengan penghematan tahunan sebanyak $25 bilion kepada perusahaan; namun, kajian ini diselesaikan pada Disember 2025 dan belum sepenuhnya mengambil kira kos penghantaran.
• Penyelidikan Carnegie Mellon lebih tenang: tempoh pulang modal sangat bergantung pada skala; pelaksanaan berskala kecil di bawah 30 bilion parameter boleh pulang modal dengan cepat, tetapi perbezaan menjadi besar apabila skala meningkat.
• Tiga kemungkinan akhir: oligopoli sumber tertutup, koeksistensi campuran, atau terbuka dengan bobot menang. Titik rujukan realiti ialah 63% syarikat telah menggunakan dua jenis model secara serentak.
• Penerima faedah sepanjang masa hanya ada dua garis: NVIDIA, dan peringkat kuasa langsung. Sebabnya bukan kerana memilih pihak, tetapi sama ada kuasa pengiraan terpusat di pusat data besar atau tersebar ke tepi, logik asas GPU dan tenaga listrik tidak berubah.
• Masalah sebenar bukanlah "Permintaan AI akan berkurang", tetapi "Nilai akhirnya terpendam di lapisan rangkaian bekalan yang mana?"

Satu: Pasaran salah baca apa

Pada pertengahan Julai 2026, Kimi K3 dilancarkan. Indeks semikonduktor Philadelphia turun, NVIDIA, Micron, SK Hynix, serta syarikat EDA seperti Cadence turut terkesan.

Familiar? Too familiar.

Lebih daripada setahun yang lalu, apabila DeepSeek melancarkan gelombangnya, reaksi pasaran adalah sama: semakin kuat model sumber terbuka, semakin kurang nilainya kuasa pengiraan. Logiknya kedengaran masuk akal—jika model dengan bobot terbuka mampu menyamai golongan teratas, maka premium untuk model tertutup hilang; jika kecekapan meningkat, keperluan untuk mengumpulkan kad berkurang. Oleh itu, jualan cip, peralatan, dan tenaga listrik dipotong secara berurutan.

Morgan Stanley dalam laporan pada 4 Ogos menyebut refleks ini sebagai salah tafsir.

Di mana kesilapan itu? Ia terletak pada pasaran yang secara langsung menganggap "penurunan kos unit" sebagai "penurunan jumlah perbelanjaan".

Terdapat satu pemboleh ubah besar di antaranya: penggunaan.

Morgan Stanley mengutip paradoks Jevons. Pada abad ke-19, ahli ekonomi Jevons memperhatikan satu perkara yang bertentangan dengan intuisi: selepas kecekapan mesin stim meningkat dan lebih banyak kerja boleh dilakukan dengan jumlah arang yang sama, penggunaan arang di Britain tidak menurun, malah melonjak. Disebabkan lebih murah, ia menjadi lebih boleh diakses; dan kerana lebih boleh diakses, ia digunakan di mana-mana.

Diletakkan di atas AI: Kos inferensi sekali jatuh dari satu sen kepada sepersepuluh daripada sepuluh sen, syarikat tidak akan menyimpan wang yang dijimatkan itu. Syarikat akan memasukkan AI ke dalam proses yang sebelum ini "tidak sepadan" — semakan penuh tiket perkhidmatan pelanggan, pengimbasan berterusan terhadap perpustakaan kod, perbandingan setiap syarat kontrak, pengelasan automatik setiap e-mel. Aktiviti-aktiviti ini sebelum ini tidak dilakukan, bukan kerana tidak ingin, tetapi kerana terlalu mahal untuk dibenarkan.

Harga sekali jatuh di bawah garis itu, permintaan bukan meningkat secara linear, tetapi meledak secara tiba-tiba.

Dua, "Bobot Terbuka" sebenarnya membuka apa

Di sini perlu terlebih dahulu memperjelas konsepnya, kerana kekacauan pasaran separuhnya datang daripada kekacauan terma.

Morgan Stanley membuat perbezaan yang bukan baru tetapi sangat perlu dalam laporan mereka: bobot terbuka ≠ sumber terbuka.

Model berbobot terbuka yang ditakrifkan secara ketat—Llama Meta, Gemma Google, serta Qwen, DeepSeek, Kimi—mengumumkan parameter yang telah dilatih. Anda boleh memuat turun, menyesuaikan semula, dan menghuraikan sendiri. Namun, data latihan mungkin tidak diumumkan, dan perjanjian lesen mungkin mempunyai sekatan.

Sumber terbuka sejati bermaksud seluruh tatanan teknologi dipaparkan di atas meja: kod, kaedah latihan, dan butiran data. Contoh yang diberikan dalam laporan ialah OLMo daripada AI2. Komuniti ini jauh lebih kecil daripada yang disangka ramai.

Oleh itu, perbezaan yang lebih tepat ialah: perbezaan utama antara model terbuka dan tertutup bukan pada skala parameter atau siapa yang lebih tinggi di mana-mana senarai, tetapi pada cara memperoleh dan cara membayar.

Open weights: Usually free to obtain weights, supports fine-tuning, and offers flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Sumber tertutup: lesen + penagihan Token, semua pengguna menerima satu set bobot yang sama, anda tidak boleh mengubahnya dan tidak dapat melihatnya.

Morgan Stanley juga mengatakan satu perkara yang sangat realistik: model terkini dengan prestasi terbaik hari ini pada dasarnya masih bersifat tertutup. Sebabnya sangat sederhana—kos pelatihan terlalu tinggi, dan sebelum model generasi seterusnya muncul, tiada siapa yang akan memberikan model sebelumnya secara percuma.

Perkataan ini patut dibaca lebih daripada sekali. Ia bermaksud pengejaran terhadap model dengan bobot terbuka, yang pada dasarnya adalah satu pengejaran yang mengalami kelewatan. Kesenjangan akan menyempit, tetapi perbezaan masa struktural tidak mudah hilang.

Tiga: Yang Percuma Itu Paling Mahal: Kos-Kos yang Tidak Ditulis di Papan Harga

Bahagian paling berharga dalam laporan itu ialah bahagian yang menenangkan semangat terhadap bobot terbuka.

Morgan Stanley mengutip kajian MIT: Peralihan dari model tertutup ke model terbuka boleh mengurangkan harga purata sebanyak 70%, yang setara dengan penghematan sebanyak kira-kira US$25 bilion setahun dari segi perniagaan.

Nombor-nombor itu cantik. Tetapi Morgan Stanley segera menambahkan kenyataan lanjutan—kajian ini selesai pada Disember 2025, dan tidak mempertimbangkan kos penghantaran dengan mencukupi.

Apakah itu kos penghantaran? Anda perlu membeli atau menyewa GPU sendiri, cluster perlu orang untuk mengendalikannya, model perlu orang untuk penyesuaian halus, keselamatan dan pematuhan perlu orang untuk menanggungnya. Memberikan bobot terbuka kepada anda adalah gambar reka bentuk dan komponen kereta, bukan kereta yang boleh terus digunakan.

Penyelidikan Universiti Carnegie Mellon mengkuantifikasikan perkara ini dengan lebih ketat: tempoh pulang modal sangat bergantung kepada skala pelaksanaan. Pelaksanaan berskala kecil di bawah 30 bilion parameter boleh pulang modal dengan cepat; apabila skala meningkat, nombor-nombor itu menjadi sama sekali berbeza.

Ini adalah kenyataan yang jarang dibincangkan tetapi sangat penting: ekonomi model terbuka bukanlah satu lengkung licin, tetapi satu fungsi bahagian.

Skenario kecil, frekuensi tinggi, tugas jelas—geweight terbuka sangat menarik.

Penaakulan kompleks, agen jangka panjang, memerlukan kebolehpercayaan ekstrem—duit tertutup tidak dibelanjakan secara percuma.

Lihat lebih jauh ke arah arsitektur MoE super besar seperti Kimi K3. Walaupun hanya mengaktifkan sedikit pakar, bobot yang besar tetap perlu didistribusikan di dalam kluster memori berkapasitas tinggi dan interkoneksi berkecepatan tinggi. Yang disebut "terbuka" adalah kepemilikan bobot, bukan pembebasan dari ambang batas perangkat keras.

Dengan kata lain, model terbuka telah menyebarkan permintaan komputasi dari beberapa laboratorium tertutup kepada penyedia awan, awan kedaulatan, dan pusat data swasta perusahaan. Jumlah keseluruhan tidak berkurang, hanya berganti pemilik.

Ini adalah perhitungan yang belum diselesaikan oleh pasaran semasa jatuhnya pada bulan Julai.

Empat: Tiga kesudahan, nilai bermuara di mana

Morgan Stanley tidak membuat tekaan tunggal, tetapi memberikan tiga senario. Cara penulisan ini sendiri merupakan satu penilaian: tiada siapa yang tahu kesudahannya, tetapi struktur keuntungan bagi setiap kesudahan boleh digambarkan terlebih dahulu.

Anggapan bahawa prestasi model terkini sukar ditiru. Beban kerja terus mengekalkan kepadatan pengkomputan yang tinggi dan terus berpusat kepada awan berskala super besar. Harga token masih akan turun, tetapi dengan perlahan—kerana struktur oligopoli itu sendiri mempertahankan disiplin penetapan harga.

Pihak yang mendapat manfaat: penyedia awan, perisian keselamatan, rangkaian cahaya, semikonduktor, rantaian bekalan kuasa.

Laporan ini menekankan satu pemboleh ubah spesifik: Google. Jika Gemini 4 berjaya menembus dan kembali ke garis depan, pulangan atas pelaburan (ROI) Google daripada menggunakan infrastruktur sendiri untuk menjalankan API model adalah sekitar 45%. Jika gagal memimpin di garis depan, Google akan lebih berperan sebagai penyedia infrastruktur, dengan ROI yang berkisar sekitar 30%.

Perbezaan lima belas peratus, ditekan pada model generasi pertama. Itulah kadar pertandingan terkini.

Tidak ada satu arsitektur yang menguasai semuanya. Model canggih tertutup mendominasi tugas penalaran kompleks dan AI Agent, sementara bobot terbuka melayani permintaan yang sering, sensitif terhadap biaya, dan khusus vertikal.

Beban tersebar melintasi awan awam, awan peribadi, tempatan, dan tepi. Oleh itu—perisian "tengah" seperti pengaturan model, penghalaan, penilaian, dan pentadbiran menjadi kunci kepada perpindahan nilai ke atas. Permintaan terhadap perisian keselamatan membesar seiring dengan penyebaran beban.

Kesinihan ini didasarkan pada realiti yang sangat kukuh: sekarang ini, 63% syarikat telah menggunakan kedua-dua model terbuka dan tertutup.

Nombor ini sangat bermakna. Pilihan syarikat bukanlah "percaya kepada faksi mana", tetapi "tugasan mana yang lebih murah dan lebih stabil untuk digunakan". Ini adalah tindakan pembelian, bukan pertarungan ideologi.

Kesanggupan bobot terbuka berangsur-angsur mengekang kepada tahap terkini, dan kecerdasan model asas menjadi sesuatu yang boleh diperoleh secara meluas. Harga API model menurun ketara, dan terdapat gelombang pengambilan oleh perusahaan.

Infrastruktur AI bergerak menuju desentralisasi: permintaan untuk pusat data swasta, awan kedaulatan, pelaksanaan tempatan, dan peranti tepi meningkat secara besar-besaran. Fokus inovasi berpindah daripada pra-pelatihan kepada penyesuaian halus, pengoptimuman inferens, Agen, dan pelaksanaan aplikasi spesifik.

Dalam senario ini, perisian keselamatan adalah salah satu pemenang utama. Ini juga mudah difahami—dalam dunia di mana bobot boleh mengalir secara bebas, permukaan serangan meningkat secara geometrik.

Pembahagian pada tahap saham tertentu sangat menarik: AVGO mungkin merupakan penerima faedah tunggal terbesar dalam senario tertutup; pembuat infrastruktur tempatan seperti DELL dan HPE, serta pembuat peranti tepi seperti Apple, lebih mudah melepaskan nilai dalam senario terbuka. Pembekal awan pula bergantung kepada ke mana beban akhir akan mengalir—jika senario terbuka berlaku, Microsoft mempunyai kelebihan yang lebih jelas dalam awan hibrid dan penempatan tempatan, manakala Amazon dan Google akan diletakkan sebagai "penerima faedah lain" dalam senario ini.

V. Penerima faedah sepanjang masa: Mengapa NVIDIA dan listrik

Setelah menghuraikan tiga senario, Morgan Stanley menarik dua garis yang melintasi semua senario tersebut.

Yang pertama ialah NVIDIA.

Logiknya tidak rumit, tetapi sangat kukuh: sama ada kuasa pengiraan terkumpul di pusat data berskala besar atau tersebar ke bilik mesin perusahaan dan tepi, logik dasar permintaan GPU tidak berubah.

Konsentrasi, beberapa pembeli membeli dalam jumlah besar;分散, puluhan ribu pembeli membeli dalam jumlah kecil. Jumlah total tidak berkurang, malah mungkin lebih besar kerana jangkauan yang lebih luas.

Perlu diperhatikan bahawa Morgan Stanley baru-baru ini menaikkan anggaran kos kluster AI—harga sistem NVIDIA Vera Rubin diletakkan pada sekitar US$49 bilion per gigawatt, meningkat hampir 20% berbanding ramalan sebelumnya.

Nombor ini sedikit rumit apabila diletakkan di sini. Di satu sisi, model menjadi lebih murah, di sisi lain, perbelanjaan modal per unit pengiraan meningkat. Kedua-duanya tidak bertentangan: kos marjinal di bahagian inferens menurun, manakala pelaburan tetap di bahagian latihan dan penghantaran meningkat. Yang pertama mendorong ekspansi permintaan, yang kedua menentukan siapa yang layak terlibat dalam penawaran.

Yang kedua ialah kuasa tapak (on-site power).

Alasannya adalah lengkung permintaan kuasa merangkumi kedua-dua konfigurasi "terpusat" dan "teragih". Sama ada beban disusun bagaimanapun, pengembangan AI bermakna penggunaan kuasa dan kapasiti bekalan kuasa mesti dinaikkan serentak.

Listrik adalah batasan paling tanpa kompromi dalam narasi AI sepenuhnya. Model boleh bersifat sumber terbuka, bobot boleh dimuat turun, cip boleh diganti, tetapi listrik tidak boleh bersifat sumber terbuka. Satu gigawatt adalah satu gigawatt, tiada siapa pun yang boleh menciptakannya.

Ini mungkin garis yang paling pasti di antara tiga senario ini. Terlalu pasti sehingga agak membosankan.

Enam, nilai sebenar laporan ini bukanlah kesimpulan, tetapi kerangka kerja

Katakan pandangan anda sendiri.

Laporan Morgan Stanley ini, jika hanya melihat judulnya—“Keterbukaan bobot mempercepat penyebaran daripada melemahkan pemimpin”—mudah dianggap sebagai satu pernyataan untuk menenangkan pasaran. Tetapi yang benar-benar bermakna ialah ia mengubah soalannya.

Masalah asal pasaran ialah: Akankah permintaan AI menyusut kerana peningkatan kecekapan?

Soalan dari Morgan Stanley ialah: Permintaan AI pasti tidak berkurang, tetapi masalahnya ialah nilai akhirnya terletak pada lapisan manakah dalam rantai pasokan—kekuatan pengiraan, awan, pengaturan dan pentadbiran perisian, atau infrastruktur terdistribusi tempatan dan tepi?

Perbezaan antara dua soalan ini adalah perbezaan antara pemikiran pasaran beruang dan pemikiran struktur.

Saya percaya arah Morgan Stanley betul, tetapi ada dua perkara yang perlu diwaspadai.

Pertama, paradoks Jevons tidak berlaku secara automatik.

Hukum Jevons memerlukan syarat: permintaan mesti mempunyai ruang elastik yang mencukupi. Arang batu menjadi semakin berkurang penggunaannya kerana pada abad ke-19, British mempunyai banyak industri yang belum dimekanisasi. Situasi AI serupa tetapi tidak sepenuhnya sama—walaupun terdapat banyak skenario di mana perusahaan boleh mengintegrasikan AI, ia adalah perkara lain sama ada ia menghasilkan pulangan yang boleh diukur selepas diintegrasikan.

Jika banyak perusahaan hanya menggunakan AI di tempat-tempat yang "kelihatan sibuk tetapi tidak dapat menjelaskan keuntungannya", maka ekspansi permintaan akan mempunyai batas atas, dan batas atas ini akan muncul secara tiba-tiba pada suatu kuartal. Paradoks Jevons menggambarkan kecekapan pengalihan tenaga, tetapi tidak menjamin bahawa apa yang dihasilkan adalah nilai.

Kedua, kesimpulan bahawa "NVIDIA menikmati keuntungan sepanjang masa" terlalu selesa untuk menjadi benar.

Secara logik, sukar untuk mencari kesalahan—permintaan GPU tidak berubah berdasarkan jalan arsitektur. Tetapi antara penilaian yang betul dan penilaian pelaburan yang baik, terdapat harga. Pasaran sudahkah menetapkan harga sepenuhnya terhadap harapan "24/7" ini? Laporan tersebut tidak menjawabnya, dan sepatutnya tidak perlu menjawabnya.

Argumen beli yang logiknya tak terbantahkan sering menjadi tempat lahirnya transaksi yang terlalu ramai. Ini bukan bertentangan, tetapi pengingat: kepastian kesimpulan tidak sama dengan daya tarik peluang.

Tujuh, bagi perusahaan, perkara ini sebenarnya lebih mudah

Mengasingkan permainan penilaian pasaran sekunder, dari sudut pandang pembelian perusahaan, pelajaran daripada laporan ini sebenarnya jauh lebih sederhana.

63% syarikat menggunakan kedua-dua belah pihak, nombor ini sudah memberikan jawapannya: jangan pilih sisi, pilih konteks.

Tugas yang bersifat frekuensi tinggi, boleh diramalkan, peka terhadap data, dan batasan tugas jelas — membina sendiri dengan model berbobot terbuka boleh menjimatkan wang benar-benar, terutamanya di bawah skala 30 bilion parameter, tempoh pulang modal sangat menarik.

Tugas yang memerlukan penalaran kompleks, agen jangka panjang, dan peningkatan kemampuan berterusan yang perlu diikuti—API tertutup, bayar untuk kebolehpercayaan dan kelajuan pengulangan, bukan sesuatu yang memalukan.

Yang benar-benar perlu dilibatkan ialah lapisan tengah: pengaturan, penghalaan, penilaian, dan tata kelola. Bagaimana anda menentukan jalan mana yang patut diambil oleh permintaan tersebut? Bagaimana anda memastikan kualiti output tidak runtuh selepas menukar model? Bagaimana anda mengawal sempadan data di dunia di mana bobot boleh dimuat turun secara bebas?

Morgan Stanley menjadikan lapisan ini sebagai penerima faedah utama dalam senario campuran, dan saya rasa penilaian ini lebih praktikal daripada sebarang cadangan saham individu. Kerana lapisan ini adalah kemampuan yang perlu dibina oleh syarikat sendiri, dan tidak boleh dibeli.

Secara sambilan, keselamatan. Gewangan terbuka membuat model dilancarkan secara terpusat, juga membuat permukaan serangan menjadi terpusat. Dahulu, anda hanya perlu mengurus beberapa kunci API, tetapi sekarang anda perlu mengurus sekumpulan fail gewangan yang berjalan secara tempatan, data penyesuaian halus, dan titik kesimpulan inferens. Perisian keselamatan disebut dalam ketiga-tiga senario ini bukan kebetulan.

VIII. Penutup

Pada hari pelancaran Kimi K3, saham semikonduktor jatuh serentak. Hari ini, melihat semula, ia lebih seperti ingatan otot pasaran, bukan satu tindakan berfikir.

Open weights bukanlah orang yang menumbangkan meja. Ia adalah orang yang memanjangkan meja.

Meja diperpanjang, adakah orang yang duduk di tempat utama akan tergantikan? Mungkin, tetapi bukan kerana pembukaan bobot itu sendiri, tetapi kerana ia gagal mempertahankan garis hadapan. Ini adalah dua perkara yang berbeza.

Tempat paling jujur dalam laporan Morgan Stanley ialah ia tidak memberitahu anda apakah kesudahannya, hanya memberitahu anda siapa yang akan tetap berada di posisinya dalam setiap kesudahan.

NVIDIA, dan listrik.

Yang pertama adalah konsensus, yang kedua adalah fizikal.

Mengenai syarikat-syarikat di tengah yang mengikuti naik turun, berpindah pihak, dan menetapkan semula harga—nasib mereka sangat bergantung kepada situasi. Perkataan ini kedengaran seperti perkataan kosong, tetapi di pasaran di mana semua orang ingin jawapan yang pasti, mengakui "ia bergantung kepada situasi" justru merupakan bentuk kejujuran yang paling mahal.

Model akan menjadi lebih murah dari generasi ke generasi, ini adalah tren yang tidak boleh dihalangi.

Kekuatan pengiraan akan menyebar secara bertingkat, dan ini juga merupakan tren yang tidak boleh dihalang.

Tetapi harga murah dan penyebaran bersama-sama tidak pernah sama dengan penyusutan.

Jevons memahami perkara ini pada tahun 1865. Seratus enam puluh tahun berlalu, umat manusia masih membayar bayaran untuk kesilapan intuisi yang sama.

Itu menarik.

Sumber rujukan

1. Morgan Stanley, *Model Berat Terbuka dan Tiga Senario Masa Depan* (laporan penyelidikan), Ogos 2026
2. Gelonghui / Sina Finance: "Morgan Stanley: Model dengan bobot terbuka mengurangkan kos AI, 'Paradoks Jevons' mungkin menyebabkan permintaan kuasa pengiraan terus meningkat", 4 Ogos 2026
3. BigGo Finance: *Model Berat Terbuka untuk Mempercepat Pengambilan AI: Morgan Stanley Menggariskan Tiga Senario, Menamakan Nvidia dan Power Chain sebagai Penerima Manfaat*, 4 Ogos 2026
4. Huoxing Caijing: Morgan Stanley: Kebangkitan Model AI dengan Bobot Terbuka Akan Mempercepat Penggunaan AI Melalui Pengurangan Kos, 4 Ogos 2026
5. Blockspace Media: *Morgan Stanley mengatakan AI berbobot terbuka boleh memperluas permintaan komputasi dan kuasa*, Ogos 2026
6. Penyelidikan MIT mengenai perbezaan harga antara model terbuka dan model tertutup (selesai pada Disember 2025, dirujuk dalam laporan Morgan Stanley)
7. Penyelidikan Universiti Carnegie Mellon mengenai hubungan antara tempoh pulang modal dan skala pelaksanaan model terbuka (dirujuk dalam laporan Morgan Stanley)
8. Wawasan Morgan Stanley: *Peluang dalam Infrastruktur AI* (termasuk penyesuaian anggaran kos per gigawatt sistem Vera Rubin)