Сама суть проблемы никогда не в том, «сократится ли спрос на ИИ», а в том, «на каком уровне цепочки поставок в конечном итоге сосредоточится ценность».

Автор статьи, источник: 0x9999in1, ME News

Коротко

• Морган Стэнли в документе «Открытые весовые модели и три сценария будущего» делает ключевой вывод: появление открытых весовых моделей, таких как Kimi K3, Qwen и Llama, является катализатором ускорения распространения ИИ, а не угрозой для лидеров рынка.
• Аргумент — это парадокс Джевонса: после того как однократное использование становится дешевле, компании применяют ИИ к большему количеству задач, что в итоге увеличивает общий спрос на токены, вычислительные мощности, электроэнергию и инфраструктуру.
• Мorgan Stanley четко предупреждает: открытый вес не означает бесплатность. Расходы на GPU, облачные сервисы, эксплуатацию и безопасность остаются, реальная экономическая эффективность зависит от сценария.
• Цитируемое исследование MIT показывает, что переход от закрытых к открытым моделям может снизить среднюю цену примерно на 70%, что соответствует ежегодной экономии для предприятий около 25 миллиардов долларов США; однако это исследование было завершено в декабре 2025 года и не полностью учитывает затраты на развертывание.
• Исследование Карнеги-Меллон более сдержанно: срок окупаемости сильно зависит от масштаба — для небольших развертываний с параметрами менее 30 миллиардов окупаемость может наступить быстро, но при увеличении масштаба различия становятся значительными.
• Три сценария: закрытые олигополии, гибридное сосуществование, победа открытых весов. Реальной отправной точкой является то, что 63% компаний уже используют две модели одновременно.
• Единственные постоянные выгодоприобретатели — это NVIDIA и этап обеспечения электропитанием. Причина не в выборе стороны, а в том, что независимо от того, сосредоточена ли вычислительная мощность в сверхкрупных центрах обработки данных или распределена по краям, базовая логика GPU и электропитания остается неизменной.
• Сама суть проблемы никогда не в том, «сократится ли спрос на ИИ», а в том, «на каком уровне цепочки поставок в конечном итоге сосредоточится ценность».

Что рынок неправильно понял

В середине июля 2026 года был выпущен Kimi K3. Индекс полупроводников Филадельфии упал, за ним последовали NVIDIA, Micron, SK Hynix, а также такие компании EDA, как Cadence.

Знакомо? Слишком знакомо.

Более года назад, когда произошёл всплеск DeepSeek, реакция рынка была той же самой: чем сильнее открытые модели, тем меньше ценность вычислительных мощностей. Логика звучит вполне логично — если открытая модель с открытыми весами может догнать лидирующие команды, то премия за закрытые модели исчезает; если эффективность повышается, то необходимость в скоплении чипов снижается. В результате началась цепная реакция: продажа чипов, оборудования и электроэнергии.

В отчете от 4 августа Morgan Stanley назвал эту реакцию прямым недопониманием.

Где ошибка? В том, что рынок напрямую приравнял «снижение удельной стоимости» к «снижению общих расходов».

Между ними существует огромная переменная: объем использования.

Мorgan Stanley ссылается на парадокс Джевонса. В XIX веке экономист Джевонс заметил неожиданное явление: после повышения эффективности паровых машин, когда при сжигании того же количества угля можно было выполнять больше работы, потребление угля в Великобритании не снизилось, а резко выросло. Потому что стало дешевле — его стали использовать; а поскольку его стали использовать, он начал применяться повсюду.

На AI: стоимость одного запроса снизилась с одной копейки до десятой части десяти копеек. Компании не положат сэкономленные деньги себе в карман. Они внедрят AI в те процессы, которые раньше были «невыгодными» — полную проверку тикетов службы поддержки, непрерывное сканирование кодовых репозиториев, построчное сравнение контрактов, автоматическую классификацию каждого письма. Раньше это не делали не потому, что не хотели, а потому что это было слишком дорого.

Как только цена пробивает эту линию, спрос не растет линейно — он обрушивается.

Второй вопрос: что именно открыто в «открытых весах»?

Здесь нужно сначала четко разобраться с понятиями, поскольку половина путаницы на рынке вызвана неясностью терминов.

Мorgan Stanley в отчете сделала не новое, но необходимое различие: открытые веса ≠ открытый исходный код.

Строго определённые модели с открытыми весами — Meta’s Llama, Google’s Gemma, а также Qwen, DeepSeek, Kimi — публикуют обученные параметры. Вы можете загрузить их, дообучить и развернуть самостоятельно. Однако обучающие данные могут оставаться закрытыми, а лицензионные соглашения могут содержать ограничения.

Настоящий открытый исходный код означает, что вся технологическая стека разложена на столе: код, методы обучения, детали данных. В отчете в качестве примера приводится OLMo от AI2. Этот круг гораздо меньше, чем кажется.

Таким образом, более точное утверждение заключается в том, что основное различие между открытыми и закрытыми моделями заключается не в количестве параметров и не в том, кто выше в каком-либо рейтинге, а в способе получения и способе оплаты.

Open weights: Usually get weights for free, support fine-tuning, and flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Закрытый исходный код: лицензия + оплата на основе токенов, все пользователи получают одинаковый набор весов, который вы не можете изменить или просмотреть.

Моргана также сказала довольно честную вещь: сегодня самые передовые модели с наилучшей производительностью в основном остаются закрытыми. Причина проста — стоимость обучения настолько огромна, что никто не будет отдавать предыдущую модель бесплатно до появления следующей.

Эту фразу стоит прочитать еще раз. Она означает, что догоняющие с открытыми весами — это по сути запаздывающее преследование. Разрыв сократится, но структурная временная разница не исчезнет легко.

Три: Бесплатное — самое дорогое: расходы, не указанные на ценнике

Самая ценная часть отчета — именно тот фрагмент, который охлаждает энтузиазм по поводу открытых весов.

Мorgan Stanley ссылается на исследование MIT: переход от закрытых к открытым моделям в среднем снижает цену на 70%, что эквивалентно экономии для предприятий примерно в 25 миллиардов долларов США в год.

Цифры выглядят прекрасно. Но Morgan Stanley сразу же добавил уточнение — это исследование было завершено в декабре 2025 года и не полностью учитывает затраты на внедрение.

Что такое стоимость развертывания? GPU нужно либо купить, либо арендовать, кластер требует обслуживания, модель требует тонкой настройки, безопасность и соответствие нормам требуют обеспечения. Открытые веса — это чертежи и детали автомобиля, а не готовый автомобиль, которым можно сразу же управлять.

Исследование Карнеги-Меллон университета ещё более точно количественно оценило этот вопрос: срок окупаемости сильно зависит от масштаба развертывания. При развертывании с параметрами менее 30 миллиардов окупаемость может наступить быстро; но как только масштаб увеличивается, картина полностью меняется.

Это редко обсуждаемая, но чрезвычайно важная реальность: экономика открытых весов не является плавной кривой, а представляет собой кусочно-заданную функцию.

Маленькие сценарии, высокая частота, четкие задачи — открытые веса просто великолепны.

Сложные рассуждения, длиннотерминные агенты, требующие предельной надежности — закрытые деньги не тратятся зря.

Загляните ещё дальше — архитектуры сверхкрупных MoE, такие как Kimi K3. Даже при активации лишь небольшого числа экспертов огромные веса всё равно должны распределяться по кластеру с высокой ёмкостью памяти и высокоскоростными интерфейсами. Так называемая «открытость» означает открытость права собственности на веса, а не освобождение от аппаратных барьеров.

Другими словами, открытые веса перенесли потребность в вычислительных мощностях с немногих закрытых лабораторий на облачных провайдеров, суверенные облака и корпоративные центры обработки данных. Общий объем не сократился, просто сменились владельцы.

Это еще не учтенные счета рынка в том падении в июле.

Четыре: три возможных исхода, куда уходит стоимость

Морган Стэнли не делает однозначных выводов, а предлагает три сценария. Сам такой подход является оценкой: никто не знает итогового результата, но структуру выгоды для каждого возможного исхода можно предварительно определить.

Предполагается, что производительность передовых моделей трудно воспроизвести. Нагрузки продолжают сохранять высокую плотность вычислений и концентрироваться в супермасштабных облаках. Цена токена всё ещё будет падать, но медленнее — поскольку олигополистическая структура сама по себе поддерживает ценовую дисциплину.

Получатели выгоды: облачные провайдеры, программное обеспечение для безопасности, оптические сети, полупроводники, цепочки поставок электроэнергии.

Отчет здесь указывает на конкретную переменную: Google. Если Gemini 4 достигнет прорыва и вернется на передовую, ожидаемая рентабельность инвестиций Google в использование собственной инфраструктуры для запуска API моделей составит около 45%. Если же ей не удастся возглавить передовую, Google будет скорее выступать в роли провайдера инфраструктуры, при этом ROI составит около 30%.

Разница в пятнадцать процентных пунктов лежит на одном поколении моделей. Таковы коэффициенты гонки передовых технологий.

Нет единой архитектуры, которая подходит для всех. Закрытые передовые модели доминируют в сложных задачах по выводу и работе с AI-агентами, а открытые веса удовлетворяют потребности в высокочастотных, чувствительных к стоимости и специализированных задачах.

Рабочие нагрузки распределены по публичному облаку, частному облаку, локальным системам и краевым устройствам. Именно поэтому программное обеспечение «среднего уровня» — оркестрация, маршрутизация, оценка и управление моделями — стало ключевым для перемещения ценности вверх. Спрос на программное обеспечение для безопасности растет вместе с распределением рабочих нагрузок.

Этот сценарий имеет очень прочную реальную основу: в настоящее время 63% компаний одновременно используют как модели с открытыми весами, так и закрытые.

Это число говорит само за себя. Выбор компании — не «вера в ту или иную сторону», а «какая задача дешевле и надежнее решается с помощью того или иного решения». Это закупочное поведение, а не идеологическая борьба.

Открытые веса постепенно сходятся к передовому уровню, и интеллект базовых моделей становится широко доступным. Цены на API моделей значительно снизились, и наблюдается волна внедрения предприятиями.

Инфраструктура ИИ движется к децентрализации: резко возрастает спрос на частные центры обработки данных, суверенные облака, локальные развертывания и краевые устройства. Фокус инноваций смещается с предварительного обучения на тонкую настройку, оптимизацию вывода, агенты и практическое внедрение приложений.

В этой ситуации безопасностное программное обеспечение стало одним из главных победителей. Это также легко понять — в мире, где веса могут свободно перемещаться, поверхность атаки растет геометрически.

Разделение на уровне отдельных акций очень интересно: в сценарии закрытой системы AVGO может быть крупнейшим единственным受益ителем; такие компании, как DELL и HPE, производящие локальную инфраструктуру, и такие производители периферийного оборудования, как Apple, легче реализуют свою ценность в открытом сценарии. Облако-провайдеры зависят от того, куда в конечном итоге направятся нагрузки — если сценарий открытой системы реализуется, Microsoft имеет более четкое преимущество благодаря своей гибридной облачной и локальной инфраструктуре, а Amazon и Google в этом сценарии будут классифицированы как «другие受益атели».

Пять: Постоянные выгодоприобретатели: почему NVIDIA и электричество

После анализа трех сценариев Morgan Stanley выделила две линии, проходящие через все сценарии.

Первый — NVIDIA.

Логика несложная, но надежная: независимо от того, сосредоточена ли вычислительная мощность в супермасштабных центрах обработки данных или распределена по корпоративным серверным и на границе, базовая логика спроса на GPU остается неизменной.

Концентрация — это несколько покупателей, покупающих огромные объемы; диверсификация — это десятки тысяч покупателей, покупающих небольшие объемы. Общий объем не уменьшается, а даже увеличивается из-за расширения охвата.

Стоит отметить, что Morgan Stanley недавно повысила оценку стоимости AI-кластеров — цена системы NVIDIA Vera Rubin была установлена на уровне около 49 миллиардов долларов США за гигаватт, что на 20% выше предыдущих прогнозов.

Это число выглядит немного неоднозначно. С одной стороны, модели становятся дешевле, с другой — капитальные затраты на единицу вычислительной мощности растут. Это не противоречит друг другу: предельные затраты на вывод снижаются, а капитальные вложения в обучение и развертывание растут. Первое стимулирует расширение спроса, второе определяет, кто имеет право участвовать в предложении.

Второй — это электропитание на месте (on-site power).

Причина заключается в том, что кривая спроса на электроэнергию охватывает как централизованные, так и распределенные конфигурации. Независимо от распределения нагрузки, расширение ИИ означает, что потребление электроэнергии и мощность энергоснабжения должны повышаться синхронно.

Электричество — это самое беспощадное ограничение во всей истории ИИ. Модели можно открыть, веса можно скачать, чипы можно заменить, но электричество нельзя открыть. Один гигаватт — это один гигаватт, и никто не может его создать.

Это, возможно, самый определённый сценарий из трёх. Слишком определённый, чтобы быть интересным.

Шесть: истинная ценность этого отчета — не выводы, а рамки

Поделитесь своим мнением.

Если рассматривать отчет Morgan Stanley только по заголовку — «Открытые веса ускоряют распространение, а не ослабляют лидеров» — его легко можно воспринять как попытку успокоить рынок. Но настоящая ценность заключается в том, что он переформулировал вопрос.

Изначальная проблема рынка заключалась в том, не сократится ли спрос на ИИ из-за повышения эффективности?

Вопрос от Morgan Stanley: спрос на ИИ точно не сократится, но вопрос в том, где в конечном итоге сосредоточится ценность — в вычислительных мощностях, облаке, программном оркестрировании и управлении или в распределенной инфраструктуре на локальном и пограничном уровнях?

Разница между этими двумя вопросами — это разница между менталитетом медвежьего рынка и структурным мышлением.

Я считаю, что направление Morgan Stanley правильное, но есть два момента, на которые стоит обратить внимание.

Во-первых, парадокс Джевонса не действует автоматически.

Эффект Джевонса имеет предпосылки: спрос должен обладать достаточным пространством для эластичности. Уголь становился всё более экономичным, потому что в XIX веке в Великобритании существовало множество отраслей, ещё не подвергшихся механизации. Ситуация с ИИ похожа, но не идентична — бизнес может интегрировать ИИ во множество сценариев, но вопрос в том, принесёт ли эта интеграция измеримую отдачу.

Если большое количество компаний использует ИИ только в областях, которые «выглядят занятыми», но не могут четко показать выгоду, то рост спроса столкнется с потолком, который может внезапно проявиться в каком-либо квартале. Парадокс Джевонса описывает эффективность преобразования энергии, но не гарантирует, что результатом будет ценность.

Во-вторых, вывод «NVIDIA получает выгоду круглосуточно» кажется слишком удобным, чтобы быть верным.

С логической точки зрения трудно найти в этом ошибку — спрос на GPU не зависит от архитектурной траектории. Но между правильным суждением и хорошим инвестиционным решением лежит цена. Смог ли рынок полностью учесть это «круглосуточное» ожидание — отвечать на этот вопрос отчет не должен и не отвечает.

Логически безупречный бычий аргумент часто становится питательной средой для перегруженных позиций. Это не противоречие, а напоминание: уверенность в выводе не равна привлекательности шансов.

Семь: Для компаний это на самом деле проще

Отказавшись от игры оценок на вторичном рынке и взглянув с позиции корпоративных закупок, выводы этого отчета оказываются гораздо проще.

63% компаний используют оба варианта — это число уже говорит само за себя: не выбирайте сторону, выбирайте сценарий.

Задачи с высокой частотой, предсказуемостью, чувствительностью к данным и четкими границами — открытые веса с собственной настройкой позволяют реально сэкономить деньги, особенно при параметрах ниже 30 миллиардов, срок окупаемости которого настолько короток, что это привлекательно.

Сложные рассуждения, длиннотерминные агенты, задачи, требующие постоянного отслеживания и обновления передовых возможностей — платить за закрытые API за надежность и скорость итераций — не стыдно.

На самом деле нужно вложить усилия в средний слой: оркестрацию, маршрутизацию, оценку и управление. Как вы определяете, по какому пути должен идти запрос? Как вы гарантируете, что качество вывода не упадет после смены модели? Как вы контролируете границы данных в мире, где веса можно скачивать свободно?

Морган Стэнли отнесла этот слой к ключевым受益方 в смешанном сценарии, и я считаю, что этот вывод более полезен, чем любая рекомендация по отдельной акции, поскольку этот слой — это способность, которую компании должны построить самостоятельно, и ее нельзя купить.

Кстати, о безопасности. Открытые веса децентрализуют развертывание моделей, а также децентрализуют поверхность атак. Раньше вам нужно было заботиться только о нескольких API-ключах, теперь вам нужно управлять множеством локально запущенных файлов весов, данных тонкой настройки и точек вывода. То, что программное обеспечение для безопасности упоминается во всех трех сценариях — не случайность.

Восьмое: завершение

В день выпуска Kimi K3 акции полупроводников резко упали. Сегодня, оглядываясь назад, это больше похоже на мышечную память рынка, чем на осознанное решение.

Открытые веса — это не те, кто переворачивают стол. Это те, кто удлиняют стол.

После удлинения стола, может ли тот, кто сидел на главном месте, быть вытесненным? Возможно, но не из-за самого открытого веса, а потому, что он сам не смог удержать передовые позиции. Это две разные вещи.

Самое честное место в этом отчете от Morgan Stanley — это то, что он не говорит вам, чем все закончится, а только показывает, кто останется на своем месте в каждом из возможных сценариев.

NVIDIA и электричество.

Первое — это консенсус, второе — физическое.

Что касается компаний, которые следуют за колебаниями, меняют лагерь и переоцениваются — их судьба сильно зависит от обстоятельств. Это звучит как пустая фраза, но на рынке, где все хотят четких ответов, признание «это зависит от обстоятельств» — это самая дорогая форма честности.

Модели будут становиться все дешевле с каждой новой версией — это тренд, который невозможно остановить.

Вычислительная мощность будет постепенно рассеиваться — это тренд, который невозможно остановить.

Но дешевизна и диверсификация вместе никогда не равняются сжатию.

Джевонс понял это еще в 1865 году. Спустя сто шестьдесят лет человечество продолжает платить за эту же ошибку интуиции.

Это интересно.

Источник ссылки

1. Morgan Stanley, *Модели с открытым весом и три будущих сценария* (исследовательский отчет), август 2026 года
2. Gelonghui / Sina Finance: «Моргэн Стэнли: Открытые весовые модели снижают стоимость ИИ — “Парадокс Джевонса” может привести к постоянному росту спроса на вычислительные мощности», 4 августа 2026 года
3. BigGo Finance: *Модели с открытым весом для ускорения внедрения ИИ: Morgan Stanley описывает три сценария, называет Nvidia и Power Chain в качестве получателей выгоды*, 4 августа 2026 г.
4. Huo Xing Cai Jing: «Моргэн Стэнли: Рост открытых весовых ИИ-моделей ускорит распространение ИИ за счет снижения затрат», 4 августа 2026 года
5. Blockspace Media: *Morgan Stanley говорит, что открытые весовые модели ИИ могут увеличить спрос на вычислительные мощности и энергию*, 2026年8月
6. Исследование MIT о различии в ценах между открытыми и закрытыми моделями (завершено в декабре 2025 года, цитируется в отчете Morgan Stanley)
7. Исследование Университета Карнеги-Меллон о зависимости срока окупаемости развертывания открытых моделей от масштаба (цитируется в отчете Morgan Stanley)
8. Morgan Stanley Insights: *Возможности в инфраструктуре ИИ* (с повышением оценки стоимости на гигаватт системы Vera Rubin)