Vấn đề thực sự không bao giờ là "Nhu cầu AI có bị thu hẹp không?", mà là "Giá trị cuối cùng sẽ lắng đọng ở tầng nào của chuỗi cung ứng?".

Tác giả bài viết, nguồn: 0x9999in1, ME News

Tóm tắt ngắn gọn

• Morgan Stanley trong báo cáo “Mô hình trọng số mở và ba kịch bản tương lai” đưa ra phán đoán cốt lõi: Sự nổi lên của các mô hình trọng số mở như Kimi K3, Qwen, Llama là chất xúc tác thúc đẩy sự phổ biến của AI, chứ không phải mối đe dọa đối với các nhà lãnh đạo.
• Lập luận là nghịch lý Jevons—sau khi chi phí cho mỗi lần tính toán giảm xuống, doanh nghiệp sẽ ứng dụng AI vào nhiều nhiệm vụ hơn, làm tăng tổng nhu cầu về token, năng lực tính toán, điện năng và cơ sở hạ tầng.
• Morgan Stanley cảnh báo rõ ràng: Mở trọng số không có nghĩa là miễn phí. Chi phí cho GPU, dịch vụ đám mây, vận hành và bảo mật vẫn còn, tính kinh tế thực sự phụ thuộc vào ngữ cảnh.
• Nghiên cứu của MIT được trích dẫn cho thấy việc chuyển từ mô hình đóng sang mô hình mở có thể giảm giá trung bình khoảng 70%, tương đương với khoản tiết kiệm khoảng 25 tỷ USD mỗi năm cho doanh nghiệp; tuy nhiên, nghiên cứu này được thực hiện vào tháng 12 năm 2025 và chưa tính đầy đủ chi phí triển khai.
• Nghiên cứu của Carnegie Mellon mang tính khách quan hơn: thời gian hoàn vốn phụ thuộc rất lớn vào quy mô, các triển khai quy mô nhỏ dưới 30 tỷ tham số có thể hoàn vốn rất nhanh, nhưng khi quy mô tăng lên, sự khác biệt trở nên rõ rệt.
• Ba kịch bản cuối cùng: độc quyền nguồn đóng, đồng tồn tại hỗn hợp, và mở trọng số chiến thắng. Điểm tham chiếu thực tế là 63% doanh nghiệp đã đồng thời sử dụng hai loại mô hình.
• Người hưởng lợi 24/7 chỉ có hai lĩnh vực: NVIDIA và khâu cung cấp điện. Lý do không phải là chọn phe, mà là bất kể sức tính toán tập trung vào các trung tâm dữ liệu khổng lồ hay phân tán đến biên, logic nền tảng của GPU và điện năng vẫn không thay đổi.
• Vấn đề thực sự không bao giờ là "Nhu cầu AI có bị thu hẹp không?", mà là "Giá trị cuối cùng sẽ lắng đọng ở tầng nào của chuỗi cung ứng?".

Một, thị trường đã hiểu sai điều gì

Vào giữa tháng 7 năm 2026, Kimi K3 được ra mắt. Chỉ số bán dẫn Philadelphia giảm theo, NVIDIA, Micron, SK Hynix, thậm chí cả các công ty EDA như Cadence cũng bị ảnh hưởng theo.

Quen thuộc chứ? Quá quen thuộc.

Hơn một năm trước, khi DeepSeek bùng nổ, phản xạ thị trường cũng tương tự: mô hình mã nguồn mở càng mạnh, thì sức mạnh tính toán càng trở nên kém giá trị. Logic nghe có vẻ hợp lý – nếu một mô hình có trọng số mở có thể theo kịp nhóm đầu, thì mức giá cao của các mô hình đóng nguồn sẽ biến mất; nếu hiệu suất được nâng cao, thì nhu cầu tích lũy card sẽ giảm xuống. Vì vậy, người ta bán chip, bán thiết bị, bán điện – một chuỗi phản ứng giảm giá kéo theo nhau.

Trong báo cáo ngày 4 tháng 8, Morgan Stanley gọi trực tiếp chu kỳ phản xạ này là sự hiểu lầm.

Sai lầm ở đâu? Ở chỗ thị trường đã coi trực tiếp "chi phí đơn vị giảm" là "tổng chi tiêu giảm".

Giữa chúng là một biến số khổng lồ: lượng sử dụng.

Morgan Stanley đã viện dẫn nghịch lý Jevons. Nhà kinh tế học thế kỷ 19 Jevons quan sát thấy một hiện tượng trái ngược với trực giác: sau khi hiệu suất của động cơ hơi nước được cải thiện, với cùng một lượng than có thể thực hiện nhiều công việc hơn, lượng than tiêu thụ ở Anh không giảm mà ngược lại tăng vọt. Vì giá rẻ hơn, nên người ta có thể sử dụng; vì có thể sử dụng, nên than được dùng ở khắp nơi.

Đưa vào AI: Chi phí cho mỗi lần suy luận giảm từ một phân xuống một phần mười của một xu, doanh nghiệp sẽ không giữ lại số tiền tiết kiệm được. Họ sẽ tích hợp AI vào những quy trình trước đây “không tính ra lời” — kiểm tra toàn bộ ticket hỗ trợ, quét liên tục kho mã nguồn, so sánh từng điều khoản hợp đồng, phân loại tự động từng email. Những công việc này trước đây không làm, không phải vì không muốn, mà vì quá đắt để đáng làm.

Khi giá rơi xuống dưới đường đó, nhu cầu không tăng tuyến tính mà ập đến một cách sụp đổ.

Hai, "Trọng số mở" đã mở ra những gì

Ở đây cần làm rõ khái niệm trước, vì sự hỗn loạn trên thị trường một phần đến từ sự nhầm lẫn về thuật ngữ.

Morgan Stanley đã thực hiện một sự phân biệt không mới nhưng rất cần thiết trong báo cáo: trọng số mở ≠ mã nguồn mở.

Các mô hình trọng số mở được định nghĩa rõ ràng — Llama của Meta, Gemma của Google, cùng với Qwen, DeepSeek, Kimi — công khai các tham số đã được huấn luyện. Bạn có thể tải về, tinh chỉnh và tự triển khai. Tuy nhiên, dữ liệu huấn luyện có thể không được công khai, và các thỏa thuận cấp phép có thể có hạn chế.

Mã nguồn mở thực sự có nghĩa là toàn bộ stack kỹ thuật được đặt rõ ràng trên bàn: mã nguồn, phương pháp huấn luyện, chi tiết dữ liệu. Ví dụ được nêu trong báo cáo là OLMo của AI2. Cộng đồng này nhỏ hơn nhiều so với những gì mọi người tưởng tượng.

Vì vậy, cách nói chính xác hơn là: sự khác biệt cốt lõi giữa mô hình mở và mô hình đóng không nằm ở quy mô tham số, cũng không phải ở ai cao hơn ai trên bảng xếp hạng, mà nằm ở cách thức tiếp cận và cách thức thanh toán.

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

Đóng nguồn: Giấy phép + tính phí theo Token, tất cả người dùng đều nhận cùng một bộ trọng số, bạn không thể thay đổi cũng không thể xem thấy.

Morgan Stanley cũng nói một câu rất thực tế: Các mô hình tiên tiến nhất hiện nay về hiệu năng vẫn chủ yếu là nguồn đóng. Lý do rất đơn giản – chi phí huấn luyện cao đến mức phi lý, và trước khi mô hình thế hệ tiếp theo ra đời, không ai sẽ tặng miễn phí mô hình thế hệ trước.

Câu này đáng để đọc lại nhiều lần. Nó có nghĩa là sự bám đuổi của các mô hình trọng số mở, về bản chất là một cuộc bám đuổi có độ trễ. Khoảng cách sẽ thu hẹp, nhưng sự khác biệt về mặt cấu trúc thời gian không dễ dàng biến mất.

Ba: Miễn phí nhưng đắt nhất: Những chi phí không được ghi trên bảng giá

Đoạn có giá trị nhất trong báo cáo chính là đoạn làm dịu bớt sự hưng phấn đối với các trọng số mở.

Morgan Stanley trích dẫn nghiên cứu của MIT: Việc chuyển từ mô hình đóng sang mô hình mở có thể giảm trung bình 70% chi phí, tương đương với khoản tiết kiệm khoảng 25 tỷ USD mỗi năm cho doanh nghiệp.

Con số rất đẹp. Nhưng Morgan Stanley ngay sau đó đã bổ sung một đòn nữa—nghiên cứu này được hoàn thành vào tháng 12 năm 2025 và chưa tính đầy đủ chi phí triển khai.

Chi phí triển khai là gì? Bạn phải tự mua hoặc thuê GPU, phải có người vận hành cụm máy, phải có người tinh chỉnh mô hình, và phải có người đảm bảo an toàn và tuân thủ. Việc mở trọng số cho bạn chỉ là bản vẽ và các bộ phận của một chiếc xe, chứ không phải một chiếc xe đã sẵn sàng để lái đi.

Nghiên cứu của Đại học Carnegie Mellon đã định lượng vấn đề này một cách nghiêm khắc hơn: thời gian hoàn vốn phụ thuộc rất lớn vào quy mô triển khai. Với các quy mô triển khai nhỏ hơn 30 tỷ tham số, thời gian hoàn vốn có thể rất nhanh; nhưng một khi quy mô tăng lên, con số tài chính hoàn toàn trở nên khác biệt.

Đây là một thực tế rất ít được thảo luận nhưng cực kỳ quan trọng: tính kinh tế của các mô hình trọng số mở không phải là một đường cong mượt mà, mà là một hàm từng đoạn.

Kích thước nhỏ, tần suất cao, nhiệm vụ rõ ràng—mở trọng số cực kỳ hấp dẫn.

Suy luận phức tạp, Agent dài hạn, yêu cầu độ tin cậy cực cao—tiền đầu tư vào phần mềm đóng không phải là bỏ ra vô ích.

Hãy nhìn xa hơn một bước đến các kiến trúc MoE siêu lớn như Kimi K3. Ngay cả khi chỉ kích hoạt một số ít chuyên gia, trọng số khổng lồ vẫn phải được phân phối trên cụm bộ nhớ dung lượng cao và kết nối tốc độ cao. Sự “mở” ở đây là mở quyền sở hữu trọng số, không phải miễn trừ các rào cản phần cứng.

Nói cách khác, việc mở trọng số đã phân tán nhu cầu tính toán từ vài phòng thí nghiệm đóng cửa sang các nhà cung cấp dịch vụ đám mây, đám mây chủ quyền và trung tâm dữ liệu tự xây dựng của doanh nghiệp. Tổng lượng không giảm, chỉ thay đổi chủ sở hữu.

Đây mới là những khoản chưa được tính toán rõ ràng trong đợt giảm giá tháng Bảy của thị trường.

Bốn: Ba kịch bản cuối cùng, giá trị sẽ lắng đọng ở đâu

Morgan Stanley không đưa ra một kết luận duy nhất, mà đưa ra ba kịch bản. Cách viết này bản thân đã là một phán đoán: không ai biết được kết thúc cuối cùng, nhưng cấu trúc lợi ích của từng kịch bản có thể được vẽ ra trước.

Giả sử hiệu suất của các mô hình tiên tiến khó có thể sao chép. Tải công việc vẫn duy trì mật độ tính toán cao và tiếp tục tập trung vào các đám mây siêu lớn. Giá token vẫn sẽ giảm, nhưng giảm chậm hơn—do cấu trúc độc quyền tự thân duy trì kỷ luật định giá.

Bên hưởng lợi: Nhà cung cấp đám mây, phần mềm bảo mật, mạng quang, bán dẫn, chuỗi cung ứng điện lực.

Báo cáo đã chỉ ra một biến cụ thể: Google. Nếu Gemini 4 đạt được đột phá và quay trở lại vị trí hàng đầu, tỷ suất lợi nhuận đầu tư (ROI) của Google khi sử dụng cơ sở hạ tầng riêng để chạy API mô hình khoảng 45%. Nếu không dẫn đầu về mặt công nghệ, Google sẽ giống một nhà cung cấp cơ sở hạ tầng hơn, với ROI tương ứng khoảng 30%.

Sự chênh lệch mười lăm phần trăm đã đè lên mô hình thế hệ đầu tiên. Đó chính là tỷ lệ cược trong cuộc đua前沿.

Không có một kiến trúc duy nhất nào có thể thống trị tất cả. Các mô hình tiên tiến đóng nguồn dẫn đầu trong các nhiệm vụ suy luận phức tạp và AI Agent, trong khi các mô hình mở trọng số đáp ứng nhu cầu tần suất cao, nhạy cảm về chi phí và chuyên dụng theo ngành.

Tải làm việc trải rộng trên đám mây công cộng, đám mây riêng, tại chỗ và biên. Do đó—các phần mềm “lớp trung gian” như sắp xếp mô hình, định tuyến, đánh giá và quản trị trở thành chìa khóa để giá trị di chuyển lên trên. Nhu cầu về phần mềm bảo mật mở rộng cùng với sự phân tán tải làm việc.

Tình huống này có nền tảng thực tế rất vững chắc: hiện tại đã có 63% doanh nghiệp đang đồng thời sử dụng cả mô hình trọng số mở và mô hình đóng.

Con số này rất nói lên vấn đề. Sự lựa chọn của doanh nghiệp không phải là "tin theo phái nào", mà là "dùng cái nào rẻ hơn và ổn định hơn cho nhiệm vụ nào". Đó là hành vi mua sắm, không phải cuộc đấu tranh đường lối.

Hiệu năng của các mô hình mở dần dần hội tụ đến mức tiên tiến, trí tuệ của các mô hình cơ sở trở thành thứ có sẵn rộng rãi. Giá API của các mô hình giảm mạnh, dẫn đến làn sóng áp dụng của doanh nghiệp.

Cơ sở hạ tầng AI đang hướng tới phi tập trung: nhu cầu về trung tâm dữ liệu riêng, điện toán chủ quyền, triển khai tại chỗ và thiết bị biên tăng mạnh. Trọng tâm đổi mới đang chuyển từ pre-training sang tinh chỉnh, tối ưu hóa suy luận, Agent và triển khai ứng dụng cụ thể.

Trong tình huống này, phần mềm bảo mật là một trong những người chiến thắng lớn nhất. Điều này cũng rất dễ hiểu – trong một thế giới mà trọng số có thể di chuyển tự do, diện tích tấn công sẽ tăng theo cấp số nhân.

Sự phân hóa ở cấp độ cổ phiếu rất thú vị: AVGO có thể là người hưởng lợi lớn nhất trong kịch bản đóng; các nhà cung cấp cơ sở hạ tầng tại chỗ như DELL, HPE và các nhà sản xuất thiết bị biên như Apple sẽ dễ dàng giải phóng giá trị hơn trong kịch bản mở. Các nhà cung cấp đám mây thì cần xem xét tải trọng cuối cùng sẽ chảy đến đâu—nếu kịch bản mở được xác lập, Microsoft sẽ có lợi thế rõ ràng nhờ năng lực hybrid cloud và triển khai tại chỗ, trong khi vị trí của Amazon và Google trong kịch bản này sẽ bị hạ xuống thành "những người hưởng lợi khác".

V. Người hưởng lợi 24/7: Tại sao là NVIDIA và điện

Sau khi phân tích ba kịch bản, Morgan Stanley đã xác định được hai đường xu hướng xuyên suốt tất cả các kịch bản.

The first one is NVIDIA.

Logic is not complicated, but solid: whether computing power is centralized in hyperscale data centers or distributed to enterprise server rooms and edge locations, the underlying logic of GPU demand remains unchanged.

Tập trung là vài người mua khối lượng lớn; phân tán là hàng vạn người mua khối lượng nhỏ. Tổng khối lượng không giảm, thậm chí còn lớn hơn do phạm vi phổ biến rộng hơn.

Lưu ý rằng gần đây, Morgan Stanley còn nâng cao ước tính chi phí của các cụm AI – giá của hệ thống NVIDIA Vera Rubin được đặt ở mức khoảng 49 tỷ USD mỗi gigawatt, cao hơn gần 20% so với dự đoán trước đó.

Con số này đặt ở đây hơi khó hiểu. Một mặt, mô hình ngày càng rẻ hơn, mặt khác, chi tiêu vốn trên mỗi đơn vị tính toán lại tăng lên. Hai điều này không mâu thuẫn: chi phí biên ở khâu suy luận đang giảm, trong khi đầu tư cố định ở khâu huấn luyện và triển khai đang tăng. Điều đầu tiên thúc đẩy sự mở rộng nhu cầu, điều thứ hai quyết định ai có quyền tham gia vào nguồn cung.

Điều thứ hai là nguồn điện tại chỗ (on-site power).

Lý do là đường cong nhu cầu điện năng bao gồm cả hai cấu hình "tập trung" và "phân tán". Dù tải được phân bố như thế nào, sự mở rộng của AI đều đòi hỏi điện năng tiêu thụ và công suất cung cấp phải cùng tăng lên.

Điện năng là ràng buộc khắc nghiệt nhất trong toàn bộ câu chuyện về AI. Mô hình có thể mở nguồn, trọng số có thể tải về, chip có thể thay thế, nhưng điện thì không thể mở nguồn. Một gigawatt chính là một gigawatt, không ai có thể tạo ra thêm được.

Đây có thể là đường rõ ràng nhất trong ba kịch bản. Rõ ràng đến mức hơi nhàm chán.

Sáu, giá trị thực sự của báo cáo này không phải là kết luận, mà là khung phân tích

Chia sẻ quan điểm của bạn.

Nếu chỉ nhìn vào tiêu đề của báo cáo này từ Morgan Stanley — “Trọng số mở rộng thúc đẩy phổ cập thay vì làm suy yếu các nhà lãnh đạo” — rất dễ coi đó là một câu nói nhằm an ủi thị trường. Nhưng điều thực sự có trọng lượng là nó đã đặt lại câu hỏi theo một cách khác.

Vấn đề ban đầu của thị trường là: Nhu cầu AI có sẽ giảm do hiệu suất được cải thiện không?

Câu hỏi của Morgan Stanley là: Nhu cầu AI chắc chắn không suy giảm, vấn đề là giá trị cuối cùng sẽ lắng đọng ở tầng nào của chuỗi cung ứng—độ mạnh tính toán, điện toán đám mây, phần mềm sắp xếp và quản trị, hay cơ sở hạ tầng phân tán tại chỗ và biên?

Sự khác biệt giữa hai câu hỏi này là sự khác biệt giữa tư duy thị trường giảm điểm và tư duy cấu trúc.

Tôi cho rằng hướng đi của Morgan Stanley là đúng, nhưng có hai điểm cần lưu ý.

Đầu tiên, nghịch lý Jevons không tự động phát huy tác dụng.

Hiệu ứng Jevons chỉ đúng khi có đủ độ co giãn của nhu cầu. Than đá ngày càng được sử dụng nhiều hơn mặc dù tiết kiệm hơn, vì vào thế kỷ 19, nước Anh có rất nhiều ngành công nghiệp chưa được cơ giới hóa. Tình huống với AI tương tự nhưng không hoàn toàn giống nhau—doanh nghiệp có thể tích hợp AI vào rất nhiều kịch bản, nhưng sau khi tích hợp, liệu có tạo ra lợi ích có thể đo lường được hay không lại là một vấn đề khác.

Nếu một lượng lớn doanh nghiệp chỉ sử dụng AI vào những nơi “trông có vẻ bận rộn nhưng không thể nêu rõ lợi ích”, thì sự mở rộng nhu cầu sẽ có một ngưỡng giới hạn, và ngưỡng này sẽ đột ngột xuất hiện vào một quý nào đó. Nghịch lý Jevons mô tả hiệu suất chuyển đổi năng lượng, nhưng không đảm bảo rằng năng lượng chuyển đổi ra sẽ tạo ra giá trị.

Thứ hai, kết luận rằng "NVIDIA được hưởng lợi liên tục" nghe có vẻ đúng đến mức quá thoải mái.

Về mặt logic, rất khó để chỉ ra sai sót — nhu cầu GPU không thay đổi do thay đổi đường lối kiến trúc. Nhưng giữa phán đoán chính xác và quyết định đầu tư tốt, lại có khoảng cách là giá cả. Thị trường đã định giá đầy đủ kỳ vọng "luôn luôn" này chưa? Báo cáo không trả lời câu hỏi này, và cũng không nên do báo cáo trả lời.

Một lập luận tăng giá logic chặt chẽ thường là môi trường lý tưởng cho các giao dịch bị quá tải. Câu này không phải để phản đối, mà là lời nhắc nhở: mức độ chắc chắn của kết luận không đồng nghĩa với khả năng sinh lời hấp dẫn.

Bảy, đối với doanh nghiệp, chuyện này thực ra đơn giản hơn

Bỏ qua các trò chơi định giá trên thị trường thứ cấp, từ góc độ mua sắm doanh nghiệp, bài báo này mang lại những bài học đơn giản hơn nhiều.

63% doanh nghiệp sử dụng cả hai, con số này đã nói lên tất cả: đừng chọn phe, hãy chọn bối cảnh.

Các công việc có tần suất cao, có thể dự đoán được, nhạy cảm với dữ liệu và ranh giới nhiệm vụ rõ ràng — tự xây dựng với mô hình trọng số mở sẽ tiết kiệm được tiền thật, đặc biệt ở quy mô dưới 30 tỷ tham số, thời gian hoàn vốn ngắn đến mức hấp dẫn.

Những nhiệm vụ đòi hỏi suy luận phức tạp, agent dài hạn và liên tục cập nhật năng lực theo công nghệ tiên tiến — trả tiền cho API đóng để đảm bảo độ tin cậy và tốc độ lặp lại, không có gì đáng xấu hổ.

Điều thực sự cần đầu tư chính là lớp ở giữa: sắp xếp, định tuyến, đánh giá và quản trị. Bạn làm thế nào để xác định một yêu cầu nên đi theo con đường nào? Bạn làm thế nào để đảm bảo chất lượng đầu ra không sụp đổ sau khi thay đổi mô hình? Bạn làm thế nào để kiểm soát ranh giới dữ liệu trong thế giới nơi trọng số có thể tải về tùy ý?

Morgan Stanley xếp lớp này vào nhóm hưởng lợi chính trong kịch bản hỗn hợp, tôi cho rằng phán đoán này thực tế hơn bất kỳ khuyến nghị cổ phiếu nào. Vì lớp này là năng lực mà doanh nghiệp buộc phải tự xây dựng, không thể mua được.

Nhân tiện nói về bảo mật. Việc mở trọng số khiến việc triển khai mô hình trở nên phi tập trung, đồng thời khiến diện tích tấn công cũng trở nên phi tập trung. Trước đây, bạn chỉ cần quản lý vài khóa API, giờ đây bạn phải quản lý một loạt tệp trọng số chạy cục bộ, dữ liệu tinh chỉnh và điểm kết thúc suy luận. Phần mềm bảo mật được nhắc đến trong cả ba tình huống này không phải là ngẫu nhiên.

Tám, kết thúc

Ngày Kimi K3 ra mắt, các cổ phiếu bán dẫn đồng loạt lao dốc. Hôm nay nhìn lại, điều đó giống như một phản xạ có điều kiện của thị trường hơn là một sự suy nghĩ.

Việc mở trọng số không phải là người lật bàn. Đó là người kéo dài chiếc bàn.

Sau khi mở rộng bàn, người từng ngồi vị trí chính có bị đẩy xuống không? Có thể, nhưng không phải do bản thân trọng số mở, mà do chính họ không giữ được vị trí tiên phong. Đây là hai việc khác nhau.

Điểm trung thực nhất trong báo cáo của Morgan Stanley là nó không nói với bạn kết cục cuối cùng là gì, mà chỉ cho bạn biết trong mỗi kết cục, ai sẽ giữ nguyên vị trí của mình.

NVIDIA và điện.

Cái trước là sự đồng thuận, cái sau là vật lý.

Đối với những công ty ở giữa, theo dõi sự biến động, chuyển đổi phe phái và điều chỉnh lại định giá — số phận của chúng phụ thuộc rất lớn vào bối cảnh. Câu này nghe giống như lời nói vô nghĩa, nhưng trong một thị trường nơi mọi người đều muốn tìm kiếm câu trả lời chắc chắn, việc thừa nhận "điều này phụ thuộc vào bối cảnh" lại là sự trung thực đắt giá nhất.

Các mô hình sẽ ngày càng rẻ hơn qua từng thế hệ, đây là xu hướng, không thể cản lại.

Công suất tính toán sẽ lan ra từng lớp, đây cũng là xu hướng, không thể cản lại.

Nhưng giá rẻ và phân tán cộng lại, chưa bao giờ bằng suy thoái.

Jevons đã hiểu rõ điều này vào năm 1865. Một trăm sáu mươi năm trôi qua, nhân loại vẫn đang trả học phí cho cùng một sai lầm trực giác.

Thật thú vị.

Nguồn trích dẫn

1. Morgan Stanley, *Các Mô hình Mở Trọng số và Ba Kịch Bản Tương Lai* (báo cáo nghiên cứu), tháng 8 năm 2026
2. Gelonghui / Sina Finance: "Morgan Stanley: Mô hình trọng số mở giúp giảm chi phí AI, 'nghịch lý Jevons' có thể khiến nhu cầu về năng lực tính toán tiếp tục tăng trưởng", ngày 4 tháng 8 năm 2026
3. BigGo Finance: *Các mô hình mở trọng số nhằm thúc đẩy việc áp dụng AI: Morgan Stanley vạch ra ba kịch bản, chỉ định Nvidia và Power Chain là những bên hưởng lợi*, ngày 4 tháng 8 năm 2026
4. Hỏa Tinh Tài Chính: Morgan Stanley: Sự trỗi dậy của các mô hình AI trọng số mở sẽ thúc đẩy sự phổ biến của AI thông qua việc giảm chi phí, ngày 4 tháng 8 năm 2026
5. Blockspace Media: *Morgan Stanley cho rằng AI có trọng số mở có thể làm tăng nhu cầu về máy tính và điện năng*, tháng 8 năm 2026
6. Nghiên cứu của MIT về sự khác biệt về giá giữa các mô hình mở và mô hình đóng nguồn (hoàn thành tháng 12 năm 2025, được trích dẫn trong báo cáo của Morgan Stanley)
7. Nghiên cứu của Đại học Carnegie Mellon về mối quan hệ giữa chu kỳ hoàn vốn khi triển khai mô hình mở và quy mô (được trích dẫn trong báo cáo của Morgan Stanley)
8. Morgan Stanley Insights: *Cơ hội trong hạ tầng AI* (bao gồm điều chỉnh tăng ước tính chi phí mỗi gigawatt của hệ thống Vera Rubin)