真正的問題從來不是「AI 需求會不會縮水」，而是「價值最終沉在供應鏈的哪一層」。

文章作者、來源：0x9999in1，ME News

簡而言之

• 摩根士丹利在《開放權重模型與三種未來情景》中提出核心判斷：Kimi K3、Qwen、Llama 這類開放權重模型的興起，是加速 AI 普及的催化劑，不是削弱龍頭的威脅。
• 論點是傑文斯悖論——當單次推理變得更便宜時，企業會將AI應用於更多任務，從而推高Token、算力、電力和基礎設施的總需求。
• 摩根士丹利明確提醒：開放權重不等於免費。GPU、雲服務、運維、安全的成本依然存在，真實經濟性取決於場景。
• 引用的 MIT 研究顯示，從閉源切換到開放模型可使平均價格下降約 70%，對應企業每年約 250 億美元的節省；但該研究完成於 2025 年 12 月，未充分計入部署成本。
• 卡內基梅隆的研究則更為冷靜：回本週期高度依賴規模，300 億參數以下的小規模部署可以很快回本，規模增大後差異極大。
• 三種終局：閉源寡頭、混合共存、開放權重取勝。現實錨點是 63% 的企業已經同時在使用兩類模型。
• 全天候受益者只有兩條線：NVIDIA，以及現場供電環節。理由不是站隊，而是無論算力集中於超大數據中心還是分散至邊緣，GPU 與電力的底層邏輯都不變。
• 真正的問題從來不是「AI 需求會不會縮水」，而是「價值最終沉在供應鏈的哪一層」。

一、市場誤讀了什麼

2026 年 7 月中，Kimi K3 發布。費城半導體指數應聲下跌，英偉達、美光、SK 海力士，連 Cadence 這類 EDA 公司都跟著一起挨了一刀。

熟悉嗎？太熟悉了。

一年多前 DeepSeek 那一波，市場的條件反射也是一樣的：開源模型越強，算力就越不值錢。邏輯聽起來很順——既然一個開放權重的模型能追平第一梯隊，那閉源的溢價就沒了；既然效率提上來了，那堆卡的必要性就下去了。於是賣晶片、賣設備、賣電力，一條鏈子往下砍。

摩根士丹利在8月4日的这份報告裡，把這個反射弧直接稱為誤讀。

誤讀在哪？在於市場把「單位成本下降」直接等價成了「總支出下降」。

這中間隔著一個巨大的變量：用量。

摩根士丹利搬出了傑文斯悖論。19世紀的經濟學家傑文斯觀察到一件反直覺的事：蒸汽機效率提升後，用同樣的煤能做更多工作，英國的煤炭消耗量不僅沒有下降，反而暴增。因為變便宜了，所以用得起；因為用得起，所以到處都在用。

應用於 AI：單次推理成本從一分錢降至一毛錢的十分之一，企業不會把省下的錢據為己有。企業會把 AI 塞進原本「算不過賬」的環節——客服工單的全量複核、代碼庫的持續掃描、合約的逐條比對、每一封郵件的自動分類。這些工作以前不做，不是不想做，而是太貴而不划算。

一旦價格跌破那條線，需求不是線性增長，而是塌陷式湧入。

二、「開放權重」到底開放了什麼

這裡必須先把概念說清楚，因為市場的混亂有一半來自術語的混亂。

摩根士丹利在報告中做了一個不算新鮮但很必要的區分：開放權重 ≠ 開源。

嚴格定義的開放權重模型——Meta 的 Llama、谷歌的 Gemma，以及 Qwen、DeepSeek、Kimi——公開的是訓練好的參數。你能下載，能微調，能自己部署。但訓練數據可能不公開，許可協議可能有限制。

真正的開源，是整個技術棧都擺在桌面上：代碼、訓練方法、數據細節。報告舉的例子是 AI2 的 OLMo。這個圈子比大家想像的小得多。

因此，更準確的說法是：開放權重與閉源的核心差異，不在參數規模，也不在某個榜單上誰高誰低，而在獲取方式和付費方式。

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

閉源：許可證 + Token 計費，所有用戶獲得的權重均相同，無法修改，也無法查看。

摩根士丹利還說了一句很實在的話：今天性能最強的前沿模型，基本上還是閉源的。原因很樸素——訓練成本高得離譜，在下一代模型出現之前，沒人會把上一代白送。

這句話值得多讀一遍。它意味著開放權重的追趕，本質上是一場有時滯的追趕。差距會縮小，但結構性的时间差不容易消失。

三、免費的最貴：那些沒寫在價牌上的成本

The most valuable part of the report is precisely the section that cools down the open weights.

摩根士丹利引用了麻省理工學院的研究：從閉源切換到開放模型，平均價格可下降約70%，折算成企業端的節省，約為每年250億美元。

數字很漂亮。但摩根士丹利緊接著補了一刀——這份研究完成於2025年12月，沒有充分計入部署成本。

什麼是部署成本？GPU 需要自行購買或租賃，叢集需要有人維運，模型需要有人微調，安全與合規需要有人負責。開放權重給你的是一輛車的設計圖和零件，而不是一輛可以直接開走的車。

卡內基梅隆大學的研究更進一步量化了這件事：報酬回收期高度依賴部署規模。300億參數以下的小規模部署，報酬回收可以很快；一旦規模提升，賬目就完全是另一番景象了。

這是一個很少被討論但極其關鍵的現實：開放權重的經濟性不是一條平滑曲線，而是一個分段函數。

小場景、高頻次、任務明確——開放權重香得不行。

複雜推理、長程 Agent、需要極致可靠性——閉源的錢不是白花的。

再往前一步看 Kimi K3 這類超大 MoE 架構。它即使只激活少量專家，龐大的權重也仍然要分佈在高容量記憶體和高速互連的叢集中。所謂「開放」，開放的是權重的所有權，不是對硬體門檻的豁免。

換句話說，開放權重將算力需求從少數閉源實驗室擴散至雲服務商、主權雲和企業自建機房。總量未減，只是更換了擁有者。

這才是市場在7月那波下跌中未清算的賬單。

四、三種終局，價值往哪兒沉

摩根士丹利沒有押注單一結論，而是提供了三種情境。這種寫法本身即是一種判斷：沒有人知道最終結局，但每種最終結局的受益結構是可以提前繪製出來的。

假設前沿模型的性能難以複製。工作負載仍保持高算力密度，繼續向超大規模雲集中。Token 價格仍會下跌，但跌幅較慢——因為寡頭結構本身維持了定價紀律。

受益方：雲廠商、安全軟體、光網路、半導體、電力供應鏈。

報告在此處點出了一個具體變量：谷歌。如果 Gemini 4 實現突破、重回前沿，谷歌使用自家基礎設施運行模型 API 的投資回報率大約可達 45%。如果未能領跑前沿，谷歌就更像一家基礎設施提供商，對應的 ROI 約為 30%。

15 個百分點的差距，就壓在一代模型上。這就是前沿競賽的賠率。

沒有單一架構通吃。閉源前沿模型主導複雜推理和 AI Agent 任務，開放權重承接高頻、成本敏感、垂直專用的需求。

工作負載橫跨公有雲、私有雲、本地和邊緣，因此模型編排、路由、評估與治理這些「中間層」軟體，成為價值向上遷移的關鍵。隨著負載分散，安全軟體的需求也隨之擴張。

這個情景有一個非常堅實的現實基礎：目前已有 63% 的企業同時使用開放權重和閉源兩類模型。

這個數字很能說明問題。企業的選擇不是「信仰哪一派」，而是「哪個任務用哪個更便宜、更穩定」。這是採購行為，不是路線鬥爭。

開放權重性能逐步收斂至前沿水平，基礎模型的智能變成了廣泛可得的東西。模型 API 價格顯著下跌，企業採用出現一波浪潮。

AI 基礎設施走向去中心化：私有數據中心、主權雲、本地部署和邊緣設備的需求大幅增加。創新的重心從預訓練轉移到微調、推理優化、Agent 和具體應用落地。

在這個情境中，安全軟體是最大贏家之一。這也很好理解——在權重可以自由流動的世界裡，攻擊面呈幾何級擴張。

個股層面的分化頗為有趣：在閉源情境下，AVGO 可能是最大單一受益者；在開放情境下，DELL、HPE 這類本地基礎設施廠商，以及蘋果這類邊緣設備廠商，更容易釋放價值。雲廠商則需視負載最終流向何處——若開放情境成立，微軟憑藉混合雲與本地部署能力的優勢將更為清晰，亞馬遜和谷歌在該情境中的地位將被降為「其他受益者」。

五、全天候受益者：為什麼是英偉達和電

完成三種情境推演後，摩根士丹利挑選出兩條貫穿所有情境的線索。

第一名是英偉達。

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

集中，是幾家買巨量；分散，是幾萬家買少量。總量不減，甚至因為普及面擴大而更大。

值得注意的是，摩根士丹利近期還上調了 AI 集群的成本估算——英偉達 Vera Rubin 系統的定價被設定為每吉瓦約 490 億美元，比此前預測高出近 20%。

這個數字放在這裡就有些微妙了。一邊是模型變便宜，一邊是單位算力的資本開支在漲。兩者並不矛盾：推理端的邊際成本在跌，訓練與部署端的固定資產投入在漲。前者驅動需求擴張，後者決定誰有資格參與供給。

第二條是現場供電（on-site power）。

理由是電力需求曲線同時涵蓋「集中式」和「分散式」兩種配置。無論負載如何分佈，AI擴張意味著耗電量和供電能力必須同步提升。

電力這件事，是整個 AI 叙事中最具約束力的限制。模型可以開源，權重可以下載，晶片可以替代，但電力無法開源。一吉瓦就是一吉瓦，誰也變不出來。

這可能是三種情境中最確定的一條線。確定到有點無聊。

六、這份報告的真正價值不在於結論，而在於框架

分享一下你的看法。

摩根士丹利這份報告，如果只看標題——「開放權重加速普及而非削弱龍頭」——很容易被當成一句安撫市場的話。但真正有份量的，是它把問題換了個問法。

市場原本的問題是：AI 需求會不會因為效率提升而縮水？

摩根士丹利的提問是：AI 需求肯定不會縮水，問題是價值最終會沉積在供應鏈的哪一層——算力、雲、軟體編排與治理，還是本地與邊緣的分散式基礎設施？

這兩個問題的差異，是熊市思維與結構思維的差異。

我認為摩根士丹利的方向是對的，但有兩個地方值得保持警惕。

第一，傑文斯悖論不是自動生效的。

傑文斯效應的成立有前提：需求必須具有足夠的彈性空間。煤炭之所以越省越多，是因為19世紀的英國處處都有尚未機械化的產業。AI的情況類似但不完全相同——企業能套用AI的場景確實很多，但套用之後能否產生可衡量的回報，是另一回事。

如果大量企業只是將AI用在「看起來很忙但說不清收益」的地方，那需求的擴張會有一個天花板，而且這個天花板會在某個季度突然出現。傑文斯悖論描述的是能量轉換效率，並不保證轉換出來的是價值。

第二，「英偉達全天候受益」這個結論，正確得有點太舒服了。

它在邏輯上很難挑錯——GPU 需求不會因架構路線改變。但正確的判斷和良好的投資判斷之間，隔著價格。市場是否已充分定價了這個「全天候」預期，報告沒有回答，也不該由報告回答。

一個邏輯上無懈可擊的多頭論據，往往是擁擠交易的溫床。這話不是唱反調，是提醒：結論的確定性，不等於賠率的吸引力。

七、對企業來說，這件事其實更簡單

撇開二級市場的估值遊戲，從企業採購的角度來看，這份報告的啟示反而更為樸實。

63% 的企業兩頭都用，這個數字已經把答案說完了：不要選邊，要選場景。

高頻、可預測、數據敏感、任務邊界清晰的工作——開放權重自建，能省下的錢是真金白銀，尤其在300億參數這個量級以下，回本週期短得讓人心動。

複雜推理、長程 Agent、需要持續追蹤前沿能力升級的任務——使用閉源 API，為可靠性和迭代速度付費，一點也不丟臉。

真正需要投入的，其實是夾在中間那一層：編排、路由、評估、治理。你怎麼判斷一個請求該走哪條路？你怎麼保證換了模型之後輸出質量不塌？你怎麼在權重可以隨便下載的世界裡管住數據邊界？

摩根士丹利將這一層列為混合情景下的核心受益方，我認為這一判斷比任何個股推薦都更實用，因為這一層是企業必須自行建立的能力，無法購買。

順便一提安全問題。開放權重使模型部署去中心化，也使攻擊面去中心化。過去你只需管理幾個API密鑰，現在你必須管理一堆本地運行的權重文件、微調數據和推理端點。安全軟件在這三種情境中都被點名，並非巧合。

八、收尾

Kimi K3 發布當天，半導體股集體下跌。今天回頭看，這更像市場的一次肌肉記憶，而非一次思考。

Open weights 不是掀桌子的人，它是把桌子加長的人。

桌子加長之後，原來坐主位的會不會被擠下去？可能會，但不是因為開放權重本身，而是因為它自己沒能守住前沿。這是兩件事。

摩根士丹利這份報告最誠實的地方，在於它沒有告訴你最終結局是什麼，只告訴你每種最終結局中，誰的位置不會動。

NVIDIA，和電。

前者是共識，後者是物理。

至於那些隨漲跌、隨換陣營、隨重新定價而動的公司——它們的命運高度依賴情境。這句話聽起來像廢話，但在一個人人都想要確定答案的市場裡，承認「這取決於情境」，反倒是最珍貴的一種誠實。

模型會一代代變便宜，這是趨勢，擋不住。

算力會一層層散出去，這也是趨勢，擋不住。

但便宜和分散加起來，從來不等於萎縮。

傑文斯在1865年就看明白了這件事。一百六十年過去，人類仍在為同一個直覺誤區付學費。

真是有意思。

Reference Source

1. 摩根士丹利，*Open-Weight Models and Three Future Scenarios*（研究報告），2026年8月
2. 格隆匯 / 新浪財經：《大摩：開放權重模型降低 AI 成本 「傑文斯悖論」或令算力需求持續增長》，2026年8月4日
3. BigGo Finance：*開放式權重模型將加速人工智慧採用：摩根士丹利提出三種情境，點名英偉達與Power Chain為受益者*，2026年8月4日
4. 火星財經：《摩根士丹利：開放權重 AI 模型興起將通過降低成本加速 AI 普及》，2026年8月4日
5. Blockspace Media：*摩根士丹利表示開放權重人工智慧將推動計算與電力需求增長*，2026年8月
6. MIT 對開放模型與閉源模型價格差異的研究（完成於2025年12月，經摩根士丹利報告引用）
7. 卡內基梅隆大學關於開放模型部署回本週期與規模關係的研究（經摩根士丹利報告引用）
8. 摩根士丹利洞察：*AI 基礎設施的機遇*（含 Vera Rubin 系統每吉瓦成本估算上調）