AI越便宜，算力越紧缺？大摩揭示万亿产业链的“杰文斯时刻”
很多人担心，DeepSeek、Qwen、Llama等开放权重模型加速普及，会压低模型调用价格，进而削弱云计算公司和芯片厂商的增长逻辑。
摩根士丹利给出了一个更具冲击力的判断：AI价格下降，很可能成为新一轮算力扩张的起点。
当单次推理成本足够低，企业就会把AI嵌入客服、编程、文档处理、营销、研发、智能体乃至内部管理的更多环节。每一次调用虽然更便宜，调用次数却可能成倍增长，最终推高Token消耗、GPU需求、数据中心建设和电力负荷。
这正是“杰文斯悖论”在AI时代的重演：技术效率越高，资源的总消耗反而可能越大。
开放权重模型，究竟开放了什么？
当前市场经常把“开放权重”与“开源”混为一谈，两者之间其实隔着训练代码、数据来源和许可条款等多重门槛。
开放权重模型会公布训练完成后的模型参数，允许企业下载、部署和微调，但开发者可能不会公开训练数据、完整代码及全部技术细节，商业使用也可能受到许可证限制。Meta的Llama、谷歌的Gemma，以及中国的Qwen、DeepSeek和Kimi，都属于这一范畴。
更彻底的开源模式，通常还会披露代码、训练方法和数据细节，AI2推出的OLMo就是代表之一。
因此，判断一个模型开放程度的关键，在于企业能否自由取得、改造和部署模型，以及需要遵守怎样的许可条件。
闭权重模型一般由开发商统一托管，企业按订阅、席位或者Token使用量付费。开放权重模型虽然可以省去部分许可费用，后续支出依然庞大：购买或租赁GPU、云端托管、模型微调、系统运维、安全防护和专业人才，每一项都需要真金白银。
开放权重降低了进入门槛，却没有让AI系统的总体拥有成本归零。
企业为什么愿意拥抱开放模型？
开放权重最直接的吸引力，是降低高频推理的边际成本。
摩根士丹利援引MIT研究称，从闭源模型转向开放模型，平均价格可能下降约70%，每年为用户节省约250亿美元。对于每天需要完成数亿甚至数十亿次推理的企业，持续按照Token付费可能成为沉重负担。调用量越大，企业自建或托管开放模型的经济价值越容易显现。
麦肯锡对41个国家、700名技术负责人的调查显示，63%的受访企业已经使用开源模型，并且经常与闭权重模型搭配使用。2026年2月至7月，美国用户通过OpenRouter产生的Token中，每周超过30%被路由到中国开放模型。
这一数据展现了开放模型的竞争力，同时也带有明显的样本特征：OpenRouter用户更多集中在初创公司、开发者和技术团队。放到整个企业级大模型市场中，开放权重目前仍只占使用量和支出的少数。
大型企业选择模型时，价格只是其中一个维度。稳定性、服务能力、品牌信用、持续升级、数据合规以及知识产权赔偿，同样会直接影响采购决策。许多企业宁愿支付更高费用，也希望由成熟供应商承担部署和维护压力。
现阶段，开放权重模型更适合编程、文档解析、客户服务和垂直行业任务。这些场景往往调用频率高、延迟要求严格，或者需要接入企业内部数据进行定制。
模型能否省钱，取决于规模和使用方式
开放权重模型的经济账，无法仅凭API单价判断。
企业的调用量、GPU利用率、模型参数规模、技术团队能力和部署位置，都会影响最终成本。报告特别指出，并非所有开放模型的单位Token成本都更低，Kimi K3就是其中一个例子。
卡内基梅隆大学的研究显示，参数规模低于300亿、用于客服和文档分析的小型模型，最快可能在三个月左右收回投入；参数规模达到2000亿至1万亿、服务于复杂研究或全企业生成式应用的大模型，投资回收期最长可能达到六年。
这意味着，开放模型尤其适合任务稳定、调用量大、场景明确的企业。若使用频率不足，昂贵的GPU可能长期闲置；若模型规模过大，训练、微调和运维成本甚至可能超过直接购买商业API的费用。
开放权重是否划算，最终要看企业能否把GPU利用率、模型规模和业务需求真正匹配起来。
掌握部署权，也要承担更多责任
对于金融、医疗和政府机构来说，开放权重还有一个重要价值：模型可以部署在本地数据中心、私有云或主权云中，敏感数据无需离开企业控制范围。
调查显示，40%的企业领导者青睐开放权重，主要原因就是能够自主决定模型部署位置。这种控制权可以帮助企业满足数据主权、本地存储和行业监管要求。
控制权扩大之后，安全责任也随之转移。
报告提到，2026年4月，英国《金融时报》和AI安全组织Alice曾利用Heretic工具，在数分钟内移除Meta和谷歌部分开放模型的安全护栏。这意味着，一旦权重被公开，开发者很难继续控制第三方如何修改和使用模型。
恶意部署、模型蒸馏攻击、内部数据泄露和安全护栏失效，都需要使用企业自行应对。
知识产权风险同样值得重视。OpenAI、Anthropic等商业模型供应商通常会在客户遵守安全规范的前提下，提供一定程度的版权赔偿。开放权重模型普遍缺少类似机制，一旦出现侵权纠纷，部署企业可能需要自行承担法律责任。
地缘政治又增加了一层不确定性。如果美国未来限制中国开放模型，即使这些模型拥有明显的性价比优势，美国企业也可能出于业务连续性考虑，提前转向本国开放模型或闭源供应商。
AI产业可能走向三种未来
摩根士丹利由此提出了三种可能的产业格局。
第一种：闭权重模型继续统治前沿能力
如果最先进模型始终需要巨额资本、顶尖人才和海量数据，市场就会继续集中在少数大型实验室手中。企业愿意为准确性、稳定性、版权保障和便捷部署支付溢价，训练与推理也会高度集中在大型云平台。
这一格局将更加利好谷歌、亚马逊、Meta、英伟达和博通，Arista Networks、Lumentum、Coherent等网络与光通信企业也会受益。
报告估算，如果Gemini 4帮助谷歌重新进入模型能力最前沿，谷歌利用自有基础设施运营模型API的资本回报率可能达到约45%；如果主要充当算力基础设施供应商，回报率约为30%。
第二种：开放与闭权重长期共存
这可能是最符合企业现实需求的一种路径。
复杂推理、前沿研究和智能体任务交给闭权重模型；高流量、成本敏感和专业化任务则由开放模型或小模型承担。同一套业务流程可以根据价格、速度、准确率和合规要求，在多个模型之间动态切换。
在这种混合架构中，亚马逊、谷歌和微软三大云平台都有机会获益。模型编排、基础设施软件、网络设备、身份认证和安全防护的重要性也会明显提升，SAP、ServiceNow、思科和F5等企业有望获得更多产业价值。
第三种：开放权重成为主导力量
如果开放模型的性能逐渐逼近最前沿水平，基础模型能力将加速商品化，API价格可能进一步下降。行业创新重心也会转向模型微调、推理优化、智能体、工具调用和垂直应用。
AI工作负载将变得更加分散，一部分需求可能从公共云迁往私有数据中心、主权云、本地服务器和边缘终端。
在这一格局下，微软、阿里巴巴、腾讯和MiniMax等模型及云平台可能直接受益；戴尔、慧与、NetApp、惠普、苹果，以及TD Synnex、Ingram Micro和CDW等本地基础设施、终端设备与分销企业，也会迎来新的增长空间。
无论谁赢，算力、安全和电力都可能成为共同赢家
三种情景对模型公司和云厂商的影响差异很大，但底层基础设施的需求方向却高度一致。
摩根士丹利把英伟达列为三种情景下的最大受益者。模型是否开放，会改变算力部署地点和利润分配方式，却很难改变推理量持续增长对GPU的需求。CoreWeave和Nebius等新型云计算公司，也有望从算力需求扩张中获益。
安全产业同样贯穿三种情景。
闭权重模式需要保护集中式云平台，开放权重模式则需要保护数量更多、分布更广的私有云、本地服务器和边缘设备。Palo Alto Networks、CrowdStrike和Okta因此都被大摩列入跨情景受益者。
更容易被市场低估的环节是电力。
模型效率提高，可以降低单次计算的耗电量；当AI调用量以更快速度增长，数据中心的总用电需求依然可能持续上升。Bloom Energy、INNIO、Solaris Energy Infrastructure、Williams和Liberty Energy等电力及能源基础设施企业，也被报告列入三种情景下的重要受益者。
大摩测算，三种AI推理商业模式都可能获得至少约25%的增量资本回报率：大型云平台出租GPU的回报率约为31%，利用自有基础设施运营模型API约为46%，依托第三方基础设施运营模型API约为25%。
一项平均AI任务可能创造约55美元的经济收益，而完成推理所需的成本仅为2至5美元。只要这种投入产出关系能够维持，企业就拥有充足动力继续增加AI调用。
AI的下一轮竞争，核心变量是使用量
开放权重模型带来的最大改变，可能并非简单地压低模型价格，而是把AI从少数高价值场景推向海量日常任务。
未来的产业价值将沿着模型、云平台、GPU、网络设备、安全软件、数据中心和电力系统重新分配。模型本身的许可收入可能承压，整个AI基础设施市场却可能因为使用门槛下降而继续扩张。
从投资角度看，真正值得追踪的指标，已经不止于哪家公司拥有最强模型。Token使用量能否持续增长、企业AI项目能否创造真实收益、GPU利用率能否保持高位、数据中心能否获得稳定电力供应，这些因素将共同决定AI资本开支周期能够走多远。
AI越便宜，应用范围就可能越广；应用越广，算力、电力与安全需求就越庞大。
这正是大摩报告揭示的核心逻辑：模型价格战未必终结算力繁荣，它甚至可能点燃规模更大的需求浪潮。
