开源模型是否会削弱算力需求？摩根士丹利探讨 AI 的三种可能未来

正文：

原报告：Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》，2026 年 8 月 3 日

编译及整理：DaiDai、Frank，MSX 麦通研究院

AI 市场时常经历所谓的「效率恐慌」。

当模型参数缩小、推理成本降低，或者某个模型公司用更少的芯片实现接近最前沿的性能时，市场上便会产生一种直觉：计算资源的需求是否也会随之见顶，尤其是 GPU、数据中心和电力的需求？

然而，摩根士丹利在其最新报告中指出，这种直觉并不成立：

模型效率的提升不一定会导致算力需求的减少，反而可能使 AI 的使用成本显著降低，从而使其进入以往不具经济效益的场景，最终提升整体的调用量。

因此，值得重新讨论的是，算力需求会在何处产生、由谁提供，以及哪些公司能够从这一转变中获益。

开放权重模型最常见的误解之一是将「模型成本下降」直接理解为「基础设施需求下降」。

实际上，企业是否采用 AI 不仅取决于模型执行任务所需的算力，还取决于其带来的收益是否能覆盖模型、工程和基础设施的成本。

摩根士丹利的研究表明，一个企业的 AI 任务平均能够创造大约 55 美元的收益，而直接成本仅为 2 至 5 美元。即便考虑到数据、工程、安全和管理成本，这种收益与成本的比例仍表明，许多企业的工作流尚未实现 AI 化。

在这样的背景下，模型价格下降所带来的结果，可能不是企业减少 AI 支出，而是更多任务能够跨越经济可行性的门槛。

以前，企业可能只会将最重要、价值最高的工作交给 AI；随着推理成本的持续下降，客服记录分类、合同审核、代码测试、商品描述、企业搜索、营销素材、数据清理和内部审批等任务都可能被纳入模型的工作流中。

尽管每项任务所需的计算资源可能减少，但任务数量、运行频率和用户规模却可能同步增加。

这正是报告中提到的「杰文斯悖论」，即当某项资源的使用效率提高、单位成本下降时，由于应用范围的迅速扩大，其总消耗量反而可能上升。

例如，汽车更省油并没有导致全球石油需求的减少；网络带宽的降低也没有使数据流量减少。类似地，更高效的模型未必会减少 GPU 的使用，反而可能使 AI 从少数高价值任务扩展为企业内部的普遍能力。

报告引用的 McKinsey 调查显示，63% 的受访企业已经在其技术栈中使用开放模型，但大多数企业并没有完全放弃闭源模型，而是将两者结合使用。开放权重模型主要用于编程、文档解析、高频调用和特定领域任务，而前沿闭源模型则继续负责复杂推理、高可靠性要求和难以标准化的工作。

从 2026 年 2 月到 7 月，美国公司每周通过 OpenRouter 路由至中国开放模型的 Token 比例一度超过 30%。这一数据可能更偏向开发者和初创公司，未必能够直接代表大型企业的支出，但至少表明，开放权重模型已经从实验室概念走入实际应用。

当然，开放权重模型并不等同于「免费模型」。

企业在自托管时，虽然可以避免向模型提供商支付按 Token 计算的 API 费用，但仍需购买或租赁 GPU，并承担机房、云服务、微调、工程团队、安全和日常运维的成本。这意味着，即使通过模型厂商或云平台提供的托管 API 使用开放权重模型，企业仍可能根据 Token 或计算量支付费用。

因此，开放权重所改变的并不是计算成本是否存在，而是企业如何支付这些计算成本，以及如何在模型提供商、云平台和自身基础设施之间获得价值。

摩根士丹利援引的一项 MIT 研究估算，从闭源模型转向开放模型的平均价格可能下降约 70%，每年为消费者节省约 250 亿美元。但报告也特别指出，这项研究的完成时间较早，不同模型的能力并不能完全比较，也未必充分考虑工程、微调和运维等隐性成本。

另一项来自 Carnegie Mellon 的研究则显示，开放模型自建部署的回收期可能从约 3 个月延长至 6 年，其中参数较小、任务固定且调用频率高的模型能够更快摊薄硬件成本；而大型模型和复杂企业级应用可能因为利用率不足、更新频繁和微调成本过高，长期无法证明自建比 API 更经济。

因此，开放权重模型的经济性并没有一个统一的答案。

它依赖于模型的规模、使用频率、基础设施的利用率、企业的工程能力，以及数据是否必须保留在本地。模型越开放，企业的选择越多，但所承担的技术责任也随之增加。

如果 AI 的未来仅由少数闭源模型主导，那么训练和推理将继续集中在大型云平台和超大规模数据中心中。

而如果开放权重模型获得更广泛的应用，AI 的算力需求不会消失，而是会从少数中心节点扩散到私有云、企业机房、主权数据中心、边缘服务器以及个人设备。

这意味着，市场需要关注的变量将从「需要多少块 GPU」转变为「GPU 部署在哪里、由谁管理、如何被调用」。

在闭源模型时代，企业可以将大部分复杂性外包给模型公司：接入一个 API，按 Token 付费，由提供商负责模型更新、基础设施、安全对齐和部分法律责任。

进入多模型时代后，这种简单的结构开始被打破。

企业可能将最复杂的任务交给前沿的闭源模型，而将高频且对成本敏感的任务交给开放权重模型；敏感数据保留在本地，而一般的工作负载则运行在公有云；部分请求在数据中心处理，部分请求则直接在电脑、手机或其他边缘设备上完成。