一场关于"算力恐慌"的追问，有了反直觉的答案

每隔一段时间，AI市场就会迎来一轮"效率恐慌"。

模型参数变小了、推理成本降了、某家模型公司用更少的芯片做出了接近顶尖的效果——市场立刻会产生一个直觉推理：既然完成同样的任务所需算力在缩水，那GPU、数据中心、电力的需求是不是也该见顶了？

Kimi K3 的亮相、DeepSeek V4 Flash 的正式发布，让这个问题再次被摆上台面。这些新一代开源权重模型不仅试图缩小与闭源前沿模型的差距，还允许企业下载、修改、自部署，把原本高度集中在少数美国模型实验室的能力，扩散到了更广的开发者与企业技术栈。

但摩根士丹利在最新报告里给出了一个反直觉的答案：

> 模型效率提升，未必会杀死算力需求——反而可能让AI便宜到足以进入那些原本不值得用AI的场景，最终推高总调用量。

顺着这个思路，真正需要重新回答的问题变成了：算力在哪里发生？谁来提供？哪些公司能从这场扩散中赚到钱？

更便宜的模型，为什么反而可能带来更高的算力消耗？

对开源权重模型最常见的误解，是把"模型成本更低"等同于"基础设施需求更低"。

但对企业而言，用不用AI从来不只是"跑一次任务需要多少算力"的问题，而是"产出的价值能否覆盖模型、工程、基础设施的加总成本"。

摩根士丹利引用自己的估算：一个普通的企业AI任务大约能产生55美元的价值，而直接成本只要2到5美元。 即便算上数据、工程、安全、管理成本，这个性价比也意味着大量企业工作流还没被AI充分渗透。

换句话说，模型降价不会让企业AI支出减少，而是会让更多任务跨过"经济可行"的门槛。过去企业可能只把最重要、最高价值的任务交给AI。随着推理价格持续下探，客服记录分类、合同审核、代码测试、产品描述、企业搜索、营销物料、数据清洗、乃至内部审批，都可能被纳入模型工作流。

单个任务消耗的算力在降，但任务数量、执行频率、使用人数在同步扩张。

这就是报告反复提到的杰文斯悖论：当一种资源的效率提升、单位成本下降，其应用范围快速扩大，反而可能导致总消耗量上升。

更省油的汽车没有让全球石油需求消失，更便宜的带宽没有让数据流量减少。同理，更高效的模型未必会减少GPU用量——它更可能让AI从少数高价值任务，变成企业内部的泛在基础设施。

这种扩散已经在发生。报告引用的麦肯锡调查显示，63%的受访企业已在技术栈中使用开源模型，但大多数并没有抛弃闭源模型。实际是混合用：开源模型处理编码、文档解析、高频调用和垂直场景，前沿闭源模型继续扛复杂推理、高可靠性要求、难以标准化的工作。

2026年2月到7月间，美国企业通过OpenRouter每周路由到中国开源模型的token比例一度超过30%。这个数据可能偏向开发者和初创公司，不能直接代表大企业支出，但至少说明开源权重模型已经从实验室概念进入了真实调用和部署环境。

当然，开源权重不等于"免费模型"。自托管时企业省下了按token支付的API费用，但仍需购买或租用GPU，承担数据中心、云服务、微调、工程团队、安全和日常运维的成本。所以开源权重改变的不是算力成本是否存在，而是企业以什么方式为算力买单——以及这部分价值是被模型厂商、云平台还是企业自己的基础设施拿走。

摩根士丹利援引MIT的研究，估算从闭源转向开源模型可将平均价格降低约七成，每年为消费者节省约250亿美元。但报告也提醒，这项研究完成时间较早，不同模型能力不完全可比，且工程、微调、运维等隐性成本可能被低估。

另一项卡内基梅隆的研究则显示，自托管开源模型的回本周期跨度极大——从约3个月到长达6年。小参数、任务固定、调用频率高的模型可以更快摊薄硬件成本；大模型和复杂企业应用则可能长期难以证明自托管比API更便宜，因为利用率不足、频繁更新、微调成本高。

所以，开源权重模型的经济账没有统一答案。取决于模型规模、使用频率、基础设施利用率、企业工程能力，以及数据是否必须留在本地。模型越开放，企业的选择越多——但承担的技术责任也越大。

算力扩散之后，钱流向哪里？

如果AI未来只由少数闭源模型主导，训练和推理会继续集中在大型云平台和超大规模数据中心。

但开源权重模型如果获得更广泛应用，AI算力不会消失，而是从少数中心枢纽进一步扩散到私有云、企业数据中心、主权数据中心、边缘服务器和个人设备。

这意味着市场关注点将从"需要多少张GPU"转向"GPU部署在哪里、谁在管理、如何被调用"。

闭源时代，企业可以把大部分复杂性外包给模型公司：接入API、按token付费、模型更新/基础设施/安全对齐/部分法律责任都由供应商扛。多模型时代，这个简单结构开始瓦解。企业可能把最复杂的任务交给前沿闭源模型，把高频、成本敏感的任务交给开源权重模型；敏感数据留在本地，通用负载跑公有云；部分请求在数据中心处理，部分直接在电脑、手机或其他边缘设备上完成。

模型越多、部署越分散，企业AI技术栈就越复杂：

  • 网关层：需要统一入口管理跨模型的认证、权限、限流、日志和故障转移

  • 路由层：系统需要根据准确性、延迟、成本、数据敏感度和任务难度，把每个请求分配给最合适的模型

  • 编排层：复杂agent工作流通常需要多个模型、数据库和外部工具协同，一个用户请求可能被拆解成几十个步骤和调用

  • 可观测性与评估层：企业需要持续追踪模型输出质量、响应延迟、token用量、运营成本、失败原因和安全风险


这也是开源权重模型扩散受益者不止模型厂商的原因。当基础模型本身变得唾手可得，企业更愿意为"如何可靠地把模型投入生产"买单。模型网关、任务路由、agent编排、数据治理、可观测性、安全软件，可能成为价值链条中最难被压缩的部分。

安全尤其突出。闭源模型集中运行时，部分安全责任由模型实验室和云平台承担。但开源模型进入企业本地环境、私有云和边缘设备后，身份、数据、端点、模型权重、运行时环境都需要独立防护。企业既要防止员工把敏感数据发给错误的模型，还要管理不同模型能访问哪些数据库和工具、是否容易受到提示注入、模型蒸馏、权重篡改或权限滥用。模型部署越分散，攻击面越大；模型越多，治理成本越高。

所以开源权重模型真正带来的，不是AI基础设施价值的消失，而是价值从单一的基础模型和API层，扩散到整个系统栈。未来的AI支出不再只是少数科技巨头建超大规模训练集群，还会表现为企业购买服务器、升级网络和存储、部署安全系统、搭建私有AI平台、为手机和PC配备更强的端侧算力。算力需求从集中走向分布，不等于总量收缩，只是受益者不再集中在模型实验室和大型云厂商手里。

三种终局：谁赢不知道，算力、电力、安全缺一不可

摩根士丹利没有为三种场景赋予明确概率，而是分别建模了闭源胜出、混合共存、开源主导三种情况下的AI产业链价值分布。

场景一：闭源模型保持前沿能力

前沿模型的性能、可靠性和安全能力难以被复制，少数资本雄厚的模型实验室继续领跑。企业优先考虑准确性、部署便利性、知识产权保护和品牌信任，愿意继续为闭源API和企业订阅付费。

训练和推理负载更加集中在AWS、Google Cloud等超大规模平台，超级训练集群持续拉动GPU、高速网络、光通信和定制ASIC需求。同时拥有云基础设施和模型能力的Google、Amazon处于更有利位置，博通、Arista Networks、Lumentum、Coherent等芯片和网络厂商也可能受益。

报告估算，如果Google能在自建基础设施上跑通Gemini API并拥有领先模型，其投资资本回报率可能达到约45%。即使模型不在绝对领先位置，纯粹作为基础设施提供商，回报率也能接近30%。这说明闭源世界最重要的资产不只是模型本身，还包括模型所运行的算力的所有权——谁拥有芯片、数据中心和客户入口，谁就更有机会留住模型调用产生的利润。

场景二：开源闭源长期共存

这是最接近当前企业使用现实的状态。前沿闭源模型处理复杂推理、长周期agent和高可靠性任务，开源权重模型和小模型处理高频、成本敏感、低延迟或高度专业化的活。

企业不会只选一个模型，而是根据任务不断切换和路由。 AI部署同时存在于公有云、私有云、本地基础设施和边缘设备。这个场景下，没有哪家模型厂商能轻易建立垄断定价权，但整个AI软件与基础设施市场迎来最广泛的需求：

  • Microsoft、Amazon、Google继续受益于云负载

  • Datadog、Palantir、Appian等基础设施和工作流软件厂商受益于模型编排、数据连接和可观测性需求

  • Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Okta等安全厂商受益于企业攻击面和身份边界的持续扩张

  • Cisco、F5等网络设备厂商，Dell、HPE、NetApp等企业基础设施厂商，也可能从本地和混合部署中获得增量需求


混合架构最大的投资含义是：AI支出不只集中在训练集群，而是沿着企业技术栈层层扩散。模型层竞争越激烈，企业越需要中立的软件和基础设施在模型之间、部署环境之间自由切换。

场景三：开源权重模型成为主流

开源权重模型逐步逼近前沿闭源模型，基础模型智能变得普遍可得，API价格大幅下降。企业不再愿意为通用模型能力支付高溢价，转而用专有数据微调，把预算大头投向推理优化、agent、行业工具和应用部署。

创新重心从前训练转向后训练和应用层，AI基础设施更加去中心化。政府和大企业可能出于数据主权、隐私、延迟和避免供应商锁定等原因，在主权云、私有数据中心和本地环境部署更多模型。Microsoft可能通过Azure、GitHub、企业软件和开源模型生态强化地位；MiniMax、智谱、阿里巴巴、腾讯等开源模型提供商的战略价值上升；Dell、HPE、NetApp等本地基础设施厂商，HP、Apple等终端设备厂商，以及系统集成商和IT分销渠道，需求也更加明确。

但开源世界不意味着云平台失去价值。大多数企业仍不会完全自建基础设施，开源模型大概率还是跑在Azure、AWS或Google Cloud上。超大规模厂商的角色从"唯一的模型网关"转变为"开源模型的托管方"，提供算力、数据服务和企业AI平台。云厂商面临的不是简单的输赢，而是利润结构的改变——基础模型租金可能下降，但算力、存储、数据库、安全和企业服务的收入仍可能增长。

三个场景里的"常胜军"

摩根士丹利的资产矩阵里，最醒目的不是每个场景各自的独家受益者，而是三个场景里反复出现的名字。

第一个是NVIDIA。 闭源赢，算力更多集中在超大规模训练和推理集群；开源赢，推理节点扩散到企业、本地和边缘环境。两条路径的芯片形态、客户结构、集群规模可能不同，但都需要持续增长的算力。开源模型降低的是使用模型的门槛，并没有消灭算力本身。

第二个是电力。 闭源世界需要稳定吉瓦级供电的超大数据中心，开源世界则增加了企业数据中心、主权云和本地推理设施的电力需求。更高效的模型可能降低单任务功耗，但也可能让更多任务和设备持续运行AI。Bloom Energy、Williams、Liberty Energy等现场供电、天然气和能源基础设施提供商，被报告反复列为受益者。

第三个是安全软件。 无论企业用闭源还是开源模型，都需要保护身份和数据边界。模型扩散到更多部署环境，攻击面只会更大。Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Okta们吃到的不是某一个场景的红利，而是所有场景里都在扩大的安全预算。

算力叙事正在被重写

回头看看这场争论，核心误判出在把"模型效率提升"和"算力需求下降"画了等号。历史上每次能源或计算效率跃升，带来的几乎都是应用规模的爆发而非资源消耗的萎缩。杰文斯悖论在蒸汽机时代成立，在互联网时代成立，在AI时代大概率也成立。

对加密和Web3世界而言，这个结论还有一层额外含义：如果算力需求真的从集中式集群向私有云、边缘设备、主权节点扩散，那"去中心化算力网络"的叙事就不再只是概念——它会成为一个真实存在的增量市场。模型网关、任务路由、算力调度、安全审计，这些OpenAI和Anthropic们不会亲自下场做的脏活累活，恰恰是加密网络最擅长用代币激励和去中心化治理来解决的问题。

摩根士丹利没有给出赌注押在哪个场景，但它给出了一个更重要的判断：无论哪个场景胜出，算力、电力和安全都是绕不开的硬需求。 剩下的问题，是谁能在这条扩散的链条上，找到自己的位置。