开源权重模型将推动AI扩散，三种情景下受益标的不同
AI 摘要卡
开源权重模型将推动AI扩散，三种情景下受益标的不同
Morgan Stanley认为，开源权重模型有助于降低成本、提升定制化与部署控制权，并通过Jevons Paradox扩大AI采用，但企业最终会走向闭源、混合还是开源主导仍需观察。
- 63%的受访企业已在技术栈中使用开源权重模型，通常与闭源模型并用。
- 开源权重模型的主要优势包括无按token计费、可定制、可控制部署位置；主要不足包括微调成本、安全风险、责任归属和地缘政治风险。
- 报告提出三种世界状态：闭源模型胜出、混合架构胜出、开源权重模型胜出，并分别映射云、模型、安全、半导体、网络、电力、边缘和本地基础设施受益方向。
- NVDA和电力相关需求在多种情景下相对稳健，hyperscalers的受益程度取决于闭源模型能力、基础设施角色和开放模型渗透率。
研报解读
概览
本报告围绕开源权重模型与闭源权重模型的竞争展开，讨论Kimi K3发布、美国可能限制中国模型、以及相关政策信件引发的市场争议。Morgan Stanley认为，投资者担心更小、更高效的开源模型会削弱算力和AI基础设施需求，但报告核心观点是开源权重模型会通过竞争和成本下降推动AI更快扩散，并可能扩大企业AI采用。
核心观点
报告认为，当前企业同时使用开源与闭源模型，开源权重模型主要用于需要速度、安全、频繁调用或特定领域适配的较小场景，如代码和文档解析。长期看，开放模型如果性能继续追赶前沿模型，将降低模型API价格并扩大需求；若闭源模型继续保持领先，则少数资本充足的前沿实验室、云厂商和训练基础设施仍将受益；若混合架构成为主流，则模型路由、编排、可观测性、安全和治理将变得更重要。
分析框架
报告采用情景分析框架，将未来企业AI模型采用路径划分为闭源模型胜出、混合架构胜出和开源权重模型胜出三种状态，并分别推导产业链受益方。分析重点包括企业采用率、成本结构、模型性能差距、部署位置、数据主权、监管限制、软件栈复杂度以及算力和电力需求。
方法论与常识提炼
围绕开源与闭源模型竞争推演不同产业受益链条
报告不是预测单一路径，而是将未来拆分为闭源胜出、混合胜出和开源胜出三种情景，并比较每种情景下云、模型、安全、半导体、网络、本地基础设施和边缘设备的相对受益。
效率提升可能扩大总需求
报告认为模型成本下降和效率提升未必压缩AI基础设施需求，反而可能因更多企业和更多用例采用AI而扩大总使用量。
多模型环境下的软件层价值提升
当企业同时运行开源与闭源模型时，网关、路由、编排、评估、治理、安全和可观测性层会更关键，因为企业需要在成本、能力、延迟和合规之间动态选择模型。
标的映射与对比
研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。
- GOOGL, AMZN, MSFT云服务商
- 优势
- 在闭源或混合情景中承接AI工作负载；GOOGL若Gemini重回前沿，还可同时受益于模型API经济性。
- 劣势
- 开源模型价格下降可能限制闭源模型超额回报；不同云厂商受益程度取决于模型能力和客户部署偏好。
- 对比
- 闭源胜出时GOOGL和AMZN更突出；混合情景中AMZN、GOOGL、MSFT均受益；开源胜出情景中报告强调MSFT。
- 风险
- 模型竞争格局变化、价格下降、企业转向本地或边缘部署。
- NVDA, AVGO半导体与AI算力
- 优势
- 报告认为NVDA在多种情景下均受益；闭源胜出时训练集群和高强度算力需求仍强，AVGO也受益。
- 劣势
- 若开源小模型大幅提升效率，单位任务算力需求可能下降。
- 对比
- 闭源情景列出NVDA和AVGO；混合情景列出NVDA。
- 风险
- 模型效率提升、推理价格下降、算力需求结构从训练转向推理或边缘。
- PANW, CRWD, ZS, NTSK, OKTA, FTNT, SAIL, VRNS安全软件
- 优势
- 分布式、on-prem和多模型部署增加安全、治理、身份和访问控制需求。
- 劣势
- 闭源胜出时部分安全负担可能由前沿模型实验室承担。
- 对比
- 安全软件在三种情景中均为重要受益方向，开源与混合情景下分布式工作负载使其重要性更高。
- 风险
- 企业AI部署节奏慢于预期，或安全预算未随模型数量同步增长。
- DDOG, PLTR, APPN基础设施软件、编排与可观测性
- 优势
- 多模型环境需要路由、编排、监控、评估、成本与质量追踪。
- 劣势
- 若企业继续采用单一闭源模型API，软件栈复杂度提升可能有限。
- 对比
- 混合情景列出DDOG、PLTR、APPN；开源胜出情景列出PLTR。
- 风险
- 平台整合、云厂商自带工具替代、企业自建能力。
- DELL, HPE, NTAP, P, HPQ, AAPL本地基础设施与边缘设备
- 优势
- 开源模型胜出时，更多工作负载迁移到on-prem、私有云、主权云和边缘设备。
- 劣势
- 若闭源模型保持领先，企业可能继续通过云和API消费模型，减少本地硬件需求。
- 对比
- 这些资产主要在开源权重模型胜出情景中受益。
- 风险
- 大型模型本地部署成本高、企业缺乏工程人才、回本周期不确定。
- BE, INIO, SEI, WMB, LBRT现场电力与能源基础设施
- 优势
- 闭源胜出下训练超级集群推动GW级可靠电力需求。
- 劣势
- 若模型效率显著提升且工作负载分散，集中式超大训练集群增量需求可能弱化。
- 对比
- 报告在闭源胜出情景中特别强调现场电力供应商。
- 风险
- 数据中心建设放缓、电网接入限制、监管和资本开支周期。
关键数据
- 企业开源模型使用率63%McKinsey对41个国家700名技术领导者的调查显示，63%的受访企业使用开源模型，通常与闭源模型并用。
- 美国企业OpenRouter token流向中国开源模型比例30%+报告称2026年2月至7月，美国公司每周超过30%的OpenRouter tokens流向中国开源模型，但该数据可能更偏向初创企业而非大型企业。
- 平均AI任务收益与成本$55收益 vs. $2-5成本报告引用其此前测算，说明企业AI采用仍有较长跑道。
- 开源模型潜在降价幅度约70%报告引用MIT研究称，从闭源转向开源模型可能使平均价格下降70%，每年为消费者节省约$25B，但也提示该研究时间、模型差异和总拥有成本限制。
- 开源部署回本周期最多3个月至最多6年Carnegie Mellon研究显示，较小部署的回本周期可短至最多3个月，大规模200B-1T参数部署可能长达最多6年。
- GOOGL模型API ROIC情景约45%或约30%若Gemini回到前沿，报告认为GOOGL自有基础设施运行模型API的ROIC约45%；若作为基础设施提供方，则约30%。
影响与含义
投资含义是，开放模型不一定削弱AI投资主线，反而可能因成本下降和用例扩展带来更广泛的企业AI支出。闭源胜出更利好前沿模型实验室、云、训练算力、网络和电力；混合胜出更利好云、基础设施软件、安全软件和模型编排；开源胜出更利好本地基础设施、边缘设备、安全、可观测性、路由和应用层部署。
风险
- 美国潜在限制中国开源权重模型可能带来业务连续性风险。
- 企业使用开源模型需要承担微调、托管、人才和算力成本，开源并不等于总拥有成本免费。
- 开源权重模型存在安全对齐被移除、恶意改造和责任归属不清等风险。
- 企业对外国模型的信任、品牌、安全和合规顾虑可能限制采用。
- 如果闭源前沿模型继续显著领先，开源模型在企业核心工作负载中的渗透可能低于预期。
后续跟踪
- Kimi K3、Qwen、DeepSeek、Llama、Gemma等开源权重模型与闭源前沿模型的性能差距变化。
- 美国对中国开源模型以及中国对海外前沿模型的监管限制。
- 企业AI支出中开源、闭源和混合架构的实际占比变化。
- 模型API价格、每token成本、推理效率和企业用例扩展速度。
- 企业在on-prem、私有云、主权云和边缘部署AI工作负载的节奏。
- 模型编排、路由、可观测性、安全和治理软件的预算增长。