开放权重模型将加速AI扩散，产业赢家取决于三种竞争格局

概览

报告讨论开放权重模型与闭源模型在企业AI技术栈中的竞争与共存。Morgan Stanley认为，市场可能低估开放权重模型的作用：其核心差异并非模型规模或质量，而是用户能否获得并调整权重，以及能否在公有云、私有云、本地或边缘环境中灵活部署。开放权重模型能够降低高频推理的可变成本、支持专业化定制并满足数据主权要求，但同时带来微调成本、人才瓶颈、安全责任和地缘政治风险。未来数年的产业价值分配取决于闭源、混合或开放权重三种情景中的哪一种占据主导。

核心观点

第一，开放权重模型有利于竞争和技术扩散，价格下降可能通过杰文斯悖论扩大AI总需求，而非简单削弱算力需求。第二，企业短期更可能维持混合架构：闭源前沿模型处理复杂推理和智能体任务，开放或小型模型承担高频、成本敏感及领域专用工作。第三，模型数量和部署位置越分散，网关、路由、编排、评测、可观测性、安全与治理的重要性越高。第四，若闭源模型胜出，头部实验室、超大规模云、训练网络、半导体和现场供电更受益；若开放权重胜出，价值将更多转向微调、推理优化、应用、私有云、本地基础设施、边缘设备和安全软件。

分析框架

报告结合企业采用调查、Token使用数据、总拥有成本与投资回收期研究，并以情景分析比较模型性能、定价权、部署架构、监管约束和企业采购行为，随后将每种情景映射至相关股票和产业环节。

方法论与常识提炼

• 情景分析三种世界状态

  分别假设闭源模型胜出、混合架构共存和开放权重模型胜出。

  通过改变模型性能差距、价格竞争、企业部署方式和监管条件，识别不同情景下云、模型、软件、硬件、网络及能源环节的相对受益者。

• 经济学框架杰文斯悖论

  单位推理成本下降可能刺激使用量增长，使AI总需求上升。

  开放权重模型提高效率并压低价格后，更多企业和工作负载具备采用AI的经济性，因此算力及相关基础设施需求未必随单位成本下降而减少。

• 成本分析总拥有成本

  比较许可费、Token费、算力、托管、微调、人才和运维成本。

  开放权重模型虽可避免许可费或按Token收费，但并非免费；部署规模和模型参数量会显著影响其相对经济性与投资回收期。

• 产业链映射AI部署架构受益者分析

  根据工作负载向公有云、私有云、本地和边缘迁移的程度配置产业受益方向。

  集中式闭源架构更有利于头部云和前沿模型提供商，分布式开放架构则提高本地硬件、边缘设备、安全、编排、路由和可观测性需求。

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

  云平台与模型分发渠道

  优势

  具备规模化算力、企业客户关系和托管能力；闭源或混合架构下可承接大量集中式工作负载。

  劣势

  开放模型价格竞争可能压缩模型API超额回报，并推动部分工作负载迁往本地或边缘。

  对比

  闭源情景重点受益者包括GOOGL、AMZN；混合情景包括AMZN、GOOGL、MSFT；开放权重情景中报告重点列示MSFT。

  风险

  自有模型落后于前沿、资本开支回报下降、客户多云化以及监管限制。

• NVDA、AVGO

  AI半导体与定制计算基础设施

  优势

  训练与推理需求增长直接支撑加速器、网络和定制芯片需求；NVDA被视为较具跨情景韧性的受益者。

  劣势

  更小、更高效的模型可能降低单次任务所需算力，开放架构也可能改变芯片和系统采购结构。

  对比

  闭源情景列示NVDA、AVGO，混合情景列示NVDA；报告首页强调NVDA在多种状态下均具受益逻辑。

  风险

  模型效率提升快于工作负载增长、客户自研芯片、供给扩张及高估值。

• PANW、CRWD、FTNT、ZS、NTSK、OKTA、SAIL、VRNS

  分布式AI工作负载的安全与身份治理

  优势

  模型和数据分布在云、本地及边缘后，访问控制、终端安全、身份管理和治理需求增加。

  劣势

  闭源集中式架构下，部分安全责任可能由前沿模型实验室或云平台内部承担。

  对比

  安全软件在三种情景中均受益，但开放权重或混合架构下的增量需求更广泛。

  风险

  安全预算整合、平台原生功能替代、开放模型被恶意修改及责任归属不清。

• DDOG、PLTR、APPN

  编排、可观测性与基础设施软件

  优势

  多模型环境需要统一网关、路由、日志、评测、成本监控、工作流编排和故障切换。

  劣势

  功能可能被云平台、模型提供商或开源工具内置，独立厂商面临平台竞争。

  对比

  混合情景重点列示DDOG、PLTR、APPN，开放权重情景列示PLTR。

  风险

  企业部署进度慢于预期、产品同质化、开源替代及客户自研。

• DELL、HPE、NTAP、P、HPQ、AAPL

  本地基础设施与边缘设备

  优势

  开放模型性能提升后，企业可因成本、延迟、隐私和数据主权要求将更多推理迁至本地和边缘。

  劣势

  大型模型的本地部署资本密集，投资回收期可能较长，并要求企业具备运维人才。

  对比

  这些公司主要受益于开放权重模型胜出的去中心化情景，闭源集中式情景下弹性较弱。

  风险

  企业继续优先使用API、公有云成本下降、硬件更新周期延长及模型部署复杂度过高。

• SAP、NOW、SHOP

  企业应用与SaaS层

  优势

  可将开放或闭源模型嵌入既有工作流，并利用企业专有数据开发领域应用和智能体。

  劣势

  基础模型能力商品化可能降低部分AI功能的差异化和定价能力。

  对比

  SAP、NOW同时出现在混合与开放权重情景，SHOP主要列于开放权重情景。

  风险

  AI功能变现不足、推理成本压力、数据治理障碍及客户自建应用。

• ANET、LITE、COHR、CSCO、FFIV

  数据中心光通信、网络与流量管理

  优势

  闭源训练集群需要高带宽网络，混合及分布式架构则增加跨云、数据中心和边缘的连接与流量管理需求。

  劣势

  受益标的随集中式训练和分布式推理的占比变化而分化。

  对比

  闭源情景重点列示ANET、LITE、COHR；混合情景重点列示CSCO、FFIV。

  风险

  数据中心资本开支周期、客户集中、技术迭代和供应链波动。

• BE、INIO、SEI、WMB、LBRT

  超大规模AI训练设施的现场供电

  优势

  闭源前沿模型持续扩大训练集群时，将强化对吉瓦级可靠电力和现场能源方案的需求。

  劣势

  项目周期长，需求实现依赖数据中心建设进度、许可和燃料基础设施。

  对比

  报告将这些标的主要列为闭源模型胜出情景的受益者，同时认为电力需求在多种状态下均有支撑。

  风险

  数据中心项目延期、能源价格波动、监管审批、融资成本和算力效率超预期提升。

• MiniMax、Knowledge Atlas、BABA、Tencent

  开放权重模型提供商

  优势

  若开放模型逼近前沿性能，可通过广泛分发、生态建设和本地市场客户基础扩大采用。

  劣势

  基础模型价格快速下降，直接变现能力可能有限，并需持续投入训练和安全治理。

  对比

  报告将这些公司列为开放权重模型胜出情景的模型层受益者。

  风险

  美国对中国模型的潜在限制、跨境业务连续性、许可政策、安全担忧和前沿性能差距。

关键数据

• 开放模型企业采用率63%McKinsey对41个国家约700名科技负责人的调查结果，多数采用者同时使用闭源模型。
• 美国用户流向中国开放模型的OpenRouter Token占比每周超过30%统计覆盖2026年2月至7月，报告提示样本可能更偏向初创企业而非大型企业。
• 平均AI任务经济性约$55收益，对应$2–5成本用于说明企业AI采用仍有较长增长空间。
• 开放模型潜在价格影响平均价格或下降70%，消费者每年或节省约$25B引用2025年12月MIT研究；并非所有开放权重模型的单位Token成本都更低。
• 企业重视部署控制的比例40%McKinsey调查中，受访企业领导者因可控制托管地点而偏好开放权重模型。
• 本地部署投资回收期约3个月至6年小型部署的回收期可短至约3个月，大型200B–1T参数部署可能长达约6年。
• GOOGL模型API潜在ROIC约45%适用于Gemini处于前沿且在自有基础设施上运营模型API的情景。
• GOOGL基础设施提供模式潜在ROIC约30%适用于Gemini未处于前沿、GOOGL更多扮演基础设施提供商的情景。
• AI推理主要商业模式增量ROIC25%以上报告认为AI推理时代的三类主要商业模式具有较有吸引力的增量单位经济性。

影响与含义

对投资者而言，关键并非简单押注开放或闭源模型，而是识别各产业环节对三种情景的敏感度。闭源主导有利于具备资本、模型性能和云基础设施优势的少数平台，以及支撑超大规模训练的半导体、网络和供电企业；混合架构最有利于能够跨模型提供路由、编排、评测、治理和安全的软件厂商；开放权重主导则将价值从基础模型预训练进一步转向微调、推理优化、智能体、应用、本地基础设施和边缘设备。算力效率提升可能扩大AI工作负载总量，因此NVDA及电力相关需求具有相对更强的跨情景韧性。

风险

• 美国可能限制中国开放权重模型，中国亦可能限制境外前沿模型，造成跨国企业业务连续性和供应商选择风险。
• 开放权重可被移除安全对齐或恶意微调，增加网络安全、模型滥用和责任归属风险。
• 持续跟进前沿版本需要反复微调，企业可能缺乏算力、人才、时间和工程资源。
• 开放权重模型没有按Token费用并不等于总拥有成本更低，大型本地部署的投资回收期可能长达数年。
• 品牌、信任、切换成本、赔偿保障和对外国模型的顾虑可能延缓企业迁移。
• 模型性能、价格和效率变化迅速，三种情景的概率及相应股票受益关系可能持续调整。
• 报告所列受益公司横跨多个行业，个股表现仍受估值、竞争、资本开支周期和公司执行力影响。

后续跟踪

• 开放权重模型能否持续缩小与前沿闭源模型在推理、智能体和安全方面的性能差距。
• 企业AI模型支出中开放、闭源及混合架构的占比变化，而非仅观察试用或Token流量。
• 美国与中国针对模型来源、权重发布、数据主权和安全责任的监管进展。
• 开放模型的全生命周期总拥有成本，包括托管、算力、微调、人才、安全和版本升级。
• 企业工作负载向私有云、本地和边缘迁移的速度，以及GPU集群的实际投资回收期。
• 模型网关、路由、编排、评测、可观测性和治理软件的采购与变现趋势。
• 模型效率提升与新增工作负载之间的相对速度，以判断杰文斯悖论能否持续支撑算力和电力需求。
• GOOGL的Gemini能否重返前沿，以及其模型API和基础设施业务的ROIC差异。