开放权重不等于完全开源
报告强调了开源（Open-Source）模型和开放权重（Open-Weights）模型的区别。市场经常将 " 开放权重 " 和 " 开源 " 混为一谈，但两者并不相同。
开放权重模型会公布训练完成后的参数，允许用户下载、部署和微调，却可能不公开训练数据和完整代码，许可条件也未必完全宽松。Meta 的 Llama、谷歌的 Gemma，以及 Qwen、DeepSeek 和 Kimi 等中国 AI 模型均属于此类。
而真正的开源模型则会进一步公开代码、训练指南和数据细节，报告列举的代表是 AI2 的 OLMo。
开放与闭权重（Closed-Weights，亦常被称为闭源模型）的核心区别，也不在参数规模、速度或效率，而在于用户如何取得、改造和部署模型。
闭权重模型通常由模型商统一托管，企业需要支付订阅或席位费，并按 Token 用量付费。开放权重本身大多可以免费取得，但企业仍需承担 GPU、云服务、训练、微调、运维和安全成本。企业可以自购算力，也可以按小时租用云端 GPU，或者通过托管 API 按 Token 付费。
因此，开放权重只是取消了模型许可费，并不意味着总体拥有成本为零。
企业当前采用情况
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，通常与闭权重模型并存。2026 年 2 月至 7 月，美国用户每周有超过 30% 的 OpenRouter Token 被路由至中国开放模型。
不过，这组数据可能更多反映初创企业和技术团队的行为。摩根士丹利判断，开放权重模型目前仍只占企业 LLM 使用量和模型支出的少数。
原因在于，大型企业不仅关心模型价格，还重视可靠性、品牌信誉、服务支持、版权赔偿和持续升级能力。多数企业目前仍选择模型商的标准化产品，或直接与前沿实验室合作定制模型，以减少自行训练和维护的工程负担。
开放权重主要应用于编程、文档解析、客户服务及其他专业化任务。这些场景通常具备三个特征：调用频繁、对响应速度要求较高，或者需要使用企业内部数据进行定制。
开放权重的主要优势
开放权重最直接的吸引力是降低高频推理的可变成本。
报告援引 MIT 的一项研究称，从闭源模型转向开放模型，可能使平均价格下降 70%，每年为消费者节省约 250 亿美元。对于每天需要执行数十亿次多模态推理的企业，逐 Token 收费可能难以持续，开放权重因而具有明显吸引力。
但报告给出了三项限定：这项测算完成于 2025 年 12 月；并非所有开放模型的单位 Token 成本都更低，Kimi K3 就是反例；企业还要承担算力、托管、训练和微调成本。
部署规模尤其影响投资回收期。卡内基梅隆大学的研究显示，低于 300 亿参数、主要用于客服和文档分析的小型模型，最长可能在 3 个月左右收回投入；参数规模达到 2000 亿至 1 万亿、用于高级研究或全企业生成式应用的大型部署，回收期最长可能达到 6 年。
因此，开放权重的经济性并非简单的 " 免费替代付费 "，而取决于调用量、GPU 利用率、模型大小和企业自身技术能力。
风险与限制
除成本外，开放权重的另一项价值是部署控制权。企业可以把模型运行在本地或私有云中，从而满足数据主权、本地化存储和行业监管要求。调查显示，40% 的企业领导者正是因为能够控制模型部署地点而青睐开放权重，这对金融、医疗、政府等高度监管领域尤其重要。
然而，控制权也意味着责任转移。开放模型发布后，开发者很难限制第三方如何修改权重。
报告提到，2026 年 4 月，英国《金融时报》和 AI 安全组织 Alice 利用 Heretic 工具，在几分钟内移除了 Meta 和谷歌开放模型的安全护栏。恶意使用、模型蒸馏攻击以及内部数据泄漏，都可能成为企业必须自行处理的风险。
在知识产权方面，OpenAI、Anthropic 等商业模型通常会在企业遵守安全规则和正确使用的条件下，提供一定的版权赔偿。开放权重模型一般没有类似安排，相关法律责任可能由部署企业承担。
地缘政治也是新的变量。美国若限制中国开放模型，可能破坏企业的业务连续性。美国企业即使认可中国模型的性价比，也可能为了避免未来突然无法使用而转向美国开放模型或闭源供应商。
其他采用障碍包括切换成本、品牌与信任，以及对外国模型的排斥。
三种未来：价值可能沿 AI 产业链重新分配
摩根士丹利提出了三种可能的产业格局。
第一种是闭权重模型胜出。
前沿能力始终难以复制，市场集中于少数资金雄厚的实验室。企业为准确性、可靠性、知识产权保障和部署便利支付溢价，训练及推理继续集中在超大规模云端。
这一情景最利好谷歌、亚马逊、Meta、英伟达和博通，以及 Arista Networks、Lumentum、Coherent 等光通信和网络设备公司。若 Gemini 4 帮助谷歌重返模型前沿，报告估算其在自有基础设施上运营模型 API 的资本回报率约为 45%；若谷歌主要充当基础设施供应商，回报率约为 30%。
第二种是混合架构成为主流。
闭权重模型负责复杂推理和智能体任务，开放权重及小模型承担高流量、成本敏感和垂直领域任务。同一个企业工作流可能根据价格和能力在不同模型之间动态切换。
在这种情况下，亚马逊、谷歌和微软三大云平台都能受益，模型编排、基础设施软件、安全、SaaS 和网络设备的价值也会提升。SAP、ServiceNow、思科和 F5 等公司有望成为重要受益者。
第三种是开放权重胜出。
开放模型性能逐渐逼近前沿，基础模型智能广泛可得，API 价格显著下降。创新重点从大规模预训练转向微调、推理优化、智能体、工具和专用应用。
AI 部署也会更加分散：部分工作负载从公有云迁往私有数据中心、主权云、本地服务器和边缘设备。微软、阿里巴巴、腾讯、MiniMax 等模型或云平台，以及戴尔、慧与（HPE）、NetApp、惠普、苹果、TD Synnex、Ingram Micro 和 CDW 等本地基础设施、终端及分销渠道公司将更直接受益。
跨情景共同赢家
虽然三种情景对模型商和云厂商的影响不同，但报告列出了一批跨情景赢家。
英伟达在三种情景下均被列为 " 最大受益者 "，无论模型开放与否，推理量扩张都需要 GPU。CoreWeave 和 Nebius 等新型云厂商也在三个情景中受益。
Palo Alto Networks、CrowdStrike 和 Okta 同样贯穿三种情景。闭权重世界需要保护集中式云服务，开放权重世界则要保护数量更多、分布更广的本地和边缘工作负载。
更值得关注的是电力。Bloom Energy、INNIO、Solaris Energy Infrastructure、Williams 和 Liberty Energy 在三个情景中均被列为最大受益者。模型效率提升可以降低单次计算的耗电，却可能因为使用量迅速增加而推高总用电需求。
报告测算，三种 AI 推理商业模式均可能实现至少约 25% 的增量资本回报率：超大规模云 GPU 租赁约 31%，在自有基础设施上运行模型 API 约 46%，在第三方基础设施上运行模型 API 约 25%。
与此同时，一项平均 AI 任务可创造约 55 美元收益，而推理成本仅约 2 至 5 美元。只要这一投入产出关系成立，企业就仍有动力扩大 AI 使用。
