Open Source vs. Closed Source: Endgame Scenarios for the AI War and Market Implications

開源與閉源模型之爭已從學術討論演變為影響數十億美元投資決策的核心議題。 摩根士丹利在最新研究報告中系統梳理了這場博弈的三種終局情景，併為投資者劃出了跨越半導體、雲計算、安全軟件及能源基礎設施的受益股票圖譜。

Kimi K3 發佈，以及英偉達和 Anthropic 相繼發佈的開放權重立場文件，將這場爭論推向白熱化。投資者擔憂：隨着更小、更高效的開源模型大量湧現，算力與 AI 基礎設施需求將遭到壓制。摩根士丹利對此持不同看法——該行認為，開放權重模型有助於競爭，並通過"傑文斯悖論"加速 AI 普及，由此推動更大規模的企業級 AI 採用，而非削弱需求。

調研數據印證了這一趨勢。據麥肯錫對 41 個國家 700 位科技領袖的調查，63% 的企業已將開源模型納入 AI 技術棧，通常與閉源模型並行使用。另有數據顯示，2026 年 2 月至 7 月間，美國公司每週通過 OpenRouter 路由至中國開源模型的 Token 佔比超過 30%，儘管這一數據可能更多反映初創企業而非大型企業的行為。儘管如此，摩根士丹利判斷，企業 AI 支出的格局將隨模型效率提升和開源模型發展而持續演變，投資者需要一套清晰的分析框架來把握這場變局。

大摩認為，市場對開放權重模型存在根本性誤解。

開源與閉源模型的核心區別並不在於參數規模或性能高低，而在於用户的訪問與付費方式：開放權重模型免費獲取、可訓練調優、部署靈活（本地、雲端或 API 均可）；閉源模型則通過許可證和 Token 計費向用户收費，權重對所有用户保持一致。

從嚴格意義上區分，開放權重模型（如 Meta 的 Llama、谷歌的 Gemma、Qwen、DeepSeek 和 Kimi）僅公開訓練參數，但可能保留訓練數據或限制授權；開源模型（如 AI2 的 OLMo）則完整開放包括代碼、訓練指南和數據細節在內的完整技術棧。當前最高性能的前沿模型均為閉源，原因很簡單——訓練成本高昂，模型開發商在下一代模型發佈前無力免費提供。

值得注意的是，開放權重並非真正意義上的"免費"。

麻省理工學院的一項研究估算，從閉源轉向開源模型可使平均價格下降 70%，每年為企業節省約 250 億美元。

但摩根士丹利指出，該研究完成於 2025 年 12 月，且未充分考量部署成本——卡內基梅隆大學研究顯示，開源模型的投資回收期因規模差異懸殊：小規模部署（參數量低於 300 億）最短僅需 3 個月，而大規模部署（2000 億至 1 萬億參數）則可長達 6 年。

超過 60% 的企業已將開放權重模型納入技術棧，但當前使用場景高度集中於特定領域。企業主要將其應用於代碼生成、文檔解析及其他高頻次、小規模的專項任務，在這些場景中，不產生 Token 費用、可自定義、可控制託管位置是核心優勢。

Shopify 機器學習負責人 Kshetrajna Raghavan 的表述頗具代表性："當你每天需要運行數十億次多模態推理時，閉源模型的按 Token 收費根本無法持續。"麥肯錫調查則顯示，40% 的企業高管青睞開放權重模型，核心原因正是數據主權與本地化合規需求。

然而，開放權重模型的劣勢同樣不容忽視。

第一，持續微調成本不菲，技術能力較弱的企業往往力不從心；第二，安全隱患突出——英國《金融時報》與 AI 安全機構 Alice 在 2026 年 4 月的測試中，僅用數分鐘便通過 Heretic 工具移除了 Meta 和谷歌開源模型的安全護欄；第三，企業使用閉源模型可獲得 IP 免責保護，而開放權重模型不提供此類條款；第四，地緣政治風險上升，美國若對中國開源模型實施禁令，將迫使企業轉向美國本土替代方案，造成業務連續性風險。

此外，摩根士丹利認為，隨着開放權重模型數量增加，編排與可觀測性工具將變得愈發關鍵——無論企業選擇開源還是閉源，管理認證、路由、推理優化和治理的軟件層都將是必要投資。

摩根士丹利構建了三套情景框架，覆蓋從閉源主導到開源勝出的完整路徑，併為每種情景梳理出對應的投資受益方。

情景一：閉源模型勝出

前沿模型性能難以複製，少數資本雄厚的實驗室勝出，算力工作負載持續向超大規模雲集中，訓練需求保持高度計算密集型。Token 價格下降，但受市場寡頭結構制約，降幅低於開源情景。

該情景下，谷歌的戰略地位取決於 Gemini 是否迴歸前沿——若 Gemini 4 實現突破，谷歌在自有基礎設施上運營模型 API 的投資回報率約為 45%；若未能引領前沿，則更多作為基礎設施提供商運營，對應約 30% 的投資回報率。

核心受益公司：雲服務商（谷歌、亞馬遜）、模型提供商（谷歌、Meta）、安全軟件（PANW、CRWD、ZS、NTSK、OKTA）、光網絡（ANET、LITE、COHR）、現場電力供應商（BE、INIO、SEI、WMB、LBRT）、半導體（NVDA、AVGO）。

情景二：混合格局

無單一架構勝出，閉源前沿模型主導複雜推理與智能代理任務，開放權重模型處理高頻次、成本敏感或垂直領域任務，工作負載在公有云、私有云、本地部署及邊緣設備間分散運行。閉源模型保留定價權，但受開源競爭壓制超額回報。模型編排、路由、評估與治理軟件價值顯著提升，安全軟件因工作負載分散而需求擴張。

核心受益公司：雲服務商（亞馬遜、谷歌、微軟）、基礎設施軟件（DDOG、PLTR、APPN）、安全軟件（PANW、CRWD、FTNT、ZS、NTSK、OKTA、SAIL、VRNS）、SaaS（SAP、NOW）、光網絡（CSCO、FFIV）、現場電力供應商（BE、INIO、SEI、WMB、LBRT）、半導體（NVDA）。

情景三：開放權重模型勝出

開放權重模型性能收斂至前沿水平，基礎模型智能廣泛普及，模型 API 價格大幅下降，推動企業採用浪潮，印證傑文斯悖論。AI 基礎設施走向去中心化，私有數據中心、主權雲、本地部署及邊緣設備需求大幅增長，創新重心從預訓練轉向微調、推理優化、智能代理及特定應用部署。安全軟件因本地及分佈式工作負載而成為最大贏家之一。

核心受益公司：雲服務商（微軟）、模型提供商（MiniMax、Knowledge Atlas、阿里巴巴、騰訊）、基礎設施軟件（PLTR）、安全軟件（PANW、CRWD、FTNT、OKTA、SAIL）、SaaS（SAP、NOW、SHOP）、本地基礎設施（DELL、HPE、NTAP、P）、邊緣設備（DELL、HPQ、蘋果）、分銷商（SNX、INGM、CDW）、現場電力供應商（BE、INIO、SEI、WMB、LBRT）、半導體（NVDA）。

在三種情景中，有兩類資產在任何結局下均保持受益地位。

英偉達在三套情景中均位列核心受益股——無論計算需求集中於超大規模數據中心還是分散至邊緣，GPU 需求的底層邏輯均未改變。現場電力供應商（BE、INIO、SEI、WMB、LBRT）同樣橫跨三種情景，無論工作負載集中還是分散，AI 擴張帶來的電力需求增長具有結構性支撐。

相比之下，部分企業的命運與情景走向高度相關。AVGO 在閉源情景下獨享最大受益地位；DELL、HPE 等本地基礎設施廠商及蘋果等邊緣設備商則在開源情景中才能充分釋放價值；大型雲服務商的前景則取決於工作負載究竟流向何處——若開源情景成真，微軟憑藉混合雲與本地部署能力具備獨特優勢，而亞馬遜和谷歌在這一情景下則降為"其他受益方"。

摩根士丹利的核心判斷是：開放權重模型是加速 AI 普及的催化劑，而非威脅——真正的問題不是 AI 需求會否萎縮，而是價值將在哪個層級沉澱。