大摩：開放權重模型可望降低AI成本「傑文斯悖論」或推升算力需求

摩根士丹利（Morgan Stanley）在最新報告《開放權重模型與三種未來情境》中指出，開放權重（Open-Weights）模型未必會削弱 AI 算力需求。

恰恰相反，更低的使用成本可能加速 AI 普及，進而引發典型的「傑文斯悖論」（Jevons Paradox）：當單次推論成本降低後，企業可能將 AI 應用於更多工作場景，最終反而推升 Token、算力、電力及基礎設施的整體需求。

據《財聯社》報導，報告也特別說明「開源（Open Source）」與「開放權重（Open Weights）」的差異。市場常把兩者混為一談，但實際上並不相同。

開放權重模型會公開完成訓練後的模型參數，允許使用者下載、部署及微調模型，但未必公開訓練資料與完整程式碼，授權條款也不一定完全開放。Meta 的 Llama、Google 的 Gemma，以及中國的 Qwen、DeepSeek、Kimi 等 AI 模型，都屬於這一類。

至於真正的開源模型，除了公開模型權重外，還會進一步公開程式碼、訓練流程及資料細節。報告列舉的代表案例為 AI2 推出的 OLMo。

開放權重與閉權重（Closed Weights，亦常被稱為封閉模型）的主要差異，也不在於模型規模、速度或效率，而是在於使用者如何取得、修改及部署模型。

閉權重模型通常由模型供應商統一託管，企業必須支付訂閱費或授權席位費，並依照 Token 使用量付費。開放權重模型本身大多可免費取得，但企業仍須負擔 GPU、雲端服務、訓練、微調、維運及資訊安全等成本。企業可自行建置算力，也可按時計費租用雲端 GPU，或透過託管 API 依 Token 計費。

因此，開放權重只是免除模型授權費，並不代表整體持有成本（TCO）為零。

企業目前採用情況

根據麥肯錫針對 41 個國家、700 位技術主管進行的調查，63% 的受訪企業已開始採用開源模型，而且多半與閉權重模型並行使用。2026 年 2 月至 7 月，美國使用者每週有超過 30% 的 OpenRouter Token，被導向中國的開放權重模型。

不過，摩根士丹利指出，這項數據可能更反映新創公司與技術團隊的使用情況，目前開放權重模型在企業大型語言模型（LLM）應用及整體模型支出中的占比仍屬少數。

原因在於，大型企業除了價格外，也相當重視模型的可靠性、品牌信譽、技術支援、版權保障以及持續升級能力。多數企業目前仍傾向採用模型供應商的標準化產品，或直接與前沿 AI 實驗室合作客製化模型，以降低自行訓練與維護所帶來的工程負擔。

目前，開放權重模型主要應用於程式開發、文件解析、客服及其他專業領域。這些應用通常具有三項共同特性：使用頻率高、對回應速度要求高，或需要結合企業內部資料進行客製化。

開放權重的主要優勢

開放權重模型最大的吸引力，在於能有效降低高頻推論的可變成本。

報告引用麻省理工學院（MIT）研究指出，企業若由閉權重模型改採開放模型，平均成本最高可降低約 70%，每年可為全球使用者節省約 250 億美元。

對每天需執行數十億次多模態推論的企業而言，若持續依 Token 計費，成本可能難以負荷，因此開放權重模型具備相當大的吸引力。

不過，報告也提出三項限制。

首先，這項研究完成於 2025 年 12 月；其次，並非所有開放模型的每 Token 成本都較低，例如 Kimi K3 便是例外；此外，企業仍須自行負擔算力、託管、訓練及微調等成本。

部署規模也將直接影響投資回收期。

根據卡內基美隆大學研究，若部署規模低於 300 億個參數，主要應用於客服及文件分析等場景，最快約 3 個月即可回收投資；若部署 2000 億至 1 兆個參數的大型模型，用於高階研究或全企業生成式 AI 應用，投資回收期最長可能達 6 年。

因此，開放權重模型的經濟效益並非單純以「免費取代付費」來衡量，而是取決於模型使用量、GPU 利用率、模型規模，以及企業自身的技術能力。

風險與限制

除了成本之外，開放權重模型另一項重要優勢，在於企業擁有更高的部署自主權。

企業可將模型部署於本地端或私有雲，以符合資料主權、本地儲存及產業監管要求。調查顯示，約 40% 的企業主管正是因為能自行決定模型部署位置，而選擇採用開放權重模型，尤其受到金融、醫療及政府等高度監管產業青睞。

然而，擁有更高的部署自主權，也代表企業必須承擔更多責任。

報告指出，開放模型發布後，開發者很難限制第三方如何修改模型權重。

例如 2026 年 4 月，英國《金融時報》與 AI 安全組織 Alice 利用 Heretic 工具，在短短數分鐘內便移除了 Meta 與 Google 開放模型的安全防護機制。惡意使用、模型蒸餾攻擊及企業內部資料外洩，都可能成為企業自行承擔的風險。

在智慧財產權方面，OpenAI、Anthropic 等商業模型通常會在企業遵守安全規範及正確使用模型的前提下，提供一定程度的版權保障；相較之下，開放權重模型一般並未提供類似機制，相關法律責任可能需由部署企業自行承擔。

地緣政治也是另一項重要變數。若美國限制來自中國的開放權重模型，可能影響企業的營運持續性。即使美國企業認同中國模型具有較高的性價比，也可能因擔心未來政策改變，而轉向美國本土開放模型或封閉模型供應商。

其他採用障礙還包括轉換成本、品牌信任，以及部分企業對海外模型的疑慮。

摩根士丹利提出三種可能的產業發展情境。

閉權重模型勝出

如果前沿模型能力始終難以複製，市場將持續由少數資金雄厚的 AI 實驗室主導。

企業將願意為更高的準確率、可靠性、智慧財產保障及部署便利性支付溢價，訓練及推論工作也將持續集中於超大型雲端平台。

在此情境下，Google、Amazon、Meta、輝達及博通，以及 Arista Networks、Lumentum、Coherent 等光通訊與網路設備業者，都將成為主要受惠者。

若 Gemini 4 協助 Google 重新站上 AI 模型領先地位，摩根士丹利估算，其在自有基礎設施上營運模型 API 的增量資本報酬率約 45%；若主要提供基礎設施服務，則約為 30%。

混合架構成為主流

閉權重模型負責複雜推論與 AI Agent 等高階任務；開放權重模型及小型模型則承擔高流量、成本敏感及垂直應用場景。

同一套企業工作流程，也可能依照成本及模型能力，在不同模型間動態切換。

在此情境下，Amazon、Google 及 Microsoft 三大雲端平台皆可望受惠；模型編排、基礎設施軟體、資安、SaaS 及網路設備供應商的價值也將同步提升。

SAP、ServiceNow、思科及 F5 等公司，都有望成為重要受惠者。

開放權重模型勝出

若開放權重模型性能逐漸逼近最先進模型，基礎模型能力將更加普及，API 價格也將明顯下降。

未來創新焦點將從大規模預訓練，轉向模型微調、推論最佳化、AI Agent、工具及各類專用應用。

AI 部署也將更加分散，部分工作負載將由公有雲移轉至私有資料中心、主權雲、本地伺服器及邊緣裝置。

微軟、阿里巴巴、騰訊、MiniMax 等模型或雲端平台，以及戴爾、慧與、NetApp、惠普、蘋果、TD Synnex、Ingram Micro 及 CDW 等本地基礎設施、終端設備及通路商，都將直接受惠。

跨情境共同贏家

雖然三種情境對模型供應商及雲端業者的影響不同，但摩根士丹利也列出一批無論哪種情境都可能受惠的企業。

其中，輝達被視為最大贏家。無論模型是否開放，AI 推論需求持續成長，都將帶動 GPU 需求增加。

CoreWeave 及 Nebius 等新興雲端服務商，也被列為三種情境下的共同受惠者。

此外，Palo Alto Networks、CrowdStrike 及 Okta 同樣橫跨三種情境。封閉模型環境需要保護集中式雲端服務；開放權重模型普及後，則需保護更多分散於本地端及邊緣裝置的工作負載。

另一個值得留意的重點是電力需求。Bloom Energy、INNIO、Solaris Energy Infrastructure、Williams 及 Liberty Energy 也都被列為三種情境下的重要受惠企業。

報告指出，雖然模型效率提升可降低單次運算耗電，但若 AI 使用量快速增加，整體用電需求反而可能持續攀升。

摩根士丹利估算，三種 AI 推論商業模式皆有機會創造至少約 25% 的增量資本報酬率，包括超大型雲端 GPU 租賃約 31%、自有基礎設施模型 API 約 46%，以及第三方基礎設施模型 API 約 25%。

此外，一項平均 AI 任務可創造約 55 美元收益，而推論成本僅約 2 至 5 美元。只要這樣的投入產出關係持續存在，企業仍有充分動機擴大 AI 應用。