Открытые модели убьют «спрос на вычислительные мощности»? Morgan Stanley прогнозирует три будущих сценария для ИИ

Исходный отчет: Morgan Stanley Research «Weighing In: Open-Weights Models & 3 States of the World», 3 августа 2026 года

Перевод и подготовка: DaiDai, Frank, MSX Research Institute

Основные моменты

• Открытые модели с весами снижают стоимость одного вызова и барьеры для развертывания, но не обязательно уменьшают общий спрос на вычислительные мощности. С увеличением внедрения ИИ в большее количество компаний, рабочих процессов и устройств, рост числа вызовов может превысить повышение эффективности, что приведет к типичному «парадоксу Джевонса»;
• Компании уже вступили в эпоху многомодельности, открытые модели с весами в основном используются для программирования, обработки документов, частых вызовов и задач в определенных областях, в то время как сложные рассуждения и нагрузки агентов по-прежнему в значительной степени зависят от передовых закрытых моделей;
• Открытые веса не равны бесплатным, сэкономленные средства могут быть связаны с лицензионными сборами за модели или частичными затратами на API, но компании все равно должны нести расходы на GPU, облачные услуги, локальные серверные комнаты, донастройку, кадры, безопасность и эксплуатационные расходы;
• Независимо от того, будут ли доминировать закрытые, смешанные или открытые модели, NVIDIA, локальная электроэнергия и программное обеспечение безопасности являются довольно четкими направлениями для получения выгоды;
• Чем более распространены открытые модели с весами, тем больше вероятность, что цепочка создания ценности ИИ будет распространяться от базового уровня моделей к рассуждениям, маршрутизации, оркестрации, наблюдаемости, локальной инфраструктуре, периферийным устройствам и вертикальным приложениям;

Каждые несколько лет рынок ИИ, похоже, переживает «панические атаки эффективности».
Когда параметры модели уменьшаются, стоимость рассуждений снижается, или компания моделей достигает почти передовых показателей с меньшим количеством чипов, рынок быстро начинает ощущать интуицию: если для выполнения той же задачи требуется все меньше вычислительных ресурсов, достигнет ли спрос на GPU, дата-центры и электроэнергию своего пика?

Появление новых открытых моделей с весами, таких как Kimi K3 и DeepSeek V4 Flash, снова ставит этот вопрос перед рынком. Они не только пытаются сократить разрыв в возможностях с передовыми закрытыми моделями, но и позволяют компаниям загружать, модифицировать и самостоятельно развертывать модели, распространяя возможности, ранее сосредоточенные в нескольких лабораториях моделей в США, на более широкий круг разработчиков и технологических стеков компаний.

Однако ответ, который Morgan Stanley дает в своем последнем отчете, как раз противоположен этой интуиции:

Увеличение эффективности моделей не обязательно убьет спрос на вычислительные мощности; скорее, это может сделать ИИ достаточно дешевым, чтобы войти в сценарии, где ранее использование ИИ не имело смысла, и в конечном итоге повысить общий объем вызовов.

На этой основе действительно необходимо пересмотреть, где будет происходить вычислительная мощность, кто ее будет предоставлять и какие компании смогут извлечь доход из этого распространения.

1. Более дешевые модели: почему они могут потреблять больше вычислительных мощностей?

Одно из самых распространенных недоразумений, связанных с открытыми моделями с весами, заключается в том, что «снижение стоимости модели» напрямую эквивалентно «снижению потребности в инфраструктуре».
Но для большинства компаний решение о том, использовать ли ИИ, зависит не только от того, сколько вычислительных мощностей требуется для выполнения одной задачи, но и от того, сможет ли полученная выгода покрыть расходы на модели, инженерные работы и инфраструктуру.

Расчеты, приведенные Morgan Stanley, показывают, что средняя задача ИИ в компании может приносить около 55 долларов прибыли, в то время как прямые затраты составляют около 2-5 долларов. Даже учитывая затраты на данные, инженерные работы, безопасность и управление, это соотношение прибыли и затрат все еще означает, что многие рабочие процессы компаний еще не завершили переход на ИИ.

В такой ситуации результат снижения цен на модели может заключаться не в том, что компании сокращают расходы на ИИ, а в том, что больше задач преодолевают порог экономической целесообразности.
Ранее компании, возможно, доверяли ИИ только самые важные и высокоценные задачи; когда цены на рассуждения продолжают снижаться, классификация записей обслуживания клиентов, проверка контрактов, тестирование кода, описание товаров, корпоративный поиск, маркетинговые материалы, очистка данных и даже внутренние утверждения могут быть включены в рабочие процессы моделей.

Хотя вычислительные ресурсы, необходимые для каждой задачи, могут снижаться, количество задач, частота выполнения и масштаб пользователей будут одновременно увеличиваться.

Это именно тот «парадокс Джевонса», о котором отчет упоминает неоднократно: когда эффективность использования ресурса повышается и стоимость на единицу снижается, его общее потребление может увеличиться из-за быстрого расширения области применения.

Например, более экономичные автомобили не привели к автоматическому исчезновению мирового спроса на нефть; более дешевый сетевой трафик также не снизил объем данных. Аналогичным образом, более эффективные модели не обязательно уменьшают использование GPU, а скорее могут сделать ИИ повсеместной базовой способностью внутри компаний, а не только в рамках нескольких высокоценных задач.

В настоящее время это распространение уже началось.
Опрос McKinsey, приведенный в отчете, показывает, что 63% опрошенных компаний уже используют открытые модели в своем технологическом стеке, но большинство компаний не полностью отказываются от закрытых моделей, а комбинируют их использование. Открытые модели с весами в основном используются для программирования, обработки документов, частых вызовов и задач в определенных областях, в то время как передовые закрытые модели продолжают выполнять сложные рассуждения, требующие высокой надежности и более сложной стандартизации.

С февраля по июль 2026 года доля токенов, направляемых американскими компаниями через OpenRouter к открытым моделям в Китае, на некоторое время превышала 30%. Эти данные могут больше относиться к разработчикам и стартапам и не могут напрямую представлять расходы крупных компаний, но по крайней мере показывают, что открытые модели с весами уже вышли из лабораторных концепций и вошли в реальные условия вызова и развертывания.

Конечно, открытые модели с весами не равны «бесплатным моделям».
Компании, размещая модели самостоятельно, могут больше не платить поставщикам моделей за API, рассчитываемые по токенам, но все равно должны покупать или арендовать GPU и нести расходы на серверные комнаты, облачные услуги, донастройку, инженерные команды, безопасность и повседневные эксплуатационные расходы. Это означает, что использование открытых моделей с весами через API, предоставляемые поставщиками моделей или облачными платформами, все равно может потребовать оплаты по токенам или за объем вычислений.

Таким образом, изменение открытых весов не означает исчезновение вычислительных затрат, а скорее то, как компании оплачивают эти вычислительные затраты и откуда они получают ценность — от поставщиков моделей, облачных платформ или собственной инфраструктуры.

Morgan Stanley ссылается на исследование MIT, которое оценивает, что переход от закрытых моделей к открытым может снизить среднюю цену на 70%, что ежегодно экономит потребителям около 25 миллиардов долларов. Однако отчет также подчеркивает, что это исследование было завершено довольно давно, и возможности различных моделей не полностью сопоставимы, а также не обязательно учитывают скрытые затраты на инженерные работы, донастройку и эксплуатацию.

Другое исследование Carnegie Mellon показывает, что срок окупаемости развертывания открытых моделей может увеличиться с примерно 3 месяцев до 6 лет, где модели с меньшими параметрами, фиксированными задачами и высокой частотой вызовов могут быстрее распределить затраты на оборудование; крупные модели и сложные корпоративные приложения могут из-за недостаточной загрузки, частых обновлений и высоких затрат на донастройку долгое время не доказывать, что собственное развертывание дешевле, чем использование API.

Таким образом, экономичность открытых моделей с весами не имеет единого ответа.
Это зависит от масштаба модели, частоты использования, коэффициента использования инфраструктуры, инженерных возможностей компании и необходимости хранения данных на месте. Чем более открытыми являются модели, тем больше у компаний есть выбора, но тем больше технической ответственности они также несут.

2. На следующем этапе, где произойдет вычислительная мощность?

Если будущее ИИ будет определяться лишь несколькими закрытыми моделями, обучение и рассуждения будут продолжать сосредотачиваться на крупных облачных платформах и гипермасштабных дата-центрах.
Но если открытые модели с весами будут более широко приняты, вычислительная мощность ИИ не исчезнет, а будет распространяться от нескольких центральных узлов к частным облакам, корпоративным серверным комнатам, суверенным дата-центрам, периферийным серверам и личным устройствам.

Это означает, что переменные, на которые рынок должен обратить внимание, изменятся с «сколько GPU нужно» на «где развернуты GPU, кто их управляет и как они вызываются».
В эпоху закрытых моделей компании могли передавать большую часть сложности поставщикам моделей: подключать API, оплачивать по токенам, а поставщик отвечал за обновление моделей, инфраструктуру, безопасность и часть юридической ответственности.

С переходом в эпоху многомодельности эта простая структура начинает разрушаться.
Компании могут передавать самые сложные задачи передовым закрытым моделям, а высокочастотные и чувствительные к затратам задачи — открытым моделям с весами; чувствительные данные остаются на месте, а общие рабочие нагрузки выполняются в публичном облаке; часть запросов обрабатывается в дата-центрах, а часть — непосредственно на компьютерах, мобильных телефонах или других периферийных устройствах.

Чем больше моделей, тем более распределенными становятся места их развертывания, тем сложнее становится технологический стек ИИ компаний:

• Во-первых, это уровень шлюза: компаниям нужен единый вход, чтобы управлять аутентификацией, правами доступа, ограничениями скорости, ведением журналов и переключением между поставщиками различных моделей;
• Во-вторых, это уровень маршрутизации: система должна распределять каждый запрос на наиболее подходящую модель в зависимости от точности, задержки, стоимости, чувствительности данных и сложности задачи;
• Затем идет уровень оркестрации: сложные рабочие процессы агентов обычно требуют совместной работы нескольких моделей, баз данных и внешних инструментов, один запрос пользователя может быть разбит на десятки шагов и вызовов;
• Наконец, это уровень наблюдаемости и оценки: компании должны постоянно отслеживать качество выходных данных моделей, задержку ответа, использование токенов, эксплуатационные расходы, причины сбоев и риски безопасности.

Вот почему распространение открытых моделей с весами выгодно не только для поставщиков моделей.

Когда базовые модели становятся более доступными, компании более охотно платят за «как стабильно внедрить модели в производство». Шлюзы моделей, маршрутизация задач, оркестрация агентов, управление данными, наблюдаемость и программное обеспечение безопасности могут стать более сложными элементами в цепочке создания ценности, которые труднее сжать.

Важность безопасности особенно заметна. Когда закрытые модели работают централизованно, часть ответственности за безопасность лежит на лабораториях моделей и облачных платформах; однако, когда открытые модели внедряются в локальные компании, частные облака и периферийные устройства, идентификация, данные, конечные точки, веса моделей и среда выполнения должны быть защищены независимо.

Компании должны не только предотвращать утечку чувствительных данных сотрудниками к неправильным моделям, но и управлять тем, к каким базам данных могут получить доступ различные модели, какие инструменты могут вызывать, а также возможностью подвергнуться атакам, таким как инъекция подсказок, дистилляция моделей, подделка весов или злоупотребление правами.

Чем более распределенными становятся развертывания моделей, тем больше становится поверхность атаки; чем больше моделей, тем выше затраты на управление.

Таким образом, на самом деле открытые модели с весами не приводят к исчезновению ценности инфраструктуры ИИ, а скорее к тому, что ценность постепенно распространяется от единственной базовой модели и уровня API к целой системе.

Будущие расходы на ИИ могут больше не отражаться только в строительстве супер тренировочных кластеров несколькими технологическими гигантами, но также проявляться в покупке серверов, обновлении сетей и хранилищ, развертывании систем безопасности, создании частных платформ ИИ и настройке более мощных вычислительных мощностей на мобильных устройствах и ПК.

Спрос на вычислительные мощности движется от централизованного к распределенному, что не означает уменьшения общего объема, а лишь то, что бенефициары больше не сосредоточены только в лабораториях моделей и крупных облачных поставщиках.

3. Три мира ИИ: независимо от того, кто победит, никто не сможет обойтись без вычислительных мощностей, электроэнергии и безопасности

Morgan Stanley не назначил четкие вероятности для трех будущих сценариев, а вместо этого проанализировал возможные способы распределения ценностей в цепочке AI в случае победы закрытых моделей, сосуществования смешанных архитектур и победы открытых весовых моделей.

Первый мир: закрытые модели продолжают контролировать передовые возможности

В этом сценарии производительность, надежность и безопасность передовых моделей по-прежнему трудно воспроизвести, и лишь немногие лаборатории с мощным капиталом продолжают оставаться на передовой.

Компании больше ценят точность, удобство развертывания, компенсацию за интеллектуальную собственность и доверие к бренду, а не полный контроль над весами моделей, поэтому они готовы продолжать платить за закрытые API и подписки.

Нагрузки на обучение и вывод будут еще больше сосредоточены на платформах Hyperscaler, таких как AWS и Google Cloud, а суперучебные кластеры продолжат стимулировать спрос на GPU, высокоскоростные сети, оптическую связь и специализированные ASIC.

Платформы, такие как Google и Amazon, обладающие облачной инфраструктурой и модельными возможностями, находятся в более выгодном положении, а производители чипов и сетей, такие как Broadcom, Arista Networks, Lumentum и Coherent, также могут извлечь выгоду.

По оценкам отчета, если Google сможет запустить Gemini API на своей инфраструктуре благодаря передовым моделям, его предполагаемая доходность инвестиций может составить около 45%; даже если модель не находится на абсолютном переднем плане, а просто выступает в качестве поставщика инфраструктуры, соответствующая доходность может быть близка к 30%.

Это показывает, что самым важным активом в закрытом мире является не только сама модель, но и право собственности на вычислительные мощности, на которых она работает; кто владеет чипами, дата-центрами и входами для клиентов, тот имеет больше возможностей для удержания прибыли от вызовов модели.

Второй мир: открытые и закрытые модели сосуществуют в долгосрочной перспективе

Это сценарий, который наиболее близок к реальному состоянию использования компаниями.

Закрытые передовые модели отвечают за сложные выводы, долгосрочные агенты и высоконадежные задачи, в то время как открытые весовые модели и небольшие модели обрабатывают высокочастотные, чувствительные к стоимости, низколатентные или высокоспециализированные задачи.

Компании не будут выбирать только одну модель, а будут постоянно переключаться и маршрутизировать в зависимости от задач, что также означает, что развертывание AI будет одновременно происходить в публичных облаках, частных облаках, локальной инфраструктуре и на краевых устройствах.

В этом сценарии отдельным производителям моделей будет трудно получить полное монопольное право на ценообразование, но весь рынок программного обеспечения и инфраструктуры AI получит наиболее широкий спрос.

• Microsoft, Amazon и Google по-прежнему извлекают выгоду из облачных нагрузок;
• Производители программного обеспечения для инфраструктуры и рабочих процессов, такие как Datadog, Palantir и Appian, могут извлечь выгоду из потребностей в оркестрации моделей, подключении данных и наблюдаемости;
• Производители безопасности, такие как Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope и Okta, извлекут выгоду из продолжающегося расширения атакующих поверхностей и границ идентификации;

В то же время производители сетевого оборудования, такие как Cisco и F5, а также компании по производству корпоративной инфраструктуры, такие как Dell, HPE и NetApp, также могут получить новый спрос от локальных и гибридных развертываний.

Наибольшее значение инвестиций в гибридной архитектуре заключается в том, что расходы на AI не будут сосредоточены только на учебных кластерах, а будут постепенно распространяться по технологическому стеку компании, и чем более конкурентоспособным будет уровень моделей, тем больше компаниям понадобятся нейтральные программные и инфраструктурные решения, чтобы помочь им переключаться между различными моделями и средами развертывания.

Третий мир: открытые весовые модели становятся мейнстримом

В этом сценарии открытые весовые модели постепенно приближаются к передовым закрытым моделям, базовые модели становятся широко доступными, а цены на API значительно снижаются.

Компании больше не готовы платить чрезмерные премии за универсальные модельные возможности, а используют частные данные для дообучения, вкладывая основной бюджет в оптимизацию вывода, агентов, отраслевые инструменты и развертывание приложений.

Точка инноваций смещается от предварительного обучения к постобучению и уровню приложений, а инфраструктура AI становится более децентрализованной. Государства и крупные компании могут по соображениям суверенитета данных, конфиденциальности, задержки и избежания зависимости от поставщиков развертывать больше моделей в суверенных облаках, частных дата-центрах и локальных средах.

• Microsoft может получить более сильные позиции благодаря Azure, GitHub, корпоративному программному обеспечению и экосистеме открытых моделей;
• Стратегическая ценность MiniMax, Zhiyu/Z.ai и таких поставщиков открытых моделей, как Alibaba и Tencent, возрастает;
• Производители локальной инфраструктуры, такие как Dell, HPE и NetApp, компании по производству конечных устройств, такие как HP и Apple, а также системные интеграторы и каналы IT-дистрибуции также получат более заметный спрос;

Но открытый мир не означает, что облачные платформы теряют свою ценность.

Большинство компаний по-прежнему не будут полностью самостоятельно строить инфраструктуру, открытые модели все еще могут работать на Azure, AWS или Google Cloud, а роль Hyperscaler изменится с единственного входа в модели на поставщика хостинга открытых моделей, вычислительных ресурсов, услуг данных и платформ AI для бизнеса.

Таким образом, облачные поставщики сталкиваются не с простой победой или поражением, а с изменением структуры прибыли; например, аренда базовых моделей может снизиться, но доходы от вычислений, хранения, баз данных, безопасности и корпоративных услуг все еще могут расти.

Общие победители среди трех сценариев

В матрице активов, представленной Morgan Stanley, наиболее примечательным является не каждая компания, уникальная для каждого сценария, а те имена, которые повторяются в трех колонках.

Во-первых, NVIDIA.

Победа закрытых моделей означает, что больше вычислительных мощностей сосредоточено в суперразмерных кластерах для обучения и вывода; победа открытых весовых моделей означает, что узлы вывода распространяются на предприятия, локальные и краевые среды.

Формы чипов, структура клиентов и масштаб отдельных кластеров могут различаться для двух путей, но оба требуют постоянного увеличения вычислительных мощностей; в конечном итоге открытые модели снижают барьеры для использования моделей, а не отменяют вычислительные процессы.

Во-вторых, электроэнергия.

Закрытый мир требует стабильной поддержки супердата-центров на уровне GW, открытый мир увеличит потребность в электроснабжении для корпоративных дата-центров, суверенных облаков и местных инфраструктур для вывода. Повышение эффективности моделей может снизить потребление электроэнергии на одну задачу, но также может позволить большему количеству задач и устройств постоянно использовать AI.

Компании, занимающиеся электроэнергией, такие как Bloom Energy, Williams и Liberty Energy, поэтому неоднократно упоминаются в списке бенефициаров.

В-третьих, программное обеспечение безопасности.

Независимо от того, используют ли компании закрытые или открытые модели, им необходимо защищать идентичность, данные и приложения; а когда развертывание распространяется с нескольких облачных платформ на локальные и краевые среды, потребность в безопасности только усложнится.

С этой точки зрения программное обеспечение безопасности может быть недооцененным вторичным направлением выгоды на рынке в процессе распространения открытых весовых моделей.

Заключение

В целом, открытые весовые модели действительно могут убить не потребность в вычислительных мощностях, а представление о том, что базовые модели могут долго поддерживать высокую арендную плату.

Когда возможности моделей постепенно становятся общедоступными, компании больше не будут платить только за «получение интеллекта», а будут вкладывать больше бюджета в то, как развернуть интеллект, подключить данные, управлять рабочими процессами, защищать системы и позволить моделям продолжать приносить прибыль в реальном бизнесе.

Вычислительные мощности также не просто перейдут от роста к спаду ------ они могут распространиться от немногих суперучебных кластеров к большему количеству узлов вывода, корпоративных серверных, суверенных облаков и краевых устройств; от разовых соревнований по обучению моделей они постепенно превратятся в долгосрочные инвестиции в инфраструктуру, охватывающую каждый рабочий процесс компании.

Таким образом, главное изменение, которое приносят открытые весовые модели, заключается не в том, что цикл капитальных затрат AI подходит к концу, а в том, что этот цикл переходит в новую стадию с большим количеством участников, более децентрализованным развертыванием и более длинной цепочкой ценностей.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.