AI开源与闭源之争影响资本流向

深度观察 闭源决定AI能力上限，开源决定AI扩散速度，产业场景决定资本最终流向。 过去两年，全球人工智能产业最受关注的问题是谁能训练出最强大的模型：OpenAI、Anthropic、谷歌、Meta，以及中国的阿里巴巴、DeepSeek、月之暗面等公司，围绕参数规模、推理能力、编程水平和智能体能力展开激烈竞争。 资本市场也一度形成了一套相对简单的估值逻辑：谁拥有最领先的模型，谁就可能成为AI时代新的操作系统； 谁控制模型入口，谁就有机会复制微软、谷歌和苹果曾经建立的平台垄断。

因此，过去几年全球资本大量涌向模型公司、云计算平台、GPU和数据中心。 投资者普遍相信，AI产业最核心的利润将集中在少数拥有前沿模型的企业手中。 但随着开放权重模型快速追赶，这套逻辑正在发生变化。 月之暗面最新发布的Kimi K3拥有2.8万亿参数、约1040亿激活参数和百万级上下文窗口。 其技术报告称，该模型在编程、智能体、知识、推理和视觉任务上已经达到前沿水平。 虽然整体能力仍与最强闭源模型存在差距，但这种差距正在明显缩小，同时完整模型权重也已向外开放。

这件事情真正值得资本市场关注的，不只是中国又出现了一个能力更强的模型，而是它再次证明：基础模型的技术差距正在缩小，获取智能的成本正在快速下降，模型本身的稀缺性也可能随之减弱。 一旦这个趋势持续，未来十年AI产业的利润分配和资本流向就会发生根本变化。 过去，资本市场关注的是谁能训练出最强模型； 未来，投资者更需要追问的是：当越来越多企业都能低成本获得接近前沿水平的智能以后，真正稀缺的资产究竟是什么？ 利润会继续集中在模型公司，还是转移到芯片、云计算、电力、安全、数据、软件和产业应用？ 过去市场问：谁能训练出最强模型？

未来投资者更要问：当所有企业都能低成本获得接近前沿水平的智能之后，真正稀缺的资产究竟是什么？ 开源与闭源之争，已经不再是一场技术社区内部的路线讨论，而正在成为决定未来数万亿美元AI投资如何分配的产业战争。 据摩根士丹利构建的分析框架，AI模型市场未来大致可能出现三种终局：闭源模型形成寡头垄断，开源与闭源长期共存，或者开放权重模型最终成为市场主流。 但在我看来，这三种情景虽然结果不同，却共同指向一个更重要的结论：未来真正稀缺的可能不再只是模型本身，而是模型之下的基础设施，以及模型之上的产业能力。

一、开源与闭源之争本质上不是技术路线之争，而是利润分配权之争 市场通常把开源与闭源理解为两种不同的技术理念。 闭源模型由少数大型实验室集中训练，通过API、许可证或Token收费向外提供能力； 开放权重模型则允许企业下载模型参数，自行部署、微调和二次开发。 但从产业经济学角度看，两者真正争夺的不是技术信仰，而是AI产业利润池的控制权。 闭源模式希望把模型变成平台，企业一旦把自己的数据、工作流和应用建立在某个模型之上，就会逐渐形成技术依赖、数据依赖和迁移成本。

模型公司则可以依靠能力领先、品牌信任、服务稳定性和生态绑定，持续收取一种类似“智能税”的费用。 闭源模型 平台化战略 收取"智能税" 开放权重 打破垄断 利润重新分配 这与过去的操作系统、数据库和云计算市场非常相似。 微软依靠Windows控制个人电脑入口，苹果依靠iOS控制移动终端入口，亚马逊依靠AWS控制云计算基础设施。 闭源模型公司的目标，是把大模型建设成AI时代的新一代基础平台，并在每一次推理、每一个智能体调用和每一项企业工作流中获得收入。

如果闭源模式成功，未来十年的资本将继续高度集中在少数模型公司和云计算巨头手中。 模型公司将获得平台型估值，云计算企业将获得持续扩张的算力收入，整个AI产业可能复制移动互联网时代“操作系统加应用商店”的垄断结构。 开放权重模式则试图打破这种平台垄断。 一旦性能相近的模型可以被自由下载、低成本部署和自主修改，基础模型就可能从一种稀缺平台，逐渐变成标准化工业品。 企业不再必须长期依赖某一家模型供应商，而可以根据不同任务，在多个模型之间进行切换。

相关研究显示，开放模型在推出时通常可以达到同期闭源模型约90%的性能，而推理价格平均低约87%； 若将部分需求从明显更贵的闭源模型转移至性能相近的开放模型，平均成本可能下降70%以上，全年节省接近250亿美元。 ~90% 开放模型相对闭源 可达到的性能水平 -87% 开放模型推理价格 平均更低 -70%+ 迁移到开放模型后 平均成本下降 如果这种趋势持续，原本可能由模型公司获得的利润，就会向产业链其他环节转移。

企业节省下来的模型费用，可能重新投入到数据治理、应用开发、智能体部署、网络安全、算力设备和业务流程改造中。 资本市场的估值中心，也可能从“谁拥有最强模型”转向“谁能最高效地利用模型”。 因此，开源与闭源之争背后的核心问题其实是：AI时代最主要的超额利润，究竟应该沉淀在模型公司，还是被重新分配给云计算、芯片、数据、安全、应用软件和产业客户？ 这也是未来十年资本流向的第一条分水岭。

二、开源模型并不一定削弱算力需求，反而可能扩大整个AI市场 市场对开放权重模型最大的担忧，是随着模型越来越小、越来越便宜、运行效率越来越高，企业对GPU和数据中心的需求是否会下降。 这个推论听起来合理，却忽视了技术进步中反复出现的“杰文斯悖论”。 十九世纪，英国经济学家杰文斯发现，蒸汽机效率提高之后，煤炭总消耗量并没有下降，反而因为煤炭使用成本降低、应用范围扩大而快速增长。 计算机、互联网、云计算和移动通信都曾出现类似现象，即单位计算成本不断下降，但全社会的计算总量却以更快速度增长。 AI很可能同样如此。

当一次模型调用成本很高时，企业只会把AI用于少数高价值任务； 当推理成本下降90%，AI便可能进入客服、营销、财务、供应链、设计、编程、法务、制造、医疗和企业管理的每一个环节。 过去一名员工每天可能只调用AI十次，未来每一名员工背后可能同时运行几十个智能体，每个智能体每天产生数千次模型调用。 一家企业过去部署一个大型模型，未来则可能同时运行数十个行业模型、部门模型和个人模型。 因此，模型效率提高并不意味着算力总需求下降，而更可能意味着AI从少数科技公司的高端能力，变成全社会普遍使用的生产要素。

摩根士丹利预计，到2028年，全球AI基础设施相关投资规模可能接近3万亿美元，而且其中80%以上仍未发生。 这组数据背后真正重要的不只是AI基础设施投资还会继续增长，而是资本投向可能发生结构性变化。 3万亿美元 摩根士丹利预计 2028年全球AI基础设施投资 80%+ 其中大部分投资 尚未发生 在闭源主导的时代，算力主要集中在少数超大型云平台和训练中心； 在开放模型快速普及之后，更多算力将进入企业私有云、主权云、本地服务器、工业现场、边缘终端、智能汽车和机器人。

也就是说，资本不会简单离开AI基础设施，而会从少数集中式数据中心，逐步扩散到更加分布式、多层次的计算体系。 未来真正需要警惕的不是AI算力需求突然消失，而是算力需求的结构发生变化：一部分工作负载继续集中在超大型数据中心，承担前沿模型训练和复杂推理； 另一部分则转向企业本地、工业现场和边缘设备，满足低成本、低延迟、数据安全和实时控制的要求。 这意味着开源模型未必会终结AI基础设施投资周期，却可能重构这轮投资周期的受益者；

未来十年的资本不会只流向训练大模型的公司，也会流向推理芯片、边缘计算、服务器、网络设备、储能、电力和工业终端。 三种终局：闭源寡头、长期共存、开放模型赋能产业 三、第一种终局：闭源模型胜出，资本继续集中于少数科技巨头 第一种可能，是前沿模型的训练难度和资本门槛不断提高，开放模型始终无法复制最强闭源模型的能力。 在这一情景下，全球可能只剩下少数几家真正拥有前沿模型的公司。 复杂推理、科学研究、高级编程和智能体任务，都必须调用这些闭源系统，AI工作负载继续集中在大型云平台，模型公司因此获得强大的定价能力。

虽然Token价格仍会下降，但由于市场形成寡头结构，降价速度可能低于技术进步速度。 模型公司可以把效率提升转化为更高毛利，而不是全部让利给客户。 这种格局最有利于同时掌握模型、云平台、芯片和客户入口的科技巨头，如谷歌、亚马逊和微软不仅拥有云基础设施，还可以通过投资或自研模型，把模型收入与云计算收入打通。 如果这一情景成为现实，未来十年的资本市场会出现非常明显的集中化趋势，大量资本将继续流向少数超级平台，模型公司估值可能进一步向操作系统和基础设施平台靠拢；

中小模型公司则会因训练成本过高、客户获取困难和技术迭代加快而被淘汰或收购。 AI产业可能重演互联网平台时代的格局：头部企业拥有技术、算力、数据、渠道和资本优势，市场呈现强者恒强。 即使闭源模型胜出，真正最稳定的受益者仍然未必是模型公司，原因在于模型竞争具有极强的不确定性。 今天领先的模型，半年后可能被竞争对手超越。 模型公司需要持续投入数十亿美元训练下一代系统，一旦技术路线判断错误，领先优势可能迅速消失。 相比之下，向所有模型公司出售GPU、网络设备、电力和数据中心基础设施的企业，反而更接近“卖铲人”。

无论最终是OpenAI、Anthropic、谷歌还是其他企业胜出，它们都需要购买芯片、建设数据中心、配置高速网络，并获得稳定电力供应。 因此，在闭源垄断情景下，模型公司的赔率可能很高，但基础设施公司的胜率更高。 对资本市场而言，这意味着模型公司属于高弹性、高不确定性资产，而芯片、网络、电力和数据中心则更接近跨越不同技术路线的确定性资产。 四、第二种终局：开源与闭源长期共存，资本将流向多模型管理和企业应用层 我认为，这是未来三至五年最有可能出现的情景。

企业不会在开源与闭源之间进行非此即彼的选择，而会根据任务复杂度、成本、安全性和数据敏感度建立