近日AI大模型技术演变路径与市场渗透趋势可谓令聚焦OpenAI以及‌Anthropic这类闭源AI应用开发领军者估值前景的机构投资者们感到震惊，尤其是包括英伟达(NVDA.US)、微软(MSFT.US)、Facebook母公司Meta(META.US)、美国老牌科技巨头IBM(IBM.US)以及硅谷风险投资巨头Andreessen Horowitz在内的全球科技行业领军势力，正在敦促美国政府支持开放权重(open-weight AI)AI大模型技术的发展轨迹。英伟达、微软等逾20家全球最顶级科技公司联署公开信支持开放权重AI模型，OpenAI和Anthropic未在信上署名，但是世界首富兼SpaceX创始人马斯克，以及微软CEO等科技巨头掌舵者均公开表态支持。

据悉，在AI开发者生态中，open-weight AI通常指代“开放权重AI大模型”，即开发者可以下载模型训练完成后的参数，在自有服务器或云环境中部署、微调和推理;但模型开发方未必公开训练数据、数据处理方法、训练代码、完整架构细节，也可能通过许可证限制商业用途或特定应用。

严格意义上的开源AI范围更广：除权重外，还应提供足以让使用者研究、修改和复现系统的代码、架构及训练数据信息，并保障使用、研究、修改和再分发等基本自由。因此，开放权重是“模型成品可拿来使用和改造”，真正的开源AI则进一步开放“模型如何被制造出来”;前者可以是后者的一部分，但开放权重不必然等于开源所有技术环节与代码。

据了解，上述这封于上周五发布的重要AI科技行业公开信，正值白宫出于国家安全担忧，考虑是否禁止中国开放权重模型之际。共有20多家公司在信上签名，其中包括A16z、戴尔、微软、Meta、英伟达，以及Palantir等众多AI应用软件领域主导者们。

对于全球投资者们聚焦的对AI算力产业链与AI超级牛市投资风向而言，开放权重、模型路由和架构效率提升会压低单位智能成本，却可能通过杰文斯悖论放大总算力需求。 当简单调用成本下降，企业会部署更多持续运行的智能体、并行子智能体、长上下文分析、代码自动化和实时多模态服务;单次任务可能消耗更少算力，但任务数量、推理步骤和部署节点可能增长得更快。KIMI K3此类超大MoE模型即使只激活少量专家，也仍需把庞大权重分布在高容量内存和高速互连集群中，因而开放模型的普及将把算力需求从少数闭源实验室扩散至云服务商、主权云、面向企业们的巨型AI数据中心和本地推理集群。

近期讨论火热所谓的杰文斯效应(Jevons Effect)，又称杰文斯悖论，是一个反直觉的经济学理论：当前沿技术进步提高了某种资源(如能源、原材料或AI算力基础设施资源)的使用效率时，它会降低单位成本，从而刺激市场需求大规模扩张，最终导致所有类型资源的总消耗量不降反增。该概念由英国经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)于1865年在《煤炭问题》一书中首次提出。

美国科技巨头们为何突然间支持开放权重AI?

微软与其他联署方在这份公开信中表示：“开放权重AI大模型扩大了全球企业参与AI时代经济繁荣的机遇。”信中指出，各类组织可以在先进AI模型基础上进行开发，而无需从头训练模型，也无需支付最前沿模型的昂贵Token价格。

这家科技巨头补充称，开放权重能够促进竞争，确保AI带来的收益得到更加广泛共享，而不是集中在少数参与者手中。

“开放权重使每一家组织都能以合适的成本，为合适的任务匹配合适的模型，将前沿规模的能力留给真正的前沿问题，同时在其他所有场景中集成、运行、部署高效且专业化的模型。”

据了解，英伟达首席执行官黄仁勋一直是开放权重AI的积极倡导者。他本人在分享这封联署信时写道：“我分享一封英伟达参与联署的信，说明开放AI大模型为何至关重要。AI最终将改变每一个行业，为每一家企业提供动力，并由每一个国家参与并主导建设。”

与OpenAI以及Anthropic主导的这类封闭式闭源AI系统不同，开放权重模型允许开发者和企业下载经过训练的几乎所有参数——即所谓的“大模型权重”——并在基于自身系统专属打造的AI算力基础设施上运行。从本质上看，这一理念类似于数十年前改变全球计算机行业的开源软件运动。

开放权重模型与完全开源的AI不同。开放权重模型通常会公开训练完成后的模型权重并且所有人可免费下载并完成一键部署，但不一定同时公开底层训练数据或所有关于AI大模型的源代码。

训练先进AI模型可能耗资数十亿美元。公开信认为，开放权重模型能够很大程度上解决这一难题，因为开发者可以在现有AI模型的基础上进行开发或者深度定制化训练，而不必从头打造一个模型。对于规模较小的企业而言，这大幅降低了参与AI时代产品竞赛的门槛。

根据信中所述，开放权重模型不仅能够促进AI开发者们之间的竞争，也能够推动云计算服务提供商、芯片公司、软件提供公司和AI应用开发商们之间的良性积极竞争。

“这种竞争能够刺激创新、降低成本，并使AI带来的收益广泛惠及整个经济体”，因为开放权重AI大幅降低了开发AI产品的一系列成本。

相比之下，OpenAI、Anthropic以及Alphabet旗下谷歌(GOOGL).US等封闭式AI模型的开发者，显然有强大的经济动机继续对其最顶尖的技术保持独家控制。

那么，包括英伟达在内的这些科技巨头们如何看待关于开放权重AI大模型的安全风险?这份公开信补充表示，网络安全防御领域需要优先获得这些最先进的开源或者闭源AI能力，才能应对AI时代日益复杂的网络安全攻击。信中研究员们认为，开放权重AI大模型可以让更多研究人员识别漏洞、改进安全防护系统，并对系统进行一些大规模且独立的环节测试，而不必完全依赖最初的模型开发者们。

Kimi掀起“开放权重+低价Token”冲击波，模型路由接管AI入口

Kimi带来的真正冲击，不只是“价格更低”，而是高性能成本比、开放权重、长上下文和开发接口兼容性共同降低了模型迁移门槛。Kimi K2.6的官方价格为每百万输入、输出Token分别约0.95美元和4美元，缓存输入仅0.16美元;Kimi K3则提供100万Token上下文，在OpenRouter上的价格为3美元和15美元。因而，“低价”是相对于其能力层级而言，并非所有型号中绝对最低;更关键的是，开放权重允许企业在自有基础设施、区域云或第三方推理平台上部署，削弱对单一API供应商的依赖。Kimi K2.5在OpenRouter上已累积超过123亿Token使用量，说明中国开放模型正在迅速进入全球AI开发者工具链，而不再只是本土AI聊天机器人窗口产品。

所谓“模型路由”，意味着企业未来不再将全部任务绑定给OpenAI、Anthropic或某一个模型，而是在请求到达时，根据质量、成本、延迟、合规、上下文长度和可用性动态选择模型：简单分类、摘要和客服交给低成本开放模型，复杂推理、关键代码与高风险决策才调用昂贵的前沿模型。

微软打造出的Model Router已支持成本、质量和平衡三种路由模式，并提供自动故障切换;微软认为路由器可在质量没有可测下降的情况下，将60%—80%的流量导向更便宜的模型。AWS内部测试则显示，智能路由在不同模型家族中可节省约16%—56%的成本，在部分RAG测试中节省幅度达到63.6%。这意味着AI应用的核心入口正在从“模型品牌”迁移到路由与编排控制层，后者掌握流量分配、模型议价和实际Token消费。

这也正是“杰文斯悖论”可能在AI产业重演的地方：模型路由、缓存、量化和开放权重降低了每次推理的边际成本，但廉价智能会催生此前经济上不可行的新需求——持续运行的企业智能体、数百次内部推理与自我校验、并行子智能体、百万Token文档分析、实时语音和视频理解，以及嵌入每一项软件操作的后台AI。只要Token需求对价格的弹性大于1，即单位价格下降50%后调用量增长超过一倍，总算力消耗和总推理支出反而会上升。

因此，低成本模型短期可能引发“算力需求见顶”的担忧，长期却更可能把AI从少数高价值任务扩散至数十亿次日常工作流，使训练时代的阶段性资本开支转化为推理时代持续、分布式且高频的算力消耗。开放权重联署信本身也将经济可持续性的关键，定义为让前沿能力只处理前沿问题，而让高效专用模型覆盖海量日常任务。

AI芯片、存储、光互连、AI控制平面以及垂直应用

对AI算力产业链而言，绝非意味着AI算力需求消失，而是算力结构从集中式训练向训练与广泛推理并重迁移。前沿训练仍需要最高端GPU、先进制程、HBM/企业级DRAM/数据中心NAND、先进封装和光学高速互连;开放模型与模型路由则会扩大企业私有云、主权AI、区域云和本地数据中心的推理部署，提升对推理GPU、专用加速器、服务器CPU、高端DRAM/NAND等存储组件、以太网基础设施、光模块等光学互连系统以及电力与液冷系统的需求。

此外，技术定价锚也将从单纯追求峰值FLOPS，转向每瓦Token、每美元Token、内存带宽、KV Cache效率、MoE稀疏激活和集群利用率。需要强调的是，开放权重并不等于可在个人电脑上低成本运行：Kimi K3拥有2.8万亿总参数和100万Token上下文，其完整部署仍属于大型机架或数据中心级工程，这反而有利于具备规模化推理、集群调度和能源基础设施能力的供应商。

OpenAI与Anthropic并不会因此失去全部增长空间，但“所有请求都以高价调用闭源模型”的Token收费站模式将受到结构性侵蚀。Anthropic的Claude Opus 5定价为每百万输入、输出Token5美元和25美元，Sonnet 5促销价格为2美元和10美元;面对Kimi等开放模型以及自动路由，闭源实验室必须证明其前沿能力、可靠性、安全合规、工具生态和端到端智能体能够创造显著高于价格差的业务价值。

在高盛看来AI算力超级牛市远未宣告结束，而是从“AI芯片购置狂潮”进入“大规模建设AI工厂”的第二阶段——即下一轮超额阿尔法收益也将不再仅仅属于AI GPU/AI ASIC领域最强龙头名单，而会系统性扩散到数据中心高性能CPU、DRAM/NAND/HBM存储、AI PCB、液冷系统、数据中心光互连系统、ABF载板/玻璃基板、MLCC、电子布与广泛晶圆代工等“AI工厂”全栈AI算力基础设施层。

来自华尔街金融巨头摩根士丹利的资深分析师Brian Nowak领衔分析团队近期发布的研报显示，将全球市场规模最庞大的五家超大规模云计算与厂商(Meta、亚马逊、微软、谷歌、SpaceX)的2027/2028年资本开支预测再度显著上调，分别达到约1.2万亿和1.4万亿美元。该机构对于2026年美国大型科技巨头们资本开支预期则从一年前的4330亿美元大幅上修至8050亿美元。

摩根士丹利此次最新研究将Meta的2027年和2028年资本开支预测分别上调29%和22%，至2250亿美元和2500亿美元;将亚马逊相应预测上调 15%和29%，至3080亿美元和3180亿美元。摩根士丹利表示，资本开支超级周期尚未结束，但2026年以及2027年可能是增速最陡峭的年份，2028年以后决定股价的将不再只是“谁花钱最多”，而是“谁能最快把AI算力资源转化为营收、利润和自由现金流”。

MoE、模型路由、量化与缓存虽会降低单位Token成本，却可能通过“杰文斯悖论”催生更多常驻智能体、更长推理链和更高调用频率，令总算力与总用电需求反而继续上升。

另一华尔街金融巨头花旗集团的最新研报显示，AI时代的军备竞赛正从“谁的模型最聪明”转向“谁能在物理约束下最低成本、最高效率地持续产出智能”：Kimi K3等开放权重模型迅速逼近闭源前沿，意味着模型能力加速商品化，但参数规模、长上下文与多步骤Agent推理同步膨胀，使瓶颈由单纯FLOPs迁移至HBM容量和带宽、GPU高速互连、集群调度以及电力接入。英伟达研究也指出，模型规模、序列长度和批量扩大时，HBM往往成为主要扩展约束;IEA预测则显示，AI数据中心用电增速显著快于整体电力需求，而电网建设周期普遍长于数据中心部署周期。

若AI超级牛市持续上演，未来AI算力产业链投资风向可能长期聚焦于AI芯片、存储、光互连、AI控制平面以及垂直应用，这也是为何摩根士丹利、美国银行以及野村等华尔街金融巨头们持续看好英伟达、美光、SK海力士以及英特尔等AI算力产业链主导者们。也就是掌握AI芯片、存储组件、网络基础设施和能源瓶颈的算力基础设施领军者们;掌握路由、评测、推理优化、安全与可观测性的AI控制平面;以及能够利用Token通缩扩大使用量、形成真实现金流的垂直应用。最需要警惕的则是缺乏专有数据、工作流壁垒和分发渠道、仅在单一闭源API上加壳的软件公司——模型路由越成熟，其产品越容易被替换，利润率也越容易被底层价格战吞噬。