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。
席
席春迎博士深度观察
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混合架构：最强闭源模型负责复杂推理、科研分析、战略决策和高级智能体任务；开放权重模型负责文档处理、代码生成、客服、营销、内部知识管理和大量重复性工作；高度敏感的数据则可能在企业内部或主权云中运行。
相关调查显示，约63%的受访机构已经使用开源AI模型或相关工具，但很多企业并没有因此放弃闭源模型，而是把两者共同纳入技术栈。这说明，企业真正需要的不是选择一个“最强模型”，而是建立一个能够不断选择模型、管理模型和替换模型的系统。
当一家企业同时使用十个甚至几十个模型时，新的价值层将迅速出现，包括模型路由、任务编排、身份认证、权限管理、数据治理、安全审计、性能评估、成本优化和可观测性。
未来企业AI系统可能像今天的全球物流网络一样运行。不同任务会根据价格、速度、性能、合规和安全要求，被自动分配给不同模型。简单任务调用低成本开源模型，复杂任务调用前沿闭源模型，敏感任务在本地完成，实时任务则在边缘设备运行。
在这一格局下，资本市场的价值中心将从单一模型转向“模型管理层”和“企业执行层”：谁能够帮助企业在不同模型之间进行选择，谁能够控制数据权限、智能体流程和业务接口，谁就有机会成为新的平台。这意味着，模型路由、智能体编排、网络安全、数据治理、行业软件和企业AI操作系统，可能成为未来十年新的资本集中地。
在这一格局下，模型逐渐成为可替换的供应商，而掌握企业数据、工作流和应用入口的软件公司，重新获得定价权——这也是为什么开源模型的崛起未必是企业软件公司的利空。
过去市场担心通用大模型会吞噬SaaS企业，因为所有软件功能都可能被模型直接生成，但如果模型本身快速商品化，企业真正愿意付费的反而是行业知识、业务流程、客户关系、数据沉淀和执行结果。
近期，美国软件企业开始大量使用价格更低的中国开放模型，把简单任务交给低成本模型，把复杂任务留给高端闭源模型，这种多模型路由正在降低软件公司的AI成本，并改善其利润空间。从这个角度看，开放模型不是应用公司的敌人，而可能是它们摆脱基础模型公司控制的重要工具。
如果混合架构成为主流，未来十年的资本将不会只押注某一家模型公司，而会更广泛地流向能够连接模型、数据和业务流程的企业。
五、第三种终局：开放权重模型胜出，资本将从模型层向产业层迁移
开放模型普及后，资本从模型层向产业层迁移
第三种可能，是开放权重模型最终在大多数任务上接近甚至达到闭源模型水平。
一旦基础模型性能趋同，而价格快速接近边际成本，模型本身就会逐渐失去稀缺性。这并不意味着模型没有价值，而是意味着基础模型难以长期独占AI产业的大部分利润。
这类似于互联网基础协议和开源软件的发展过程。Linux没有消灭计算机产业，却使操作系统底层能力广泛普及，并把价值转移到云服务、数据库、网络安全、应用软件和企业服务。开源数据库没有消灭数据产业，反而推动数据应用迅速扩大。
如果开放权重模型最终胜出，AI产业也可能出现类似变化：基础智能逐渐成为公共技术底座，企业可以低成本获得通用认知能力。真正有价值的将不再是“拥有一个大模型”，而是能否把模型接入产业、数据、客户和真实交易。
在这种情况下，资本市场对AI的定价逻辑也会发生根本变化。模型公司的估值溢价可能下降，而拥有行业数据、客户入口、线下网络、硬件设备和商业闭环的企业，将重新获得估值优势，如本地服务器、私有云、边缘计算、AI电脑、智能汽车、机器人和工业设备，将获得更大发展空间。AI将不再只存在于少数云端数据中心，而会进入每一家工厂、每一家医院、每一家药店、每一辆汽车和每一台机器人。
这对中国企业尤其重要。美国AI产业目前的优势主要集中在前沿模型、先进芯片和超大规模云计算平台，而中国拥有全球最完整的制造业体系、丰富的产业场景和庞大的终端设备市场。
如果闭源模型长期垄断，中国企业可能需要持续支付高昂的模型费用，并面临技术限制和供应链风险；但如果开放权重模型成为主流，中国企业就有机会把模型能力迅速嵌入制造、能源、医疗、物流、零售、汽车和机器人产业。
中国开放模型的崛起已经开始影响美国市场。公开报道显示，中国开放权重模型凭借更低价格和接近前沿水平的能力，正在吸引越来越多美国开发者和企业使用。
这场竞争的真正意义，可能不是中国能否诞生一家估值最高的模型公司，而是中国能否通过开放模型，把AI能力扩散到整个产业体系。
如果答案是肯定的，那么未来资本市场的最大机会可能不在少数模型公司，而在数千家通过AI完成效率提升、商业模式升级和产业重构的企业，而资本也将从“创造模型的人”，逐步流向“把模型变成生产力的人”。
六、无论哪一种终局，最确定的资本仍将流向四个层级
摩根士丹利列出的不同情景受益公司很多，但如果把具体股票名称放在一边，可以看到四类跨越所有情景的结构性机会。
无论哪一种终局，资本都会持续流向四个层级：算力与网络基础设施、电力与能源基础设施、网络安全和数据治理、掌握产业场景和专有数据的企业。
第一类，是算力与网络基础设施。无论开源还是闭源，AI使用量都会继续扩大，区别只是算力集中在云端，还是分散到本地和边缘。GPU、高速互联、光模块、存储和数据中心设备，仍然是AI规模扩张的物理基础。
英伟达之所以在不同情景中都可能受益，不仅因为它拥有领先GPU，更因为它正在建设从芯片、网络、系统到软件的完整计算平台。但这并不意味着英伟达永远没有风险，随着推理市场扩大，客户会更加重视成本，定制芯片、ASIC以及不同架构的加速器都可能分流部分需求。英伟达真正的护城河，不只是芯片性能，而是CUDA生态、开发工具、网络系统和客户迁移成本。
未来资本在算力领域的配置，也会从单纯押注训练芯片，扩展到推理芯片、网络互联、存储、液冷、服务器和边缘设备。
第二类，是电力和能源基础设施。训练模型需要电力，运行模型同样需要电力；大型数据中心需要集中供电，私有云和边缘计算也需要分布式能源。开源模型可能改变数据中心的位置，却很难改变AI对电力的总体需求。未来AI产业最大的瓶颈，可能不再只是芯片，而是电力接入、输配电网络、燃气轮机、储能系统、冷却设备和能源管理能力。因此，AI竞争的下半场，很可能从“谁拥有最多GPU”，转向“谁能够最快获得稳定、低成本和可持续的电力”。
过去资本市场把AI理解为科技行业，未来越来越多资金可能把AI理解为能源、基础设施和公用事业的长期投资周期。
第三类，是网络安全和数据治理。闭源模型集中运行时，需要保护云平台、API和模型服务；开放模型分散运行时，企业则需要管理更多终端、更多模型和更多数据流动。模型越多，攻击面越大；智能体权限越高，安全风险越大。
开放权重模型还带来一个新的问题：模型的安全护栏可能被修改或移除。与此同时，企业需要判断模型是否泄露数据、调用了哪些工具、作出了哪些决策，以及是否符合监管要求。因此，AI越普及，安全就越不可能成为可选项。
未来智能体一旦能够调动资金、签署合同、访问客户数据和控制设备，网络安全就不再只是IT预算，而将成为企业经营和金融系统的基础设施。资本也会因此持续流向身份认证、权限管理、数据治理、模型审计和智能体安全。
第四类，是掌握产业场景和专有数据的企业。当基础模型越来越便宜，企业之间真正的差距将不再是“是否接入AI”，而是是否拥有高质量数据、成熟工作流、客户入口和组织执行能力。
一家药店使用大模型并不构成竞争优势，但如果它拥有一亿会员、长期健康档案、上万家门店和成熟供应链，并能把AI转化为慢病管理、健康检测和持续服务，它就可能重构整个商业模式；一家制造企业接入AI也不构成壁垒，但如果它能够把模型接入设备、生产数据、质量控制、能源管理和供应链系统，AI就会转化为真实的成本优势和生产效率。
这正是未来上市公司价值重估的关键。资本市场不会长期奖励一家企业宣布“接入某个大模型”，而会奖励那些真正通过AI改变收入结构、利润率、客户关系和组织效率的企业。
未来十年，最大的资本机会未必来自最炫目的模型，而可能来自最深的产业改造。
七、对港股中小上市公司的启示：资本不会长期奖励“接入AI”，只会奖励“创造增量”
对大量港股中小市值公司而言，开源与闭源之争提供了一个非常现实的机会。
过去，中小企业很难参与AI竞争，因为训练大模型需要巨额资本、人才和算力。开放权重模型快速发展之后，企业不再需要从零训练基础模型，而可以直接使用成熟模型，把资源集中在行业数据、应用场景和商业模式上——这大幅降低了传统企业进入AI产业的门槛，但门槛降低也意味着仅仅拥有一个模型或宣布与某家AI公司合作，将越来越难以获得资本市场溢价。
当所有企业都能接入AI时，“接入AI”本身就不再是稀缺能力，未来市场不会为“AI概念”长期定价，而会追问三个问题：
·企业是否拥有真实、持续和独占的数据？
·AI是否已经进入核心业务流程，而不是停留在展示和宣传层面？
·AI能否带来收入增长、成本下降、客户黏性提升或新的商业模式？
对于港股中小上市公司来说，真正可行的路径不是盲目建设通用大模型，而是通过产业并购、技术合作和场景开放，建立自己的垂直AI能力：医疗企业可以发展医疗智能体和健康管理平台，能源企业可以建设AI能源管理系统，制造企业可以发展智能工厂，零售企业可以建立数字员工和会员智能运营体系，上市公司平台还可以通过并购成熟AI应用企业，形成第二增长曲线。
这也是“百亿市值上市公司培育计划”需要高度关注的方向。未来能够从几十亿市值走向百亿甚至更高市值的企业，不一定是重新训练出一个大模型的企业，而更可能是那些把开放模型、产业数据、线下场景、资本平台和组织能力结合起来的企业。
从资本市场角度看，AI转型最终必须回答一个非常现实的问题：这项技术是否改变了企业未来五年的现金流？
如果不能形成新的收入、利润和增长预期，那么AI只能停留在概念层面；如果能够重构商业模式、客户关系和组织效率，那么它才可能真正改变上市公司的估值逻辑。
八、AI大战的终局，不是谁消灭谁而是谁决定资本最终沉淀在哪里
从目前的技术、商业和监管趋势看，我并不认为开放模型会彻底消灭闭源模型，也不认为闭源公司能够永久垄断基础智能，更可能出现的结果是分层共存：最前沿、最复杂、风险最高的任务，仍然由少数闭源模型提供；大量标准化、垂直化和高频任务，则逐渐转向开放模型和企业自部署系统。
闭源模型提供能力上限，开放模型提供普及速度；前者推动技术边界，后者推动产业扩散。因此，开源与闭源之争的真正终局，不是谁彻底消灭谁，而是基础模型逐渐从AI产业的唯一中心，变成整个智能基础设施中的一个组成部分。
当模型不再稀缺，数据会变得更重要；当推理成本下降，应用规模会迅速扩大；当企业同时使用多个模型，编排、安全和治理会成为新的基础设施；当AI进入现实产业，电力、设备、渠道和组织能力将重新获得资本市场定价权。
过去，市场把全部注意力放在谁能训练出最强模型；未来，投资者需要关注的将是另一个问题：当所有企业都能获得接近前沿水平的智能之后，谁能够把这种智能转化为真实收入、持续利润和产业控制力？
这才是开源与闭源大战背后真正决定未来十年资本市场格局的问题！如果闭源胜出，资本将继续集中在少数模型公司和云计算巨头；如果开源与闭源长期共存，资本将流向模型路由、数据治理、安全和企业软件；如果开放模型最终成为主流，资本则会进一步向制造、医疗、能源、零售、汽车和机器人等产业应用层迁移。
但无论哪一种终局，有一点正在变得越来越清楚：未来十年，资本不会只奖励最强的模型，也不会长期奖励最响亮的AI概念，资本最终会流向那些能够控制基础设施、掌握产业数据、拥有客户入口，并把智能转化为现金流和产业控制力的企业。
用一句话来概括：闭源决定AI能力的上限，开源决定AI扩散的速度，而产业场景决定资本最终流向哪里。"