海外研选 | 大摩：开放权重模型将压低Token价格 但云巨头AI基建回报仍可观

财联社8月17日讯（编辑 夏军雄）随着开发权重模型持续追赶前沿模型，生成式人工智能（GenAI）正在面对一个越来越现实的问题：当模型越来越便宜，甚至可以免费下载和自行部署，而科技巨头动辄投入数千亿美元建设AI数据中心，商业回报是否还能够成立？

摩根士丹利在研报中给出了相对乐观的答案，该机构认为，开放权重模型确实会加剧模型层价格竞争，推动Token价格持续下降，并对模型实验室的单位经济性形成压力，但这并不意味着AI基础设施投资回报同步恶化。

相反，由于算力仍是稀缺资源，更低廉的模型有望扩大AI采用范围和推理需求，掌握GPU、自研芯片和完整云服务体系的超大规模云服务商（Hyperscaler）仍可能获得健康的资本回报率。

开放权重模型加速普及

开放权重模型与传统闭源模型最大的区别，在于用户能够取得模型权重。企业可以下载模型，根据自身数据进行微调或重新训练，并自由选择在本地、云端或者通过API进行部署。

相比只能通过订阅或封闭API访问的闭源模型，开放权重模式增加了模型分发渠道，同时通常成本更低、定制能力更强。

这意味着AI模型市场的竞争门槛正在发生变化。

摩根士丹利指出，价格更低的开放权重模型已经开始对整个模型层形成定价压力，美国多家模型实验室正推出更低价产品。在这种环境下，仅仅依靠模型能力领先已经不足以保证良好的投资回报，模型厂商需要同时提高Token吞吐量、扩大用户采用率、构建生态系统，并通过差异化功能吸引企业、开发者和中小客户。

这一趋势也意味着，未来AI竞争可能不再单纯围绕“谁拥有最强模型”，而是越来越取决于“谁能够以更低成本生产更多Token”。

摩根士丹利在模型API的基础情景中假设，Token价格约为每百万个1.75美元，每颗GPU的Token吞吐量约为每秒2000至3500个。相关测算参考了开放权重DeepSeek-V4-Pro 1.6T模型在英伟达GB300硬件上的公开推理基准。

摩根士丹利的测算显示，即使采用远低于大型前沿模型的Token价格，1GW自有GB300算力仍可能产生约20%至60%的投入资本回报率（ROIC）。

这意味着，Token价格未来仍有进一步下降的空间。

吞吐量可以抵消价格下降

价格下降并不必然等于收入下降。

摩根士丹利的核心逻辑在于，同样规模的数据中心，如果每颗GPU每秒可以生成更多Token，那么即使单个Token价格下降，每GW算力能够创造的收入仍可能保持在较高水平。

报告假设一个1GW GB300数据中心大约拥有410256颗GB300芯片。在不同情景下，用于推理的算力比例为50%至80%，单GPU吞吐量为每秒2000至3500个Token，每百万Token售价为1至2.5美元，对应每GW年收入约230亿至520亿美元。

因此，提高Token吞吐量成为模型厂商与云巨头共同关注的重点。

摩根士丹利认为，目前主要有四条技术路径：一是采用内存容量更大、互联速度更快的硬件；二是提高MoE模型的稀疏度，降低每次推理实际调用的参数比例；三是通过请求批处理提高GPU利用率；四是利用云巨头自身的软硬件优势，例如谷歌的TPU和亚马逊的Trainium等定制芯片（ASIC）。

此外，大型云厂商还有一个模型实验室难以复制的优势，巨大的企业客户基础意味着它们能够获得更多推理请求，从而更加高效地进行批处理。

为什么模型价格战未必伤害云巨头？

摩根士丹利给出了四个理由，认为开放权重模型普及后，超大规模云服务商的单位经济性仍将保持吸引力。

首先，真正稀缺的是算力，而不是模型权重。

即便模型可以免费下载，企业仍然需要GPU、数据中心、电力、网络和存储才能运行模型。绝大多数企业并不会自行建设完整AI基础设施，因此亚马逊AWS、Google Cloud（谷歌云）等云厂商仍然掌握着关键资源。

其次，更低的模型价格可能带来更大的AI使用量。

开放模型降低了企业部署AI的成本，有利于生成式AI向更多公司和应用场景扩散。结果可能是单位Token收入下降，但Token总量大幅增加。

摩根士丹利因此强调，对于云巨头而言，EBIT绝对金额增长可能比利润率百分比更重要。只要AI需求增长速度超过单位价格下降速度，算力资产仍然可以创造更高的利润。

再次，超大规模云厂商本身也能够通过自研芯片、软件优化和数据中心设计持续降低计算成本。

未来投资者需要关注的重点，是哪家公司拥有最低的“cost to serve”，也就是单位算力服务成本。

最后，AI模型只是云服务的入口。

企业部署开放权重模型后，通常还需要购买数据库、存储、RAG、安全、身份认证和监控等其他服务，这给云厂商留下了远比Token收费更大的变现空间。

云厂商有四条开放模型变现渠道

报告将云厂商围绕开放权重模型的变现方式归纳为四类。

第一是Serverless API收入，即把开放模型托管在Bedrock、Vertex等平台，按照Token收费；第二是GPU和AI加速器租赁，企业自行部署开放模型仍需要购买算力；第三是RAG带来的数据库和存储收入，企业需要将AI模型连接内部专有数据；第四是安全、治理、身份认证以及监控服务。

摩根士丹利将开放模型API比作超市中的“牛奶”——它本身可能成为低利润甚至亏损的引流产品，但客户进入云平台之后，会购买更多利润率更高的基础设施服务。

巨额AI资本开支仍有经济基础

摩根士丹利对云厂商出租GB300算力的回报进行了更加直接的测算。

按照1GW数据中心配置约410256颗GB300、GPU利用率75%、租金每小时7至10美元计算，每GW年收入可达到189亿至270亿美元。

在计入约50亿美元IT折旧、10亿美元非IT折旧以及约20亿美元能源和其他运营成本后，每GW总运营成本约76亿美元。

在不同GPU租金情景下，每GW增量EBIT约为112亿至193亿美元，对应EBIT利润率60%至72%；税后经营利润（NOPAT）约89亿至153亿美元，最终ROIC达到23%至39%

这组数字构成摩根士丹利继续看好云厂商AI资本开支回报的核心依据。

亚马逊和Alphabet是核心受益者，Meta成为重要观察对象

基于前述逻辑，摩根士丹利继续给予亚马逊和谷歌母公司Alphabet“增持”（Overweight）评级。

摩根士丹利对亚马逊的目标价为335美元。

报告预计AWS收入增速将从2025年的19.7%升至2026年的37.4%，2027年进一步达到40.8%，2028年仍保持36.8%的高速增长。亚马逊整体收入预计从2025年的7169亿美元增至2028年的1.134万亿美元，GAAP EBIT同期由约800亿美元增至2273亿美元。

Alphabet目标价为400美元。

摩根士丹利认为，谷歌的优势不仅在于拥有前沿Gemini模型，还在于能够同时利用TPU、自有云基础设施以及庞大的企业客户基础提高推理效率。报告特别指出，高效率的Gemini Flash模型与追求最先进能力的Gemini 4同样重要，因为AI竞争正在从单纯追求模型性能转向性能与成本效率并重。

Meta则被列为Top Pick（首选股），目标价为775美元。

摩根士丹利预计其2026年广告收入增长约27%，认为AI投资将继续推动Reels互动和广告变现，同时公司也在探索如何进一步利用庞大的数据中心容量创造收入。不过，数据中心资本开支无法产生足够回报，同样被列为Meta的重要下行风险。