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。
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。
Alphabet 目标价为 400 美元。
Meta 则被列为 Top Pick（首选股），目标价为 775 美元。
