費城半導體七連跌之際，Meta開放權重拓寬AI應用邊界! 「傑文斯悖論」能否催動半導體大反攻?

智通財經APP獲悉，Facebook以及Instagram母公司Meta Platforms(META.US)於10月15日發佈Muse Spark Open，即全面開放這個主攻AI超級編程與AI智能體任務的大模型權重，同時將本周推出且綜合性能指標先進得多的Muse Wonder保持閉源模式。Meta這一最新大模型動態也意味着該公司在AI應用與大模型層面的商業邏輯逐漸清晰——以開放權重模型吸引更多開發者涌向Meta社區並且擴大算力資源需求與AI應用部署，同時還聚焦以高端模型、開發工具和推理效率更加強勁的雲端算力負載承接更加昂貴的AI付費訂閲需求。

Meta表示，Muse Spark Open乃「迄今為主美國能力最強的開放權重AI大模型」，因此從AI算力需求擴張趨勢而言，開源此舉對於近日持續暴跌的半導體與AI算力主題堪稱重大積極催化劑——從本地工作站到企業私有AI算力集群，再到公共雲，開放權重有望讓智能體進入更多此前因成本、數據控制和定製需求而難以覆蓋的場景，為「閉源與開源AI齊飛」的算力需求持續大擴張提供新動力。

在AI開發者生態中，open-weight AI通常指代「開放權重AI大模型」，即開發者可以下載模型訓練完成后的參數，在自有服務器或雲環境中部署、微調和推理;但模型開發方未必公開訓練數據、數據處理方法、訓練代碼、完整架構細節，也可能通過許可證限制商業用途或特定應用。

嚴格意義上的開源AI範圍更廣：除權重外，還應提供足以讓使用者研究、修改和復現系統的代碼、架構及訓練數據信息，並保障使用、研究、修改和再分發等基本自由。因此，開放權重是「模型成品可拿來使用和改造」，真正的開源AI則進一步開放「模型如何被製造出來」;前者可以是后者的一部分，目前通常語境的「開源」通常指代的是「開放權重AI大模型」，但是開放權重不必然等於開源所有技術環節與代碼。

Meta這項重磅發佈可謂恰逢芯片股承壓。截至10月15日美股收盤，納斯達克100下跌0.05%，周內累計跌3.07%、10月以來跌1.56%，年內仍漲18.56%;較本月收盤紀錄回撤4.13%，尚未進入通常以跌幅10%界定的技術性回調。有着「AI算力主題交易風向標」稱號的費城半導體指數則下跌0.88%，連續七連跌且累計回撤12.38%步入技術性回調區域，10月以來則累計跌8.29%。

當前市場正在重估高通脹捲土重來、10年期美債收益率激增態勢且持續位列二十年最高位背景之下的全球融資成本愈發高企與AI資本回收周期模糊。當前長端無風險利率仍處高位，驅動信用風險溢價進一步擴大，共同抬高融資成本，乃壓制AI算力主題與半導體股票的最核心機制。10月15日10年及以上更長期限的美債收益率指標有所回落，疊加黃仁勛對CoreWeave前景的積極表態已緩和拋壓，但半導體似乎仍未止跌。因此，Meta最新開放模型的潛在投資層面意義，在於能否擴大有支付能力的AI應用需求、改善算力利用率，讓AI芯片、存儲芯片、數據中心CPU等核心AI基建類硬件採購最終對應更紮實的現金回報。

Meta開放模型，同時保留最先進AI技術的閉源商業模式

Facebook以及Instagram母公司Meta Platforms於當地時間周四重磅宣佈向全球開發者們開放了旗下一個新人工智能模型，允許下載和修改，同時繼續將最先進的技術保持閉源，以努力將AI投資轉化為收入。

周四，Meta宣佈發佈Muse Spark Open的「開放權重」——即允許開發者自行運行和調整模型的參數設置。Meta表示，這款旨在支持編程和AI智能體的模型，不及本周早些時候推出的Muse Wonder先進。發佈這款能力相對較弱的開放權重模型，兑現了Meta此前讓其技術得到廣泛使用的承諾。

「出於安全和能力兩方面的考慮，我們通常不會將最強大的模型開源，」Meta首席AI官亞歷山大·王在採訪中表示。「但我們確實認為，持續將優秀模型開源非常重要，我們打算繼續這樣做。」

包括阿里巴巴集團和DeepSeek在內的中國AI大模型領軍者企業，在開發允許開發者自行調整的開源AI模型方面取得了巨大成功。這些模型迅速得到採用，包括在美國的普及，進一步加劇了兩國之間的技術競爭。

Meta首席執行官馬克·扎克伯格長期以來一直倡導向開發者社區開放AI模型及其基礎構件。但去年，在公司的開放權重Llama模型令硅谷失望后，扎克伯格重組了Meta的AI部門，並引入王。此后，王幫助開發了一系列能力更強、但保持閉源的模型。

王表示，他認為美國企業發佈開放權重模型十分重要，這有助於確保它們在快速發展的AI競賽中保持對中國AI大模型領軍者們的領先地位。「世界上大多數AI將運行在開放模型之上，」他表示。「這些模型應該來自美國。」

與此同時，他預計中國AI開發者會學習Muse Spark Open，並在其基礎上繼續開發。「如果中國模型開發者群體將我們的一些技術原則融入它們的模型，甚至可能是一件好事，」他表示。

Muse Spark Open發佈之際，Meta也在着手建立自己的雲業務，通過該業務銷售AI模型和計算基礎設施的訪問服務。王表示，免費提供Muse Spark Open不會削弱這項業務。相反，他將其視為吸引客户的入口：開發者可以先自行試驗，當需要更多算力時，再向Meta付費購買額外工具。

開發者目前可以通過Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter和Together AI等平臺使用Muse Spark Open。模型權重可在Amazon SageMaker AI、Google Cloud Model Garden和Hugging Face下載。

Meta表示，公司與蘋果合作，確保該模型能夠在兩臺搭載M5 Ultra芯片的Mac Studio臺式電腦上運行，讓開發者可以使用自己的硬件，而不必依賴遠程服務器。

開放模型拓寬應用，Astra等閉源模型有望持續抬高能力上限——即閉源爭奪能力上限，開源拓寬與強化算力需求邊界

值得注意的是，「開放權重」是交付方式，不是性能來源，開放改變的是開發者獲取、部署和改造模型的方式。「開放權重」意味着開發者能夠獲取訓練好的模型參數，自行部署、微調和適配業務。它的產業價值在於降低應用落地門檻，讓模型從少數平臺提供的服務，擴展為更多企業可以自主使用的計算能力，進而為推理調用和算力需求打開更廣闊的增長空間。

Muse Spark Open的差異化優勢，主要集中於AI智能體相關高效率工具執行、原生多模態與可自主部署的組合。它採用混合專家架構(MoE)，擁有8160億總參數、每Token激活約420億參數，支持100萬Token上下文，接受文本、圖像、音頻和視頻輸入，輸出文本。在Meta按各模型指定推理檔位公佈的對照中，其MCP-Atlas工具任務得分89.2，高於GLM 5.3的84.2和Kimi K3的82.3;但綜合智能指數為39，低於兩者的45和44，Terminal-Bench 2.1得分76.4，也低於83.9和85。

因此，Meta最新開源AI大模型Muse Spark Open在部分智能體任務上具備競爭優勢，整體定位仍低於閉源Muse Wonder，不能概括為全面領先主流模型。蘋果合作進一步擴大部署選擇：藉助MLX與量化版本，兩臺各配512GB統一內存的M5 Ultra Mac Studio即可運行該模型，為私有數據處理和本地研發提供路徑。

從需求機制看，閉源前沿模型擴大AI能夠完成的任務集合，開放模型降低這些能力進入實際業務的部署門檻。企業無需重做昂貴的基礎預訓練，就能開展領域微調、智能體開發和私有部署;當單位有效任務成本下降，原本不值得自動化的工作也可能獲得商業價值。近期市場熱議的所謂「傑文斯悖論」全面成立的關鍵，可謂是在於新增任務量超過單位任務算力的節省幅度。性能提升本身並不保證總算力增長，但更強能力、更低成本與更广部署同時出現，會顯著增強需求擴張的可能性。

所謂的傑文斯效應(Jevons Effect)，又稱傑文斯悖論，是一個反直覺的經濟學理論：當前沿技術進步提高了某種資源(如能源、原材料或AI算力基礎設施資源)的使用效率時，它會降低單位成本，從而刺激市場需求大規模擴張，最終導致所有類型資源的總消耗量不降反增。該概念由英國經濟學家威廉·斯坦利·傑文斯(William Stanley Jevons)於1865年在《煤炭問題》一書中首次提出。

對於全球投資者們聚焦的對AI算力產業鏈與AI超級牛市投資風向而言，開放權重、模型路由和架構效率共同顯著提升壓低單位智能成本，卻可能通過「傑文斯悖論」放大總算力需求。 當簡單調用成本下降，企業會部署更多持續運行的智能體、並行子智能體、長上下文分析、代碼自動化和實時多模態服務;單次任務可能消耗更少算力，但任務數量、推理步驟和部署節點可能增長得更快。因而開放權重大模型的大規模加速普及將把算力需求從少數閉源實驗室擴散至全球範圍雲計算服務商、主權雲、面向企業們的巨型AI數據中心和本地推理集群。

股價回調，增長邏輯仍在擴張!隨着Meta拓寬應用邊界，半導體醖釀反攻?

谷歌母公司Alphabet近期研究明確指出，單位Token價格降低、任務執行時間延長和應用數量增加能夠同時發生，推動總AI推理需求與推理總價值上升，可謂精準相應所謂的「傑文斯悖論」。知名市場調研機構TrendForce的預測報告顯示，2027年NVL72機架出貨量同比增長超過50%，包含GB200/GB300以及下一代基於Vera Rubin架構的相關圍繞英偉達AI GPU的NVL機架系統總產值有望超過7100億美元，同比增長214%，其中包含產品升級和價格上漲的影響。

近日風靡全球的Meta Muse AI智能體與「比肩AGI」的OpenAI Astra大模型/AI智能體帶來的最核心變化，可謂是一次用户指令可以觸發持續、多階段的計算工作。一個研究、編程或辦公任務，可能依次包含規劃、檢索、讀取文檔、調用工具、執行代碼、檢查結果和修正錯誤，其中多個步驟需要重新調用模型，複雜任務還可能採用並行探索與驗證，而這類近乎無止境且愈發複雜的AI工作負載會把增長機會加速傳導至GPU之外的完整聚焦AI推理負載的算力系統。

Meta開放Muse Spark Open，可謂是為應用擴散和推理需求增長提供了新的技術推動力。隨着Meta Muse與OpenAI的GPT-6 Astra全面引爆AI智能體大浪潮，加之最新動態所顯示的同樣聚焦最前沿AI智能體工作負載的Muse Spark Open這一「迄今為主美國能力最強的開放權重AI大模型」重磅發佈，「AI FOMO交易」(指投資者擔心錯過AI相關資產的上漲機會，因而追買或回補此前降低的倉位)很可能在近日隨之捲土重來。

從AI算力基礎設施底層架構看，Muse與Astra，以及Meta最新開源的Muse Spark Open有望共同進一步擴大AI智能體使用範圍，它們帶來的天量級別AI推理工作負載大舉擴張會同時增加模型推理、工具執行和狀態管理需求，同時加深了部分軟件公司的競爭壓力。GPU、TPU等加速器承擔模型計算;高性能服務器CPU運行瀏覽器、虛擬機、商品檢索、數據庫查詢和交易編排;HBM與服務器DRAM承載模型數據、上下文及併發工作環境;企業級SSD保存商品索引、任務記錄與持久狀態，高速網絡和光互連則支撐分佈式數據交換。

華爾街金融巨頭摩根大通近期表示，該機構全球股票市場策略師團隊所看好的，是倉位擁擠緩解、估值回落與盈利韌性共同形成的重新佈局機會，尤其偏好半導體。按該機構最新發布的研報來看，自6月以來，半導體未來12個月每股盈利預測上調約30%至40%，全球軟件板塊盈利預期則缺乏相應改善;該機構最新引用的超大規模雲計算廠商們資本開支前景預測為：2026年約9,500億美元、2027年大約1.4萬億美元、2030年至少約3萬億美元，並且預計2027年AI相關創收增長步伐將呈現井噴式擴張軌跡。

高盛科技行業專家Peter Callahan在近期發佈的一份研究觀點中也指出，AI長期投資趨勢仍然完整，半導體估值已經壓縮，個人助手與消費級AI的發展，有望幫助板塊在三季度財報季重新站穩。高盛與摩根大通的最新研報，可謂支撐「AI算力與半導體具備反攻強大條件」的看漲判斷，而且分別補上了資金面與盈利面的關鍵證據。

高盛關注增量買家何時迴歸，摩根大通的另一份關於看好韓國股市反彈前景的研報判斷對於AI算力交易至關重要的存儲芯片盈利高位能否持續得比市場預期更久。

高盛所描述的「三大援軍」，有望改善AI資產重新獲得定價的資金環境。高盛資金流向團隊在最新報告《Witching Hour》中指出，按照《Witching Hour》的測算，10月底約48%的標普500成分股將重新進入回購開放窗口;歷史上，11月貢獻全年約10.1%的回購執行量，再疊加共同基金財年末税務賣壓消退、年末散户資金流入，以及中期選舉后的海外配置需求，股票供求關係可能逐漸改善。其中，約1900億美元海外買盤屬於歷史規律外推的潛在規模。對於經歷集中減倉的半導體，買盤恢復意味着企業即使只是證明訂單和盈利沒有明顯惡化，也可能觸發倉位回補。不過，科技板塊回購執行量同比下降40%，説明資本開支正在與股東回報競爭資金;AI股票要持續吸引增量配置，仍需證明投入GPU、網絡基礎設施和數據中心光互連、CPU等關鍵AI基建資源的相關資本投入能夠形成更高的未來現金流。

摩根大通的看漲邏輯更直接落在「市場是否過早折價存儲盈利回落」上。10月15日該機構發佈的一份關於韓國股市的半導體研究報告顯示，宏觀層面對AI投資持續性的擔憂，與存儲行業自下而上的供需數據存在明顯脱節，因此把三季度視為「預期重置季」，未來六個月核心超配三星電子、SK海力士、鎧俠，並延伸至三星電機、AI PCB和測試插座。這里的「久期交易」，押注的是上行周期持續更久、高盈利維持更長：即使漲價斜率放緩，只要HBM、服務器DRAM和企業級SSD需求繼續吸收新增產能，市場此前計入的利潤快速下滑就可能需要重新修正。這也解釋了為什麼存儲股能夠先於盈利見頂下跌，卻又可能在盈利持續時間得到驗證后提前反彈;決定機會的，是實際盈利路徑與股價隱含預期之間的差距。

Meta開放模型，為「盈利持續時間可能被低估」增加了應用端依據。Muse Wonder等閉源前沿模型擴大智能體能夠完成的任務邊界，Muse Spark Open這類開放權重模型則降低企業定製、私有部署和遷移的門檻，使更多工作流具備經濟可行性。

從底層AI基建技術機制來看，最前沿AI智能體任務體系一次完整任務可能包含反覆規劃、代碼執行、檢索、工具調用與結果校驗，消耗的不只是GPU/TPU/ASIC計算，還包括CPU執行資源、KV緩存、主機內存、SSD及高速互連。MoE稀疏激活降低每Token計算量，也不意味着全模型權重存儲和通信需求同比例消失。由此推演，當新增任務量、併發量與工作流程長度的增長超過單位任務算力消耗的下降，傑文斯效應就可能推動總算力需求擴張;開放與閉源協同發展的意義，正在於同時提升能力上限與應用覆蓋面。