گزارش مورگان استنلی: مدل‌های وزن باز هزینه‌های هوش مصنوعی را کاهش می‌دهند اما نیاز به قدرت محاسباتی ممکن است همچنان افزایش یابد

مورگان استنلی در گزارش خود با عنوان «مدل‌های وزن باز و سه سناریوی آینده» اشاره کرد که مدل‌های وزن باز ممکن است نیاز به قدرت محاسباتی هوش مصنوعی را کاهش ندهند. برعکس، کاهش هزینه‌های استفاده ممکن است به سرعت‌گیری پذیرش هوش مصنوعی کمک کند و «پارادوکس جیوونز» را ایجاد کند: پس از کاهش هزینه استنتاج در هر بار، شرکت‌ها بیشتر از هوش مصنوعی استفاده خواهند کرد و در نهایت تقاضای کل برای توکن، قدرت محاسباتی، برق و زیرساخت‌ها افزایش خواهد یافت. این گزارش تأکید می‌کند که وزن باز به معنای کاملاً رایگان بودن نیست و شرکت‌ها هنوز باید هزینه‌های GPU، خدمات ابری، عملیات و امنیت و غیره را متحمل شوند و اقتصاد واقعی به سناریوهای کاربردی خاص بستگی دارد. مورگان استنلی معتقد است که صرف نظر از اینکه میزان باز بودن مدل چقدر تغییر کند، شرکت‌هایی مانند انویدیا همچنان از این وضعیت بهره‌مند خواهند شد.