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

مورگان استنلی در گزارش خود با عنوان «مدل‌های وزن باز و سه سناریوی آینده» اشاره کرده است که مدل‌های وزن باز ممکن است نیاز به قدرت محاسباتی هوش مصنوعی را کاهش ندهند. برعکس، کاهش هزینه‌های استفاده ممکن است به گسترش هوش مصنوعی کمک کند و «پارادوکس جیونز» را ایجاد کند: پس از کاهش هزینه استنتاج در هر بار، شرکت‌ها هوش مصنوعی را در وظایف بیشتری به کار می‌گیرند و در نهایت تقاضای کل برای توکن، قدرت محاسباتی، برق و زیرساخت‌ها را افزایش می‌دهند. 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 تحمل کنند و اقتصاد واقعی به سناریوی کاربرد بستگی دارد. مورگان استنلی بر این باور است که صرف نظر از اینکه میزان باز بودن مدل چقدر تغییر کند، شرکت‌هایی مانند انویدیا همچنان می‌توانند بهره‌مند شوند.