2.8萬億參數之後，硅谷為何重新“站隊”開源

英偉達創辦人黃仁勳在7月24日發布了他的第一則X平台貼文，轉發了一封名為《開放權重與美國AI領導力》的公開信。這封公開信最初由英偉達、微軟、Meta、IBM等25家機構聯名，隨後迅速擴增至約50家，包括OpenAI、谷歌、AMD、思科、Cloudflare與GitHub等企業陸續加入。在美國主要的前沿模型公司中，Anthropic成為唯一一家仍未簽署的企業。黃仁勳在配文中僅簡短寫道：「世界既需要前沿閉源模型，也需要前沿開放模型。」數日前，他接受外媒採訪時表達了更直接的立場，直言中國的開源模型「非常優秀」，表現優秀的開源模型本就應該被使用。這場集體表態的時間點相當耐人尋味。

7月中旬，月之暗面發布了Kimi K3。根據官方揭露，這款模型採用混合專家架構，總參數達到2.8萬億，擁有896個專家模塊，每次Token僅激活其中16個，並支援100萬Token的上下文處理。Kimi K3因此成為目前公開參數規模最大的開放權重模型之一，更引人關注的是，它在智能體、程式設計與前端開發等多項評測中，一舉進入全球第一梯隊。一款來自中國、可以下載部署且性能接近頂尖閉源模型的系統，迅速進入全球開發者視野。隨之被重新討論的，還包括美國AI公司的模型壁壘、開放生態的競爭力，以及華盛頓應當如何應對中國模型的崛起。

一邊是政府對技術擴散、模型蒸餾與國家安全的憂慮，另一邊則是科技企業對模型供給、成本及創新空間的現實需求。黃仁勳的表態，正好反映了這個博弈的核心地帶。開放權重模型長期被視為閉源旗艦模型的替代方案，價格更低、部署更靈活，但綜合能力往往存在明顯差距。Kimi K3的出現，改變了這種既定印象。2.8萬億參數並不代表每次推理都要動用如此龐大的計算量，混合專家架構會依據任務選擇少量專家參與運算，在擴大模型知識容量的同時控制單次推理成本。Kimi K3還運用了混合線性注意力、注意力殘差與低精度量化等技術，以減輕長上下文與大規模推理帶來的資源壓力。7月27日，月之暗面正式公開了K3的完整技術報告與模型權重。

報告揭露了這些技術的具體實現方式，例如KDA（Kimi Delta Attention）以3:1的比例混合線性注意力與完整注意力層，前者負責高效處理長序列，後者則在關鍵位置保持精度，類似於影片編碼中關鍵幀與差分幀的分工。Attention Residuals在網路層之間建立直連通道，補償線性注意力帶來的資訊損失；Stable LatentMoE則以統計方法平衡896個專家的訓練負載，使極端稀疏的架構得以穩定收斂。報告中同時公開了三項訓練基礎設施：專家通信庫MoonEP、高性能運算子FlashKDA，以及支援百萬Token級強化學習的智能體沙箱AgentEnv。

月之暗面指出，這套架構使同等算力下模型的智能水平提升了約2.5倍，這也是K3雖擁有2.8萬億總參數，實際推理成本卻能被控制在企業可接受範圍內的關鍵。Kimi K3真正具有行業意義之處，在於大規模開放模型開始同時滿足三個條件：性能接近前沿閉源模型、權重可以下載修改、推理成本控制在企業可承受範圍內。這讓企業獲得了全新的選擇。一般辦公、內容生成與編碼任務可以繼續調用閉源API，但涉及內部數據、核心程式碼、網路安全與合規要求時，企業可以將開放模型部署在自己的伺服器或雲端環境中，自主控制數據流向、存取權限與模型版本。

外界傳出微軟正在評估將Kimi K3用於Azure及部分Copilot場景，以降低對高價閉源模型的依賴。雖然「每年最多節省6億美元」的說法尚未獲得微軟公開證實，但已經反映出一個趨勢：開放模型開始成為大型科技公司控制推理成本、增強供應商議價能力的工具。開放權重模型從低成本「平替」方案，進入了能夠影響企業技術架構與採購決策的前沿能力區。這也是黃仁勳選擇在此時發聲的重要背景。Kimi K3發布後，美國圍繞開源模型的爭論迅速升溫。支持限制的一方擔憂，先進模型權重廣泛傳播後，可能被用於網路攻擊、生物研究等高風險用途。

美國政府也密切關注中國模型是否透過蒸餾獲得美國模型能力，以及相關公司是否使用了受出口管制的先進晶片。OpenAI與Anthropic此前都曾向華盛頓提出警告，認為中國開源模型正在威脅美國的AI領先地位，呼籲政府加強監管。支持開源的一方則認為，模型來源與部署方式應分別討論。企業將模型權重下載至本地運行，可以隔離外部連接、控制存取權限並保留數據。對於網路安全、金融、醫療與政府等高敏感場景，模型能否私有部署、審計與修改，本身就是安全能力的一部分。近200家美國新創企業也曾致信政府，反對全面禁止中國開源模型，擔心過度限制會墊高新創公司的模型成本，進一步強化少數美國閉源模型供應商的壟斷地位。

硅谷因此形成了新的利益結構。英偉達銷售GPU與整套AI基礎設施，開源模型越豐富，企業部署模型的需求就越強；微軟需要同時經營雲端運算、模型API與應用產品，引入更多模型有助於降低成本並增強議價能力；Meta長期依靠開放生態擴大自身在全球開發者中的影響力；IBM、思科與Cloudflare等公司則更關注私有部署、混合雲與網路安全市場。開源模型擴大了整個AI市場的參與者數量，也擴大了基礎設施供應商的潛在客戶群。Anthropic的立場明顯不同，持續缺席聯名公開信。他們長期將前沿模型安全作為核心戰略，並警告開放先進模型權重可能降低危險的擴散門檻。

這種選擇與Anthropic的品牌定位與閉源商業模式高度一致：開放權重模型越強，企業對高價閉源API的依賴就越低，Anthropic賴以建立差異化競爭的安全敘事與模型服務也將面臨更大壓力。黃仁勳支持開源模型，背後有著清晰的商業邏輯。模型供給越豐富、使用成本越低，進入AI市場的人與企業就越多，最終產生的Token數量與算力需求也會越大。2025年DeepSeek發布後，市場一度擔心高效模型會削弱GPU需求，但黃仁勳多次回應，模型效率提升反而會擴大使用範圍：單次推理變便宜後，開發者會調用更多模型、運行更長時間，並將AI引入更多任務。

這符合傑文斯悖論——當一種資源的使用效率提高、單位成本下降，總需求可能隨之增長。AI計算需求也已經超越單純的預訓練，模型還需要經歷監督微調、強化學習、長時間推理以及智能體執行。一個智能體完成複雜任務，可能需要連續調用模型、搜尋資料、操作工具、驗證結果，並根據回饋重新規劃，每個環節都在消耗Token。黃仁勳因此將資料中心描述為「AI工廠」，輸入電力和數據，輸出Token。GPU、網路、儲存、電力與數據中心構成一套工業化計算系統。在這套邏輯中，模型公司的商業模式可以不斷變化，算力依然是共同底座。Kimi K3將開放模型推向2.8萬億參數，但混合專家架構使總參數與實際計算量逐漸分離。

模型擁有多少參數，只能反映系統容量的一部分。激活參數、訓練數據、後訓練方法、推理效率、工具使用能力與部署成本，正在共同決定模型的商業價值。下一階段的競爭將集中在三個層面。首先是效率。企業關心的核心指標，是完成一項任務需要多少Token、多少輪調用與多少算力。模型在評測中取得高分，並不代表實際使用成本一定更低，能力、速度與成本需要同時衡量。其次是軟體生態。圍繞開放模型，開發者正在建設量化工具、推理框架、晶片適配、專業微調、模型融合與智能體系統。Hugging Face已經託管超過200萬個公開模型，單一模型之間的競爭，正在演變成模型家族與生態系統之間的競爭。最後是部署控制權。

越來越多國家與企業希望擁有自己的模型、數據與算力基礎設施。開放權重模型可以被本地化、修改並運行在不同晶片上，因此成為主權AI與企業私有部署的重要技術基礎。有人將這一階段稱為開放模型的「Kubernetes時刻」。Kubernetes最初由谷歌開源，隨後在開發者、雲端廠商與企業共同推動下，逐漸成為雲端運算基礎設施的重要標準。開放模型也可能沿著類似路徑演進：模型權重成為基礎層，周圍生長出推理框架、雲端服務、硬體適配與行業應用。開放生態能否形成類似Kubernetes的統一標準，目前仍有很大不確定性，模型架構、許可證、推理框架與硬體平台依然高度分散。

但方向已經逐漸清晰，當開放模型進入前沿能力區，閉源公司的競爭壁壘將更多轉向產品體驗、數據閉環、服務穩定性與專業場景；開放模型則依靠成本、控制權與生態創新擴大市場。黃仁勳的表態並不是力挺「中國開源模型」。無論最終勝出的是美國閉源模型、中國開源模型，還是企業自行微調的行業模型，只要AI應用繼續擴張，更多系統開始持續生成Token，英偉達就仍然站在產業增長最穩定的環節上。從這個角度看，黃仁勳的第一條X貼文，也是一封寫給華盛頓的商業意見書。他所捍衛的，是一個模型供給更加多元、開發者數量更多、算力需求持續擴張的AI市場。