Kimi，“等芯來”

Kimi 創辦人楊植麟在卡內基梅隆大學取得博士學位後，沒有選擇留在美國創業，如今他的團隊推出的開源模型 Kimi K3 卻在美國科技圈引發了一陣反思。這款參數量達到 3T 級別的年度最強開源模型，在各大基準測試中表現驚人，部分榜單甚至在超越了 Fable 5 這類美國實驗室最前沿的閉源模型。Kimi K3 僅靠演算法與工程的最佳化，搭配參數擴展，就在算力相對不足的條件下追上了前沿閉源模型的性能，不僅打破了外界對 Scaling Law 撞牆的說法，也讓部分矽谷巨頭感到焦慮與恐慌。OpenAI 戰略負責人迪恩·W·鮑爾直言，開源模型會阻礙人工智慧領域進一步的資本支出。這背後的邏輯在於，當大家都在探索通用人工智慧時，如果一家公司只需要 1 塊錢就能做到別人花 10 塊錢的事，那麼多花的 9 塊錢就必須被論證其必要性與合理性。對於年度資本開支高達 7000 億美元的矽谷巨頭來說，如果答案是否定的，人工智慧產業恐怕將迎來史無前例的泡沫破裂。 然而，在攪動全球市場的同時，Kimi 很快遇到了自己的第一個難題：算力焦慮。7 月 19 日晚間，Kimi 發布通知信，宣布暫停新用戶接入，暫時關上體驗 Kimi K3 的大門。通知信大意是，由於熱度過高、需求超乎預期，而存量算力不夠且逼近極限，因此不得不暫停 C 端新用戶訂閱，將現有算力優先分配給存量用戶，等到新算力到位後再陸續開放更多訂閱名額。這次「暫停」增量用戶接入與過去常見的「Token Plan」限售雖然都源於算力緊缺，但程度上完全不同。過去國內模型推理算力不夠時，透過限售的方式至少還能開一個口子提供服務，代表還有供給空間，後續也能透過 API 接入轉化重度用戶。如今直接暫停接入，把增量用戶拒之門外，意味著算力供給上沒有任何騰挪的餘地，可見現階段 Kimi 的算力緊缺程度有多嚴重。 一位資深科技投資人直言，Kimi 自己的算力都無法批量獲取，現在這麼多用戶想用卻無法開通付費帳戶，嚴重影響了商業變現與用戶口碑。長期關注中國科技產業發展的上海財經大學教授胡延平則認為，Kimi 暫停新用戶接入的原因是算力準備不足，而非 ROI 沒有轉正。因為算力約束，導致接不住這波潑天的用戶，目前比 ROI 轉正更重要的是先接住用戶。胡延平進一步指出，如果只從「算力/token」的角度來看問題，可能會出現用戶 token 消耗越多、虧損越大的情況；只有從「算力成本效率/token」來分析，才能看清算力約束的真實涵義。一位接近 Kimi 的知情人士透露，在暫停新會員訂閱後，找算力已經成為他們的頭號任務。Kimi 企業業務負責人黃震昕日前在溝通會上也表示，他們已經在非常努力地透過模型性能最佳化與算力供給來解決問題。 就在 Kimi 四處尋找算力的同時，智譜 1GW 純國產算力的消息被釋放出來，引發多位國產算力從業者的熱烈討論。核心問題在於，智譜從哪裡能夠獲得如此天量規模的算力？以剛在 2026 年世界人工智慧大會上亮相的華為昇騰 Atlas 950 超節點為例，僅按 64 卡機櫃 100KW 功耗上限來換算，不考慮交換等設備，1GW 相當於 10000 個 Atlas 950 機櫃，也就是 640000 張 NPU。假設單卡價格 20 萬元，整個 1GW 的訂單僅算力部分就將超過 1200 億元。即使考慮國產卡價格差異，按平均單價 10 萬元計算，1GW 純國產算力也是一筆超過 600 億元的算力大單。若消息屬實，對國產算力來說將是極大利好。 從技術角度來看，Kimi K3 雖然表現出色，但並未呈現出範式級的全新架構。期智研究院研究員李彪指出，KDA 和 AttnRes 此前已有論文，本次更值得關注的是將這些模塊與極稀疏 MoE、低精度訓練和大規模並行系統整合，並擴展到 2.8 萬億參數。由於 K3 完整技術報告尚未發布，目前仍難以評估其全部技術增量。有分析文章指出，KDA 讓序列計算更便宜，AttnRes 讓深度信息流更智能，Stable LatentMoE 讓參數容量更龐大——三者共同構成 Kimi K3 的架構骨架，算得更省、流得更順、裝得更多，共同成就了 2.8 萬億參數的影響力。李彪強調，Kimi K3 再次說明「size still matters」，模型規模仍是提升前沿能力的重要變量，但規模能否有效轉化為能力，取決於架構、數據配比、最佳化方法與基礎設施的共同配合。對於 2.8 萬億參數的極稀疏 MoE 模型，當前更顯性的工程約束來自功耗、通信開銷、專家負載均衡與集群可靠性，Kimi 能夠支撐如此規模的訓練，代表在底層 Infra 上做了不錯的最佳化。 另一位學術研究員也認同訓練過程中 Infra 與工程能力的重要性，認為大家的思路都差不多，歸根結底變成了軟體工程。前述科技投資人則表示，中國公司再一次在較短時間內把開源模型推到接近全球閉源旗艦模型的水平，確實非常厲害，給他最大的衝擊是 Scaling Law 還在繼續，而且當前最前沿的模型訓練配方，中國公司也可以快速掌握。綜合這些觀點，可以歸結為：Kimi 透過 Infra 與工程的手段，找到了一條持續 Scaling Law 的道路，這不僅是 Kimi 自己的路，也是中國開源模型生態的路。因此，Kimi K3 亮相後不久，2.4 萬億參數的 Qwen 3.8 預覽版也隨即宣布上線。 當可靠的 Scaling Law 路徑已經找到，剩下的問題就是找錢。在一級市場，過去半年 Kimi 一直是「當紅炸子雞」，融資相關的傳聞不斷。根據外媒披露的數據，Kimi 計劃 8 月啟動上市前最後一輪融資談判，目標估值為 500 億美元，相當於 DeepSeek 上一輪融資完成後的估值。同期，Kimi 也拆 VIE 架構，加速赴港上市流程，衝擊繼智譜、MiniMax 之後在港股上市的「大模型第三股」。時間回到 2025 年 12 月 31 日，當時楊植麟發內部信確認完成 5 億美元的 C 輪融資，並表示當前現金持有量超過 100 億元，短期不著急上市。資料顯示，Kimi 的 C 輪完成後投後估值 43 億美元，對比外媒報導最新 Pre-IPO 輪 500 億美元估值，半年漲幅近 12 倍。半年之前楊植麟判斷可以從一級市場拿到更多錢，這個點後續被時間驗證了，但 100 億元的現金在 7 個月後、Kimi K3 被迫暫停新用戶接入之後來看，顯然不夠用。 Kimi K3 目前證明的是技術能力進入前沿，但還沒有完全證明推理經濟性、產品體驗與商業模式同樣成立。根據 Artifacial Analysis 的「智能指數」評測，Kimi K3 在全部 9 項測試中總共產生了約 1.3 億個輸出 Token，高吞吐量導致跑完整套評測的總帳單高達 2709.75 美元，而同類參評模型的中位數僅為 6300 萬個。不過拆分成單一任務，Kimi K3 的平均花費僅為 0.94 美元，與 GPT-5.6 Sol 的 1.04 美元、Claude Opus 4.8 的 1.8 美元相比仍有競爭力。單看定價，Kimi K3 的 token 已經不便宜了，而 Kimi 自身關於這個問題的解釋是：中國開源模型不應該被貼上性價比標籤，SOTA 模型應該有自己的定價權。但對於用戶而言，追逐性價比就是追逐更高經濟性，如果 Token 輸出量能壓縮一半，成本也就壓縮一半。胡延平教授提出的「量效比」概念正好點出這個問題，如果不考慮量效比，長期競爭會是問題，某些時間點會出現 token 不經濟的情況。他以英偉達為例，強調在 H200 上 token 的 ROI 可能是虧的，但升級為 B300 可能分分秒秒都是「印鈔機」，這給國產算力提出了新的要求：既要給國產模型保證算力供給，也要在硬體層面釋放 token 的經濟性。 今年的世界人工智慧大會出現了一些比較好的趨勢，最典型的就是 2025 年的華為 CloudMatrix 384 與 2026 年的 Atlas 950 兩代超節點的進化。單櫃從 32 卡到 64 卡，計算密度翻倍；計算櫃也從 12 個增至 16 個。機櫃內部採用高密度銅纜電互聯，機櫃間採用全光互聯，從支援千億參數模型的訓練，擴展至萬億參數模型的低精度訓練與混合推理。這種變化，不到現場觀察、不做對比，很難直觀感受到差異。國產算力從業者都表現出不同程度的喜悅與開心，背後有幾個原因：公司上市讓很大一部分員工獲得了股權激勵，同時市場開始為中國芯片重新定價，逐步放大這種財富效應。如果說上市是中國芯片的第一場戰爭，那麼接住國產大模型的需求、為其 token 成本託底，將成為關鍵的第二戰。