82
This article analyzes the impact of the Kimi K3 large model release on the Sino-US AI competitive landscape and AI chip investment logic, arguing that while it doesn't mean computing power demand will decrease, it breaks the barrier of US closed-source model dominance and benefits the domestic computing power supply chain. 格 格兰投研
Yesterday 2578 words (about 11 min) View Source →
Sign in to highlight text and take notes as you read. Sign in now
原创 格兰 2026-07-18 20:26 北京
新的格局
昨天 A 股下跌，大家心情比较郁闷。一觉醒来发现，老美那边也没好到哪去，同样是 kuku 一顿跌，费城半导体指数最大跌幅达到 5.6%，本月跌幅接近 20%，对着比惨了属于是。
是谁暗戳戳的给美国科技股又捅了一刀呢？
是我们月之暗面发布的 Kimi K3。
这个大模型拥有 2.8 万亿参数的开源大模型，主打低 API调用 价格、原生超长上下文，同时具备较强的推理和视觉能力。
简单说，给老美带来了亿点点震撼。小摩直接起名，把这个叫作“DeepSeek 2.0 时刻”。
为什么反应这么大？
Kimi K3 带来的第一层冲击，是中美 AI 大模型在能力差距上的继续缩小。
虽然 Kimi 官方说着 K3 的整体性能仍然落后于 Claude Fable 5 和 GPT 5.6 Sol 这两款最强的闭源模型，但发出来的数据可谁也没惯着。
就差把“你们老美大模型得加把劲了，再不努力就要被我超过”直接说出来了。
更让华尔街嗅到熟悉的味道，是 K3 对 AI 芯片板块带来的冲击，像极了当年的 DeepSeek。
过去市场给 AI 芯片高估值，依赖的是一条非常简单的链条。
模型参数越来越大，训练和推理需要的算力越来越多，云厂商必须持续扩建数据中心，采购更多 GPU、存储芯片、先进制程晶圆和半导体设备。
只要算力需求不断上升，英伟达、台积电、存储厂商和设备公司的收入就可以持续增长。即使这些公司的股价已经涨了很多，投资者仍然愿意给出更高估值，因为大家相信 AI 资本开支还远没有结束。
当时因为 DeepSeek 的出现，投资者突然发现，大模型能力继续提升，并不一定意味着算力投入必须按照原来的速度无限增长。模型效率提高、推理成本下降、开源生态扩大，都可能改变企业采购算力的方式。
Kimi K3 发布以后，这套逻辑再次被摆上桌面。这就意味着，模型使用量可以继续增长，但硬件采购量未必会按照原来的速度同步增长。
实际上，K3 和 DeepSeek 还不太一样。
DeepSeek 第一次震动全球市场，核心是用相对有限的算力和成本，做出了接近老美顶级闭源模型的能力，打破了市场对算力投入、模型能力和商业定价之间关系的固有认知。
但 K3 带来的冲击，并没有证明大模型不需要算力。
恰恰相反，Kimi K3 非常大，对计算集群、显存、互联带宽和推理系统的要求都很高。
它真正打破的是另一个认知，老美闭源模型在复杂工作能力上的领先，可能没有市场原来想得那么牢固。
老美科技公司投入越来越多钱搞 闭源模型，可还是被我们的 Kimi K3、GLM 5.2 等开源模型不断接近，换谁都要琢磨琢磨，这种 优势还能维持多久。
此前云厂商不断加大数据中心建设，市场愿意接受这种投入，是因为相信 AI 需求足够大，未来可以通过模型订阅、API 收费和企业服务收回成本。
但低价开源模型不断出现以后，模型价格很容易被压低。
模型调用价格越低，企业用户当然越愿意使用，但对提供算力和模型服务的公司来说，收入增长未必能够覆盖快速上升的资本开支。
钱花得越来越多，模型服务却越来越便宜，这会直接压缩整个行业的投资回报率。
这样一来，像台积电、阿斯玛上调资本开支，在资金眼里的叙事逻辑就会从先进制程和半导体设备需求旺盛，转变为现在大规模建设芯片产能，未来会不会形成产能过剩。
事没有变，思考方式变了，结果也就不一样了。
Kimi K3 真有这么大威力吗？来听听刚和业内专家交流后的最新消息。
按参数看，是比较超预期的。在国内主流大模型大多还在万亿以内的环境下，K3 直接把参数推到接近 3 万亿这个级别。
虽然参数大不等于能力一定强，但参数规模仍然是评价模型能力的一个基础。
到了这个规模水平，如果还按照传统模型架构直接堆参数，训练和推理成本都会非常高。
所以 K3 在架构上做了三层优化。分别对应 注意力机制、残差连接和专家模型。
注意力机制采用的是此前 Kimi 提出的 KDA 混合线性注意力，采用了三比一的混合注意力结构。
三部分使用混合线性注意力，一部分使用全局注意力。
说简单点，就是模型在阅读长文档、处理长代码或者执行长时间任务时，不需要把所有历史信息都按照原来的方式完整保存。保留好关键词信息的同时，维持对全局内容的理解就好了。
有点像上学时背古文，关键句子记下来，按根据内容脉络串起整篇文章。
残差连接用的是全新 Transformer 学习架构设计，Attention Residuals。
在原有固定累加方式基础上加入动态跨层路由机制。
模型会根据当前输出，自主选择需要复用哪些早期层的信息。按照官方数据，这项设计在额外成本增加不到 2%的情况下，可以提升约 25%的训练效率。
专家模型方面，则是在混合专家MoE架构上进一步创新，提出了LatentMoE潜在专家混合架构。
我们可以这样理解，MoE 是把输入信息直接交给专家路由系统，再决定由哪些专家处理。
K3 在这一步之前增加了一个压缩过程。模型会先把表示压缩到低维空间，再进行专家路由。这个思路和 DeepSeek 此前提出的 MLA 有些类似，核心都是减少无效计算。
区别在于，MLA 主要针对注意力层进行压缩，Kimi K3 的 LatentMoE 则主要针对信息进入专家层之前的路由过程进行压缩。
在投资层面，大家最关心的问题是，Kimi K3 这次大突破，是不是可以理解成算力需求下降？
不好意思，不能。
K3 降低的是同等智能水平的使用成本，不是让算力变得不重要。
可以理解成，我们可以开车油耗降低了，车主愿意多往外旅游跑一跑，但汽油该用还是要用。
按这个思路分析，对国产算力是明确的利好。
Kimi K3 不是小模型，参数越大，越需要超节点这类的机柜级计算系统。
从 GPT 到 Sora，再到各种智能体，大模型能力不断提升，参数量和计算需求还在继续增长。
我们只能通过扩大节点规模，增加芯片数量和总显存容量，实现更大模型的装载和运行。
用错位竞争，去尽量抹平与老美算力上的差距。
芯片只是起点。芯片之后是卡间互联，互联之后是高速存储，存储之后是先进封装，封装之后是液冷和材料，此外还要叠加算子、软件和系统调度。
任何一个环节掉链子，都会影响整台超节点的性能。
这些真正有持续价值的环节，正在撑起我们科技的脊梁。
Kimi 已经帮我们证明了国产模型有能力站在全球前沿，下一次较量，该比一比谁能把前沿能力，变成稳定生产力了。
_申文冠_ _执业编号:A0670623050002_
_云南约牛软件技术有限公司_
_风险提示:股市有风险 入市需谨慎_
周内：每日解读，独家视角看大盘
周六：要闻精选，纵览国内外大事
周日：每周策略，周一开盘前必读 !Image 6: 图片点点“喜欢”和“赞”，给我充点儿电吧~