PODCAST
91⭐ Featured
An in-depth look at the open-source vs. closed-source debate triggered by the Kimi K3 release: from the distillation controversy to the impact of open models on AI business models, revealing the real drivers behind the rise of Chinese open-source models. 
Today 01:07:12 14 chapters View Source →
00:00 00:00
CH.1 硅谷热议：中国开放模型 Kimi K3 挑战闭源生态 00:00 — 02:18
00:00 1
大家好，欢迎回到硅谷 101，我是一文。硅谷前沿 AI 实验室的商业模式大家应该都不陌生，把智能封装成 API 再按 token 出售给用户。但现在几家中国实验室正在用开放权重模型挑战这套模式。7 月 27 日，月之暗面正式发布了 kimi k3 的完整模型权重，在此之前，K3 的横空出世，以及它在多项测试上展现出的竞争力，都已经说明了一件事，开源模型正在逼近甚至超过最强的闭源模型。这意味着企业未来可能都不再需要完全依赖 OpenAI，或者 anthropic 也可以部署定制和掌控自己的模型。
00:43 1
K3 的发布也在硅谷引发了一场更大的讨论。过去几周包括英伟达在内的数十家科技公司和机构签署公开声明，呼吁美国支持开放权重模型和更开放的 AI 生态。但与此同时也有批评者提出质疑，能力如此强大的模型是否应该开放？它会不会带来新的安全风险？中国模型的快速进步又在多大程度上涉及蒸馏？所以在这期播客里面，我们邀请到了两位身处这场变化中心的嘉宾，前哈根 face 亚太开源生态负责人王铁震，以及 tiny fish 联合创始人 kiss j 我们一起讨论了中国开放模型为什么能在这么短的时间里逼近前沿，最近争议很大的蒸馏到底是什么，又能解释多少模型能力呢？当开放模型持续压低 token 价格，它将如何冲击闭源实验室的商业模式？又会怎样改变整个 agent 应用的生态？
01:43 1
其实我们录制这期节目的时间是北京时间 7 月 28 日的上午。昨天的粤湛面发布了 kimi k3 的完整模型权重。其实 K3 从 7 月 16 号的 API 上线以来，在硅谷的热度可以说是居高不下。而且也成为了硅谷最近讨论开源模型的时候最重要的案例之一。我想先请两位从你们的观察来回答一下这个比较大的问题。你们觉得 K3 真正让硅谷感到意外的是什么？要不先从 kiss 开始，因为你们公司是被在硅谷的。
Click any line to jump · Hover to ask AI
Content Overview
对话聚焦绿源公司垄断行为及 AI 模型安全性，通过伞公司案例强调社会监管必要性，对比开源与闭源模型安全，指出开源在可控性与成本优势。中国开源模型 Kimi K3 发布，引发硅谷关注，分析其对闭源模型生态影响，讨论开源模型在成本、所有权与安全性上的优势，及其对闭源商业模式冲击。开源模型提升企业应用、成本优化潜力，促进行业创新与竞争，未来监管机构作用凸显，整体推动 AI 行业向前发展。
#### Speaker Summaries
发言人2
回顾了 AI 行业的发展历程，从 deep sick 到 GLM，再到开源模型如 kimi 3 的崛起，强调 AI 对硅谷的影响巨大且迅速，特别是在成本控制和模型选择上的挑战。他指出，开源与闭源模型的商业逻辑存在根本对立，开源模型的兴起对闭源模型构成了冲击，同时引发了关于模型安全性、数据抓取合法性和商业伦理的讨论。他认为，AI 行业的未来将更加依赖于企业自建模型的能力，以及在开放与闭源生态之间的平衡，这也将受到地缘政治博弈的影响。他还提到了开源模型在安全性上的相对风险，以及行业对于安全标准制定的缺失。他认为，随着技术的进步，AI 模型的安全性和商业应用将面临更多挑战和机遇，行业需要更深入的探讨和合理的规范。
发言人1
阐述了硅谷前沿 AI 实验室商业模式的转型，尤其聚焦于中国实验室通过发布开放权重模型，如月之暗面的 Kimi K3，挑战传统闭源模式的现象。他指出，开源模型在能力上正逼近甚至超越闭源模型，可能减少企业对 OpenAI 等供应商的依赖。他还分析了开放模型带来的安全风险、蒸馏争议及其对闭源实验室商业模式的冲击，同时提及美国科技公司对开放权重模型的支持与政策讨论。他进一步探讨了 Kimi K3 的商业授权模式，以及开源模型对 agent 应用生态的双重影响，强调了安全性和开源模型开放性的重要性。他的发言全面覆盖了开源模型的机遇与挑战，以及其对 AI 行业格局的潜在重塑。
发言人3
他认为，K3 的发布是经过长时间准备的必然结果，从开源模型 PCCV one 的发布开始，逐步构建了技术与生态优势。尽管过去一年闭源模型在性能上占优，但 K3 不仅追平了这一差距，甚至在某些场景下超越，促使行业重新审视 AI 生态。K3 的成功归功于模型架构优化、成本效率提升、开源模式的可持续性，以及对安全与监管的透明态度。他强调，开源模型在可控性和透明度上并不逊色于闭源模型，反而能促进技术平权和行业竞争，对 AI 未来产生积极影响。
K3 开源模型 闭源模型 成本 蒸馏 API 模型架构 AI生态 GLM 月之暗面 硅谷 中国实验室 艾森哲 KDA 算力 数据工程 强化学习 法律 授权模式 Kimi
Content Overview
7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。
随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？
本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。
我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？
在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？
_注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。_ 【主播】
Yiwen，硅谷101特约研究员 【嘉宾】
王铁震，Hugging Face前亚太生态负责人
Keith Zhai，TinyFish联合创始人 【你将听到】 中国开放模型，硅谷怎么看？ 01:45 Kimi K3为什么突然成为硅谷关注的焦点？ 03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化 06:51 企业为什么开始转向中国模型 10:23 中国开放模型推理成本 蒸馏争端始末 13:24 蒸馏争议：到底什么是蒸馏？ 17:22 K3是否可能在短时间内蒸馏最强闭源模型？ 19:48 蒸馏能解释模型的核心能力吗？ 开放模型对闭源商业模式的影响 23:54 K3 License与开放模型商业化 34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？ 37:39 英伟达为什么支持开放权重 43:41 中国公司为什么选择开放 强大的开放能力下，Agent生态如何变化？ 45:04 Thinking Machines为什么开放权重？ 48:39 开放模型催生的新生态 48:43 OpenRouter等多模型平台为什么开始受益？ 49:56 对Agent产品和基础设施的影响 开放模型的安全之争 55:40 接近前沿的模型，到底应不应该开放权重？ 01:04:01 开源和闭源模型，谁更容易被滥用？ 【延伸阅读和相关术】
Kimi K3授权协议
Anthropic对蒸馏攻击的指控 《开放权重与美国AI领导力》 【相关术语】 开放权重（Open Weights）：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。 开源模型（Open-Source Models）：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。 思维链（Chain of Thought）：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。 规模扩展效率（Scaling Effiency）：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。 键值缓存（KV Cache）：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。 【硅谷101正在招聘】
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！
👉🏻点击查看招聘详情
!Image 4 【监制】
泓君 【后期】
Amei 【运营】
朱婕 【BGM】
Kablaam - Ealot
Flickering Torches - Christian Andersen
Radar Focus - Blue Saga
Pulse Runner - Helmut Schenker 【在这里找到我们】
公众号：硅谷101
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」
联系我们：podcast@sv101.net
Special Guests: Keith Zhai and 王铁震.
Make your daily reading actually fit you.A daily brief built from the sources you follow. Get started free
硅谷热议：中国开放模型 Kimi K3 挑战闭源生态
CH.1 · 00:00 — 02:18
00:00 / 00:00