原文作者：龙玥

原文来源：华尔街见闻

市场把 Kimi K3 当作“DeepSeek 时刻 2.0”来恐慌，但这一次，华尔街的判断截然不同。

7 月 16 日深夜，月之暗面在上海发布 Kimi K3。这个 2.8 万亿参数的开源模型，在 Artificial Analysis 智能指数上得分 57，排名全球第三至四位，与 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5 持平。更关键的是，在加州大学伯克利分校创建的 Frontend Code Arena 编程榜单上，K3 以 1679 分登顶，超越 Claude Fable 5 和 GPT-5.6 Sol，成为首个在权威编程榜单上超越全部海外闭源模型的开源模型。

7 月 17 日，美股半导体板块出现明显下跌。市场的条件反射不难理解——2025 年初，DeepSeek R1 的发布触发了算力股的一轮急跌，逻辑是：中国模型越来越强，美国 AI 公司还有必要砸那么多钱在算力上吗？如果中国模型能用更低成本逼近前沿能力，英伟达、HBM、服务器、网络设备的需求是否会被重估？

然而，据追风交易台消息，来自瑞银、野村、美银美林和花旗等投行的最新研报认为：Kimi K3 不是算力需求的终结者，而是加速器。

Kimi K3 和 DeepSeek R1 不是同一种冲击。R1 更多让市场看到“效率”；K3 更突出“规模”。2.8 万亿参数、1M token 上下文、常开推理、原生多模态、MoE 架构，这些特征不是轻资产的故事。它们会把推理、内存、网络和存储的压力一起抬高。

Kimi K3 有多强？

Kimi K3 由月之暗面在 2026 年 7 月 16 日发布，完整模型权重计划于 7 月 27 日开放。它是 2.8 万亿参数开源权重大模型，被多家机构称为目前最大规模的开源权重 LLM。

核心配置包括三点：

第一，1M token 上下文窗口。模型可以处理更长文本、更长代码库、更复杂的企业资料和研究任务。

第二，常开推理。不是简单问答，而是面向长链路推理和 Agent 任务。

第三，原生视觉能力。K3 不只处理文本，也面向视频、图像、游戏开发、前端设计、CAD 等多模态任务。

架构上，K3 使用 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE。MoE 部分为 896 个专家中每个 token 激活 16 个专家。月之暗面给出的口径是，相比 Kimi K2，整体 scaling efficiency 提升约 2.5 倍。

这解释了为什么 K3 不是“更便宜的 K2”。Nomura 整理的价格显示，K3 输入价格为每百万 token 3 美元，缓存命中输入为 0.30 美元，输出为每百万 token 15 美元；按 Artificial Analysis 口径，K3 每项任务成本约 0.94 美元。这个价格低于 Claude Fable 5 约 2.75 美元和 Claude Opus 4.8 约 1.80 美元，接近 GPT-5.6 Sol 的 1.04 美元，但明显高于 GLM-5.2 的 0.32—0.47 美元，也远高于 DeepSeek V4 Pro 的 0.04 美元。

所以 K3 的定位不是最低价，而是用更低价格接近前沿模型的能力。

四家投行密集定调：这不是需求削弱

对于市场“DeepSeek 时刻”冲击的担忧，野村证券亚太科技团队分析师段冰在报告中写道：“我们认为全球大模型市场的竞争与创新不会停止，随着我们越来越接近通用人工智能（AGI），生成式 AI 在消费者和企业端的应用将持续扩张。前沿 AI 实验室和超大规模云平台公司都可能在此阶段持续投入，以维持竞争地位——随着规模定律延续，我们将这种竞争解读为对 AI 基础设施价值链的利好。”

花旗半导体分析师 Peter Lee 在 7 月 19 日的报告中则直接以“又一次杰文斯悖论”为题。杰文斯悖论是什么意思？简单说：煤炭蒸汽机效率提升，反而让煤炭消耗量更大，因为更多人用得起、更多场景用得上。AI 模型也一样——当优质模型变得更便宜，开发者和企业就会部署更多应用、处理更多 token，最终的算力消耗反而上升。

Peter Lee 认为，即便 K3 被广泛使用，服务器 DDR5 和 eSSD 等通用内存需求仍会增加。原因是 K3 的推理效率与其他前沿模型相当，但 KV 缓存占用会随上下文增长而扩大，对内存的压力不降反增。

美银证券半导体分析师 Vivek Arya 在 7 月 17 日的报告中表述更为直接。他认为，美国前沿 AI 实验室的回应“不是更少算力，而是更多”。如果中国开源模型持续逼近，OpenAI、Anthropic 和 Google 必须通过更大规模的训练、更重的推理和更快的迭代来维持差异化。Arya 还提到一个容易被忽略的背景：媒体报道称 Google 的 Gemini 3.5 Pro 已比计划推迟数月，编程性能未达内部目标，前沿领导地位“正变得越来越难捍卫”。

瑞银分析师 Timo Arcuri 团队在 7 月 20 日的报告中指出，K3 与 DeepSeek R1 的平行之处确实存在，但 K3 更多关乎规模——它是全球最大的开源模型，拥有 2.8 万亿参数和 100 万 token 上下文窗口。分析师强调，开源模型通常比闭源前沿模型更吃内存，因为上下文窗口更长，KV 缓存需求即便经过量化也在绝对量上持续增长，使开源模型的部署更加依赖 HBM 和存储。

谁在这场竞争中真正受益？

存储：最直接的受益板块。 瑞银测算显示，存储与内存板块到 2028 年的累计自由现金流（FCF）预计达到市值的约 30%，是所有子板块中占比最高的——美光（MU）一家就高达 47%。花旗和野村均维持对三星电子的买入评级，理由是全球内存市场正处于供给极度紧张的状态。花旗分析师 Peter Lee 指出，Kimi K3 的推理侧内存需求不亚于其他前沿模型，KV 缓存体量的膨胀将直接推高服务器 DDR5 和企业级固态硬盘（eSSD）的需求。他尤其指出：Kimi K3 的大规模部署需要超过 64 块 GPU 的“超节点”集群配置。

算力基础设施：台积电、英伟达首当其冲受益。无论是训练侧规模定律仍然有效，还是推理侧 token 需求增长，最终都指向更多的先进制程芯片需求。野村重申对台积电、ASE、联发科等的买入评级。英伟达曾公开表示，现代 MoE（混合专家架构）模型的推理，在 GB300 NVL72 上的性能功耗比，相比上一代 Hopper 架构提升高达 25 倍。K3 这样的模型天然是英伟达最新硬件的受益方。

网络：超节点趋势造就结构性机会。 Kimi K3 需要超节点集群，中国本土算力受限于高端芯片出口管制，更需要依赖超节点架构弥补单卡性能差距，这推动了光模块、光芯片等网络层供应商的需求。野村看好中际旭创和苏州旭创。

云平台：受益于生态集聚效应。 托管多种前沿开源模型的云平台议价能力更强，不依赖单一闭源模型供应商。野村看好阿里巴巴（BABA）作为中国 AI 云生态的核心，以及 GDS、万国数据（VNET）等数据中心运营商。

中国 AI 模型的全球渗透速度有多快？

这或许是整个叙事中最容易被低估的数据点。

根据开放 API 网关 OpenRouter 的统计，中国 AI 模型的 token 使用量占全球开发者流量的比例，一年前不足 2%，目前已超过 45%。美银美林的数据印证了 AI 整体渗透的加速：目前约 55%的美国企业已订阅 AI 模型、平台或工具，Anthropic 的企业采用率达 42%，OpenAI 为 40%。头部 AI 消费者（前 1%的企业用户）每位员工每月 AI 支出已达 4833 美元。

市场正在分化。一方面是以 DeepSeek、Kimi K3 为代表的中国开源模型，覆盖经济型和中高端性价比市场；另一方面，顶级美国前沿模型正向更复杂的工作负载（如科学计算）聚焦，维持技术和定价溢价。野村的判断是：中美两侧的领先大模型玩家都将受益——前提是各自能持续站在技术曲线的前沿。

K3 真正改变的是竞争节奏，不是单一公司的故事

K3 发布后，市场第一反应还是拿它和 DeepSeek R1 比较。这种比较有用，但不能停在“是不是又要砸 AI 硬件”这一层。

DeepSeek 让市场重新估算训练效率。K3 让市场看到另一件事：开源模型也可以把规模、长上下文、Agent 和多模态推到前沿区间。

这会逼迫美国前沿实验室继续投入，也会让中国模型在全球开发者生态中继续扩张。闭源顶级模型保留技术和价格溢价，开源模型覆盖更多价格带和部署场景，云厂商提供模型分发和企业落地，硬件链条承担训练和推理压力。

短期看，交易会因为“DeepSeek 记忆”出现波动。中期看，只要 token 使用量继续增长，长上下文和 Agent 继续扩散，算力、HBM、存储、网络和 IDC 仍是绕不开的成本项。

这也是多家机构在 K3 之后给出相似结论的原因：更强的开源模型不是 AI 基建需求的终点，反而可能是下一轮需求扩散的入口。

不过，美银美林也明确留了一个尾部风险：“如果效率增益的速度超过工作负载的增长，我们可能会看到基础设施建设的某种回落。”换句话说，如果模型越做越便宜，但使用量并未同步大幅扩张，算力需求的增长逻辑就会打折。