Kimi K3：一场关于规模、算力与路径的中国式突围

规模不是终点，而是新起点 Kimi K3以2.8万亿参数刷新开源模型纪录，未采用颠覆性新架构，却通过系统级整合——极稀疏MoE结构、低精度训练、大规模并行系统，以及KDA、AttnRes、Stable LatentMoE三大核心模块的协同，实现了性能跃升。它没有打破Scaling Law，而是用工程与Infra能力证明：这条规律依然有效，但能否走通，取决于底层支撑是否扎实。模型越大，对功耗、通信、负载均衡与集群可靠性的挑战就越尖锐。Kimi能在该量级稳定训练与推理，本身已是基础设施能力的硬核体现。 算力，成了第一道真实考题 热度远超预期，用户涌入如潮，Kimi在7月19日发出暂停新用户接入的通知。这不是营销节奏调整，而是算力已触达物理极限的明确信号。存量算力必须优先保障现有用户，新增订阅被彻底冻结。这比Token限售更严峻——后者尚有弹性空间，前者意味着零冗余。一位接近团队的人士坦言：“找算力，现在是头号任务。” 国产算力，正从“能用”走向“够用+好用” 智谱宣布落地1GW纯国产算力的消息引发关注。按华为昇腾Atlas 950单机柜64卡、100KW功耗估算，1GW相当于约64万张NPU卡。即便按平均单价10万元计，这笔投入也超600亿元。数字背后，是国产AI芯片从实验室走向规模化交付的关键跃迁。WAIC展出的CloudMatrix 384到Atlas 950演进，不只是卡数翻倍，更是互联方式（铜缆+全光）、计算密度、训练与推理兼容能力的系统升级——它开始真正适配万亿参数时代的混合负载需求。 经济性，正在重新定义竞争维度 Artifacial Analysis评测显示，Kimi K3完成整套测试消耗1.3亿Token，总成本近2700美元，远高于同类模型中位数。单任务平均0.94美元，虽略低于GPT-5.6 Sol，但尚未形成显著成本优势。问题不在于“贵”，而在于“量效比”——单位算力产出的有效Token越多，单位Token的能耗与延迟越低，经济性才真正成立。英伟达H200上可能亏损的推理，在B300上或成印钞机；同样，国产卡若不能在NVFP4等新精度下实现吞吐与能效双突破，就难为大模型提供可持续托底。 路已铺就，钱在路上 Kimi并未止步于技术验证。C轮融资后现金超百亿，但半年内估值从43亿美元飙升至500亿美元，折射出市场对其路径的认可。拆VIE、赴港上市进程加速，目标成为港股“大模型第三股”。融资逻辑已悄然转变：不再单纯押注模型能力，而是信任其Infra整合能力、规模化落地潜力，以及与国产算力协同演进的确定性。当Qwen 3.8预览版紧随K3发布，一条可复制、可扩展的中国开源大模型成长范式，正在成型。 第二场芯片战争，刚刚打响 如果说上市是中国芯片的第一战，那么为国产大模型提供高性价比、高可靠性的算力底座，就是第二战。这场战争不靠PPT，靠实打实的交付密度、互联效率、精度支持与集群稳定性。它不只关乎一家公司成败，更决定整个开源生态能否摆脱“有模型、无算力”的困局，让SOTA真正具备商业纵深与产业穿透力。