Kimi K3 的 2.8 兆引數宣戰書：中國 AI 如何用開源反攻矽谷

前言

2026 年 7 月 16 日，Moonshot AI 的楊志霖盯著終端機螢幕。Kimi K3 的最後一輪訓練跑完了。損失曲線收斂，基準測試數字出爐——2.8 兆引數。矽谷閉源帝國二十多年來第一次被來自北京的開源模型正面擊中要害。

三天後，OpenAI 策略總監 Dean Ball 在 X 上發文：「我很驚訝中國政府持續允許這種等級的開源模型流出。」他預測川普政府最終會用監管不確定性來封殺開源中國模型，稱之為「將監管工具武器化」。然後一場關於開源 versus 閉源的全球大辯論，就此點燃。

什麼叫「2.8 兆引數」？

Kimi K3 的總引數是 2.8 兆（trillion），但真正每次前向傳遞只啟動 400 億左右。它用的是 MoE（Mixture of Experts）架構，896 個專家模組中每次只啟用 16 個。你得到的是接近 GPT-4 原始架構三倍大的知識容量，推理成本卻跟中型稠密模型差不多。

真正的創新在注意力機制。Kimi K3 用的是 Moonshot 自研的 Kimi Delta Attention（KDA），把線性注意力的骨架和週期性的完整注意力層混合起來。大部分序列用近線性記憶體擴充套件處理，關鍵的全域性層則保留了純線性注意力通常會丟失的長距離依賴關係。

100 萬 token 的上下文視窗下，KDA 比標準 Transformer 注意力減少約 60% 的 KV-cache 開銷。處理整份程式碼庫或厚達上千頁檔案的時候，這不是小進步。

基準測試：強項與弱項都擺在檯面上

Moonshot 公佈的 benchmark 數字確實亮眼，但仔細看會發現一些有趣的模式。

K3 在程式碼密集型、長視窗的 agentic 任務上表現突出，跟它的架構設計吻合。MMLU 這類綜合知識基準它表現不錯但沒有脫穎而出——2.8 兆引數的主要價值不在於背書更多事實，而在處理複雜關聯和長期推理。

Frontend Code Arena 的盲測結果最讓人意外：在人類開發者不知道哪個模型的情況下，K3 輸出的前端程式碼獲選率最高。這暗示 K3 的優勢不只是「算力強」，而是輸出質量確實貼近實際開發者的偏好。

這些數字多數是 Moonshot 自報的。SWE-Marathon 和 AceBench 等部分基準還缺乏獨立的第三方驗證，這點需要留意。

開源還是閉源？矽谷內戰正式爆發

Dean Ball 的貼文只是導火線。他提到的「AI 共產主義」概念——開源模型讓 everyone can use AI for free，最終會削弱 AI capex 投入、拖慢創新速度——引發了連鎖反應。

David Sacks（前川普 AI 和加密貨幣專員，現任總統科學顧問委員會聯合主席）在 X 上寫道：「閉源實驗室已經在模型收入上形成雙頭壟斷，他們想要政府幫它們消滅開源競爭。」他口中的雙頭壟斷指的就是 OpenAI 和 Anthropic。

All-In 播客合夥人 Chamath Palihapitiya 更直接：「未來是開源的。」軟體工程師 Suhail Doshi 指出美國大廠用全人類的資料訓練模型卻沒付錢，因此以「蒸餾」為由封殺開源中國模型完全說不通。

Citrini Research 分析師 Jukan 提出了反方觀點。他指出 DeepSeek 之所以能維持低 token 價格，靠的不是開源架構本身，而是其專有運算效率。「中國公司可能沒有足夠的運力服務所有推理需求，但它們不是虧本賣，也不是無法回收訓練成本。」

這番話點出了一個常被忽略的事實：開源不等於免費。Kimi K3 的 API 定價是輸入每百萬 token 三美元、輸出一百五十萬 token 十五美元——比 Claude Opus 4.8 便宜約四成，但對需要自部署的團隊來說，跑一個 2.8T MoE 模型至少需要 64 顆以上加速卡。這不叫「下載到你的筆記型電腦」，這叫「下載到你的資料中心」。

中國 AI 的開源戰略：不只是技術選擇，更是國家策略

Kimi K3 不是孤例。把它放在 2025 到 2026 年的脈絡裡看，會發現一個清晰的趨勢線。

DeepSeek V3 在 2025 年 12 月以 6710 億引數（MoE）開啟了中國開源浪潮，MIT 授權，直接對標 GPT-4 Turbo。Qwen 3.7 Max 在 2026 年 3 月以 720 億稠密模型、Apache 2.0 授權加入戰局。Zhipu AI 的 GLM-5.2 在六月發布，7440 億引數。現在 Moonshot 帶著 2.8T 的 Kimi K3 上桌。

這三家公司加起來的開源權重容量已經超過 3.5 兆引數。截至 2026 年中，中國-origin 的開源模型佔據了 OpenRouter 平臺逾六成的下載量。Kimi K3 發布後這個數字只會更高。

背後的國家策略也不難看出來。美國自 2022 年 10 月開始實施先進半導體出口管制，從 H100 到 H20，一層一層收緊。NVIDIA 黃仁勳在北京訪談時說了一句大實話：「問題不是中國會不會有 AI——它已經有了。問題是這個全球最大 AI 市場會不會跑美國平臺。」

Kimi K3 的訓練叢集混用了 NVIDIA H100（管制前採購）、華為昇騰 910C，以及國產替代晶片。在這種運力組合下做到 2.8T 引數，說明中國 AI 實驗室已經發展出足夠成熟的訓練效率最佳化能力。簡單用 GPU 數量來評估中國 AI 實力，已經不夠準確了。

商業模式：把模型送出去，賺錢靠別的手段

Moonshot 的商業策略很清晰：模型免費，服務收費。

API 定價 $3/$15（輸入/輸出，每百萬 token）對缺乏 GPU 基礎設施或技術團隊的企業來說是一個自然的入口。有現成運力的公司拿開源權重可以完全獨立於任何供應商。Kimi Code——一個類似 GitHub Copilot 的編碼代理產品——走訂閱制路線，收費的不是推理本身，而是工作流整合、協作功能和企業管理工具。

這種「送模型但收便利性錢」的模式，跟 Red Hat 和 MongoDB 在開源軟體領域建立的商業模式如出一轍。frontier AI 訓練的資金需求龐大，每次重大模型迭代估計一億到五億美元。這個模式能不能支撐未來的模型世代？Moonshot 目前的融資狀況提供了大約 18 到 24 個月的緩衝期，之後就看 API 和企業收入能不能跟上。

未來：從 API 時代到開源前沿的過渡

Kimi K3 發布後不久，Moonshot 已經放話下一步。7 月 27 日會釋出完整權重和技術報告。「K3 Swarm Max」變體（專為平行代理執行最佳化）正在小範圍測試中，楊志霖在接受中國科技媒體採訪時透露 K4 研究已經啟動，目標是 10 兆引數。

過去三年，AI 前沿由矽谷的閉源 API 定義。最好的模型只能透過限流、隱私妥協、價格越來越高的介面取得。開源替代方案存在但始終是二線。

Kimi K3 挑戰了這個階序。它不只是「開源模型裡算好的」，它是無論哪種格式都能排進前三的模型之一——而且可以下載。

從「API 時代」過渡到「開源前沿」不只是商業模式的改變。它影響 AI 安全（開源權重可以被修改以移除安全保護）、競爭動態（對閉源供應商的價格壓力）、國家安全（主權 AI 對中等國家變可行），以及 AI 能力的集中程度（任何單一公司想要靠模型質量建立護城河變得越來越難）。

這個過渡能不能持續，取決於 Moonshot 和它的中國競爭對手能否在送出主要產品的同時負擔得起前沿訓練的龐大資金需求。也取決於開源模型能不能在沒有集中控制的情況下維持安全標準。地緣政治緊張是加速成真正的技術分裂，還是能演化成某種形式的共管共存，目前還看不清楚。

「開源 AI 永遠會落後閉源一段距離」——這個塑造了政策、投資和策略的假設——不再成立了。Kimi K3 不只是縮小了差距。它抹平了它。

結語

Hacker News 上最高票的評論說了一句話，大概是對這次事件最精闢的總結：「真正的故事不是 2.8 兆引數。而是一家中國實驗室現在能在美國制裁下以這個規模訓練、發布開源權重、比美國定價便宜四成、而且聲稱已經獲利。全球 AI 經濟中一些根本性的東西已經改變了。」

這句話對不對，半年後再看就知道了。矽谷閉源王國的牆上，已經出現了一道縫。

參考資料

• Business Insider, “An OpenAI exec’s comments on China’s Kimi K3 kicked off a big US tech debate”, July 20, 2026
• AIChina, “The 2.8-Trillion Parameter Gambit: How Moonshot’s Kimi K3 Is Rewriting the Rules of Open AI”, July 21, 2026
• MarkTechPost, “Kimi K3 vs DeepSeek V4 Pro vs GLM-5.2: Open Trillion-Scale MoE Models Compared on Benchmarks, License, and Serving Cost”, July 18, 2026
• Future Humanism, “Open Source vs Closed AI: Where the Battle Stands in 2026”, February 8, 2026