Kimi K3发布后，为何机构判断算力需求还会继续增加

Kimi K3会像DeepSeek那样冲击市场吗？机构更关注算力需求继续放大

月之暗面推出 Kimi K3 之后，市场很快把焦点放在一个老问题上：它会不会再次触发类似 DeepSeek 时刻的连锁反应。此前确实有一部分资金担心，美股 AI 相关板块可能再度承压。但随后多家华尔街机构给出的判断非常接近，而且结论并不符合很多人的第一直觉：Kimi K3 的进展没有削弱高端算力的重要性，反而可能把这条需求线继续往上推。

把逻辑拆开看，其实并不难理解。大型模型想提升能力，前期仍离不开大规模 GPU 集群训练；而当模型推理效果更好、可用场景更多之后，真正的变化往往出现在落地端。部署范围扩大、调用次数上升，背后的 GPU、存储、网络和数据中心资源就会被更频繁地消耗。所以现在市场讨论 AI 产业链时，重点已经不只是“能不能降本”，而是“降本之后会不会换来更大的总需求”。

也正因为如此，虽然市场一度把 Kimi K3 看作可能出现的“DeepSeek 时刻 2.0”，但主流机构的判断与这种担忧并不一致。

7 月 16 日深夜，月之暗面在上海正式发布 Kimi K3。这是一款拥有 2.8 万亿参数的开源模型，在 Artificial Analysis 智能指数中拿到 57 分，处于全球第三至第四的位置，与 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5 被放在同一梯队。更受关注的是，在加州大学伯克利分校创建的 Frontend Code Arena 编程榜单中，K3 以 1679 分排在第一，超过 Claude Fable 5 和 GPT-5.6 Sol，成为首个在这一权威编程榜单中压过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了比较明显的回调。这个反应不算意外，因为 2025 年初 DeepSeek R1 发布后，算力相关股票就经历过一轮快速下跌。当时市场担心的核心问题是：如果中国模型继续逼近全球最前沿水平，美国 AI 公司是否还有必要维持如此高强度的算力投入？如果低成本模型越来越多，英伟达、HBM、服务器和网络设备的需求预期，是否需要重新下修？

不过，据追风交易台消息，瑞银、野村、美银美林和花旗等多家机构最新给出的观点都偏向同一个方向：Kimi K3 不是算力需求见顶的信号，更像是新一轮需求外溢的催化因素。

从市场影响的角度看，Kimi K3 和 DeepSeek R1 带来的冲击并不完全一样。R1 更容易被理解为“效率提升”，而 K3 更突出的是“规模拉高”。2.8 万亿参数、1M token 上下文、常开推理、原生多模态以及 MoE 架构，决定了它并不是一个轻量化故事。相反，它对推理、内存、网络和存储都会提出更高要求，基础设施侧承受的压力可能同步上升。

Kimi K3 深度解析：能力、定位与成本

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。作为一款 2.8 万亿参数的开源权重大模型，它被不少机构视作当前体量最大的开源 LLM 之一。

如果你是第一次接触这类模型，可以先抓住 K3 最值得注意的三点：

• 1M token 上下文窗口：可以理解为一次性能读入和处理更多信息，适合超长文本阅读、复杂代码仓库分析，以及企业内部大体量资料处理这类任务。
• 常开推理能力：说明它不只是做简单问答，更偏向能处理多步骤、链路更长的问题，这类能力通常更适合 Agent 相关任务。
• 原生视觉能力：覆盖图像、视频、游戏开发、前端设计、CAD 等多模态使用场景。

在架构层面，K3 使用了 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE。MoE 部分由 896 个专家组成，每个 token 会激活其中 16 个专家。月之暗面表示，和 Kimi K2 相比，整体 scaling efficiency 提升约 2.5 倍。

这也是为什么市场不会把 K3 简单看成“更便宜的 K2”。根据 Nomura 整理的数据，K3 输入价格为每百万 token 3 美元，缓存命中输入为 0.30 美元，输出价格为每百万 token 15 美元；按 Artificial Analysis 的口径，K3 单项任务成本约为 0.94 美元，低于 Claude Fable 5 的约 2.75 美元和 Claude Opus 4.8 的约 1.80 美元，接近 GPT-5.6 Sol 的 1.04 美元。不过，它的成本仍明显高于 GLM-5.2 的 0.32—0.47 美元，也显著高于 DeepSeek V4 Pro 的 0.04 美元。这里要注意，涉及成本、价格和排名等信息，实际变化仍应以对应平台或实时页面口径为准。

因此，如果从币圈、Web3 和 AI 产业观察的角度看，Kimi K3 的位置并不是去争“最便宜模型”，而是在相对有竞争力的价格带上，尽量把能力做得更接近前沿闭源模型。

Kimi K3 会削弱算力需求吗？四家投行观点

围绕“Kimi K3 会不会再次带来 DeepSeek 式冲击”这个问题，几家主要投行的判断大体一致：这更像是一轮需求重新定价，而不是需求被削弱。

野村证券：AI竞争越激烈，基础设施链条越可能受益

野村证券亚太科技团队分析师段冰在报告中提到，全球大模型市场的竞争和创新不会停下。随着行业继续朝通用人工智能推进，生成式 AI 在消费端和企业端的应用范围都可能继续扩大。前沿 AI 实验室和超大规模云平台公司，大概率仍会保持较高投入，原因很简单：谁都不愿意在竞争中掉队。在这样的框架下，野村把竞争升级视为 AI 基础设施价值链的偏正面信号。

花旗集团：这更接近“杰文斯悖论”再出现一次

花旗半导体分析师 Peter Lee 在 7 月 19 日的报告中，直接把这一主题概括为“又一次杰文斯悖论”。简单说，就是技术效率提升、使用门槛降低之后，不一定会让总需求下降，反而可能因为更多人开始使用，带来更大的整体消耗。

放到 AI 行业里看，如果高质量模型变得更便宜、部署更容易，开发者和企业很可能会上线更多应用、处理更多 token，最终把整体算力消耗推高。

Peter Lee 还特别指出，即使 K3 获得更广泛应用，服务器 DDR5 和 eSSD 这类通用内存与存储需求仍然有扩张空间。原因在于，K3 的推理效率虽然接近其他前沿模型，但上下文越长，KV 缓存占用就会越大，内存压力不会因为效率改善而自动消失。

美银美林：美国前沿实验室的选择可能是“继续加算力”

美银证券半导体分析师 Vivek Arya 在 7 月 17 日的报告中说得更直接：面对中国开源模型逼近，美国前沿 AI 实验室不太可能选择“更少算力”，更可能选择“更多算力”。如果 OpenAI、Anthropic 和 Google 想继续保持差异化，它们可能需要更大规模训练、更重的推理投入，以及更快的产品更新节奏。

Arya 还提到，有媒体报道称 Google 的 Gemini 3.5 Pro 比原计划推迟了数月，而且编程能力也没有达到内部目标。这从侧面说明，前沿模型想要长期领先，难度其实在提高。

瑞银：K3更偏向“规模型”路线，长上下文会继续抬高内存需求

瑞银分析师 Timo Arcuri 团队在 7 月 20 日的报告中指出，K3 虽然可以和 DeepSeek R1 放在一起比较，但它的核心侧重点更偏“规模”。它拥有 2.8 万亿参数和 100 万 token 上下文窗口。报告强调，开源模型通常比闭源前沿模型更依赖内存资源，尤其在更长上下文场景下，即便做了量化，KV 缓存的绝对需求仍会增加，这意味着开源模型部署对 HBM 和存储的依赖度可能更高。

Kimi K3 可能影响哪些方向？算力、存储、网络与云平台解析

从这些机构的观点看，Kimi K3 对产业链的影响不是平均铺开的，而是更集中在几个关键环节。对于不熟悉 AI 基建的新手，可以把它理解成一句话：模型越强、应用越多，背后承载它的底层硬件和服务就越关键。这里也要注意，相关方向属于产业观察，不等同于投资建议，实际市场表现仍可能受技术进展和企业落地节奏影响。

1. 存储与内存：HBM、DDR5、eSSD 的关注度更高

存储与内存是多家机构都提到的直接受影响板块。瑞银测算显示，到 2028 年，存储与内存板块累计自由现金流预计可达到市值的约 30%，在各子板块中占比最高，其中美光（MU）约为 47%。花旗和野村也维持对三星电子的买入评级，理由之一是全球内存市场仍处于供给偏紧状态。涉及自由现金流、评级和市场数据时，实际情况仍应以机构最新报告和实时公开信息为准。

花旗指出，Kimi K3 在推理侧的内存需求并不比其他前沿模型弱，KV 缓存规模提升会直接带动服务器 DDR5 与企业级固态硬盘的需求。其还特别提到，K3 若进行大规模部署，可能需要超过 64 块 GPU 的“超节点”集群配置。

2. 算力基础设施：英伟达、台积电仍是核心变量

算力基础设施方面，英伟达和台积电依旧被视为关键受益方向。无论是训练端继续遵循规模定律，还是推理端 token 使用量不断增加，最后都会对应更多先进制程芯片需求。野村重申对台积电、ASE、联发科等公司的买入评级。

英伟达此前公开表示，现代 MoE 模型在 GB300 NVL72 上的推理性能功耗比，相较上一代 Hopper 架构最高可提升 25 倍。像 K3 这类模型，也被认为天然更容易受益于英伟达的新一代硬件平台。这里同样要提醒，硬件性能、产品节奏和市场影响会随厂商更新而变化，解读时应以官方资料为准。

3. 网络侧：超节点架构会继续抬升光模块和光芯片需求

网络侧也被不少机构看作结构性机会所在。原因是 Kimi K3 需要超节点集群，而中国本土算力又受到高端芯片出口限制影响，超节点架构被视为弥补单卡性能差距的重要方案之一。这会进一步带动光模块、光芯片等网络层供应链需求。野村看好中际旭创和苏州旭创。

4. 云平台与数据中心：模型分发与企业部署的重要性提高

云平台与数据中心同样被机构反复提及。能同时托管多种前沿开源模型的云平台，通常会拥有更强的议价能力，也不必过度依赖单一闭源模型供应商。野村看好阿里巴巴（BABA）在中国 AI 云生态中的核心位置，同时关注 GDS、万国数据（VNET）等数据中心运营商。

中国 AI 模型全球渗透率变化：开发者流量是关键信号

这轮讨论里还有一个容易被忽略、但实际很重要的变量，就是中国 AI 模型在全球开发者生态中的渗透速度。

根据开放 API 网关 OpenRouter 的统计，中国 AI 模型在全球开发者流量中的 token 使用占比，一年前不足 2%，目前已超过 45%。与此同时，美银美林的数据也显示，AI 整体渗透速度正在提升：目前约 55% 的美国企业已订阅 AI 模型、平台或工具，Anthropic 的企业采用率为 42%，OpenAI 为 40%。在头部 AI 消费者中，前 1% 的企业用户每位员工每月 AI 支出已达到 4833 美元。这里要特别注意，以上渗透率、采用率和支出数据都具有时间性，查看时应以机构报告、官方页面或实时统计口径为准。

从竞争格局看，市场分层已经越来越明显。一边是以 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；另一边则是美国顶级前沿模型，继续向科学计算等更复杂工作负载集中，以维持技术溢价和定价能力。野村的判断是，只要能持续站在技术曲线前沿，中美两边的头部大模型玩家都可能受益。

Kimi K3 改变了什么：重塑 AI 竞争节奏

K3 发布之后，市场第一反应还是会把它和 DeepSeek R1 放在一起比较。这样比较本身没有问题，但如果讨论只停留在“它会不会再次打击 AI 硬件”这一层，显然不够完整。

如果说 DeepSeek 让市场重新评估了训练效率，那么 Kimi K3 进一步说明的是：开源模型同样可以在规模、长上下文、Agent 和多模态等方向推进到前沿水平。

这意味着，美国前沿实验室可能仍要保持高投入，而中国模型也有机会继续扩大在全球开发者生态中的存在感。闭源顶级模型保留技术和价格溢价，开源模型覆盖更广的价格带和部署场景；云厂商负责模型分发与企业落地，硬件产业链则继续承接训练端和推理端的基础设施压力。

从短期看，受到“DeepSeek 记忆”影响，相关交易可能仍会出现波动。拉长一点看，只要 token 使用量还在增长，长上下文和 Agent 场景继续扩散，算力、HBM、存储、网络和 IDC 这些环节仍然很难被绕开，依旧会是重要成本项。

这也就是为什么多家机构在 K3 发布后给出了相似判断：更强的开源模型，不一定意味着 AI 基建需求走弱，反而可能成为下一轮需求扩散的起点。

不过，美银美林也明确提示了一项尾部风险：如果效率提升的速度快过工作负载增长，那么基础设施建设节奏也可能放缓。换句话说，若模型持续变便宜，但实际使用量没有同步明显上升，算力需求增长逻辑就会受到影响。后续仍要结合模型部署进度、企业采纳情况以及真实 token 消耗变化继续观察。

需要说明的是，上述内容主要是对机构观点和产业逻辑的整理，用于帮助读者理解 Kimi K3 对 AI 基础设施的可能影响，并不构成投资建议、交易建议或任何收益承诺。AI、半导体、算力以及相关概念资产波动通常较大，加密货币和迷因币波动也更明显；文中提到的价格预测、市场数据、费率、排名及规则变化，均应以官方公告、交易所页面及实时行情平台为准，用户需独立判断并谨慎决策。