月之暗面釋出的Kimi K3模型，憑藉2.8萬億引數和麵向100萬token上下文視窗的設計，再次將AI投資者的注意力引向一個核心問題：模型變得更便宜、更高效，是否意味著晶片和記憶體需求將下降？花旗和美銀證券的分析均給出了否定答案，認為效率提升可能釋放更多使用量，進而推高總資源消耗，這一現象被稱為“傑文斯悖論”。
花旗半導體分析師Peter Lee指出，即便Kimi K3被廣泛使用，伺服器DDR5和eSSD等通用記憶體需求仍會增加。美銀證券半導體分析師Vivek Arya在7月17日的研究中也認為，美國前沿AI實驗室更可能增加算力投入，而不是減少。若中國開源模型持續逼近，OpenAI、Anthropic和Google等領先者需要用更大訓練規模、更重推理和更快產品迭代來維持差異化。
Kimi K3的吸引力來自其低成本與高效能組合。公開價格顯示，其快取命中輸入價格為每百萬token 0.3美元，輸出價格為每百萬token 15美元。模型完整權重計劃於7月27日披露，目標是支援長週期智慧體工作。花旗判斷，模型降價不會自動減少硬體需求，低成本可能提高開發者和企業呼叫模型的意願，推動更多AI智慧體部署。智慧體任務並非一次性問答，而是在連續任務中不斷生成、讀取和處理token，呼叫次數和任務長度上升，會把單位成本下降重新轉化為總資源消耗。
Kimi K3採用三項關鍵技術：Kimi Delta Attention、Attention Residuals和Stable LatentMoE。其中，Kimi Delta Attention用於降低100萬token上下文視窗的成本，Stable LatentMoE則提升稀疏化程度，每個token僅啟用896個專家中的16個。月之暗面稱，這套架構使Kimi K3的擴充套件效率達到K2的2.5倍。但花旗強調，這並不等於推理端資源壓力消失，Kimi K3執行仍需要多節點叢集，超級節點配置超過64顆GPU。長上下文和智慧體任務會推高KV Cache佔用，進而增加推理端記憶體負擔，直接關聯伺服器DDR5和eSSD需求。
美銀證券的結論與花旗形成呼應，但關注點更偏向GPU和AI基礎設施。Vivek Arya認為，更強的中國開源模型未必會讓美國AI巨頭削減算力投入。相反，模型差距收窄會提高領先者維持優勢的成本。當模型能力趨同，競爭壓力會傳導至底層基礎設施，包括GPU、HBM、高速網路和推理系統。
美銀證券還引用OpenRouter資料指出，模型呼叫量仍在快速增加，其中中國AI實驗室模型的token使用量已經超過非中國實驗室模型。Ramp資料顯示，截至2026年6月，約55%的美國企業已付費訂閱AI模型、平台或工具，高於美國人口普查局BTOS調查的21%估計。按模型看，Anthropic企業採用率為42.4%，OpenAI為39.5%。不過，AI支出仍高度集中，頭部1%的企業使用者平均每名員工每月AI支出約4833美元，整體中位數僅為11美元。這組資料支援一個判斷：AI使用仍處於擴散過程中，低價模型可能進一步推動增量需求。
花旗和美銀證券的共同結論是，Kimi K3的意義不在於單一模型是否降低單位推理成本，而在於低成本是否釋放更大規模的工作負載。對花旗而言，最直接的受益方向是伺服器DDR5和eSSD；對美銀證券而言，更重要的是GPU、HBM、高速網路和推理系統。效率提升之後，市場需要關注的可能是更多token、更多推理，以及更多底層硬體消耗。