月之暗面（Moonshot AI）於 7 月 17 日釋出其最新大模型 Kimi K3，一度被視為中國開發者能以更低成本逼近 AI 前沿的又一例證。然而上線僅數日，激增的使用者需求便使其 GPU 叢集接近容量上限，迫使公司暫停新消費者訂閱。這一幕與 2025 年初 DeepSeek V3 因病毒式傳播遭遇算力瓶頸的情形如出一轍。
這一事件再次向投資者揭示了 AI 經濟中的結構性分裂：模型層面的競爭正使產品難以維持高溢價，但 算力本身依然稀缺。分析認為，輝達（NVIDIA） 與 微軟（Microsoft） 在這種格局下可能比那些燒錢追逐模型前沿的實驗室處於更有利的位置。
Kimi K3 的成本優勢並不如宣傳中顯著
K3 的 API 定價為每百萬輸入 token 3 美元、每百萬輸出 token 15 美元。但據 Artificial Analysis 估算，其在 Intelligence Index 任務上的平均成本為每項 0.94 美元，而 OpenAI 的 GPT-5.6 Terra（最大推理力度）為 0.55 美元，GPT-5.6 Sol 為 1.04 美元。K3 雖顯著低於 Anthropic 的 Claude Fable 5（2.75 美元），但與 GPT-5.6 的差距部分源於 token 效率問題：在同一標準化任務中，K3 生成了約 25,000 個輸出 token（含約 18,000 個內部推理 token），而 GPT-5.6 Sol 僅用 15,000 個，K3 的輸出 token 消耗量高出約 67%。由於推理 token 按輸出費率計費，K3 在輸出部分相比 Sol 的每 token 50% 折扣實際上縮窄至約 17%。
Reddit 上 LocalLLaMA 使用者也指出，一個 2.8 萬億引數 的模型對絕大多數人而言難以本地執行，這一觀點在 GLM 5.2 釋出後也曾被提及。硬體成本與可本地執行模型的進步速度之間存在巨大落差。
對前沿實驗室的真正威脅在於追趕速度
投資者 Gavin Baker 的核心觀點是：K3 對前沿美國實驗室的威脅，不在於其當前效率，而在於競爭模型逼近前沿的速度。一個接近前沿水平且承諾開放權重的模型，足以限制閉源模型的定價空間，壓縮模型層利潤率。隨著 AI 部署成本降低，採用率和推理需求可能增長，更多價值將向 半導體、電力、雲基礎設施和軟體 轉移。因此，K3 當前的算力低效率對模型實驗室的利潤率是負面因素，但對基礎設施需求則是正面因素。
前沿開發者不太可能因此減少投資。每當競爭對手取得進展，其產品相對價值就會下降，從而形成訓練下一代模型的壓力。更低的推理價格也會催生更多應用和編碼智慧體（agent），這些智慧體會反覆呼叫模型。OpenAI 與輝達已宣佈計劃建設至少 10 吉瓦 的 AI 系統，Anthropic 則通過亞馬遜、谷歌和博通簽署了高達 10 吉瓦的協議。OpenAI 表示，其研究人員中位數 Codex token 使用量在七個月內增長了 56 倍。
更便宜的模型仍需要昂貴的硬體
分析機構 SemiAnalysis 指出，儘管 K3 採用了更高效的注意力機制，但對輝達仍是利好。該模型 2.8 萬億引數 佔用超過 1.5 TB 的 HBM 容量，對 GPU、儲存和高速網路提出極高要求。月之暗面的容量短缺已直觀展示了推理需求的強勁。輝達通過其加速器、NVLink 互連、網路產品和 CUDA 軟體，在整個算力堆疊中佔據位置。
微軟可更換模型而不丟失客戶
微軟通過其與 OpenAI 的關係，在一定程度上暴露於模型經濟學走弱的風險。但其更大的優勢在於控制著 Azure、Azure AI Foundry 以及企業應用——企業通過這些平台消費 AI。Azure AI Foundry 可根據成本和效能，在 OpenAI、微軟及開源模型之間路由工作負載。據報道，微軟已開始在某些此前由第三方系統處理的工作負載上使用自研 MAI 模型。如果模型價格下降而使用量增長，微軟仍可通過底層計算和分發渠道實現盈利。
據 Insider Monkey 資料庫，截至 2026 年第一季度末，持有微軟股份的對沖基金為 282 家，低於 2025 年第四季度末的 312 家。
總結而言，Kimi K3 的釋出表明，構建模型的公司可能只能捕獲其利潤的一小部分，而供應和分發計算資源的公司則能獲取更大份額。