黑金

AI算力迈入“集群时代”！沐曦股份上架的不只是“超节点”｜直击WAIC 2026_我的网站

A |     【文/观察者网专栏作者 唐晓甫】          7月19日，Kimi K3发布48小时后，月之暗面暂停了C端新用户订阅。

B | 虽然此前其他模型也曾出现疑似算力不足引发的“降智”现象，但是类似一款国产大模型因需求过载而主动限流，这在国内AI行业中实属罕见。这也恰恰说明Kimi K3作为一个开源模型，正对全行业商业化定价形成长期冲击。    7月的上海，2026世界人工智能大会（WAIC 2026）如期而至。

C | 在国产高性能通用GPU企业沐曦股份的展台，八组闪烁着蓝色灯带的黑色机柜组成的“算力墙”成为现场被围观最久的展品。                   这是沐曦本届大会正式发布的新一代AI超节点产品曦景S600——面向大模型训练、推理及智算中心建设打造的系统级算力产品。         Kimi时刻到了！          Kimi K3究竟有多火？看看使用量就知道了。

D | 根据全球规模最大、最受欢迎的AI模型API聚合与路由平台OpenRouter，截至北京时间7月22日上午，Kimi K3的过去7天（上线仅6天）的词元使用量就超过7400亿，在所有模型中排名第14（榜单实时更新）。

E |          Kimi K3在Open Router上的实时调用情况 Open Router          而这种需求的背后是并不便宜的定价，作为一个拥有1.05M词元超长上下文长度的大模型，其API定价为每百万词元输入3美元、缓存命中输入0.3美元、输出15美元。         我们可以对比一下，DeepSeek-V4预览版已经采用峰谷定价：V4 Flash的输入、缓存命中和输出价格分别为0.14美元、0.0028美元和0.28美元；V4 Pro则分别为0.435美元、0.003625美元和0.87美元，显著低于Kimi K3。         而沐曦在WAIC 2026上讲述的故事不止于此。

F |          智谱GLM-5.2的每百万词元普通输入、缓存命中输入和输出价格分别为1.4美元、0.26美元和4.4美元。K3的普通输入价格约为GLM-5.2的2.1倍，输出价格约为其3.4倍；两者缓存命中价较为接近，K3仅高约15%。

G | 在展台的另一侧，沐曦集结了十大顶流开源社区，专门设置了“开源工坊”展示全栈适配成果；而在“万象应用”展示区陈列着机器人、智能座舱、卫星实物，布局跨度从地面延伸向太空。         一家GPU公司为何要“四面出击”，答案或许指向同一个底层逻辑：通用性。         软硬件迭代周期的显著差异，决定了算力基础设施的核心竞争力，并不局限于某一场景下的峰值性能，而在于对快速演进的模型架构的持续适配能力。

H | 可以说，粗略一看，无论从何种角度看，对于国人来说，Kimi K3都谈不上便宜（写作期间，Qwen 3.8尚未公布其API价格）。         虽然这一价格仍明显低于OpenAI和Anthropic的最高端模型，但对于很多国人来说已经偏贵。         “今天沐曦所具备的技术能力、技术积累完全可以覆盖云端所有的产品线。事实上，从定价的角度看，Kimi K3与美国顶级大模型更加接近。         OpenAI的GPT-5.6 Sol每百万词元的短上下文输入、缓存命中和输出价格分别为5美元、0.5美元和30美元，长上下文则提高至10美元、1美元和45美元。

I | 我们可以看到，K3较GPT-5.6 Sol，普通输入和输出均便宜约40%至50%。”沐曦股份研发副总裁黄向军在WAIC期间接受《国际金融报》记者等媒体采访时作了一个通俗比喻，“就像药房开了之后，我根据产品定义往里边抓什么药。而更低一档的GPT-5.6 Terra定价为2.5美元、0.25美元和15美元，其输出价格与K3完全相同，输入和缓存价格还略低于K3。技术底座跟能力都已经在了，配方只是产品定义的问题”。         Anthropic的最新高端模型Claude Fable 5的普通输入、缓存命中和输出价格分别为10美元、1美元和50美元，K3大约相当于其30%；Opus 4.8则为5美元、0.5美元和25美元，K3相当于其60%。                   超节点成为“必答题”                    华为Atlas 950 SuperPoD、中兴Matrix超节点、新华三UniPoD S80000超节点、阿里云发布灵骏真武M890超节点……在WAIC 2026上，多款国产超节点产品集中亮相说明，这已不是单个厂商的“独行”，而是国产算力对未来趋势的共识。         “超节点不是在任何场景下都起作用的。如果单个8卡机能够搞定计算任务，那么就不需要超节点。只有遇到比较大的模型尺寸时，才需要超节点。         作为迄今为止全球参数规模最大的开源模型，Kimi从技术路线上就选择独创的混合线性注意力机制。当然这样的路线选择也注定K3在设计之初就没想依赖性价比取胜，而是希望通过更高的性能上限获得更高溢价。”对于超节点的适用边界，黄向军在受访时给出清晰的界定。而这种通过追求更高性能上限来获取高溢价的路线，几乎是中国开源模型的首次商业尝试，但这一次，它似乎正在成功。         这也直接点明了驱动超节点诞生的逻辑，随着大模型参数规模从千亿走向万亿级别、MoE（混合专家）架构成为主流，传统GPU服务器在互联效率、算力密度、部署复杂度等方面面临多重挑战。         根据官方公布的相关数据，Kimi K3在编码、通用Agent和视觉Agent三大板块的所有子项目上排名都在前三之列，而且在部分子项目上处于世界第一的水平。根据相关程序员实测，虽然Kimi K3的词元利用率相较于GPT-5.6 Sol和Fable5偏低，部分压低了其相对于这两款顶级模型的成本优势，但其前端能力已经跻身全球第一梯队，部分场景甚至达到世界第一水平。         黄向军进一步从MoE架构的通信特点阐释称，无论训练还是推理，专家间All-to-All通信要求延迟越低越好，这意味着需要把更多GPU以更高带宽连成一个整体。而当原有的8卡机难以承载这一需求，把多台8卡机拼在一起后，机间互联又退化为新的堵点——客观上催生了对“一个紧密互联整体”的需求。这是此前的开源模型从未达到过的成就。

J |          沐曦选择将64卡作为规模锚点，原因之一在于这是当前模型尺寸与趋势下需求旺盛的节点规格。         Kimi官方给出的成绩单涵盖编码、通用Agent和视觉Agent三大板块，在所有排名中，Kimi K3在多数项目中进入前三，甚至部分小项排在第一 Kimi          国内外不少程序员第一时间就开始对Kimi K3进行尝试，通过类似乃至一致的prompt对比K3与GPT-5.6 Sol和Fable 5等AI大模型的前端生成能力。测试结果令人惊讶，不少程序员都反映，Kimi K3在3D效果生成、游戏生成、UI生成等场景都有非常好的表现，甚至可以在不少场景中击败GPT-5.6 Sol和Fable 5。

K | 曦景S600正是基于这一判断应运而生——单机柜内64张GPU高速全互连，并支持灵活扩展至万卡乃至十万卡级别的集群，为大规模智算中心建设需求提供系统级支撑。         蔡淑敏/摄                    S600的“零线缆”突围                    当算力集群走向万卡甚至几万卡，故障率便成为了尤为重要的考虑因素，集群持续稳定工作的时间将直接决定整个系统的有效算力上限。         “过去一段时间里，就沐曦自身来讲，我们在单个GPU上或者8卡内，故障率已经控制到了非常低的状态。客观来讲，我们对于故障率的控制，跟英伟达应该是在一条水平线上。         外网实测后对Kimi K3评价普遍不低 X          而这样的成绩，无疑让人们进一步思考一个问题：大模型真的像美国人说的那样，有那么高的壁垒吗？          大模型真的有那么高的壁垒吗？          如果说DeepSeek R1横空出世，第一次系统地向全球开发者展示了如何通过大规模强化学习，让模型在缺少人工标注推理轨迹的情况下形成长链推理、自我验证和反思能力，让世界上除了GPT以外的模型理解了如何构造适用于复杂任务的长思维链，降低了其他模型相对于GPT的技术代差，推动全球大模型在2025年进入了百花齐放的阶段。         那么，Kimi K3在编码、通用Agent和前端开发等测试中的良好表现，则进一步动摇了人们过去对于“闭源模型必然长期、显著领先于开源模型”的信念。”黄向军表示。

L |          然而，在构建大规模算力集群时，单卡可靠性并不等于集群可用性。它的出现以一种毫无疑问的方式，证明了开源模型与全球最强闭源模型之间的差距，已经从过去的代际差距缩短到1-3个月，甚至在部分具体任务上出现反超。         其实，如果长期关注人工智能发展最新动态的人，对于这个结果的出现绝对不会感到意外。         黄向军也提到，当把多台8卡机组成集群时，光模块、网卡、磁盘等部件问题频出，散热设计也是关键，高温运行条件下更容易出故障。因此，超节点的稳定性、可靠性已成为整个系统设计中非常重要的一环。         大模型开源始于已经在本轮顶级AI模型竞争中出局的Meta。2023年2月，Meta发布第一代LlaMA，主要向研究机构开放；同年7月推出Llama 2后，允许开发者将模型权重用于研究和商业应用，并开始建立当时全球规模最大的开源大模型生态。

M |          让曦景S600实现技术分野的关键，在于其连接方式的创新。据介绍，该产品采用OEX架构设计，通过正交连接器与两级交换拓扑，实现GPU之间低时延、高带宽通信，有效提升分布式训练效率，能够更好满足MoE稀疏模型、万亿参数大模型等复杂AI任务对集群通信能力的要求。         Meta选择开源和本地部署的核心原因在于，其收入来自社交平台和广告，并不需要直接依靠出售模型调用获得回报。其核心思路就是通过降低基础模型的稀缺性，推动Llama成为行业公共底座，让竞争优势更多回到应用、用户入口、数据和产品分发，将商业模式拉回到自己最熟悉的环节。         但此后，包括Qwen在内的一批大模型厂商也进一步扩大了开源模型的供给，而且他们还叠加了更加现实的企业需求：用户可以将模型部署在自己的服务器上，允许开发者修改、部署和二次开发，降低敏感数据上传外部云端的风险，吸引云厂商、硬件企业、科研机构和应用开发者围绕Qwen建立生态，并减少对单一模型供应商的长期依赖。         更具突破性的是其“零线缆”设计方案——“曦景S600创新采用“三0设计”，即计算节点0线缆、交换节点0线缆以及计算节点与交换节点之间0线缆。         只是这一系列尝试并未真正动摇以OpenAI和Anthropic为代表的闭源模型在前沿能力上的领先地位。2024年9月，OpenAI发布o1-preview，首次将测试时计算和长链推理能力系统性地应用于商业大模型。这一系统设计大幅减少传统机柜复杂布线带来的信号损耗和故障风险，进一步提升系统可靠性和长期稳定运行能力。在数学竞赛、高难度科学问题和复杂代码推理等任务上，也一度拉开了与绝大多数模型的距离，进一步稳固了先发优势，也推动了所谓AI神话的出现。         同时，产品采用解耦模块化设计，计算、交换、电源及液冷等关键模块均支持快速部署和维护，电源与液冷管路支持盲插热插拔，即使单节点发生故障，也不会影响整个集群运行，显著降低数据中心运维成本。                   不做“某大厂的专属GPU”                    硬件能力的突破之外，沐曦在本届WAIC重点释放了另一个信号：开放。         当时国内不少人认为以ChatGPT为代表的美国闭源模型，已经完全取得了对于开源模型尤其是中国模型的绝对优势，直到DeepSeek R1的出现以及2025年初的“DeepSeek时刻”。

N |          DeepSeek R1作为开源模型，首次在数学、代码和通用推理等测试中整体接近o1正式版。         “我们不会独立依附某一个大厂，不是某一个大厂下面标签很重的专属GPU供应商。”黄向军在采访中明确，沐曦的生态定位是通用专业基础设施提供商，产品能够适配不同客户，不会把产能押在单一大客户身上。         这一开放逻辑同样贯穿其超节点策略。R1在AIME、MATH-500、LiveCodeBench和SWE-bench Verified等测试中与o1互有胜负，证明开源模型与最强闭源推理模型之间已经不再存在此前想象中的代际差距。         虽然DeepSeek R1造成了美国股市的短暂暴跌，并且引领了全球顶级AI进入“推理AI”的时代，但从科技资本的角度来说，DeepSeek R1的出现并没有动摇美国AI投资神话。原因是多样的：          1. DeepSeek R1虽然显著缩小了与o1的差距，但OpenAI于2025年4月正式发布o3之后，R1在复杂代码、科学推理、多模态理解和工具调用等方面的差距被重新拉大；          2. R1在AI幻觉率等多方面表现并不令人满意，在Coding和Agent能力方面与外国加速更新的顶级AI差距明显；          3.R1缺少多模态能力；          4. DeepSeek R1的出现甚至刺激了全球范围内对芯片的需求。沐曦选择与OEM合作伙伴联合打造整机产品，“我们觉得开放能促进更好的创新，避免单一供应商；各自在各自的生态位上去创新，组合在一起形成整个上下游中最有竞争力的产品。当时黄仁勋就表示，像DeepSeek代表的推理型AI模型，在面对复杂问题时需要进行“思考”，进行大量的强化学习、微调和模型蒸馏，由DeepSeek引发的全球模型推理潮会让新的模型比传统的非推理模型消耗的计算量高出约100倍。

o | ”黄向军认为，垂直整合在研发和效率层面具有优势，但从供应角度看未必是最优解。         在世博展台，为集中展示其计算生态开放路径和成果，沐曦专门设置了“开源工坊”展区，集结了九源联合体、龙蜥操作系统、木兰开源社区、模力方舟、vLLM、SGLang、Red Hat、CNCF、蜜瓜智能、PyTorch基金会等十大顶流开源社区，串联起一条覆盖操作系统、云原生、推理加速、模型服务、集群内核全层级软件栈的完整AI Infra开源协作链路，集中展示了沐曦股份在AI框架、算子库及多种开源模型方面的适配成果。         据官方数据，自2025年2月开源以来，目前MXMACA开源社区已经汇聚超过50万技术开发者用户。         而在科学计算领域，沐曦已经实现从“兼容开源”走向“贡献开源”。

p | 沐曦深度参与GROMACS社区，其自由能微扰GPU加速代码已合入开源主线，成为国内首家对该核心模块作出重要代码贡献的企业。产业应用层面，沐曦股份携手鸿之微、深度原理、唯信科技、大湾区国创中心等产学研伙伴，在新能源材料研发、工业冷却液分子筛选和AI短临气象预报等场景形成落地成果，以自主算力赋能创新提速。                   “死磕”GPU通用性                    实际上，沐曦股份的开放理念同样在其产业布局上得以体现。

q |          除了入口处最醒目的曦景S600，同样吸引观众驻足的还有沐曦展区陈列的卫星实物，这是沐曦“1+6+X”产业生态中的一环，直观地展示了国产GPU向空天算力场景延伸的布局。         以上种种原因，都推动了美国的科技股神话在2025—2026年进一步登上神坛，并且在许多普通人心中树立了一个闭源模型不可战胜的思维烙印。而在“万象应用”展区，沐曦集中展示了其高性能GPU算力平台在金融、医疗、能源、教科研、交通、大文娱六大核心赛道的赋能落地成果。         行业内更关注沐曦在具身智能方向的落子——这是今年WAIC的另一大焦点，也是沐曦当前重点布局的一大方向。         此前，沐曦与“人形机器人第一股”优必选成立合资公司布局具身智能，被外界认为是向端侧延伸的重要信号。对于与优必选的合作，在此次WAIC上，沐曦股份高级副总裁孙国梁在受访时强调，沐曦秉持着一贯的通用开放态度，成立合资公司并不代表芯片独家供应给某一家企业，而是希望从成熟的具身智能企业获取数据、场景、使用习惯与客户需求的大量输入，加速SoC整体设计。也正是这种烙印，推动了科技巨头进行AI基础设施创纪录的资本开支，以及迎来了AI Agent时代的到来。

r | 合资之外，沐曦仍保持开源、开放、生态共赢，愿意联合各家机器人企业，在平台、数据、训练和世界模型等方面展开广泛合作。         而对于布局端侧AI算力产品这一选择，黄向军在受访时提到，沐曦已经具备了打造高性能云边端一体芯片的能力，“我需要的是合适的场景判断。合资公司的角色是定义产品规格，而沐曦在云端打造的整套软件生态链价值将会助力端侧产品加速走向成熟”。         事实上，端侧AI的载体形态远未收敛，行业内尚未形成统一的共识，而这种不确定性恰恰解释了沐曦为何始终坚持GPU通用性——端侧形态千变万化，底层不变的是Token驱动，差异在于算力规模。         事实上，仅就中美两国顶级模型的基准测试数值来说（Qwen 3.7已经不再开源，且不能部署在阿里云服务器之外的地方），在中国训练算力似乎不再那么紧张的背景下，双方的差距是进一步缩小而非扩大，大模型的壁垒在2026年是降低而非升高。         虽然从2025年下半年开始，OpenAI和Anthropic先后进入了GPT-5.X和Opus 4.X（4.5及以上）时代，在Coding和Agent上有了显著的提升，但是以Qwen、DeepSeek为代表的中国大模型相对美国顶级模型的差距并没有被拉大。         例如，斯坦福大学《2026年人工智能指数报告》指出，中美模型自2025年初以来已经多次交替领先。         “通用的含义是，一方面要能支撑今天已有的多种模型，另一方面是要能支持未来可能出现的新的模型。

s | ”黄向军指出，GPU指令集粒度足够细，才能通过编译器适配现有乃至未来出现的模型，英伟达三五年前的芯片至今仍能跑最新模型，正是通用性的体现。截至2026年3月，美国最强模型只领先中国最强模型2.7%，差距长期维持在个位数区间，报告因此判断中美模型性能差距已经“实质性关闭”。         GLM-5.2发布的时候同样引发了热议          6月发布的GLM-5.2进一步证明了上述论断。

t | GLM-5.2延续了GLM-5的稀疏混合专家架构，通过针对长程编程任务的后训练，它的Coding能力已经全面接近Opus 4.8。甚至在某些场景下可以接近普遍认为达到“5万亿参数”的Fable 5。GLM-5.2在DeepSeek-V4预览版发布后，进一步动摇了“只有拥有更多先进GPU和更大的参数规模才能换来更强模型”的简单叙事，同时它的出现不断向世人昭示一种可能性：硬件的绝对优势似乎已经不再成为美国闭源模型真正的护城河。         而通用性的前提，是软硬件解耦——模型架构和算法迭代速度远超硬件，如果芯片专为某一场景或模型定向优化，一旦端侧形态发生变化，前期的巨大资产投入将很有可能化为泡沫。而Kimi K3的出现，则促使业界深入思考这一问题。黄向军在采访中坦言：“软件创新节奏以周为单位，芯片从定义到量产两年能做完已经非常快。         Kimi K3引发了股市下跌？不，但背后的问题更加深刻          这一疑问一旦深究，对于美股AI泡沫可能具有潜在致命打击的可能。为什么呢？因为本轮AI泡沫的核心假设是两个前提：只有更多先进GPU和更大的参数规模才能换来更强模型；更强的模型会在短期内（1—2年）带来通用人工智能并最终导致生产力的飞跃，也就是第四次工业革命。         所以基于这两个假设，美股投资会有两个推论：第一个推论是，因为有互联网泡沫爆炸后互联网产业繁荣的珠玉在前，所以当前对于AI基础设施的投资，是进入下一轮技术革命的门票。

u | 购买GPU、建设数据中心和争夺电力资源，表面上是在进行一项回收周期漫长的固定资产投资，实际上却是在购买一张通向未来AI生态主导权的期权。只要通用智能或大规模智能体经济最终成为现实，当前投入的几千亿美元就可能被未来数万亿美元的新产业所消化。         第二个推论是，在这一窗口期内，微薄的资本回报暂时并不重要，抢占位置才重要。

v | 如果芯片没有通用性，将是一个灾难。服务器会折旧，GPU会迭代，数据中心的单位建设成本可能下降，但一旦企业因为犹豫而失去模型、开发者、云客户和应用入口，未来再想重新进入竞争，付出的代价可能更大。”                              记者 蔡淑敏          文字编辑 马云飞。因此，市场过去愿意容忍不断上升的折旧、下降的自由现金流，以及短期内难以量化的投资回报。         所以在过去的一年多中，AI硬件的资本开支是整个美股，乃至全球资本市场最重要的风向标。下游大厂也在疯狂投资建设AI数据中心，正如我上一篇文章中所说，仅亚马逊、微软、Alphabet和Meta四家公司2026年的资本开支合计就达到7000亿美元级别，综合来看，全美相关资本开支规模可与去年美国M2增量相提并论。

w |          而巨额的资本开支背后就是各大公司自由现金流的急剧萎缩，亚马逊截至2026年3月底的过去12个月经营现金流仍高达1485亿美元，但自由现金流却已从一年前的259亿美元降至12亿美元。

x | 华尔街预计，到2026年第三季度，亚马逊、微软、Alphabet和Meta四家公司的单季合计自由现金流可能仅剩约40亿美元，而疫情以来它们平均每季度能够产生约450亿美元自由现金流。         这也迫使各大AI相关公司在2026年加速发债，根据摩根士丹利预计，2026年全球AI相关债券发行规模将由上年的水平翻倍至约5700亿美元；截至5月31日已发行约2360亿美元，并预计发行量将在下半年进一步上升。美国银行则把2026年五大云计算厂商新增债务融资预测由1400亿美元上调至1750亿美元。

y | 2025年，亚马逊、Alphabet、Meta、微软和甲骨文已经发行约1210亿美元公司债，远高于2020—2024年年均约280亿美元。         债务融资规模持续扩张，意味着AI投资风险正从科技巨头内部股东与自由现金流层面，向外扩散至全球公司债、银行信贷、私募信贷及基建融资市场。这也意味着，本轮AI投资正在从一场由科技巨头现金流支撑的产业豪赌，逐渐演变成一场由全球资本市场共同加杠杆的基础设施扩张。         更值得警惕的是，AI债务扩张并不完全发生在微软、Alphabet和亚马逊这些拥有高信用评级的科技巨头资产负债表内。

z | 随着数据中心建设规模扩大，越来越多项目被剥离至云运营商、数据中心开发商与特殊融资载体，而这些主体的信用质量明显弱于背后的科技巨头。         例如Oracle的债务等级已经被下调至BBB-，距离垃圾级仅一步之遥；CoreWeave和TeraWulf等直接承担AI算力建设的企业，则已经处于BB级非投资级区间。同样遭遇信用危机的还有融合了Xai的SpaceX，穆迪、惠誉和标普对其250亿美元债券给出的评级分别只有Baa1、BBB+和BBB，均处于投资级的中低区间。         可以说，无论Kimi K3是否恰好在此时发布，美国科技公司都已经走到了一个必须接受业绩验证以支撑其下一步持续投资价值的阶段性节点。         从指数的角度，纳斯达克已经横盘快两个月了，而SpaceX以及除了苹果之外的七姐妹都在近两个月出现了不同程度的回撤          在美联储仍然保持偏鹰表态、无风险利率长期停留在高位的背景下，美股AI交易继续依靠估值扩张上涨的空间已经明显收窄：资本开支必须继续超预期，云业务必须继续加速，AI收入必须开始兑现，企业还必须证明这些收入最终能够覆盖持续增长的折旧、电力和融资成本。         这也是自6月以来美国科技巨头率先开始回撤的核心原因：“除非真的在资本开支和业绩层面超预期，否则真的涨不动了”。         而Kimi K3的出现给了市场去思考的机会：美国这样不计成本的资本开支，包括刻意将AI芯片折旧周期从实际上的3年拉长至会计上的6年等一系列手段营造出的AI投资风潮，真的符合商业逻辑吗？          而中国模型的发展，恰恰使这个问题变得更加尖锐。在高端芯片供应仍然受限的背景下，中国企业不仅推出了成本较低、面向日常推理和Agent任务的DeepSeek-V4系列预览版，还推出了在编码和Agent基准中进入世界第一梯队的Kimi K3。美国的投资效率是否太低了？          这就将一个美国科技资本最不愿意面对的问题拿上了台面：假如受到芯片限制的中国企业，仍然可以通过模型架构、数据工程、强化学习和后训练优化，让自己的各类产品与美国产品在所有维度上竞争，那么美国在AI基础设施上的投入效率是否远低于市场此前的想象？          如果美国企业多投入数千亿美元，最终换来的只是一两个月的领先，开源模型甚至可能在下一轮更新中就追平的几个百分点基准测试的差距，那么这种硬件优势所能形成的商业定价权，就远没有此前想象的那样牢固。他们也不要指望这样微弱的领先引领一个时代的工业革命，并在工业革命中享受超额期权回报了。         这已经不再只是一场关于模型性能的争论，而是对“美国例外论”在AI时代具体表现形式的拷问。因为从美国的角度来说，美国资本正在以前所未有的规模集中押注AI基础设施，赌AI会带来第四次工业革命，让他们绝地翻盘，毕竟他们已经不可能指望基础教育系统已经崩溃的美国为美国工业提供质优价廉的工人，提高工业效率，带来第四次工业革命了。         Kimi K3和DeepSeek-V4等中国大模型的存在，正在不断向世人指出一个现实，那就是无论AI是否将带来第四次工业革命，美国并不会因此理所当然享有超额经济收益与霸权溢价，因为哪怕AI确实带来生产率的飞跃，它也不会由美国闭源企业独占；因为中国企业能够以更低资本投入、接近同步的研发周期，推出性能相近的开源大模型。         这也就意味着，即便AI革命如期到来，支撑当前美股科技股估值的垄断利润也未必随之产生。换句话说，Kimi K3的出现质疑的并不是AI能否带来第四次工业革命，而是美国科技巨头是否能够独占这场工业革命的收益。

|          铁路改变了世界，互联网也改变了世界。铁路创造了现代经济，却没有让所有铁路公司获得超额利润；互联网重塑了人类生活，却同样埋葬了大量在泡沫时期投入巨资的企业。技术的社会价值与投资者的财务回报，从来不是同一件事。         人工智能大概率也将从根本上改变世界。但它改变世界的方式，未必符合那些试图通过制造“人工智能鸿沟”、限制技术扩散并长期收取垄断租金者的设想。         本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。

| 关注观察者网微信guanchacn，每日阅读趣味文章。

Current article:http://www.liawucunsainantaonao.sbs/news/20260826_942.pptx

Published on:19:01:56