黄仁勋在7月24日发布了自己的首条X帖子。

他转发了一封标题为《开放权重与美国AI领导力》的公开信。起初，联署者仅包括英伟达、微软、Meta、IBM等25家公司和机构，之后很快增至约50家，OpenAI、谷歌、AMD、思科、Cloudflare、GitHub等陆续加入。在美国主要前沿模型公司里，Anthropic是唯一仍未签署的企业。

黄仁勋只配了一句话：“世界既需要前沿闭源模型，也需要前沿开放模型。”

就在几天前接受外媒采访时，黄仁勋表达得更加直接。他称中国的开源模型“非常优秀”，优秀的开源模型理应得到使用。

这次集体表态出现在一个关键节点之后：7月中旬，月之暗面推出Kimi K3。官方披露显示，这款混合专家架构模型总参数达到2.8万亿，包含896个专家模块，每个Token只激活其中16个，同时支持100万Token上下文。

由此，Kimi K3跻身目前公开参数规模最大的开放权重模型之列。更引人关注的是，它在智能体、编程、前端开发等多项评测中已进入全球第一梯队。

这个来自中国、可以下载部署且性能接近顶尖闭源模型的系统，很快进入全球开发者的视野。美国AI公司的模型壁垒、开放生态竞争力以及华盛顿应如何看待中国模型，也随之再度成为讨论焦点。

政府担忧技术扩散、模型蒸馏和国家安全，科技企业则有模型供给、成本及创新空间方面的现实需求。黄仁勋的立场正映射出双方博弈的核心区域。

01

开放模型迈入前沿能力区

长期以来，开放权重模型被当作闭源旗舰模型的补充：虽然价格较低、部署更加灵活，但综合能力通常存在显著差距。

这种固有印象被Kimi K3改变了。

拥有2.8万亿参数，不代表每轮推理都需要调动同等规模的计算量。混合专家架构能够依照任务选取少量专家运算，在扩充模型知识容量的同时，控制单次推理成本。

为减轻长上下文与大规模推理造成的资源压力，Kimi K3还运用了混合线性注意力、注意力残差、低精度量化等技术。

7月27日，月之暗面正式公布K3的完整技术报告和模型权重，其中披露了上述技术的实现细节。KDA（Kimi Delta Attention）按照3:1的比例，将线性注意力与完整注意力层混合使用：前者高效处理长序列，后者在关键位置维持精度，分工类似视频编码里的关键帧和差分帧。

Attention Residuals通过在网络层间建立直连通道，弥补线性注意力导致的信息损失；Stable LatentMoE则采用统计方法均衡896个专家的训练负载，使每次仅激活16个专家的极端稀疏架构可以稳定收敛。

报告同时披露了三项训练基础设施，即专家通信库MoonEP、高性能算子FlashKDA，以及支持百万Token级强化学习的智能体沙箱AgentEnv。月之暗面表示，这套架构可使模型在同等算力下的智能水平提高约2.5倍。因此，K3尽管具有2.8万亿总参数，实际推理成本仍能保持在企业可接受的区间。

Kimi K3的真正行业价值，是让大规模开放模型开始同时具备三个条件：性能逼近前沿闭源模型，权重允许下载和修改，推理成本又能控制在企业承受范围内。

企业因此有了新的选择。

对于一般办公、内容生成和编码任务，企业仍可调用闭源API；当任务涉及内部数据、核心代码、网络安全及合规要求时，则可把开放模型部署到自有服务器或云环境，独立掌控数据流向、访问权限与模型版本。

有报道称，微软正考虑在Azure及部分Copilot场景中使用Kimi K3，从而减少对高价闭源模型的依赖。外界所传“每年最多节省6亿美元”并未获得微软公开证实，却已体现出一种趋势：大型科技公司开始借助开放模型控制推理成本，并提高对供应商的议价能力。

由此，开放权重模型不再只是低成本“平替”，而是进入能够左右企业技术架构与采购决策的前沿能力区。

黄仁勋此时选择发声，也以此为重要背景。

02

硅谷重新围绕开源模型站队

随着Kimi K3发布，美国关于开源模型的争论快速升温。

主张限制者担心，先进模型权重一旦广泛流传，可能被投入网络攻击、生物研究等高风险用途。美国政府还在关注中国模型是否借助蒸馏获得美国模型能力，以及相关公司有无使用受到出口管制的先进芯片。

此前，OpenAI和Anthropic均曾向华盛顿发出警告，称中国开源模型正威胁美国的AI领先优势，并呼吁政府强化对模型蒸馏、芯片使用及技术扩散的监管。

开源支持者则主张，应将模型来源与部署方式分开讨论。企业把模型权重下载到本地运行后，能够隔离外部连接、管理访问权限并留存数据。对于网络安全、金融、医疗、政府等高度敏感的场景，模型是否支持私有部署、审计与修改，本身便构成安全能力。

此前，近200家美国初创企业也曾联名致信政府，反对彻底禁止中国开源模型。它们担忧过度限制将推高创业公司的模型成本，并进一步巩固少数美国闭源模型供应商的垄断地位。

一种新的利益结构由此在硅谷形成。

英伟达经营GPU及整套AI基础设施，开源模型越多样，企业部署模型的意愿便越强；微软同时运营云计算、模型API与应用产品，引进更多模型能够压低成本、提高议价能力；Meta长期通过开放生态扩大其在全球开发者中的影响；IBM、思科、Cloudflare等企业则更重视私有部署、混合云及网络安全市场。

开放模型不仅增加了AI市场的参与者，也为基础设施供应商扩展了潜在客户范围。

Anthropic的立场明显不同。在联名公开信中，Anthropic持续缺席。他们长期将前沿模型安全作为核心战略，并警告开放先进模型权重可能降低危险的扩散门槛。

这一选择同Anthropic的品牌定位及闭源商业模式高度吻合。开放权重模型能力越强，企业对昂贵闭源API的依赖就越弱，Anthropic用于塑造差异化竞争的安全叙事与模型服务也将承受更大压力。

表面上，这是开源和闭源之间的技术路线之争，实质上则是围绕复杂产业利益与政策边界展开的谈判。

03

黄仁勋真正维护的是算力市场

明确的商业逻辑支撑着黄仁勋对开源模型的支持。

当模型供给更加充足、使用成本持续下降，更多个人与企业便会进入AI市场，最终生成更多Token，并带来更大的算力需求。

DeepSeek于2025年发布后，市场曾担忧高效模型将压缩GPU需求。黄仁勋多次表示，模型效率的提高会拓展使用范围：单次推理价格降低以后，开发者将更频繁地调用模型、运行更久，并把AI应用到更多任务中。

这正契合杰文斯悖论：某种资源使用效率上升、单位成本降低后，其总需求反而可能增加。

如今，AI计算需求已不只来自预训练，模型还要进行监督微调、强化学习、长时间推理和智能体执行。智能体要完成一项复杂任务，可能需要不断调用模型、检索资料、操作工具、核验结果，并依据反馈再次规划。

Token会在其中的每个环节被消耗。

基于这一逻辑，黄仁勋把数据中心称为“AI工厂”：电力和数据是输入，Token则是输出，而GPU、网络、存储、电力及数据中心共同组成工业化计算系统。

在该逻辑下，无论模型公司的商业模式如何调整，算力始终都是共用的基础底座。

闭源模型通过API、订阅、企业服务取得收入，开源模型则借助云部署、微调、托管和行业解决方案构建商业生态。无论采用哪条路径，都离不开训练集群、推理服务器、高速互联及软件工具链。

更多中小企业也会被开源模型带入市场。企业或许先用某个开源模型开展试验，之后再采购云算力、模型托管、安全服务和更加稳定的商业方案。模型进入生产环境后，还会围绕可靠性、延迟、并发、权限及运维产生新的基础设施需求。

黄仁勋所重视的，正是持续增长的市场基数。

04

2.8万亿参数之后，竞争转向系统能力

Kimi K3把开放模型带到2.8万亿参数规模，但混合专家架构正在使总参数和实际计算量逐步脱钩。参数数量只能呈现系统容量的一部分，模型的商业价值正由激活参数、训练数据、后训练方法、推理效率、工具使用能力及部署成本共同决定。

下一阶段，竞争将围绕三个层面展开。

第一个层面是效率。企业最在意的是，完成某项任务究竟需要多少Token、多少轮调用及多少算力。模型取得较高评测成绩，不等于实际使用成本更低，能力、速度与成本必须一并考量。

第二个层面是软件生态。开发者正围绕开放模型搭建量化工具、推理框架、芯片适配、专业微调、模型融合及智能体系统。Hugging Face托管的公开模型已经超过200万个，原本的单一模型之争，正转变为模型家族和生态系统之间的竞争。

第三个层面是部署控制权。越来越多的国家和企业希望自主掌握模型、数据与算力基础设施。由于开放权重模型能够本地化、修改，并在不同芯片上运行，它已成为主权AI及企业私有部署的重要技术底座。

这一阶段被一些人称作开放模型的“Kubernetes时刻”。

Kubernetes起初由谷歌开源，后来经开发者、云厂商与企业共同推动，逐步发展成云计算基础设施的重要标准。开放模型或许也会沿相似路线发展：以模型权重为基础层，在其周围形成推理框架、云服务、硬件适配和行业应用。

开放生态目前能否建立类似Kubernetes的统一标准，依旧存在很大的不确定性，因为模型架构、许可证、推理框架及硬件平台仍然高度分散。

不过，方向正日益明确：当开放模型进入前沿能力区后，闭源公司的竞争壁垒会更多地转向产品体验、数据闭环、服务稳定性和专业场景；开放模型则将凭借成本、控制权及生态创新拓展市场。

黄仁勋的表态并非单纯支持“中国开源模型”。最终无论是美国闭源模型、中国开源模型，还是企业自行微调的行业模型胜出，只要AI应用持续扩展、更多系统不断生成Token，英伟达依然处在产业增长最稳定的环节。

由此来看，黄仁勋发布的第一条X帖子，也可视为一封面向华盛顿的商业意见书。他真正捍卫的是模型供给更多元、开发者规模更大、算力需求不断增长的AI市场。

（转载自：腾讯科技）