2026年7月17日星期五

Kimi K3，2.8万亿参数，开源了。这玩意儿在Hacker News上直接干到1026分，说明国外也认。月之暗面这次挺狠，直接甩出全球首个开源3万亿级别模型，而且不是那种PPT开源，是真能跑。架构上用了混合线性注意力和注意力残差，说白了就是在成本和效果之间找了个新平衡点。对开发者来说，这意味着什么？意味着你终于不用跪着求API了，2.8T的模型，你拉下来自己调，做垂直领域或者私有化部署，直接起飞。但别高兴太早，这模型参数规模摆在那，没个A100集群你根本跑不动，普通开发者顶多拿API玩。工程坑主要在显存和推理速度，官方说支持100万token上下文，但实际部署起来，内存带宽和延迟会让你怀疑人生。商业化上，月之暗面这步棋显然是想抢生态位：开源拉开发者，然后用企业版赚钱。但问题来了，现在开源模型卷成这样，Llama、Qwen、DeepSeek满地跑，K3能不能靠参数量级和架构优势真的杀出来？我的判断是：技术上有突破，但落地还得看生态配套。如果配套工具链和社区做得好，能收割一波企业客户；否则就是另一个“我开源了，但你们用不起来”的悲剧。

再聊手机市场。realme跑路了，一加也暂停了欧美运营，这俩信号放一起，说明中国手机出海已经进入残酷淘汰赛。realme当年靠“敢越级”打性价比，结果现在连国内市场都守不住，只能缩回海外。一加更惨，直接停掉欧美，OPPO系在收缩。这背后是啥？是AI入口大战在倒逼手机厂商重新站队。你看苹果AI刚通过备案，接入千问，华为小艺、小米澎湃、vivo蓝心全都在端侧AI上疯狂内卷。手机厂商现在不光要卖硬件，还得养大模型团队，这成本谁扛得住？realme和一加这种子品牌，既没规模优势，又没AI能力，被抛弃是必然的。Anthropic那篇分析说得好，不做硬件，只押模型，因为“模型足够强，就无需占领入口”。但现实是，手机厂商想活下来，必须把AI做成差异化，否则就是下一个realme。对普通用户来说，好事是端侧AI终于要大规模落地了，苹果AI入华后，Siri终于能正经干活了；坏事是，手机品牌越来越少，以后可能就剩几家巨头，你爱买不买。

最后说个更扎心的。DeepSeek实习生日薪5500，博士扩招到每年20万，高校岗位却只有3.5万。这俩新闻放一起，就是AI行业的撕裂感。顶级AI人才被砸钱抢，但底层的博士们连高校教职都找不到。这其实是个系统性问题：AI行业需要的是能造轮子、能训模型、能落地工程的人，不是单纯发论文的博士。博士过剩，但真正能干活的人依然稀缺。建议想读博的朋友，先问问自己：你毕业后能跟DeepSeek实习生抢饭碗吗？如果不能，趁早转行搞工程，别死磕学术圈。

今天的科技信号，核心脉络指向了两个相互交织的巨浪：一是生成式AI的加速迭代与“模型即服务”模式的深化，二是科技巨头与新兴力量在硬件、软件、市场策略上的分化与博弈。

KIMI K3模型的发布，尤其是其2.8T的参数规模和在评估中逼近顶级水平的表现，标志着国内大模型在技术追赶上又迈出了坚实一步。这并非孤立事件，此前我们看到Anthropic选择“轻硬件、重模型”，专注于提供强大的基础模型能力，其Claude Code、Cowork等产品都在试图通过模型本身去赋能工作场景。而国内，腾讯混元Hy3以及微信WeLM的动态，也显示了巨头在AI模型和应用层面的双线布局。这些信号共同指向一个趋势：模型的能力边界正在被不断拓宽，而且“模型即服务”（MaaS）的商业模式将愈发成熟。未来半年到一年，我们可能会看到更多垂直领域的定制化模型涌现，以及围绕模型能力输出的API和应用生态的爆炸式增长。这将使得AI不再是少数科技公司的专属，而是成为各行各业都能触及的“算力即服务”的延伸。

与此同时，硬件入口的争夺和市场策略的调整也在悄然上演。realme退出中国市场，将资源聚焦海外，以及OnePlus在美欧市场的暂停运营，都反映了智能手机市场竞争的白热化以及品牌战略的痛苦抉择。这与之前苹果、华为、OPPO、vivo等品牌在端侧AI大模型备案成功形成鲜明对比。当AI能力逐渐下沉到终端设备，硬件的差异化将变得尤为重要。而SpaceX上市后股价的波动，虽然与AI直接关联不大，但却反映了资本市场对高科技企业估值逻辑的审慎，尤其是当其商业模式尚未完全验证时。未来，我们可能会看到手机厂商在AI算力和应用上的竞争加剧，AI能力将成为区分高端和中低端市场的重要标签。而那些在AI模型端拥有核心技术和独特应用场景的公司，即使不涉足硬件，也有可能通过API或合作模式，成为生态中的重要玩家，就像Anthropic所押注的那样。

另一个值得关注的现象是AI人才市场的“高烧不退”与“博士过剩”的结构性矛盾。AI实习日薪5500元，一方面彰显了AI领域的极高需求和人才溢价，另一方面，高校博士毕业生数量的激增与岗位供给的滞后，则暴露了高等教育与产业需求脱节的问题。这预示着未来AI人才的培养和就业将面临更大的挑战，高端人才依然稀缺，但非顶尖的学历型人才可能面临僧多粥少的局面。这种结构性矛盾可能会促使更多人转向AI应用开发、Agent的构建和落地，以及AI与特定行业结合的细分领域，而不是仅仅追求模型本身的突破。

总体来看，AI的底层技术正在以前所未有的速度迭代，并迅速渗透到各个应用层面。硬件入口的争夺依然激烈，但模型能力本身正成为越来越重要的价值载体。而人才市场的结构性失衡，则预示着AI生态将从技术驱动转向更注重应用落地和人才匹配的阶段。未来一年，我们将看到更多“模型即服务”的创新，以及在AI浪潮下，企业和个人如何调整战略以适应这个快速变化的世界。

KIMI K3 号称 2.8 万亿参数、100 万 token 上下文，立刻被包装成“开源的 3 万亿级别模型”。从技术上看，混合线性注意力和残差机制的确能在特定任务上提升算子密度，但实际效果仍被局限在官方基准里，远未达到同等规模的 GPT‑5.6 或 Fable‑5。更关键的是，这类模型的训练与推理成本仍在数十亿美元量级，只有少数云厂商能负担。即便开源，部署门槛和能耗也让大多数企业望而却步，真正的商业价值被包装成“前沿科研”。如果后续没有配套的生态工具和成本控制方案，K3 很可能沦为“炫技”而非生产力。

同一时间，AI 行业的招聘热度被 5500 元日薪的实习生新闻点燃，却也反映出人才供需失衡的另一面。高薪仅能吸引少数顶尖人才，却没有同步提升项目管理、数据治理和安全合规的能力。与之对应的，是博士供给的急剧膨胀：自 2020 年扩招以来，2025 年每年新增博士超过十万，而高校岗位却在收缩。大量高学历人才被迫流向非科研岗位，或沦为低效的“AI 纸上谈兵”。从历史上看，20 世纪 70 年代的计算机硬件泡沫、2000 年的互联网泡沫，都出现过类似的“人才过剩—技术乐观—资本追捧”循环，最终导致大量项目因缺乏可持续的商业模型而夭折。

资本层面同样不容乐观。SpaceX 首月市值缩水三分之一，做空者账面利润近 40 亿美元，说明市场对高估值的容忍度已经降到临界点。AI 大模型的融资热潮与传统硬件企业的 IPO 失败形成鲜明对比：前者凭借“技术黑箱”吸引资本，后者则因商业化路径不明而被迫降价或退出。资本的追逐往往先付出代价，真正的风险在于：当技术性能的边际提升被成本、能耗和监管壁垒掐住时，整个生态链的利润空间将被压缩，留下的只有少数能够在成本控制和合规治理上做出突破的公司。综合来看，当前的技术噱头、人才结构和资本估值都透露出泡沫的痕迹，短期热度可能继续推高估值，但中长期的可持续性仍需审慎评估。