Kimi带起的这场竞赛，到不了AGI

2.8万亿参数，激活的只有16个专家

7月17日，月之暗面发布Kimi K3，参数规模达到2.8万亿，成为全球首个开源的3万亿级大模型。但数字背后，是Stable LatentMoE混合专家架构的精心设计：896个专家，每次推理只激活16个，激活率仅1.79%。这意味着，模型表面庞大，实际推理计算量远小于同等参数的密集模型。线性注意力机制和注意力残差技术则试图解决长上下文和专家间信息流动效率问题。月之暗面强调，K3的研发重点不是简单扩大参数规模，而是通过架构协同优化将规模优势转化为能力提升。然而，这种“用工程复杂度换取算力自由度”的路线，本质上是芯片受限下的理性妥协——计算效率提升，但能力上限受限于稀疏激活的天然瓶颈。正如一位科学家所言，进步是真实的，但真实的进步发生在当下的范式之内。

前端编程的“偏科冠军”，暴露了AGI的短板

K3在Frontend Code Arena榜单上取得了1679分，超过Claude Fable 5和GPT-5.6 Sol，但在综合能力评测中仍落后于美国顶尖闭源模型。前端编程之所以表现突出，是因为该领域训练数据标准化（GitHub、Stack Overflow）、任务模式化，高度适合AI替代重复劳动。而综合能力涵盖推理、多语言理解、跨领域知识整合，需要更深的跨领域协调能力。MoE架构中896个专家可能在前端代码任务上被充分训练，但在需要深度推理的任务上，专家间协调效率仍有优化空间。更根本的原因是训练算力受限——综合能力的提升需要更长时间、更多样化的训练，而这直接受限于算力规模。这折射出大模型竞争正在从“全能选手”叙事转向“垂直冠军”叙事：Kimi可以成为前端开发的“超级工具”，但距离AGI所需的全面智能，仍有不可忽视的缺口。

开源背后的商业算盘：生态战而非AGI战

K3选择开源，填补了万亿参数级开源模型的真空地带，但API定价极为激进：缓存命中$0.30/百万token，且缓存命中率超过90%。这一低价策略背后是防御性竞争——防止对手开源类似规模模型，同时展示技术壁垒以支撑高估值（ARR 3亿美元，目标估值300亿美元）。然而，大部分企业仍会选择API而非自建部署，因为运维2.8T参数模型需要数百张高端GPU和专业团队，成本远高于API调用。开源的本质是生态战：通过吸引开发者用户，积累数据和使用场景，反哺API收入和品牌溢价。但这也意味着，Kimi带起的竞赛更多是商业逻辑驱动，而非AGI探索。当资本市场的盈利预期发生变化，低价策略可能调整，用户留存将面临考验。更重要的是，开源模型的权重一旦释放，便失去安全护栏，恶意使用可去除安全对齐，带来风险。

从“算力神学”到“工程效率”：中美路线的分野与局限

美国头部厂商（OpenAI、Anthropic、Google）倾向密集模型路线，依靠充裕算力追求综合能力全面提升；中国厂商（月之暗面、DeepSeek、阿里）则倾向MoE路线，在算力约束下通过稀疏激活降低推理成本，在特定场景寻求突破。Kimi K3的发布被美国科技界称为“斯普尼克时刻”——它证明顶级智能并不必然绑定于无限资本吞噬与硬件堆砌。但这一路线也面临显存需求高、训练复杂度大、生态适配难度高等挑战。更关键的是，AGI的实现可能需要全新的范式突破，而非仅通过工程效率优化。正如智谱总裁王绍兰所言，“AGI还没有实现，中间还有很长的路”。当前的竞赛——无论是参数军备竞赛还是开源生态竞赛——都在同一范式内进行，而AGI需要的认知理解、自主目标、常识推理等能力，并未被现有架构真正触及。

进步真实，边界清晰：AGI的“最后一公里”仍在远处

Kimi带起的这场竞赛，确实推动了模型能力提升、开源生态繁荣和商业化落地。数据表明，北京人工智能产业规模达4500亿元，备案上线大模型259款，智谱API调用量增长约400%。但漂亮的数字背后，一个更值得追问的问题是：中国大模型真正的远方在哪里？从“追赶”到“摸高”，参数规模的纪录被不断刷新，但AGI的“最后一公里”依然遥远。最没有理由唱衰AI的科学家已经画出了边界：进步是真实的，但真实的进步发生在当下的范式之内。要抵达AGI，或许需要突破稀疏激活、专家协作、数据效率等根本性瓶颈，甚至需要全新的认知架构。当Kimi在前端编程上称王，当K3在代码生成上碾压竞品，我们仍应清醒：这场竞赛，本质上是工程优化的胜利，而非通用智能的曙光。