7月24日，黄仁勋在x平台发布了个人首条帖子。
他转发的是一封题为《开放权重与美国AI领导力》的公开信。初始联署方包括英伟达、微软、Meta、IBM等25家科技企业与研究机构，随后迅速扩容至约50家——OpenAI、谷歌、AMD、思科、Cloudflare及GitHub等陆续加入。在美国主流前沿大模型公司中，Anthropic成为目前唯一尚未签署该信的企业。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
黄仁勋仅配文一句：“世界既需要尖端闭源模型，也需要尖端开放模型。”
就在几天前，他在接受海外媒体采访时表达了更鲜明的观点：中国的开源模型“非常出色”，只要表现优异，就理应被广泛采用。
这场集体发声恰发生在关键时间点之后。7月中旬，月之暗面正式推出Kimi K3。据官方披露，该模型采用混合专家（MoE）架构，总参数量达2.8万亿，共包含896个专家模块，每个Token仅激活其中16个，并支持长达100万Token的上下文窗口。
Kimi K3由此跃升为当前全球已公开参数规模最大的开放权重模型之一。更引人注目的是，它在智能体能力、编程任务与前端开发等多项权威评测中稳居全球第一梯队。
一款源自中国、可自由下载部署、性能逼近顶尖闭源模型的系统，正快速进入全球开发者视野。随之被再度审视的，还有美国AI企业的技术护城河、开放生态的真实竞争力，以及华盛顿对华AI模型应有的政策姿态。
一边是政府对技术外溢、模型蒸馏及国家安全风险的持续警惕；另一边则是科技企业对模型供给稳定性、推理成本控制和创新空间拓展的迫切需求。黄仁勋的表态，恰恰落于这场张力博弈的核心地带。
01 开放模型迈入前沿能力门槛
长期以来，开放权重模型被视为闭源旗舰模型的补充角色：价格更低、部署更灵活，但综合能力常存在明显代差。
Kimi K3打破了这一固有认知。
2.8万亿参数并不等于每次推理都需调用全部参数。其混合专家架构能依据输入任务动态选择少量专家协同运算，在显著扩充模型知识容量的同时，有效约束单次推理开销。
此外，Kimi K3还融合了混合线性注意力机制、注意力残差连接及低精度量化等关键技术，以缓解长上下文处理与大规模推理带来的资源压力。
7月27日，月之暗面正式对外发布K3完整技术白皮书及全部模型权重。报告详细解析了上述方案的工程实现：KDA（Kimi Delta Attention）以3:1比例混合线性注意力层与全注意力层——前者专注高效建模长序列依赖，后者在关键位置保留高保真度，逻辑类似视频编码中关键帧与差分帧的分工协作。
Attention Residuals则在网络各层间构建直连通路，用于补偿线性注意力可能引发的信息衰减；Stable LatentMoE通过统计方法动态均衡896个专家的训练负载，使极端稀疏（每次仅激活16个专家）的结构仍能稳定收敛。
报告同步公开三项底层训练基础设施：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。月之暗面指出，整套架构可在同等算力投入下，将模型智能水平提升约2.5倍。这也是K3虽具2.8万亿参数总量，实际推理成本却仍处于企业可承受区间的根本原因。
Kimi K3真正具备行业里程碑意义之处，在于它首次让大规模开放模型同时满足三大条件：性能比肩顶尖闭源模型、权重完全开放可下载可修改、推理成本切实可控。
这为企业带来了全新选项：
日常办公、内容创作与基础编码任务，仍可继续调用闭源API；而一旦涉及内部敏感数据、核心源码、网络安全或强合规场景，企业即可将开放模型私有化部署于自有服务器或专属云环境，自主掌控数据流向、访问权限与模型迭代节奏。
有消息指出，微软正评估将Kimi K3集成至Azure平台及部分Copilot功能模块，以降低对高价闭源模型API的依赖。坊间流传的“年均可节省最高6亿美元”虽未获微软官方证实，但已清晰折射出一种趋势：开放模型正逐步演变为大型科技公司优化推理支出、提升供应商议价权的战略工具。
开放权重模型由此完成角色跃迁——从低成本“替代方案”，正式步入影响企业技术选型与采购决策的前沿能力区间。
这也正是黄仁勋选择在此刻发声的关键背景。
02 硅谷围绕开源模型加速分化
Kimi K3发布后，美国科技界关于开源模型的争论迅速升温。
主张审慎管控的一派担忧：先进模型权重若被广泛传播，可能被滥用于网络攻击、生化研究等高危领域。美国政府亦持续关注两点：中国模型是否通过知识蒸馏间接获取美方模型能力；相关研发过程是否使用了受出口管制的高端AI芯片。
此前，OpenAI与Anthropic均曾向华盛顿提交警示，称中国开源模型正在侵蚀美国AI领先地位，并呼吁加强对模型蒸馏、芯片流向与技术扩散的监管力度。
主张开放共享的一派则强调，模型来源与部署方式应区别看待。企业将模型权重下载至本地运行，即可物理隔离外部网络、精细管控访问权限并全程留存数据主权。对网络安全、金融、医疗及政务等高敏行业而言，“能否私有部署、可审计、可定制”，本身就是安全能力的重要组成部分。
此前，近200家美国AI初创公司也曾联合致信联邦政府，反对全面封禁中国开源模型。它们担心过度限制将大幅抬升创业公司的模型使用门槛，进一步固化少数闭源模型厂商的市场垄断地位。
硅谷因此催生出新的利益格局：
英伟达销售GPU硬件及整套AI基础设施，开源模型越繁荣，企业部署需求就越旺盛；微软需兼顾云服务、模型API与终端应用三层业务，引入更多元模型有助于压降成本并增强议价弹性；Meta长期依托开放生态巩固其在全球开发者群体中的影响力；IBM、思科与Cloudflare等厂商，则更聚焦于私有云、混合部署与网络安全等垂直市场。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
开源模型不仅扩大了AI市场的参与者基数，也同步拓宽了基础设施供应商的潜在客户图谱。
Anthropic的立场则显得尤为不同。在此次联署公开信中，Anthropic始终缺席。该公司长期将前沿模型安全作为战略支点，并反复警示：开放先进模型权重或将显著降低恶意行为的技术门槛。
这种选择与其品牌定位及闭源商业模式高度契合。当开放模型能力持续增强，企业对高价闭源API的路径依赖自然减弱，Anthropic赖以构筑差异化优势的安全叙事与模型即服务（MaaS）体系，也将面临更大冲击。
一场表面关于开源与闭源的技术路线之争，实则映射着更深层的产业利益重构与政策边界博弈。
03 黄仁勋真正捍卫的是算力增长飞轮
黄仁勋支持开源模型，背后有着极为清晰的商业逻辑。
模型供给越丰富、使用门槛越低，涌入AI赛道的开发者与企业就越多，最终产生的Token总量与算力消耗也会呈指数级攀升。
2025年DeepSeek系列模型发布后，市场一度忧虑高效模型会削弱GPU需求。黄仁勋多次回应称，模型效率提升并非压制算力，而是拓展应用场景：单次推理成本下降后，开发者将更频繁地调用模型、延长运行时长，并把AI嵌入更多业务环节。
这正契合杰文斯悖论——当某类资源单位使用成本降低、效率提升，其总体消耗量反而可能激增。
AI算力需求早已超越传统预训练阶段。模型还需经历监督微调、强化学习、长时间推理及智能体自主执行等多重计算密集型环节。一个智能体完成复杂任务，往往需连续调用模型、检索资料、操作工具、交叉验证结果，并基于反馈实时重规划。
每个环节都在真实消耗Token。
因此，黄仁勋将数据中心定义为“AI工厂”：以电力与数据为原料，以Token为产出。GPU、高速互联、存储系统、供电设施与机房基建共同构成工业化AI计算底座。
在此逻辑下，模型公司的商业模式可以千变万化，但算力始终是不可替代的共同根基。
闭源模型靠API调用、订阅服务与企业定制盈利；开源模型则依托云托管、专业微调、行业解决方案与SaaS化工具链构建商业闭环。两条路径均离不开训练集群、推理服务器、高速网络与软件工具链的支持。
开源模型还将大量中小企业带入AI市场。企业可能从一个开源模型起步试水，继而采购云算力、模型托管服务、安全加固方案与商业级支持；随着模型进入生产环境，对可靠性、延迟、并发承载、权限治理与运维能力的新需求将持续涌现。
黄仁勋真正看重的，正是这个不断扩张的市场基本盘。
04 2.8万亿参数之后，竞争重心转向系统级能力
Kimi K3将开放模型推向2.8万亿参数新高度，但混合专家架构正使“总参数量”与“实际计算量”日益脱钩。模型参数规模，仅能反映其理论知识容量的一个维度。真正决定商业价值的，是激活参数量、训练数据质量、后训练策略、推理效率、工具调用能力与部署综合成本。
下一阶段的竞争将聚焦三大战场：
首先是效能比。企业最关心的核心指标，是完成一项任务所需的Token数、调用轮次与算力开销。模型在基准测试中得分再高，也不代表落地成本一定更低。能力、响应速度与经济性必须三者兼得。
其次是软件生态。围绕开放模型，开发者正加速构建量化压缩工具、轻量推理框架、多芯片适配层、垂直领域微调方案、模型融合引擎及智能体操作系统。Hugging Face目前已托管超200万个公开模型，单一模型间的比拼，正升级为模型家族与生态系统的全面竞合。
最后是部署主权。越来越多国家与企业希望掌握自己的模型、数据与算力基础设施。开放权重模型因其可本地化、可定制、可跨芯片部署的特性，已成为主权AI与企业私有化AI建设的关键技术底座。
有人将此阶段称为开放模型的“Kubernetes时刻”。
Kubernetes最初由谷歌开源，后经开发者社区、云服务商与企业用户共同推动，逐步成长为云计算基础设施的事实标准。开放模型也可能沿相似路径演进：模型权重成为底层基石，其上将生长出推理框架、云服务、硬件适配栈与行业应用层。
开放生态能否形成如Kubernetes般的统一标准，目前尚存巨大不确定性——模型架构、许可证协议、推理引擎与硬件平台依然高度碎片化。
但方向已然明朗：当开放模型全面迈入前沿能力区间，闭源厂商的竞争壁垒将更多转向用户体验、数据飞轮、服务稳定性与垂直场景深度；而开放模型则依靠成本优势、部署自主权与生态创新力持续扩大市场疆域。
黄仁勋的表态，并非单纯力挺“中国开源模型”。无论最终胜出的是美国闭源模型、中国开源模型，抑或企业自研微调的行业专用模型，只要AI应用持续渗透、更多系统开始高频生成Token，英伟达就始终站在产业增长最确定、最稳固的环节之上。
从这个视角看，黄仁勋的第一条X帖子，也是一份递向华盛顿的商业倡议书。他所坚定维护的，是一个模型供给更加多元、开发者生态更加活跃、算力需求持续膨胀的AI未来。
本文来自微信公众号“腾讯科技”，作者：腾讯科技，36氪经授权发布。
