© 2026 Street Alpha. All rights reserved.
Disclaimer: This article is for informational and educational purposes only. It does not constitute financial, legal, or geopolitical investment advice. The views expressed are based on public intelligence and analytical frameworks as of the publication date and are subject to change without notice. Readers should conduct their own research or consult professional advisors before making any investment decisions.
在《当音乐停止时》中，我提出过一个核心判断：2026 年披露的 AI 收入中，大约只有 26% 能够直接得到已实现生产力的支撑 。其余部分对应的是循环融资、超大规模云厂商出于竞争焦虑的资本开支，以及被转化为算力采购的风险资本 。战略投资变成云服务承诺，云服务承诺变成 GPU 订单，GPU 订单最终又回到各家公司的 AI 收入披露里 。
随后，在《半导体估值重置》中，我把这个问题延伸到了股票久期：半导体的下跌不需要以 AI 需求崩塌为前提，只要市场对资本回报的可见度下降，投资者就会缩短愿意提前定价的时间跨度 。估值先动，订单后动。
Kimi K3的发布，为这个框架加入了一个新的变量。
当前资本周期的两个假设
整轮 AI 资本开支建立在两个假设之上：一是智能需求快速增长，最终吸收今天正在建设的基础设施；二是为这些基础设施出钱的公司，能保留足够大的利润份额。
绝大多数行业分析只在回答第一个。Token 消耗上升、推理模型吃更多算力、智能体带来新工作负载、长上下文推高内存与网络需求，这些都支持物理层面的算力需求。
K3 攻击的是第二个假设。当模型之间可替代性上升，智能服务的市场价格可能比它的基础设施成本降得更快。这里需要引入一组贯穿全文的区分：
物理利用率：GPU 运行小时、Token 处理量、电力消耗、内存占用、网络流量。
经济利用率：这些活动最终产生多少可持续毛利润。
一个集群可以接近满负荷运行，同时因为 Token 价格过低而无法覆盖资本成本。这两个指标的背离，就是 ROI 问题从终端客户向上游蔓延的全过程。
能力差 3%，价格差 88%
Artificial Analysis 的数据显示，Kimi K3 综合智能指数 57 分，GPT5.6 Sol 最高推理档 59 分。混合价格上，K3 约为每百万 Token 2.31 美元，Sol 约为 4.35 美元。
综合能力相差 2 分，约 3%；价格贵 88%。前沿模型今天要用 3% 的能力差，去守 88% 的价格差。这就是闭源溢价的全部资产负债表。
需要说明口径：API 实际计价在纳入推理 Token、缓存折扣和调用模式后，与综合测试口径会有出入。但无论采用哪种口径，方向不变。
前沿模型过去收取高溢价，靠的是稀缺性。只有少数实验室同时拥有集群、人才、资本和分发渠道。稀缺性正在减弱。在自主编程、高阶研究这类可靠性差之毫厘、经济价值差之千里的任务上，Sol 依然占优，2 分仍能支撑溢价。但大多数客户买的不是排行榜第一，而是能被完成的工作。当一个开放模型已经足以处理文档分析、编程辅助、客服、内部研究和数据提取，闭源模型就必须用任务完成率、错误成本、安全性、软件整合或工作流控制来重新证明自己的价格。
K3 不需要在所有测试中击败 Sol。它只需要在足够多的商业场景里，成为一个可信的备选。
这会从四个方向改写客户行为：高难度任务给 Sol、日常任务给 K3；独立推理服务商托管开放权重、以运维效率竞争；大企业把自建部署当成谈判筹码；开发者围绕多个可互换模型设计应用。客户是否真的自建集群，不是关键。只要迁移成为一个可信选项，它就足以压低闭源定价能力。 开放权重对闭源经济模式的冲击，远大于实际自建部署的企业数量。
决定成本的，是利用率
开放权重容易造成一种错觉，仿佛智能的生产成本已经趋近于零。被免除的只是授权与调用费，物理成本一分不少：加速器显存、互联网络、存储、电力、冷却、推理软件、工程团队。
这里有个被广泛混淆的技术点：稀疏路由降低的是计算，不是内存。K3 是总参数 2.8 万亿的混合专家模型，每次只激活其中一部分。相比同等总参数的稠密模型，单 Token 计算量显著下降，但推理系统仍然必须能访问完整的专家权重。
所以市面上”10 张、12 张或 20 张 H200 就能跑 K3”的说法，必须附加条件。高度量化、缩短上下文、限制并发之后，小集群或许能让模型跑起来。但如果目标是长上下文、多用户并发、低延迟加故障冗余的生产级服务，设备数量会明显上一个台阶。
单张 H200 配 141GB HBM3e，市场估算单价约 2.8 万至 4.5 万美元；一台八卡 HGX H200 服务器在不含网络、存储和更广泛数据中心投入的情况下，约 32 万至 42 万美元。多节点加冗余、网络与运维，总投资很容易进入数百万美元区间。
自建是否划算，只取决于一件事：利用率。 拥有持续、稳定、规模足够大工作负载的机构，可以把固定成本摊到海量 Token 上，同时换来数据控制、模型定制和对外部 API 规则变化的免疫。需求波动明显的公司，API 通常更经济。GPU 空闲时照样折旧，工程团队、电力系统和为高峰预留的容量不会因为调用量下降而消失。
多数开放模型成本测算使用理论吞吐量，并默认硬件长期满负荷；真实生产里有需求波动、维护、故障、任务碎片化和峰值预留，实现利用率往往低于理论水平。
结果是市场分层：政府、超大规模云厂商和大型企业自建；中小公司继续买 API 或云推理；独立服务商托管同一批权重，围绕利用率、硬件效率和融资成本竞争。开放权重扩大了智能的供应者数量，却没有消除智能背后的物理基础设施。
两条同时加速的折旧曲线
硬件折旧发生在新一代加速器提供更高吞吐、更大显存或更好能效之后。旧 GPU 还能跑，但单位 Token 成本上的竞争力已经下降。模型折旧发生在新模型发布之后。旧模型还能干活，却因为对手更强或更便宜而失去定价权。
两条曲线的速度并不一致：
电力与数据中心合同：期限可达多年。
加速器供应协议：通常在设备投产前很久签订。
前沿模型的商业领先窗口：可能只有几个月。
这三个数字不需要任何需求假设，就已经构成本轮资本周期最被低估的风险。 一家实验室若按”某模型能维持两年高溢价”来做投资决策，而开放竞争者用六个月抹平了能力差，那笔训练投资的回报结构就已经改变。模型仍在产生收入，超额回报的窗口却大幅缩短。与此同时，负责推理的旧硬件还要面对新一代加速器压低单位成本带来的价格挤压。
形式化地说：基础设施的长期固定义务 > 前沿模型保持商业领先的时间。
前沿实验室的两难选择
Anthropic首席财务官Krishna Rao曾经非常直接地描述这个问题：
“If you buy too much compute, you go out of business. If you buy too little compute, you can’t serve your customers.”
如果购买的算力太多，公司会因为成本过高而倒闭；如果购买得太少，公司又无法服务客户。
对单个实验室，理性选择永远是在需求被验证之前先锁定算力。没人愿意因为缺卡输掉下一代模型竞赛。但所有人同时这么做，结果就是全行业过度投资：每家都在防御性扩张，因为对手也在扩张。
开放权重放大了这个压力。数十亿美元训练出的领先系统，会通过论文、人才流动、合成数据、模型蒸馏和开源工程迅速扩散；对手不需要复刻整个训练过程，只需要达到相似的商业效果。K3 反映的现象是：扩散速度可能已经超过了许多基础设施投资所隐含的经济寿命。
护城河的第二个漏洞：软件层
基础模型只是 AI 产品的一部分。智能体系统还依赖任务编排、记忆、工具调用、权限机制、界面和软件集成，而这些周边能力通常比模型权重更容易复制。
Anthropic 曾因软件打包错误意外泄露近 2000 个内部文件，其中包括约 50 万行 Claude Code 源代码；Anthropic 表示未泄露客户凭证，也未暴露底层模型权重。这件事没有摧毁它的模型护城河，但说明围绕基础模型构建的产品基础设施，比市场想象中更容易被看到和模仿。
当周边软件的复制难度下降，差异化就转移到模型可靠性、专有数据、工作流整合、安全性和分发渠道上。问题在于，这几样东西没有一样天然属于前沿模型实验室。
OpenAI为什么开始走向硬件
苹果对OpenAI提起的诉讼，让这一战略问题以更加具体的方式呈现出来。
苹果指控OpenAI有组织地招募苹果员工，并获取与尚未发布的消费产品有关的机密信息。根据苹果在诉讼中的说法，目前已有超过400名前苹果员工加入OpenAI。 这些内容目前仍属于苹果单方面提出的指控，尚未经过法院裁决。
即便暂不讨论诉讼结果，OpenAI大规模招募硬件人才的行为本身已经具有战略意义。
消费硬件可以帮助OpenAI建立自己的分发渠道，减少其对苹果、谷歌和微软的依赖。它也可以创造一种围绕持续AI交互设计的全新终端，而不是把ChatGPT继续作为其他操作系统中的一个应用。
当模型之间越来越容易相互替代时，控制分发渠道就会变得更加重要。
如果单靠模型能力无法长期留住用户，公司就必须控制更多用户界面、工作流和分发入口。
但是，进入硬件行业也意味着更高的资本密集度。OpenAI需要在继续承担模型训练与推理成本的同时，处理产品工程、制造、零部件采购、库存、分销、售后和保修。
向硬件扩张可能是OpenAI应对模型护城河减弱的合理选择，却也会让公司变得更加复杂，并使其利润率逐渐偏离市场过去对纯软件平台的想象。
苹果的议价能力正在增强
苹果所处的位置几乎与OpenAI相反。
它已经拥有用户、设备、支付体系、身份系统和全球分发网络。苹果可以利用AI增强这些资产，却不需要在每一个时间点都拥有全球最强的基础模型。
随着模型能力逐渐趋同，苹果可以在多个供应商之间做出选择。较小的模型可以在设备端运行，复杂任务则可以被分配给外部模型。苹果还可以利用模型实验室之间的竞争重新谈判价格和合作条件。
前沿模型实验室承担训练风险，苹果继续掌握最终客户。
这也解释了《半导体估值重置》中讨论的市场现象。当市场开始缩短愿意定价未来利润的时间跨度，资金会流向拥有现有现金流、分发能力和直接股东回报工具的公司，同时离开那些利润仍依赖数年后项目落地的企业。
开放权重竞争越激烈，分发渠道的价值就越高。
模型越容易替代，客户关系就越难替代。
物理利用率与经济利用率
分析AI基础设施需求时，我们需要把利用率拆成两个不同概念。
物理利用率衡量的是GPU运行小时、Token处理数量、电力消耗、内存容量和网络流量。
经济利用率衡量的是这些活动能够产生多少毛利润。
一个集群可以接近满负荷运行，同时因为Token价格过低而无法获得合理回报。一个模型可以拥有大量用户，却在高强度使用者身上持续亏损。一家新云厂商也可以披露不断上升的GPU利用率，同时面临租赁价格不足以覆盖融资成本的问题。
这正是Kimi K3与AI资本周期之间最重要的联系。
Kimi K3可以通过吸引更多企业部署大型模型，提高整个行业的物理利用率。同时，它也可能通过压低API价格和提高工作负载的可迁移性，降低每个计算小时所创造的经济价值。
算力需求繁荣与资本回报恶化，可以同时发生。
杰文斯悖论的边界
Token 使用量增长率>每 Token 收入下降率
价格降 70%、用量增 5 倍，行业总收入上升；价格降 70%、用量只增 50%，物理使用量上去了，收入反而缩水。
这里必须诚实：目前我们无法可靠地观测行业实际处在不等式的哪一侧。 大量 API 价格含有战略补贴，披露的用量也混杂了免费额度与战投转化的消费。这本身就是一个值得警惕的信号：当价格不由成本决定时，杰文斯式推理失去了它的前提。
更关键的是，即使不等式成立，利润也不会平均分配。电力公司受益于用电量，半导体供应商受益于硬件需求，模型实验室仍可能因为竞争把价格推向成本而毛利下滑。杰文斯悖论解释总消费量，不回答谁赚到钱。
融资循环中的价格压力
回到那 26%。当前需求中含有显著的融资成分，而开放权重带来的价格竞争，可能在物理需求下降之前，先削弱这套融资结构。
一家 AI 原生公司可以处理更多 Token，却仍拿不到足够毛利覆盖云服务承诺；风险投资就得继续填补客户收入与基础设施支出之间的缺口。超大规模云厂商照常确认收入，终端用户却靠外部资本维持运营。
资金环境收紧时，最先坏掉的不是利用率，而是合同、估值和再融资：
芯片供应商销售收入还在增长，却对某个 AI 客户的股权投资计提减值。
新云厂商 GPU 集群维持高利用率，却无法为设备债务完成再融资。
超大规模云厂商披露 AI 收入增长，同时向客户提供更多额度与补贴来维持这些收入。
真实使用量与能够自我维持的使用量，已经是两个不同的概念。
第零阶段：模型经济断裂
我把这个状态称为阶段零：AI 使用量仍在增长，但模型供应商能拿到的收入与毛利开始恶化，技术进步反过来侵蚀了支撑下一轮基础设施投资所需的回报。
阶段零不是四阶段框架的前一格，而是它的输入条件。 四阶段描述的是股价与半导体订单的传导；阶段零发生在更上游，也就是模型实验室的损益表上。只有模型层的毛利率先破裂，第三、第四阶段才会被真正触发。
K3 是阶段零的一个观察信号，不是确认。以下五条是我用来判断它是否被真正触发的可观测条件：
7 月 27 日权重实际发布，且第三方独立部署验证官方性能与效率声明。
出现企业基于成本将生产工作负载从闭源 API 迁移到 K3 的公开案例。
闭源前沿模型的 API 定价或折扣结构出现防御性调整。
GPU 租赁价差收窄，或新云厂商披露再融资困难。
云合同重新谈判，或芯片供应商对 AI 客户股权投资计提减值。
对半导体产业链意味着什么
这种变化对AI基础设施各层的影响并不相同。
NVIDIA
开放权重模型的普及，短期内可以继续支持NVIDIA的需求。
更多模型意味着更多训练、微调和推理任务。实验室之间的竞争，也会促使每个参与者提前锁定更多算力。
与依赖未来产品放量的供应商相比，NVIDIA的收入和利润已经体现在当期财务报表中，因此它的股票久期相对更短。
中期风险来自边际需求的财务质量。如果模型供应商无法获得足够回报，它们的算力采购就会更加依赖超大规模云厂商补贴、战略投资和外部融资。
NVIDIA可以继续保持技术主导地位，同时面对客户生态信用质量逐渐恶化的问题。
存储
Kimi K3这一类模型强化了HBM和数据中心内存的物理需求逻辑。庞大的模型权重、超长上下文、推理缓存和专家路由都需要大量内存资源。
但内存依然是AI产业链中资本周期属性最强的环节之一。供应短缺创造的创纪录利润率，完全可能在AI总使用量下降之前开始回落。
Micron通过长期战略产能协议、客户预付款和信用证获得了一定保护。这些协议只覆盖部分未来收入，也无法阻止股票估值倍数下降。
真正需要回答的问题，是部署开放模型的运营商能否在整个合同周期内赚取足够回报，从而持续承受短缺时期的高内存价格。
Marvell与网络互联
大型分布式混合专家模型会提高通信需求。专家路由、多节点推理和长上下文任务，都有利于光学DSP、定制芯片、Scale-up网络和Scale-out互联的发展。
这进一步强化了Marvell的技术机会。
估值问题依然集中在时间上。公司相当一部分预期盈利来自2028财年及更远期项目。开放模型的普及可以验证基础设施需求，但模型价格竞争也会降低市场对客户资本回报的信心。
技术逻辑变得更强，并不意味着过去的估值倍数仍然合理。
ARM
开放模型可以把推理能力进一步扩散到云端、边缘设备和新的消费硬件，从而创造更多CPU和专用加速器需求。
OpenAI进入硬件领域，可能为芯片行业带来新的机会。但就目前而言，苹果已经拥有设备生态和分发渠道，因此其战略位置更加有利。
ARM的核心问题仍然是久期。数据中心和AI终端的许多盈利机会还没有进入财务报表。模型普及扩大了潜在市场，却没有解决兑现时间和估值的问题。
光通信供应商
分布式推理提高了网络密度。随着模型规模增加，工作负载被分散到更多加速器上，系统瓶颈会逐渐从单纯的计算能力转向内存带宽和光学连接。
这支持1.6T光模块和共封装光学系统的长期需求。
股票层面的风险，依然来自当前价格中包含了多少未来年份的利润，以及这些技术能否按计划进入量产。
电力
在整个产业链中，电力与物理使用量的关系最直接，对具体由哪一家模型实验室获胜的依赖则最低。
无论运行的是Kimi K3、GPT-5.6 Sol，还是超大规模云厂商自己开发的模型，都需要消耗电力。推理成本下降会刺激更多需求，更复杂的推理过程也会提高每项任务生成的Token数量。
因此，电力基础设施仍然具有较为持久的需求属性。项目融资、建设位置和投产时点依然重要，但电力本身不需要押注某一个模型最终胜出。
Neocloud
新云厂商同时暴露于硬件折旧、价格竞争、客户集中和再融资风险。
开放权重可以增加GPU租赁需求，也会让更多服务商提供完全相同的模型。差异化减弱后，GPU租赁价格将承受更大压力。
纯GPU租赁商需要依靠足够高的利用率、租赁价格和硬件残值来维持资本结构。超大规模云厂商则可以通过云服务、软件、存储和客户关系，从同一套基础设施中获得多层收入。
因此，新云厂商完全可能在工作负载持续增长的同时，经历股权价值下降。
估值压缩仍然会按顺序传导
我此前提出，内存将最早被重新定价，因为它同时具备高资本密度、强周期性和价格快速变化的特征。随后是互联与定制芯片，因为这些业务高度依赖少数超大规模云厂商的项目。光通信和网络供应商会以一定滞后速度受到影响。芯片IP与电力则因为设计周期和建设周期更长，通常会较晚进入压缩阶段。
开放权重竞争不会推翻这个顺序。它所做的是降低支撑每一层资本投入的预期回报。
模型实验室最先感受到价格压力。新云厂商随后通过租赁价差和再融资感受到影响。超大规模云厂商开始重新评估新增容量的投资回报。半导体供应商最终根据自己所处的订单环节和盈利久期，依次承受压力。
整个过程可能发生在行业收入和订单仍然强劲的时候。
重新回到四阶段估值框架
当前半导体调整，仍然可以用《半导体估值重置》中的四阶段框架来理解。
第一阶段是估值倍数压缩。投资者仍然相信未来盈利，只是不愿意再给予相同的估值。
第二阶段是仓位清算。杠杆、拥挤交易和流动性不足，推动股价跌破传统估值模型所计算的公允价值。
第三阶段是盈利预期下调。产品延期、价格走弱或客户部署放缓，开始影响供应商的收入和利润预测。
第四阶段是资本周期逆转。融资条件或预期回报不足，导致超大规模云厂商削减资本开支，进而改变整个AI供应链的盈利路径。
现阶段，开放权重模型的趋同主要影响第一阶段。它降低了市场对未来利润持续时间和利润归属的信心。
Kimi K3的发布本身，并不能证明超大规模云厂商正在削减资本开支，也不能证明半导体订单正在被取消。
真正的风险在于，模型经济压力是否会通过客户现金流恶化、云合同重新谈判以及新增算力回报下降，逐渐传导到第三和第四阶段。
这一传导过程应该被持续监测，而不是提前假定它一定会发生。
接下来需要观察什么
K3 的意义不在跑分，而在能力、价格与利润归属三者之间的关系。一个计划开放权重的模型已经足够接近 GPT5.6 Sol，可以进入企业采购的候选名单；技术差距仍在，但支撑前沿模型高估值的经济差距，没有许多投资者想象中稳固。
这会继续支持半导体需求，更多模型带来更多推理、内存流量、网络需求和电力消耗。同样的过程也在削弱为这些需求出钱的商业主体：模型价格下降，竞争优势折旧加快，基础设施义务固定不变，而用于偿付的毛利润越来越不确定。
下一阶段可能同时出现两个看似矛盾的现象：全世界消费的智能越来越多，而生产智能的公司从每单位智能中赚到的钱越来越少。
对投资者而言，Token 增长不够，GPU 利用率不够，资本开支增速也不够。要衡量的是经济利用率：每一单位物理算力，最终能产生多少可持续毛利润。
前两篇文章分别问了 AI 支出中有多少由真实生产力支撑，以及市场愿意为几年后的半导体利润买单。K3 把这两个问题接在了一起：如果模型能力趋同的速度长期快于基础设施成本下降的速度，本轮资本周期所需的投资回报会越来越难实现。最先反映的是模型定价、新云厂商租赁价差、云合同的资金覆盖能力，以及股票市场愿意给予的盈利久期。而在这个阶段，半导体订单仍然可能保持强劲。
AI 基础设施的长期需求底部可以继续上升。但在这个底部之上，每一美元新增投资到底能赚回什么，仍然没有被证明。