花旗半導體分析師Peter Lee認為，Kimi K3觸發“傑文斯悖論”，即技術效率提升降低單位使用成本後，最終資源總消耗不降反升，伺服器DDR5和eSSD等通用記憶體需求仍會增加。美銀證券認為，更強的中國開源模型未必會讓美國AI巨頭削減算力投入，相反模型差距縮小會提高領先者維持優勢的成本。
Kimi K3把AI投資者重新帶回一個核心問題：模型更便宜、更高效，是否意味著晶片和記憶體需求下降？花旗和美銀證券的答案都偏向否定，效率提升可能釋放更多使用量，進而推高總資源消耗。
據追風交易台，月之暗面發佈的Kimi K3擁有2.8兆參數，面向100萬token上下文窗口和長周期智能體任務。花旗半導體分析師Peter Lee認為，即便Kimi K3被廣泛使用，伺服器DDR5和eSSD等通用記憶體需求仍會增加。
美銀證券半導體分析師Vivek Arya在7月17日的研究中也指出，美國前沿AI實驗室更可能增加算力投入，而不是減少投入。若中國開源模型持續逼近，OpenAI，Anthropic和Google等領先者需要用更大訓練規模，更重推理和更快產品迭代維持差異化。
這意味著市場對Kimi K3的定價邏輯，不能只看單次推理成本下降。更關鍵的是，低價模型是否帶來更多呼叫，更長任務鏈和更多token生成。若答案為是，GPU，HBM，DDR5，eSSD，高速網路和推理系統都可能繼續受益。
01
低價高性能，觸發“傑文斯悖論”
花旗將Kimi K3視為AI產業鏈中“傑文斯悖論”的潛在案例。該悖論的核心是，技術效率提升降低單位使用成本後，使用量可能大幅增加，最終資源總消耗不降反升。
Kimi K3的吸引力來自低成本與高性能組合。公開價格顯示，快取命中輸入價格為每百萬token 0.3美元，輸出價格為每百萬token 15美元。其完整權重計畫於7月27日披露，目標是支援長周期智能體工作。
花旗的判斷是，模型降價不會自動減少硬體需求。相反，低成本可能提高開發者和企業呼叫模型的意願，推動更多AI智能體部署。智能體任務並非一次性問答，而是在連續任務中不斷生成，讀取和處理token。呼叫次數和任務長度上升，會把單位成本下降重新轉化為總資源消耗。
因此，Kimi K3對半導體鏈條的影響，重點不在“單次呼叫是否更便宜”，而在“總token量是否擴大”。這正是花旗看好伺服器DDR5和eSSD需求的原因。
02
長上下文推理，把壓力傳導至記憶體
Kimi K3採用三項關鍵技術：Kimi Delta Attention，Attention Residuals和Stable LatentMoE。Kimi Delta Attention用於降低100萬token上下文窗口的成本，Attention Residuals用於在模型不同深度之間選擇性檢索表徵，Stable LatentMoE則提升稀疏化程度，每個token僅啟動896個專家中的16個。
月之暗面的技術資料稱，這套架構使Kimi K3的擴展效率達到K2的2.5倍。高稀疏度和長上下文能力，是其壓低運行成本的重要基礎。
但花旗強調，這並不等於推理端資源壓力消失。Kimi K3仍不是輕量級部署方案，其運行需要多節點叢集，超級節點配置超過64顆GPU。更重要的是，長上下文和智能體任務會推高KV Cache佔用，進而增加推理端記憶體負擔。
KV Cache需求直接關聯伺服器DDR5和eSSD。DDR5承擔高頻資料存取，eSSD受益於更大的快取和資料記憶體需求。對記憶體廠商而言，關鍵變數不是單個模型是否更省算力，而是低價之後模型被呼叫多少次，每次呼叫生成多少token，以及智能體任務鏈被拉多長。
03
模型逼近，反而抬高算力門檻
美銀證券的結論與花旗形成呼應，但關注點更偏向GPU和AI基礎設施。Vivek Arya認為，更強的中國開源模型未必會讓美國AI巨頭削減算力投入。相反，模型差距縮小會提高領先者維持優勢的成本。
美銀證券指出，如果開源模型持續逼近，OpenAI，Anthropic和Google需要依靠更大規模訓練，更多強化學習與合成資料循環，更重的測試時推理，以及更快的產品發佈節奏來守住差異化。
這套邏輯不取決於那一個模型短期領先。大模型排行榜可能快速輪換，但企業真正購買的是穩定，低延遲，高可用的AI輸出，以及更低的“每單位有效產出”成本。當模型能力趨同，競爭壓力會傳導至底層基礎設施，包括GPU，HBM，高速網路和推理系統。
因此，美銀證券認為，Kimi K3這類模型的出現，不應被簡單理解為“模型更高效，晶片更少”。更現實的路徑是，模型競爭加劇，領先者為了保持距離繼續加碼算力。
04
MoE架構改變瓶頸，視訊記憶體和互連更重要
Kimi K3採用MoE架構，意味著總參數量和每次推理實際啟動的參數可以分離。這一變化降低了部分計算壓力，但也讓基礎設施瓶頸從單純算力，轉向視訊記憶體訪問，專家路由，響應延遲和互連能力。
美銀證券強調，MoE推理要求系統更高效地搬運資料，調度專家模組，並連接更大的計算叢集。輝達提出，現代MoE推理需要更大的GPU域。其測算顯示，GB300 NVL72在領先開源模型上的每瓦性能，最高可達到Hopper平台的25倍。
CoreWeave圍繞Kimi K2.6的測試也說明，開源MoE模型即使每次只啟動部分參數，若要在速度和性價比上保持領先，仍需要經過最佳化的輝達GB300/GB200 NVL72基礎設施。
這意味著，模型權重可能逐步商品化，但運行模型所需的GPU，高頻寬記憶體，網路互連和推理系統不會失去價值。相反，隨著模型呼叫量擴大，這些環節可能成為競爭更集中的地方。
05
Token使用仍在擴張，需求端尚未見頂
美銀證券還引用OpenRouter資料指出，模型呼叫量仍在快速增加。作為連接多家模型實驗室的第三方API平台，OpenRouter上的token使用量持續增長，其中中國AI實驗室模型的token使用量已經超過非中國實驗室模型。
這一資料不能直接代表所有企業和消費者場景，但它至少顯示，開發者在開放模型生態中的選擇正在變化。模型價格下降和能力提升，可能推動呼叫量繼續擴張，而不是被單一模型的效率提升抵消。
企業付費使用也在增加。Ramp資料顯示，截至2026年6月，約55%的美國企業已付費訂閱AI模型，平台或工具，高於美國人口普查局BTOS調查的21%估計。按模型看，Anthropic企業採用率為42.4%，OpenAI為39.5%。
不過，AI支出仍高度集中。頭部1%的企業使用者，平均每名員工每月AI支出約4833美元，前10%為516美元，整體中位數僅為11美元。科技與媒體行業訂閱率達到79.8%，大型企業採用率為65.5%，高於中型企業的61.3%和小型企業的48.7%。
這組資料支援一個判斷：AI使用仍處於擴散過程中。若低價模型降低進入門檻，未來增量需求可能來自更多企業，更多開發者和更多智能體應用。
06
從“更省算力”轉向“更多工作負載”
花旗和美銀證券的共同結論是，Kimi K3的意義不在於單一模型是否降低單位推理成本，而在於低成本是否釋放更大規模的工作負載。
對花旗而言，最直接的受益方向是伺服器DDR5和eSSD。長上下文，KV Cache和智能體任務會提高記憶體訪問與記憶體需求。對美銀證券而言，更重要的是GPU，HBM，高速網路和推理系統，因為模型競爭會迫使領先者繼續投入基礎設施。
美銀證券還提到，Kimi K3涉及“45奈米開源EDA”不應被簡單解讀為商業EDA被替代。相反，這表明晶片設計仍離不開EDA工具。在先進製程上，Cadence和Synopsys等商業EDA廠商仍處於關鍵位置。 (硬AI)