博士算力猎场 · 2026年8月5日 07:00 · 行业洞察Dr. Wu | UCLA Ph.D | 国内首个千卡、万卡GPU智算集群缔造者

K3开源已经一个多月，前半段的叙事是"沸腾"——月之暗面把一个2.8万亿参数的MoE模型直接开源，社区欢呼、媒体刷屏、GitHub星标暴涨。但最近两周，叙事正在经历一次"去泡沫化"——首批部署团队的真实反馈回来了，部署门槛比想象中高、调试成本远超预期、硬件要求让大量中小企业望而却步。今天这篇，不讲K3的技术参数（那些在开源当天就被讲烂了），只讲K3正在如何重塑中国推理算力市场的需求结构和竞争格局。

一、K3的真实部署画像：8卡是门槛，64卡是理想

把首批部署团队的反馈数据做一个聚合画像：

8卡是K3的最低门槛——低于这个数模型装不进显存。16卡是成本与性能的"甜点点"。64卡以上是高吞吐的"标准答案"。问题在于——16卡B300在当前市场需要约2800万硬件成本，64卡超过1亿。这个价格直接把99%的创业公司拦在了"部署K3"这个事的门外。

这里有一个反直觉的结论：K3的开源，没有降低算力门槛——它降低了"模型能力门槛"，但把"算力门槛"赤裸裸地暴露了出来。 你不需要花几个亿训练一个K3级别的模型了，但你需要花2800万部署它。对资本雄厚的大厂来说，这两个都是小数目。对创业公司来说，省掉训练费但被部署费卡住——结果是一样的，进不来。

二、推理算力需求正在分层：K3是"加速器"不是"触发器"

K3开源之前，推理算力的需求结构比较扁平——大部分是用70B以下的Dense模型做推理，单机甚至单卡就能搞定。K3之后，需求正在被分层切开：

第一层：小模型推理层（7B-70B）。K3对这个层级的影响不大——你该用什么用什么，B300对这个层级来说性能过剩，H100/H200甚至A100都够用。这个层级的需求量和增速是最稳定的。

第二层：K3级推理层（万亿参数MoE）。这是K3撬动的最大增量层。K3开源之前，几乎没有中小企业在用万亿参数模型做推理——不是因为不需要，是因为之前只有闭源API，数据安全和成本都是问题。K3开源后，中小企业第一次有了"在自己硬件上跑顶级模型"的选项。这个需求增量，我们保守估算未来3-6个月中国市场将新增300-600台B300等效的推理需求——对应硬件市场规模约45-90亿人民币。这是K3直接撬动的"增量蛋糕"。

第三层：K3级训练/微调层。K3开源后，大量企业不做从头训练，但要做领域微调（LoRA）——LoRA微调K3只需要2-4张B300，成本极低。这部分需求会分散到大量中小集群上，对算力市场的总量影响不如推理层大，但"分布式"的特征会改变算力服务的商业模式——从服务少数大客户变成服务大量中小客户。

三、国产算力的"K3红利"

K3对国产算力的战略意义，怎么强调都不过分。

在过去，国产算力面临一个"先有鸡还是先有蛋"的困境——没有足够好的模型在国产算力上跑→企业不买国产算力→没有装机量做适配优化→模型在国产算力上跑不好→更没有企业买。K3打破了这个循环——它提供了一个"足够好的开源模型"，企业有动力为它去部署算力。企业买国产算力→装机量上来→适配优化加速→模型跑得更好→更多企业买。

这个飞轮已经在转了。K3在昇腾910B上的推理适配约80%完成，预计8月中旬跑通完整推理链路。如果950DT在9月上市且训练性能达标，国产算力将第一次拥有"从训练到推理的全栈能力"——用950DT做训练、用910B和950PR做推理、用K3做模型。这个全栈方案的总成本，可能只有纯B300方案的三分之一到五分之一。

当然，性能和生态的差距是客观存在的。910B的单卡推理吞吐约B300的60-70%，软件生态的成熟度更是差了不止一个量级。但K3让这个差距从"天壤之别"变成了"可以计算的差距"——当你能量化"国产比B300慢多少、但便宜多少"的时候，决策就从一个信仰问题变成了一个成本收益问题。

四、对全球AI竞争的三层影响

第一层：开源武器化。K3不是孤例——DeepSeek-V3、Qwen 2.5-Max、K3，中国AI行业正在用"开源组合拳"对抗闭源模型的生态垄断。三款模型覆盖了从小到大、从通用到垂直、从Dense到MoE的完整矩阵——而且全部是Apache 2.0或MIT协议。这种"去中心化"的分发模式，是闭源生态最难应对的竞争——你无法通过封锁渠道来阻止对手，因为开源模型在世界任何角落都能下载。

第二层：推理算力成为新战场。训练算力的竞争格局已经相对稳定——少数几个大厂和国家级实验室有资本做万亿参数模型的训练。但推理算力是"人民战争"——成千上万的中小企业需要部署推理集群。谁能为这些中小企业提供"低成本、高性能、易部署"的推理算力方案，谁就能抓住推理市场中最大的一块增量。

第三层：硬件生态的"去英伟达化"正在加速。K3开源降低了模型对特定硬件的依赖——你不需要英伟达的CUDA生态跑K3，你可以把它适配到任何有足够算力的硬件上。这是对英伟达生态护城河的一次实质性削弱。虽然短期内英伟达的硬件优势仍然显著，但"模型-硬件"的绑定关系正在松动——这对算力市场的长期格局影响深远。

五、Dr. Wu的判断

1. K3开源最大的意义不是"又多了一个开源模型"，而是"把中国AI的真实能力摊在桌面上"。你不需要通过媒体报道来猜测中国AI的水平——下载K3，跑一遍，答案一目了然。这种透明度，本身就是一种竞争策略。

2. 推理算力市场正在进入"K3需求驱动"的新阶段——买家的画像从少数大厂变成大量中小企业，需求从大规模训练集群变成中小规模推理集群。算力行业的销售模式、服务模式、定价模式，都将因此改变。

3. 国产算力的"K3红利"窗口期大约是3-6个月——够做适配验证、够跑POC、够积累标杆案例。能不能在窗口期内证明自己"不只是B300的廉价替代品，而是K3的最佳载体"，决定了这轮窗口是不是能变成真正的转折点。

关注K3与算力产业格局深度分析？加入算力猎场，和洞察全局的人一起看。

群里有算力产业链的决策者、投资人和技术专家，每日独家分析和行业前瞻。

博士算力猎场 | 行业洞察Dr. Wu | UCLA Ph.D | 国内首个千卡、万卡GPU智算集群缔造者