跨国深谈← 返回←Kimi K3 冲击波:开源逼近前沿,格局要变

Kimi K3 冲击波:开源逼近前沿,格局要变

关联

人物 Theo Jaffe · Sriram Krishnan · Sofia Puccini

公司 Hugging Face

概念 开源权重 · Frontier Labs · 蒸馏 · 智能体 · Kimi K3

过去几周开源界井喷,中国的 Kimi K3(月之暗面的开源模型)性能直逼顶尖闭源模型——而它由于不受安全护栏束缚,反而能胜任许多美国闭源前沿模型拒绝干的安全审计工作。本期做客直播的是刚卸任白宫 AI 高级政策顾问的 Sriram Krishnan,此前他是 a16z 的合伙人,也曾在 Microsoft、Meta、Snap、Twitter 任高管。在这集对谈里,他聊了三层意思:以 Kimi K3 为代表的新一代开源模型正在哪些层面冲击现有的行业格局;当模型能力变得商品化、又面临「蒸馏」(用大模型生成的回答当教材去训练小模型)和外国竞争等棘手问题时,政策与产业该怎么应对;以及在这个大背景下,如何用最朴素的商业逻辑来看待 AI 整条供应链的价值分配。

说完这集的大地图,先看 Sriram 眼中正在发生的那场冲击。他把当下称作一个「非常奇怪的时刻」:几个月前,市场上领先的似乎只有 Opus 和 GPT 等少数几个顶尖闭源模型,前沿实验室似乎要一骑绝尘;但短短几周内,Grok、Meta 的模型、Thinking Machines 和 Kimi K3 等纷纷登场,尤其是 Kimi K3 的能力已经逼近前沿 。

这种追赶直接带来了一个他曾亲自经历的奇特现象:有安全研究员宁可用 Kimi K3 而不用某些美国顶尖闭源模型去查代码漏洞,原因竟是闭源模型动不动就触发安全拒绝(模型识别到你在查漏洞,出于安全策略拒不作答),反而中国模型百无禁忌,能放手去干 。除了能力补位,Sriram 判断更深远的影响在于「定价权」:很多日常的智能体任务(比如让 AI 扫一眼邮件、看一眼日历)并不需要绝对顶尖的智能,完全可以用「次前沿」或开源模型来凑合 。

当开源选择足够多,消费者有了退路,前沿实验室就很难再维持高价,必然面临降价压力。顺着这条线推下去,他提了一个很尖锐的问题:前沿实验室的护城河到底在哪?如果底层智能慢慢变成大宗商品,那真正能留住用户的,可能就得靠 Claude Code、Codex 这类产品体验上的「粘性」了 。

既然格局在变,美国官方会出手干预吗?这是 Sriram 接着谈的第二个话题。

他澄清自己已离任、没有内部消息,但从他参与制定的特朗普政府 AI 行动计划可以看出,官方把开源看得极重 。他坦言,当前领先的开源模型来自中国(Moonshot、DeepSeek、Quen),这局面让他不太舒服,他更希望领先的是美国的模型 。

但具体到要不要封锁这些中国模型,他的态度很辩证。他援引了 Linux 之父 Linus Torvalds 的「Linus 定律」(只要看的人足够多,所有漏洞都是浅的),坚信开源权重模型本质上是安全的,因为全世界的人都能下载下来拆解、检查 。

真正让他警惕的,反而是前述那种闭源模型的安全拒绝机制——防御者(比如查漏洞的安全人员)自己用模型反而受束缚,这很荒谬。他还顺带提到当天 Hugging Face 报告的一起事件:有人用 AI 智能体大规模猛攻平台找突破口 ,认为反击这种威胁的办法不是限制模型,而是让美国和盟友的防御者能用上最好的模型。

顺着安全和开放的话题,主持人把「蒸馏」这个争议点摆上了桌面。Sriram 解释,蒸馏从来就是 AI 训练的核心步骤——今天的模型都是从抓取全人类互联网内容起步的;而随着网上 AI 生成的垃圾内容越来越多,模型训练天然就会把这些 AI 产出的内容也「吃」进去 。

但当前真正让他和业界头疼的,是一种破坏公平竞争的怪象:某些来自其他国家的模型,可以肆无忌惮地拿美国模型生成的推理过程去「当老师」做蒸馏(规模化地用大模型的回答来训练自己的小模型);可一家美国公司如果想拿其他美国模型的输出来做蒸馏,反而因为法律界限不清而缩手缩脚 。他引述了红杉资本 Dean Mayer 和 Ben Thompson 的观点呼吁:得想办法让蒸馏这件事在规则上变得明确且可接受,给本土开源团队一个公平的竞技场 。

聊完具体的技术与产业争议,最后一块涉及更宏大的能力展望。主持人问起,如果 AI 真能实现自我递进式改进(让 AI 自动化地做 AI 研究,把能力推向陡峭的指数级飞跃),政府该怎么办。

Sriram 显得不太愿意做宏大叙事,他认为学界对此分歧很大,有人觉得几年内就能实现,有人觉得根本性的瓶颈还过不去,曲线会比想象中平缓 。他主张与其为遥远的理论风险担忧,不如务实拆解:一是确保市场有充分竞争的选择;二是聚焦眼下确凿可信的威胁(比如生成固件漏洞、生物风险)去逐个击破;三是相信用 AI 对抗 AI 是更务实的解法,比如用 AI 去扫描代码库找漏洞 。

也正是在这个务实的底色上,他回应了「开源会不会拖垮前沿实验室赚钱」的疑虑:逻辑很简单,只要你的模型有价值,整条供应链——从数据中心到芯片商、到卖灭火设备的——都会自动围着你转、帮你把生意跑通 。他最后透露,离开政府后的他,仍会继续奔走于让美国及其盟友大规模获得 AI 智能的使命之中 。

【背景】转写稿将集标题及文中提到的多个模型名称识别为同音错词(如 Fable 实指 Anthropic 的 Claude 系列,Glock/Grok 指马斯克 xAI 的模型,Quen 指阿里巴巴的 Qwen,Inkling 指 Thinking Machines,base tent 指 Lambda Labs 等);文中一律按正确名称表述,便于阅读。

本集带走

最后收个尾,这一集值得带走的是三个判断。第一,开源追上来了,前沿的溢价就难守——当日常的智能体活儿用次前沿模型就能凑合,前沿实验室必然面临降价和营收压力,真正的护城河要从单纯的智能转向产品体验的粘性。

第二,别把安全当限制开源的借口——开源让全世界都能审查、反而更安全;当防御者自己用闭源模型查漏洞却被安全机制拦下,这套逻辑就该修了。第三,面对蒸馏(用大模型的回答训练小模型)的争议,与其封堵,不如立规矩——必须让美国本土的开源团队和外国竞争者在同一条起跑线上,而只要你的产品真有价值,整条供应链自然会想办法让这门生意跑通。

你可能不需要前沿的 token。你可能能够用前沿减一,或者你选择的开源权重 token 来应付。
you may not need frontier tokens. You may be able to get by with frontier minus one or your open weight token of choice.
—— Sriram Krishnan · [06:41]

你知道,如果你看今天任何美国开源模型,它们都在使用中国模型作为老师,或在某种程度上作为微调过程的一部分。
you know, if you look at any American open source model today, they are using Chinese models as a teacher or in a way as a part of the fine tuning process.
—— Sriram Krishnan · [15:25]

如果你提供一个有价值的产品,资本主义会找到一种方法让供应链为你工作。
if you’re providing a product of value, capitalism will find a way to make the supply chain work for you.
—— Sriram Krishnan · [19:24]

我认为另一个有趣的问题是,如果你是一家前沿实验室,真正的护城河在哪里?是在智能中,还是在工具链中?
I think the other interesting question is, where is the real moat if you’re a frontier lab? Is it in the intelligence or is it in the harness?
—— Sriram Krishnan · [07:20]

我们正处于一个领先模型来自中国的时刻,我认为这不太好。
we are in a moment of time when the leading models are Chinese, which I think is not great.
—— Sriram Krishnan · [10:06]