DeepSeek、智谱与Kimi，竞争前沿生存空间

本文来自微信公众号： 未尽研究 ，作者：未尽研究

中国模型正在从跟随式竞争，进入真正的前沿竞争。而前沿竞争的分水岭，不再只是模型能力，而是持续制造前沿能力的能力。

与全栈投入算力、模型与应用的科技巨头相比，DeepSeek、智谱与月之暗面（Kimi）所面临的资源约束更强。它们必须在更强的资源约束下，持续制造更前沿的智能。

如果参数、算力和资本可以不断扩展，却无法转化为收入；如果模型可以走向全球，却无法形成数据与商业闭环，那么“扩展”最终仍然只是一次昂贵的冲刺，而不像是一场可以持续的竞赛。

扩展的代价

中国开源模型已经进入新一轮参数规模的扩展阶段。从第二季度起，国内AI模型开始进入万亿参数规模，到了下半年，Kimi K3将这一门槛抬升至3万亿级。这样的扩展趋势不会即刻停止，字节跳动高层在内部宣称“不蒸馏“后，有意将竞争进一步拔高至5-10万亿级别。

参数规模的竞赛，越来越需要转化为算力基础设施的竞赛；而算力基础设施的竞赛，最终又会转化为资本的竞赛。无论是DeepSeek还是智谱，都在建设自己的GW级数据中心。

AI竞争，内卷参数3万亿，外拼算力GW级

2026/07/22完整阅读>

在一份广为流传的投资者访谈纪要中，梁文锋“激进”地表示，如果有可能的话，希望“半年之内就把钱花完”。这大致对应首轮约500亿元人民币的外部融资，以及正在推进、目标再融资约500亿元人民币的第二轮融资；与此同时，公司也在筹备IPO。

融资竞赛在本土开源模型厂商蔓延。截至去年年底，智谱拥有现金及等价物约23亿元人民币，港股上市融资约40亿元人民币，并拟在科创板募资150亿元。同样港股上市的MiniMax，也在推动两地上市。而月之暗面仅在今年就完成了累计约75亿美元的融资。

科技巨头们同样如此。在过去的一个季度，腾讯与阿里巴巴合计为AI投入了约1200亿元人民币的资本开支，也让两家公司的自由现金流承受越来越大的压力。阿里巴巴甚至宣布配售新股，计划募资800亿港元，用于AI相关投入。这是其港股上市以来首次进行配股融资。

扩展的约束

但与科技巨头相比，DeepSeek、智谱与月之暗面的压力更加直接。它们缺乏成熟业务的现金流，缺乏雄厚的现金储备，也很难通过内部资源调度分散AI投入的成本。对于模型厂商而言，算力投入最终几乎都要由模型与产品本身的商业价值来兑现。

问题在于，OpenAI与Anthropic的年化收入（ARR）合计已经超过了1000亿美元，而根据此前官方披露或市场传言估算，智谱、DeepSeek与Kimi，这三家中国模型厂商的AI业务ARR，同期合计可能仅略高于20亿美元。

这当然部分反映了前沿模型能力的差距，但与此同时，它也暴露出开源模型的价值捕获难题，以及中国与美国在AI需求规模和支付能力上的现实差距。

阿里巴巴最新财报，提供了观察本土模型厂商企业市场收入空间的一个重要参照。截至上一季度，阿里巴巴算力与云服务分部中，AI相关产品的ARR约为73亿美元。作为承载大量第三方模型与AI应用调用的基础设施，这一数字实际上反映了中国模型的商业化规模依然有限。如果主要依赖国内企业市场，其ARR显然很难脱离这一产业基础凭空增长。

这也意味着，收入增长一旦无法跟上资本投入，估值倍数就会迅速成为持续融资能力的约束。目前，智谱市值约合670亿美元，MiniMax约150亿美元；而DeepSeek估值710亿美元，月之暗面约为500亿美元。中国头部模型公司的隐含估值/ARR，已经明显高于OpenAI与Anthropic。

当国内市场尚不足以单独支撑这一商业闭环时，海外市场就成为收入扩展的重要一环。而美国市场不断涌现的AI新兴云和模型路由服务，也为中国开源模型更深地嵌入全球模型服务生态提供了便利。

开源模型发布后，第一时间将其部署到自身算力基础设施上，已经成为CoreWeave等英伟达投资的AI新兴云的重要竞争方式。此前，Cursor就曾基于Kimi的开源模型进行微调，如今，Harvey等法律AI企业也开始基于Kimi-K3构建自己的企业级AI。

月之暗面开始探索开源与商业化之间的平衡，通过自己定义的Kimi K3 License，为开源模型从“被广泛使用”走向“能够捕获价值”设置了一道门槛。

扩展的路径

与阿里巴巴、腾讯、字节跳动等全栈科技巨头不同，DeepSeek、智谱与月之暗面，更像真正意义上的“模型原生公司”，必须更直接地让模型能力转化为外部收入。三家公司真正的差异，不只是模型能力，而是各自选择了什么样的前沿智能扩展路径。

在海外市场，蒸馏仍然是一个相当敏感的问题。尤其是部分机构与组织将中国开源模型在前沿智能领域的步步紧逼归因于“工业化蒸馏”；但这并非业界共识。与其直接回应这一争议，它们更像是在以自己的方式探索，前沿智能究竟应该从哪里获得。

当下，Kimi-K3重新押注预训练规模，智谱把更多计算投入后训练，DeepSeek则试图把基础设施效率本身纳入扩展。

某种程度上，Kimi-K3的问世，也是对“蒸馏+强化学习”追赶路径的一次修正。此前，Kimi曾因模型能力来源问题被Anthropic点名，而Kimi-K3选择重新押注预训练规模。Kimi-K3团队在技术报告中复盘称，过去，测试时扩展带来的短期收益掩盖了预训练扩展不足的问题，也成为与前沿模型差距拉大的重要原因。这一策略至少在短期内取得了明显进展，Kimi-K3已经在多个关键评测上逼近前沿模型。

智谱则提供了另一种答案。从GLM-5.2到GLM-5.3，团队通过扩展长时程环境、任务类型和强化学习计算量，在相同基础模型上继续提升能力。唐杰所强调的，是不必同时转动所有扩展“按钮”，而是寻找下一阶段最值得投入的那个变量。这不仅带来了GLM-5.3的推理成本优势，也与智谱既有的商业结构更加契合。模型规模越大，对本地算力供给、国产硬件适配和部署成本的要求越高；对于国内政企客户与私有化部署收入仍占据重要份额的智谱而言，如何在模型能力与部署成本之间取得平衡，本身就是扩展的一部分。

DeepSeek则提供了第三种答案。它同样相信参数规模的扩展仍然没有触及上限，但其最突出的特点是，让基础设施效率协同扩展，成为前沿智能扩展的一部分。换句话说，它的模型创新还肩负着与之配套的国产硬件能力的创新。据称，DeepSeek也在寻求自研芯片。随着前沿智能的瓶颈从参数规模传导到算力规模，再传导到硬件产能，基础设施效率已经成为继续扩展绕不开的一环。这条路注定困难，却也因此重要。

摆在它们面前的市场位置与竞争格局，每天都在迅速变化。OpenAI与Anthropic之间的前沿竞争，也在不断产生新的技术路径、产品策略和商业模式。对于中国的模型原生公司而言，它们现在主要是盯着OpenAI和Anthropic竞争，还主要是它们之间的竞争？