AI大变天，Kimi K3挤进全球前三，曙光8000开机：中国打法变了

这几天，全球AI圈都被中国爆出两大新闻给震住了。

屏幕上，中国大模型Kimi K3突然冲到前端编程盲测榜第一，把美国头部模型压到身后。

展馆里，中国首个全国产十万卡AI超集群“曙光8000”正式亮相，上线第一周就进入满载状态。

一个是写代码的软件，一个是装满计算卡的机房，看起来互不相干。可把它们放到一起，味道就变了。

过去几年，美国限制先进计算芯片对华出口，核心算盘很简单：没有足够多的高端GPU，中国就很难训练出最先进的大模型，更难搭建超大规模AI集群。

现在，中国模型开始冲击全球榜首，国产十万卡集群也真的开机运行。

美国原本想锁住的那扇门，已经没那么牢了。

美国模型守了三年的榜首，被Kimi K3挤开了一条缝

7月16日，月之暗面发布Kimi K3。

没过多久，Frontend Code Arena的榜单发生了变化。

在这项测试中，不会直接告诉评审，左右两边的网页分别由哪个模型生成。开发者只看最终效果，然后用鼠标选出自己认为更好的那一个。

没有品牌滤镜，也不管背后是哪家大厂。

Kimi K3最终拿到1679分，超过Anthropic的Claude Fable 5，排到第一。

更夸张的是，上一代Kimi K2.6在这张榜单上还排在第18位。一次换代，直接向前跳了17个位置。

前端编程看起来只是写网页，实际很考验模型的综合能力。

用户只给一句要求，模型要自己理解布局、调用工具、编写代码、检查页面效果，再根据画面不断修改。按钮放错位置、颜色搭配难看、页面不能交互，都会影响最终投票。

Kimi K3在7个细分项目中拿下6个第一，说明它已经不只是“会答题”，而是能够连续完成一段比较长的工作。

在独立评测机构Artificial Analysis的综合智能指数中，Kimi K3得到57分，位于全球第一梯队，但仍落后于Claude Fable 5和GPT-5.6 Sol。

过去大家讨论中国模型时，常用的说法还是“距离美国最先进水平还有半年左右”。

现在，这个差距已经缩小到一张榜单上的几个分数。某些具体项目，中国模型甚至已经坐到了第一名的位置。

Kimi K3不是赢下所有榜单，而是中国模型已经能在美国最擅长的编程赛道上抢到第一排。

最好的卡拿不到，中国就先把每张卡的活干满

Kimi K3有2.8万亿个总参数，是目前全球规模最大的开放权重模型之一。

2.8万亿是什么概念？

如果每次回答问题都把这些参数全部调用一遍，计算量和电费都会非常惊人，再大的服务器也得喘粗气。

Kimi K3采用了混合专家架构，内部共有896个“专家”，每次只激活其中16个。

可以把它想象成一栋坐着896名专家的办公楼。

用户问编程问题，系统不会让896个人全部跑进会议室，而是挑出最合适的16个人干活。知识容量还在，实际计算量却被压了下来。

它还使用Kimi Delta Attention和Attention Residuals等新架构，处理长文本时，不需要反复翻遍前面的全部内容。

这也是Kimi K3能够支持100万token上下文的重要原因。

一个大型代码仓库、几十份报告，甚至一本很厚的技术资料，都可以直接塞进工作区。这套思路与美国AI公司的传统打法有些不同。

美国拥有大量顶级GPU，习惯用更强的芯片、更大的集群把模型能力往上堆。中国拿不到同等数量的最新GPU，只能在模型结构、训练方法和推理效率上多动脑筋。

卡不够强，就少做无用计算；显存有限，就想办法压缩权重；单个节点装不下，就把任务拆开，让更多机器协同工作。

Kimi K3甚至在训练阶段就考虑了低精度部署和不同硬件的兼容问题。官方建议运行这款模型时，使用64张以上加速卡组成的超节点，尽量把高频数据交换留在高速互联范围内。

这说明中国大模型公司已经不满足于“把模型做出来”，还得考虑它能不能在不同计算卡上跑起来，企业能不能承担调用价格。

当最好的计算卡不够多，中国模型首先学会的，就是别让手里的计算卡白忙。

十万张国产卡放进机房，最难的不是插上电源

就在Kimi K3发布前几天，中科曙光宣布“曙光8000”正式落成。

这是中国首个全国产十万卡AI超集群，并已接入国家超算互联网。

十万张计算卡摆在一起，听上去像是一道简单的加法题，但实际运作完全不是这么回事。

假如把一张计算卡看成一名工人，十万卡集群就相当于同时安排十万名工人施工。

工人再多，如果材料送不过来、不同工位之间无法交流、仓库读写太慢，现场照样会堵成一团。

大模型训练时，类似的事情每秒都在发生。

一部分计算卡刚算出结果，马上要把数据发给另一部分计算卡。如果网络慢了一点，后面的卡就只能干等。等待时间积累起来，十万张卡可能只有几万张真正干活。

所以曙光8000真正难的不是“凑够十万张卡”，而是把芯片、服务器、存储、网络、散热和调度系统连接起来，让它们像一台机器一样工作。

在芯片方面，系统以海光等国产芯片作为底层支撑。

在网络方面，它使用自研scaleFabric类IB高速网络，负责十万卡之间的数据交换。

在存储方面，ParaStor分布式存储负责给计算卡不断送数据。它此前已经在2026年IO500生产型全节点和10节点榜单中拿下两项第一。

还有一个容易被忽略的问题：散热。

十万张计算卡同时运行，机房里的热量非常惊人。普通风扇已经很难处理如此密集的功耗，曙光8000使用浸没式相变液冷，让设备直接在冷却介质中运行。

系统上线后，第一周就进入满载状态。

目前它日均处理作业超过15万个，单日峰值超过50万个。已有70多项应用实现万卡规模扩展，任务包括大模型、机器人、药物研发、蛋白质折叠和超大规模流体模拟。

这些作业未必都要一次使用十万张卡。

有的任务需要几十张，有的需要几千张，也有一些科研模拟要调用上万张。调度系统要像机场塔台一样，把不同任务分配到合适的跑道，不能让大任务互相撞车，也不能让小任务长期排队。

单卡决定一台服务器跑多快，系统工程决定十万张卡能不能一起跑。

中国还没有全面反超，但美国的护城河已经出现变化

中国AI已经超过美国了吗？还没有！

在模型端，Kimi K3拿下了前端编程盲测第一，但综合能力仍排在美国最强模型之后。完整权重和更大规模的第三方部署，也需要继续验证。

在硬件端，曙光8000是中国首个全国产十万卡集群，却不是全球规模最大的AI集群。

马斯克旗下xAI的Colossus 1已经拥有超过22万张英伟达GPU。xAI还宣称，其算力资源在2025年底已超过100万张H100 GPU的等效规模。

美国在单卡性能、高带宽显存、CUDA软件生态和大规模集群运行经验上，仍然保持明显优势。

但Kimi K3和曙光8000在接近的时间出现，却依然有着标志性意义。

因为美国过去试图卡住的，并不只是一款芯片，而是中国构建先进AI系统的能力。

以前，中国可能有不错的模型，却缺少稳定的大规模国产算力；也可能建起算力中心，却没有足够强的模型把机器用起来。

现在，软件端出现了接近世界最前沿的Kimi K3，硬件端出现了能够连接十万张国产卡的曙光8000。

下一代中国大模型能否直接在国产十万卡集群上完成训练，能否保持稳定收敛，能否把成本压到企业愿意长期使用的水平。

如果这一步走通，美国面对的就不再是偶尔冒出来的一款中国模型。

而是一套能够自己制造算力、训练模型、部署应用，再用市场收入继续升级的AI循环。

这场反超还没有完成，但中国AI的软件和硬件，已经开始同时向前走了。