新智元导读提到，2025年之前流行的闭源加上重资本这种范式，正在被DeepSeek - R1与月之暗面Kimi K2 Thinking改写，它们花费数百万美元成本，采用开源权重，凭借MoE与MuonClip等优化，在SWE - Table与BrowseComp等基准方面追平或者超越GPT - 5，还以更低的API价格以及本地部署来撬动市场预期，促使行业从砸钱堆料转变为以架构创新与稳定训练作为重点的高效路线。

在2025年之前，AI领域流行着这样的一个观念，即仅有闭源，以及巨额投入，还有疯狂堆积算力，才能够塑造出最为强大的模型 。

OpenAI身为这一思路的引领者，不但对模型训练守口如瓶，还跟合作伙伴描绘了高达1.4万亿美元的基础设施规划示意。

八年内，要烧掉1.4万亿美元，用于构建数据中心，这被视作确保领先的唯独途径 。

置身于这般思维情形之下，OpenAI的旗舰模型在开展相应研发工作时，其成本呈现出持续且快速上升之态势：依据所听闻的消息表明，单单是训练GPT - 4这一模型，便耗费了大概1亿美元之巨。

那种闭源加上重资本投入的模式曾经一度让不少人觉得很有说服力，就是因为这样，OpenAI 才得到了高到离谱的估值以及大量汹涌至极的资本给予的大力支持。

然而，这一个，用金钱砸出来智能的神话，正在跟随着一系列，出乎人们意料的挑战，而发生动摇。

信念的第一次动摇

DeepSeek-R1横空出世

年初时，有一家中国初创公司，那个时候它还名不见经传，却掀起了一次巨浪，此公司名为深度求索 。

它所发布的DeepSeek - R1模型，不但实现了开源，并且宣称其性能能够与OpenAI的顶级模型相媲美。

更让人令人惊讶、感到十分震惊的是，DeepSeek声称、宣称训练这个、这款模型仅仅、只花费了大概、约560万美元，而这笔钱甚至、就连在旧金山都买不起一套称得上、像样的房子，句号。

这个成本数字，跟业内普遍所认为的那个“烧钱”级别相较，差距极大，仅仅约是 Meta 开发 Llama 模型成本的十分之一 。

事实证明，这并非夸夸其谈。

在DeepSeek - R1发布后的那一周之内，DeepSeek App的下载量急剧且迅猛地攀升着，一下子就跨越了GPT，成功登上了美国苹果App Store的免费榜首位。

有一款开源的AI应用，其在美国用户那儿的受欢迎状况，超越了OpenAI的王牌产品，这样的一种情形，让业界感到震惊。

DeepSeek达成高性能，凭借的是微薄成本，这直接对开发AI必定要投入天量资金以及算力的传统观念提出了质疑。

在此，华尔街做出了极为强烈的反应，微软股价下降，谷歌股价同样下降，AI芯片那超大型的巨头英伟达的市值蒸发了差不多约17%左右，这17%所对应的数值大约是6000亿美元 。

资本市场以用脚投票的方式，开始对AI赛道的投入产出模型进行重新审视，那种烧钱去打造封闭模型的路线，说不定并不是一条能让人高枕无忧的康庄大道。

开源低成本路线的核弹

Kimi K2 Thinking震撼登场

DeepSeek年初那会儿点燃的一点点小火苗呢，到现在都还没完全灭下去，而中国的另外一家才刚建立的企业月之暗面，却在年末的时候弄出来了一个特别惊人的事儿。

这周，月之暗面公布了最新的开源巨型模型Kimi K2 Thinking，就是下面所说的K2 Thinking，凭借开源的状态，在多个关键基准方面，追得上甚至超过了OpenAI的旗舰GPT-5 。

要清楚，GPT - 5属于闭源巨头极为先进的成果当中的一个，然而呢，K2 Thinking仅仅花费几百万美元来训练，可是在高难度的推理以及编码测试方面，与之进行正面的较量，并且还取得了领先的成绩。

K2 Thinking于综合编程挑战「SWE-Bench Verified」之处，达成了71.3% 的通过率，此通过率略高于GPT-5所获成绩，并且即便在复杂网页搜索推理任务BrowseComp里，能够以60.2% 对54.9% 的得分，大幅度领先GPT-5 。

这些数字宣示了一个历史拐点，开源模型与顶级闭源模型之间，性能鸿沟出现了实质性塌陷 。

K2 Thinking出现了，它表明开源免费的模型，在具有高端推理以及编码能力的情况下，和封闭系统处于同等水平，过去这几乎没法想象。

实现这一伟大业绩，月之暗面所投入的用于运算的能力成本，据传言大概是460万美元，相较于OpenAI远景规划里面数以万亿计的投入，几乎没有什么分量，简直可以被忽视掉。

数百万美元所造就的开放那种奇迹，这是一边的情况，另一边呢，是幻想投入万亿资金打造的巨无霸帝国，这样鲜明的对比，让人不禁产生怀疑，对于AI行业而言，过去一直坚持的大投入逻辑，难道真的是站不住脚的了吗？

技术路径的胜利

巧用架构胜过砸钱堆料

K2 Thinking不能够说是魔法毫无征兆地突然出现，而是因为技术路线的不同从而导致成本出现了逆袭情况。

如传统的GPT - 5之类的闭源模型，采用的是「通用大脑」式架构，每一个参数呢，针对每一个输入，都会发起运算，所以呢，模型越大，推理开销就越发惊人了。

K2 Thinking采用混合专家架构，庞大模型被划分，划分成384个专家模块，这些专家模块有着各不相同的专长。

每次，仅仅有8个专家，再加上1个通用专家，被激活，去参与计算，这就相当于，只是动用320亿参数，来解决特定问题。

也就是说，K2-Thinking存有一个「万智百宝箱」，每个token调用其中智力不到3.5%，然而却能享有近似万亿参数那样的知识储备。

这种架构之设计，使得K2 Thinking于推理之际，既展现出聪慧之态，又达成节省之效，呈现出「大却并非笨重」之状 。

架构优化带来的成本效率提升达百倍之多，令人叹为观止。

更为关键之处在于，月之暗面研发出一款名为「MuonClip」的自定义优化器，此优化器在训练进程当中能够自动对梯度进行稳压操作，最终成功将超大模型所常见的梯度爆炸以及损失发散这类问题给杜绝掉了。

Kimi-K2，在历经长达15.5万亿token的训练旅程时，达成了「零训练崩溃」的成果，在整个过程里，不存在因为训练出现技术问题而需要人为中途介入去重启的状况，这传达出一种信息，哪怕是那些资金和设备条件相对处于有限状态的团队，也能够凭借它，以可靠的方式去开展超大模型的训练工作。

在工程方面，DeepSeek着重强调像「强化学习后训练」这类高效策略，这能让小团队去攀登AI高峰 。

这般于技术路径范畴之内展开的创新之举，等同于凭借着聪明睿智的头脑，成功破译了以往情况下唯有大量投入资金方可予以解决的艰难问题。

往昔之时，那唯有巨头凭借大量投入资金才得以铺就而成的宽阔平坦、前途光明的大道，如今呢，民间的能人高手开辟了不同的路线，运用技术方面的巧妙构思绕开了远路抄了近道，。

开源风暴的经济学冲击

当技术壁垒被攻克，开源路线在经济层面的优势便愈发凸显。

有着名为K2 Thinking的模型，其权重，依据相应许可证条款，能够自由自在地进行下载，进而予以部署 。

这和OpenAI等闭源模式形成了十分明显且截然不同的对照，他们的模型被封锁藏匿在云端，仅仅能借助非常昂贵的API去租用它们的智能核心部分。

比如拿K2 Thinking来说，它官方所提供的API价格是，每百万键入token收取款项为4元，在命中缓存的时候会更低，低到只有1元，而输出token则是16元 。

相较而言，OpenAI的GPT - 5 API，其价格是，每百万输入token收取1.25美元，这大约相当于9元，而输出token的价格则高达10美元，此价格约合71元。

经过换算之后，对于同样数量达到百万的token进行处理，K2 Thinking所需要的费用，仅仅达到GPT-5所需要费用的十分之一都不到，是更低的水平，有明显差距，呈现出较大的差异呀。

对于开发者以及企业来讲，这毫无疑问是极具诱惑性的，况且K2完全是能够在本地进行部署的，要是不愿意支付API费用的话，那么完全可以自己建设服务，。

恰是缘于此，我们已然目睹市场正以迅速方式做出响应，具体表现为，数量日益增多的AI工具以及平台已然开启集成K2 Thinking模型的进程，众多开发者于社区之中传颂怎样借助K2 Thinking来对自定义应用实施微调 。

DeepSeek - R1发布之后，它的那个MIT开源权重，被数量众多的开源社区进行下载，还被加以魔改，之后用于各种各样的插件，以及服务于各种各样的研究项目 。

甚至是政府机构，以及大型企业都开始再度思考，与其耗费资金去购置封闭模型的算力配额，倒不如选用开源模型当作基础，从而把控自主可控的AI能力，特别是在这些开源模型已然足够出色且成本较为低廉的情况下 。

展现出借助脚部表决形式的这种风向的转变，并非仅仅是在技术领域里面所出现的，更是于资本领域引发了一连串的反应，OpenAI之前投入巨资的数据中心投资承诺，正面临着来自各方面的质疑以及压力。

OpenAI的高管就连于公共场合之中都隐晦地表示需要政府贷款予以支持，后来又迅速忙忙慌慌地跑出来「灭火」，去澄清并不寻求政府背书，以此来平息外界对于其烧钱计划所产生的担忧。

巨头为了融资“续命”开启四处游说模式之际，开源对手们凭借实际取得的成绩证实，或许根本无需那么多资金，事情同样能够成功完成。

行业叙事的改写与泡沫的冷却

不是单纯「追赶」的情况是由DeepSeek以及Kimi K2 Thinking所带来的，并且它更像是一场针对旧路线的证伪 。

过去，封闭巨头们的护城河是基于一种假定而构建的，即唯有持续注入体现数量级递增态势的资金以及算力，才能够维持模型性能处于领先的状况。

这个假设，曾使OpenAI们于资本市场里极其辉煌，甚至于造就了某种估值泡沫，AI公司的价值被无限抬高，底层芯片厂商的价值同样被无限抬高，只因所有人都坚信烧钱能够带来奇迹。

然而，当开源挑战者，以仅仅百万量级的美元，达到了同类的水准，这个故事的结局，就不再是那么线性的了。

事实表明，那所谓「性能处于领先地位的最后百分之二十」，也许并不是绝大多数用户真正所需求的，特别是要是为了它得付出十倍甚至于百倍的价钱时。

从普通消费者到中小企业，更青睐的是「够用+便宜」的实惠。

诸如OpenAI之类的公司，毫无置疑地仍然掌控着行业中处于顶尖水平的研究人才以及技术积累，然而，他们再度难以去宣称自身的路线是「唯一正确且必不可少」的了。

行业叙事正处于转变的态势之中，并非如同先前着迷于花费大量资金堆砌出更为庞大的模型，而是要转向在架构创新处狠下心来钻研，以及在工程稳定性上面下大力气，通过努力去换取成本效率方面的提升，还有开放生态环境的构建，如此等等。

一些投资者，也逐渐变得清醒起来，以往那种，只要见到谁谈论AI，就会砸钱的狂热劲头，已经减退了不少，如今，他们更加关注实际能够产生的效能，以及商业方面的可行性 。

最为危险的对手，并非是那个与你比拼烧钱的家伙，而是那个能证实压根无需耗费那么多钱的人。

参考资料：