从美国OpenAI跳槽KIMI后，他发现中国公司的AI芯片和融资都太少了|deepmind|kimi|openai|中国|埃隆_马斯克|微软|知名企业|融资

这几天，随着中国AI大模型KIMI K3力压美国同行，登顶参数第一之后，很多人都在论证中国AI怎么逆袭的，一位从OpenAI跳槽至月之暗面（Moonshot AI）的工程师在内部交流时坦言了一个令他震撼的事实：他在OpenAI时，单次千卡级训练任务可申请的算力弹性预算，几乎相当于Kimi整个训练集群的季度运维成本。然而，正是这家算力和融资都“少得可怜”的中国AI公司，在数天前发布了Kimi K3这个2.8万亿参数的大模型。

这种“资源悬殊却结果反超”的悖论，正在成为全球AI圈最值得深思的现象。

先看一组直观算力与资金的悬殊对比数据：据公开信息，OpenAI在2025年的单次模型训练成本可高达数千万美元，微软为其专属调度的A100/H100等效算力超过50万张GPU卡。而相比之下，截至2026年初，中国头部AI实验室——包括月之暗面、深度求索（DeepSeek）、智谱AI等——可调用的训练级GPU总算力，即便算上部分国产芯片，仍不足OpenAI的十分之一。

融资层面差距更为悬殊。OpenAI单轮融资动辄数十亿美元，而中国大模型“六小龙”中，融资规模最大的智谱AI累计融资约合人民币数十亿元，月之暗面、DeepSeek等则在数亿至十余亿元人民币级别。换算成美元，几乎相差一到两个数量级。

但就是在这样的资源约束下，Kimi K3跑了出来。根据Artificial Analysis在2026年7月的最新评测，Kimi K3在推理、数学、代码生成等关键维度上，与OpenAI的GPT-4系列差距已缩小至1.22到2.89个月；而在ECI（效率能力指数）综合评分上，中国整体模型与美国前沿模型的差距约为4.37至6.08个月——但Moonshot和Z AI（深度求索）的上升曲线远超中国整体趋势。Lambert的模型预测显示，Moonshot预计在2026年12月23日达到ECI 161，追上Fable级别模型；Z AI则预计在12月31日达到同一水平。

为什么算力相差十倍、融资相差数十倍，结果却没有被拉开代际差距？答案首先在人。

有Meta和微软的AI工程师私下坦言：“我们算力比全中国加起来都多，却没干出东西，主管AI的大领导纯废物。一将无能，累死三军。”美国科技巨头选拔AI带头人的思路，仍延续上一个时代的逻辑——找最有名气、资历最老的学术大牛，如Yann LeCun、DeepMind创始成员、OpenAI元老。这些人在深度学习时代功勋卓著，但LLM虽脱胎于Transformer，本质上却是一场全新的范式革命。

而中国跑出来的几家实验室，核心带头人是一群三十多岁的年轻天才：月之暗面杨植麟、深度求索梁文峰、智谱AI唐杰和张鹏。他们不是从“上一个时代的功劳簿”上站起来的人，而是亲自写代码、调参数、甚至参与Infra优化的实战派。一位同行评价：“某种意义上，‘没用过的脑子更好使’——他们没有旧范式的路径依赖，更敢于在有限条件下做极致优化。”

独立研究员Nathan Lambert在《Kimi K3: The open-weights escalation》报告中指出，中国实验室融资规模远小于美国对标企业，却在公开指标上逼近甚至局部超越，核心原因是：更聚焦“追赶”而非“发明新范式”，因为算力有限，所以更注重优化创新。

而优化的前提，是组织扁平、文化与执行力。中国几家实验室的共同特点是：同一批人在算法、数据和基础设施之间来回切换，没有森严的职级壁垒。而一些美国科技精英们却认定，“研究员”才是高地位头衔，做Infra的工程师是“没人要的工作”。马斯克在社交平台上的尖锐评论直接点名了这种风气：“一些营利性公司自称‘实验室’，还人为制造等级森严的‘研究人员’和工程师之间的隔阂，而实际上他们充其量也只是些工程师而已。”明眼人都看得出，他说的就是OpenAI。

Lambert的记录同样佐证了这一点：在GPU受限的情况下，愿意且有能力做更多工程实践，是Kimi等团队脱颖而出的核心。模型构建很大程度上取决于规模化，但构建优秀模型的能力，很大程度上取决于个人的执行力和动力。

长久以来，AI算力芯片是悬在中国AI头上的达摩克利斯之剑。但情况正在改变。阿里的灵骏真武M890超节点、华为的Atlas 950超节点已在逐步落地，智谱AI更宣布构建完全使用国产芯片的最大算力中心。虽然国产芯片在单卡性能、生态成熟度上仍与英伟达有差距，但超节点级的集群调度和优化正在缩小实际可用算力的鸿沟。