范凯说 AI · 周日晚聊 第28期：Kimi K3 弯道超车了吗？

AI直播Kimi-K3ChatGPT-WorkAI拟人化新规企业AI转型Palantir

第一部分：本周 AI 新闻

新闻一：Kimi K3 — 中国模型第一次真正站上前沿

Kimi K3 是 7 月 16 号发布的，2.8 万亿参数，目前开源模型中参数量最大。

在此之前，OpenAI 前 CTO Mira Murati 离职后成立的 Thinking Machine 也发布了一个接近 9000 亿参数的开源模型，主打实时交互——人和 AI 可以随时打断、随时交流，而不是说完等回复。在 K3 之前，它是开源领域参数量最大的。

但现在这种万亿级别的开源模型，本质上普通人是跑不起来的。你至少需要 512GB 内存，或者英伟达 NV72 那种整机柜才能运行。所以它的"开源"更多是一种市场营销手段——让云厂商部署，让生态跑起来。

回到 K3 的关键数据：在综合智能指数上全球排名第四，仅次于 Claude Fable 5、GPT-5.6 Sol 和 GPT-5.6 Terra，基本与顶级模型站在同一水平线上。在 Terminal Bench（终端编程领域），比 GPT-5.6 Sol 只低了 0.5 个百分点。

K3 相比之前 GLM 5.2 的突破在于：GLM 5.2 是专用的编程模型，几千亿参数就够了，但不支持多模态，适用场景有限。K3 的野心是做通用场景的优化——前端编程、综合智能各方面都有很好的表现。

它的定价跟 Sonnet 5 一个价——输入 3 美元、输出 15 美元每百万 token。这个价格反过来说明一件事：2.8 万亿参数的推理成本确实很高。

杨植麟在 GTC 2026 的演讲里提到，K3 深度重写了注意力机制、残差连接和优化器，相当于从底层做了全面优化。

纵观过去两个月，不管是 DeepSeek V4、GLM 5.2 还是 Kimi K3，国内模型和海外模型的差距大概在六个月左右——能超越上一代的 Opus 4.6、GPT-5.5，紧跟当前最新一代。这些模型真正的价值在于：在企业生产场景大量消耗 token 的情况下，把价格拉下来。

海外权威机构 SemiAnalysis 的评价是：K3 已经超过了 Google Gemini，但跟 Fable 5 还有明显差距。基本上仅次于 OpenAI 和 Anthropic，Google 是彻底拉垮了。

新闻二：头部 AI 厂商格局 — ChatGPT Work 与 Codex 合并

OpenAI 把 Codex 和 ChatGPT 两个产品合并了。在桌面端，相当于 Codex 吃掉了 ChatGPT 的桌面客户端。合并后有三个功能层级：

  • Chat — 标准的一对一聊天
  • Work — 装在你电脑上，读你硬盘的文件，操纵个人电脑完成复杂任务：文档处理、收发邮件、操纵浏览器、生成 PPT、表格处理
  • Code — 编程

这刚好对标 Claude 的三个使用场景。ChatGPT Work 的用户量增长非常快。

坦白说，Claude 的桌面端做得挺潦草的，Claude Code 终端应用很强大，但桌面端不行。反过来 Codex 的桌面端做得极其强大。如果你不是专业程序员，只是想更好地用 AI，Codex 远比 Claude 好用。

国内的对标产品：WorkBuddy（腾讯）

国内因为墙的原因用不了 Codex，WorkBuddy 就提供了一个平替版本，号称月活已经 900 万。腾讯云在疯狂推——我去东莞的时候，认识了腾讯云在东莞最大的 ISV，他们今年上半年光推 WorkBuddy 订阅就有 3000 多万的营收，我听到这个数据挺惊讶的。

我自己也装了 WorkBuddy 试了一下，结论是：山寨版的 Codex，功能弱化版。但它融合了一点点情感因素——上来先问你特点是什么，建立一个 soul 文件，有管家的感觉。

如果你能用 Codex，就没有必要用 WorkBuddy。能力上 Codex 明显更强。而且 Codex 也不是非要接 GPT 的模型——接 DeepSeek、Kimi、GLM 都可以。

Grok 4.5 — xAI 和 Cursor 联合训练

SpaceX 的 xAI 发布了 Grok 4.5，和 Cursor 联合训练，放入了海量的 Cursor 用户和代码交互的数据。马斯克说大概相当于 Opus 4.7 的水平，但价格只有约 1/9。Grok 的策略很清楚：接近顶级水平，价格是你的几分之一，主打性价比。

xAI 还花了超过 10 亿美元收购电力公司 APR Energy，给数据中心供电。从模型到工具到基础设施，全链条都要控制。

Google Gemini 3.5 Pro — 彻底拉垮

Google 上半年发布了 Gemini 3.5 Flash 之后，长达半年没有发新模型。Gemini 3.5 Pro 本来说六月发布，一直推迟。据 Bloomberg 报道，Google 已经彻底废弃了原来的基础模型，要推倒重来从头训练。内部评测发现复杂 SVG 布局会崩溃，递归工具调用完全失灵。

消息出来后有 DeepMind 资深研究员跳槽去了 Anthropic。Google 的问题不是技术不行，是内部方向没有达成共识——GCP 租算力赚钱，Gemini 训练消耗算力，左手打右手，训练算力长期不够。

新闻三：AI 拟人化新规落地 — C 端创业几乎无望

7 月 15 号，国家网信办联合 5 部门发布的《人工智能拟人化互动服务管理暂行办法》正式施行。同一天，字节豆包和阿里通义千问同步下线了用户自建 C 端智能体功能。腾讯元宝更早，6 月底就关了。

所有在豆包上创建的虚拟角色——虚拟伴侣、虚拟助手、有人格设定的智能体——从 7 月 15 号开始全部不能用，历史对话记录也不可访问。

新规划了一条线：智能客服、知识问答、工作助手、学习教育、科研——这些严肃工作场景可以做；但情感陪伴、虚拟亲属、虚拟伴侣——彻底不让做了。

我的判断：

C 端你真正要把 AI 用起来，一定是向拟人化方向发展的——你要信任它。我自己就是深度使用者，给智能体创建了个人知识库，它非常了解我的方方面面。我给它起名叫 Friday，让它管我叫主人。很多话你不方便跟人聊，但跟智能体聊没有心理障碍。

我认为拟人化智能体在 C 端的应用前景非常广阔——管理情绪、管理精神状态，比线下心理咨询效率高太多。但现在不让搞了。

基本上我判断：国内 2C 完全没得玩了。 最大的一块可能性被砍掉了。通用 Agent 越来越吃掉工具市场，你只能做些工具，但空间很有限。国内就只能做 2B 了。

第二部分：企业 AI 落地的真相

最近去东莞做了企业访谈，有很多一线感触。

核心结论：企业要 AI 化，前提是数字化先完成。

传统业务定型之后，你要让它彻底 AI 化，数字化必须先做好。大多数企业现在还是"AI+"——现有业务增加一些 AI 能力，做环节优化：更好地做营销，或者内部降本增效。

能不能落地 AI，取决于两大因素：

第一，数字化程度。 如果数字化程度很低，AI 很难落地。

第二，数据是结构化还是非结构化的。 生产制造那种高度结构化的数据（零件编号、工时、出库时间），传统 ERP/MES 系统已经能很好地管理，AI 反而能起到的作用不大。

真正适合 AI 的是信息密集型的非结构化数据场景：

  • VC 投资机构——市场调研、投资案例分析
  • 律所——合同、判例、法规文书
  • 咨询公司——项目报告、方法论文档
  • 猎头/HR——简历、面试记录、人才评估
  • 市场研究——调研报告
  • 广告公关——舆情数据、创意案例
  • 教育领域——个性化教学、水平评估
  • 金融风控——从非结构化数据中提取风控因子

生产制造行业因为数据高度结构化，AI 适用性相对差一些。

第三部分：Palantir 本体论科普

有直播间观众问 Palantir 的本体论（Ontology）到底是什么。

本质上就是知识图谱。智能体不了解你企业内部的业务逻辑——比如医疗领域，什么疾病跟什么症状有关、治疗方案是什么，这些行业专业知识大模型默认不知道。

你有两种办法让模型知道：一是预训练时就训练进去，二是在使用过程中通过知识图谱提供背景知识。

知识图谱就是建立实体和实体之间的关联关系，用图数据库来表达。比如 A 认识 B，B 认识 C，C 认识 D——你建立了这种关联关系，大模型就知道 A 可以通过 B 和 C 间接认识 D。

Palantir 的本体论就是在知识图谱上增加了权限管理和可维护可更新的能力。它不是面向对象，也不是领域建模——面向对象解决的是大型系统的模块化维护问题（高内聚低耦合），本体论解决的是"怎么用结构化方式表达企业业务"的问题。

Palantir 之所以能做起来，核心是先有客户再有产品。Peter Thiel（彼得·泰尔）走上层路线，跟美国顶层政治精英有紧密关系，看到军工产业可以用 AI 改造，所以成立了公司。客户就是美国国防部，后面再拓展到企业端。

用户答疑精选

Q：国内 AI 创业，2C 还有机会吗？

国内 2C 完全没得玩。海外 2C 可以考虑，但一定要先找到愿意付费的客户再做产品。不要先看到方向做产品再去卖——成功率可能只有 5%。先找到人，哪怕帮他做个模板、写段提示词，能把技能卖出去就很棒。

Q：过去四年 AI 行业真正赚钱的机会有哪些？

系统性的机会出现了三波：

  1. 卖课——像李一舟那样，系统性赚了一波
  2. 卖软硬一体机——DeepSeek 出来后大量企业想私有化部署（其实部署的是千问蒸馏版，不是真正的 DeepSeek）
  3. AI 中转站——从去年底到今年上半年赚了一波

三波都是机会主义。真正踏实做 AI 应用的，赚钱机会可能还没到。

Q：个体创业者怎么办？

还是务实。先找到一个细分场景、细分行业，有客户愿意付费，你给他提供产品或解决方案。不要想星辰大海的事，从很小的事情入手。

你想做有技术壁垒的产品？那需要很多钱、需要团队、很长的周期。你想赚钱？那就不要搞技术壁垒，利用信息差，先做没有技术门槛的事。100 个人里能把 AI 用得很溜的可能 3 个，其中愿意出来给客户做的可能就 1 个——这就是你的机会。

Q：ERP 这类 SaaS 软件会消失吗？

不会。高度结构化的数据，传统 ERP 已经很好地解决了。未来的趋势是 AI 在 ERP 之上——AI 去调用 ERP，ERP 变成基础软件。

Q：中美大模型发展前景？

看得很清楚：美国不停烧钱探索 AGI 前沿，中国紧跟。差距大约六个月。国内比较大的问题是算力瓶颈，差距很难被抹平。

盈利方面，模型卖 token 已经很赚钱了。Anthropic 年化收入到 7 月已经过 500 亿美元；国内 GLM、DeepSeek 卖 token 也都在赚钱。Agent 时代消耗 token 太吓人了，直接卖就行。

本期金句

  • 万亿级别的开源模型，本质上是一种市场营销手段。普通人已经跑不起来了，它的目的是让云厂商部署、让生态跑起来。
  • 国内模型跟海外差距约六个月——超越上一代、紧跟当代。真正的价值是把价格拉下来。
  • AI 的竞争焦点已经从"谁的模型更聪明"转向"谁能帮用户干活"。ChatGPT Work 就是信号。
  • 国内 2C 完全没得玩了。拟人化新规砍掉了 C 端最大的一块可能性。
  • 企业 AI 落地的前提是数字化先完成。AI 不是第一步，是第三步。
  • 适合 AI 的不是高度结构化数据（ERP 就解决了），而是信息密集型的非结构化数据场景。
  • 不要先做产品再找客户。先找到愿意付费的人，哪怕帮他做个很小的东西，从那里开始。
  • Palantir 本质上是先有客户再有产品。Peter Thiel 的政治关系是它起步的核心。