(封面圖來源 : 聯合新聞網)

Kimi K3 模型的出現，代表的不僅是美中 AI 競爭中的一次技術突破，更可能暴露出台灣經濟長期依賴「護國神山」的脆弱性。對多數勞動者而言，護國神山從來沒有真正保護過他們；但一旦這座神山面臨挑戰，承受衝擊的卻可能是整個台灣經濟。

關於 Kimi K3 模型

7 月 16 日凌晨，中國 AI 公司月之暗面（Moonshot AI）發布了旗下最新的大型語言模型 Kimi K3。兆級參數、開源權重，在智能推理、程式設計、數學以及長文理解等多個評測項目中，與 Anthropic 的 Fable 5 以及 OpenAI 的 Sol 模型互有高下，而 API 售價卻遠低於後兩者。消息一出，立即在 AI 社群掀起巨大討論，也讓美國科技界高度關注。

這並不是說 K3 已經是一個完美無缺的模型。需要先說明的是，目前部分評測數據仍來自官方公布，完整權重也尚未完全釋出；在多模態能力（例如語音、圖片理解）以及詞元（Token）使用效率方面，K3 仍然不如美國最先進的旗艦模型。然而，它仍憑藉約一百萬上下文（一次能閱讀、理解並記憶的量)，以及開源權重與相對低廉的成本，成為近期最受矚目的模型。

更重要的是，K3 並不是單純依靠更大的模型規模，而是在架構設計上做出了不少自己的工程優化。例如，它採用了 MoE（Mixture of Experts，混合專家）架構，回答問題時只會啟動與問題相關的部分模型。除此之外，K3 也加入了 Residual Attention（注意力殘差）以及自研的 Delta Attention，讓模型閱讀長篇內容時，不必每次都重新處理所有文字，而能保留重要資訊、減少重複運算，因此更有效率地處理超長上下文。

除了架構上的改進之外，另一個引起最多討論的，就是蒸餾（Distillation）。目前不少研究與分析都指出，K3 的部分能力可能來自蒸餾 Anthropic、OpenAI 等閉源模型的輸出，再透過強化學習（Reinforcement Learning）以及後訓練（Post-training）持續優化。簡單來說，就是先學習前沿模型回答問題的方式，再經過大量訓練，把這些能力逐漸內化到自己的模型中，以更低的成本逼近目前最先進模型的表現。

毫不意外地，美國政府很快便指控月之暗面涉嫌透過蒸餾 Anthropic 模型來複製美國技術；部分科技業高層也進一步主張，開源模型具有安全風險，可能被有心人士利用。技術上來說，蒸餾確實是真實存在的方法，也確實可能讓後來者以更低成本追趕前沿模型。

諷刺的是，今天的大型語言模型本身，就是透過大量公開網路資料、書籍與文章進行訓練，其中不少資料同樣涉及未經授權的文本。模型學習人類知識，與模型學習另一個模型的輸出，在方法上都屬於「從既有資訊中提煉能力」。因此，與其說 K3 的成功完全來自蒸餾，更準確地說，它是在蒸餾降低訓練成本的基礎上，再結合 MoE、Residual Attention、Delta Attention 等架構設計，以及後續強化學習與工程優化，逐步逼近目前最先進模型的能力。

也正因如此，K3 真正受到全球 AI 社群關注的原因，並不只是它在評測中的表現，而是它展現出中國 AI 團隊除了透過蒸餾縮短與前沿模型的距離之外，也確實在模型架構與工程設計上提出了自己的技術方案，而不是單純複製既有模型。

Deepseek 時刻？

這時，很多人可能會迫不及待地將 Kimi K3 與年初震撼全球的 DeepSeek R1 相提並論，甚至認為 K3 就是另一個「DeepSeek 時刻」。但具體而言，K3 並不能完全是另一個 DeepSeek 時刻，因為兩者真正挑戰的，是 AI 發展中兩個截然不同的問題。

後者的歷史意義，不在於它讓中國模型接近 OpenAI，而在於它挑戰了業界對 Scaling Law 的理解。自 GPT-3 以來，AI 產業普遍相信，模型能力會隨著參數規模、訓練資料與算力投入持續提升，因此 OpenAI、Anthropic、Google 等公司相繼投入數百億美元興建資料中心、採購 GPU，希望透過更大的模型建立技術護城河。然而，這也意味著，只有擁有龐大資本與算力的少數企業，才能參與最前沿模型的競爭。

DeepSeek 並沒有推翻 Scaling Law，而是重新定義了它的實現方式。透過蒸餾（Distillation）、強化學習（Reinforcement Learning）、推理時計算（Test-time Compute）以及工程最佳化，它證明模型能力未必只能依賴愈來愈龐大的資源投入，也能透過更有效率的方法逼近前沿模型。它真正動搖的，不是 Scaling Law 本身，而是「Scaling 必須等於更多 GPU」這項假設。這也是為什麼 DeepSeek 被視為一場效率革命，而不只是另一個開源模型。

然而，DeepSeek 所改變的主要仍是能力取得的成本，而非能力本身的邊界。對於需要超長上下文、長時間規劃、多步驟 Agent 協作、大型程式碼庫理解等任務而言，模型仍必須維持高度穩定的記憶能力、推理能力與架構效率。這些能力並非僅靠降低訓練成本即可獲得，而是長期被視為最前沿模型的競爭核心，也是美國 AI 公司最重要的技術優勢。Kimi K3 試圖挑戰的，正是這個假設。

相較於 DeepSeek 著重於「如何用更低的成本獲得相近的能力」，Kimi K3 更關心的是「如何把模型能力的天花板繼續往上推」。兆級參數，百萬級上下文、MoE 架構、Residual Attention、Delta Attention 等設計，都指向同一個目標：讓模型能夠更穩定地處理需要長時間推理、長期記憶與複雜工作流程的高階任務，而不只提升一般問答或數學測驗的表現。最終的結果也證明了，即便拿不到最新的晶片以及算力資源，Kimi 依舊能夠追平美國的頂尖模型。

因此， Kimi K3 並不是 DeepSeek 時刻的重演，而是中國 AI 發展進入下一個階段的象徵。如果說 DeepSeek 證明的是中國能夠以更低的成本建立世界級 AI，那麼 Kimi K3 試圖證明的，則是中國開始挑戰世界級 AI 的能力上限。前者改變的是 AI 的經濟學，後者改變的，則是全球對中國 AI 技術定位的認知，中國不再只是效率的追趕者，而開始成為能力邊界的競爭者。

貶值的領先

這並不是說 Kimi K3 就如同中國部分媒體所宣稱的，已經可以超英趕美。美國大模型公司用資本堆砌出的算力優勢仍然是實打實的，Kimi 自己就因為算力不足，一度必須停止接受新用戶訂閱。K3 本身也有明確的工程侷限：偏高的詞元消耗、高於平均的幻覺率、開源模型的部署成本也絕非一般企業能輕易負擔。單以能力來說，K3 不會「打敗」美國。

但在資本主義下，真正的問題從來不是誰的模型更強，而是領先本身還能不能支撐這麼瘋狂的溢價。大模型剛發展起來的時候，受限於硬體和訓練架構，AI 更像是有趣的玩具或聊天機器人。即便如此，最先發布 GPT 系列的 OpenAI 仍然憑藉首屈一指的研究團隊和龐大的用戶數據在資本市場上攻城掠地，首款推理模型、原生多模態模型接連問世，估值一路攀升，被市場認為有機會加入 FAANG 的行列。

到了2026年，風向變了。資本瘋狂湧入之後，市場對 AI 的要求已經從「酷」和「先進」轉變為實質的利潤回報。Google 即便整體營收上漲，但因為 AI 方面的資本支出（CapEx）與相關盈利的比例遲遲沒有改善，單日市值蒸發了 7%。馬斯克的 xAI 擁有自己的資料中心、應用層面的 Grok，但母公司的股價已經來到歷史新低。華爾街傳遞的訊號很清楚：市場不再為「最先進」這三個字買單，它要看的是每一塊錢的 AI 投資能換回多少錢的產出。

這對 OpenAI 和 Anthropic 是直接威脅。今年預計要上市的兩家公司的估值是建立在算力短缺、價格維持高檔的預期上，研發、算力租賃與基礎設施等固定成本也早已鎖定，就算算力供給增加、價格下滑，已投入的沈沒成本也無法同步下降，即使技術仍領先，利潤也可能被壓縮。這不是技術失敗，而是成本結構失敗，就像 2000 年代初的光纖泡沫：技術與需求都存在，但供給過剩壓垮價格，最終讓巨額投資無法回收。

而另一方面，企業的腳早就已經在投票了。根據創投 a16z 合夥人的研究，大量美國新創已經放棄使用美國模型，轉向中國的開源方案。不只是新創，Airbnb 的聊天機器人採用了阿里巴巴的千問（Qwen）模型，微軟也在考慮將 Kimi K3 引進它的 Copilot 程式協作系統。作為OpenAI 最大的投資者，如果連微軟都在考慮用便宜的替代品，這代表著頂尖的模型正在喪失其本來擁有的定價權

同時，企業轉向中國模型，也不只是因為便宜。開放權重模型讓企業看得見自己在為什麼付錢，也可以審計模型的行為、可以根據自己的需求定制、可以部署在自己的基礎設施上而不是依賴外部 API。相比之下，Anthropic 和 OpenAI 的定價結構是不透明的，企業無法精確計算一項任務的真實成本，更無法控制模型在自己數據上的行為。這不是單純的價格決策，是控制權決策：企業要的不是最便宜，而是可控可調整的模型。

可預見的是，美國政府和部分模型公司會試圖阻擋企業轉向中國模型。但在資本市場的力量面前，管制只能劃定邊界，無法逆轉趨勢。而對於台灣來說，真正需要問的問題已經不再是「美國的模型還能領先多久」，而是：如果連模型層的前沿溢價都在被壓縮，那支撐這些模型訓練的硬體，台積電生產的最先進晶片，它的溢價，是否也面臨同樣的邏輯？

台灣能逃過一劫嗎？

每一次中國有重大的模型發布造成美國股市震盪，尤其是輝達的時候，我們總能看到黃仁勳在旁邊安撫投資人，試圖說服他們：即便中國模型能用更低的成本追平美國頂尖模型的表現，這只代表著會有越來越多人使用模型、燒更多的詞元，對算力和晶片的需求只會更高而非更低，硬體供應商反而會賺得更多。不只黃仁勳這麼說，我們的中央銀行也是這麼認為的，憑藉完整的半導體供應鏈，台灣的優勢會在 AI 浪潮中加倍擴大。

從公開數據來看，好像也確實如此。台積電這一季寫下了營收與獲利的新高；串起龐大 GPU 網路的高速傳輸公司聯發科也突破自己的紀錄，合併營收達到約1500億；晶片製造所需的被動元件大廠國巨也不遑多讓。乍看之下，台灣好像是這場 AI 戰爭的最終贏家，不只輝達的 GPU 需要台積電封裝，Google 自研的 TPU 也由聯發科代工，難怪賴清德敢誇下海口，說台灣經濟是20年來最好的。

問題在於，現在如此，並不代表未來也會如此。黃仁勳和中央銀行的論點，都建立在同一個前提上：市場會持續願意為最先進的晶片支付高額溢價。但這套邏輯正在面臨和 AI 模型一模一樣的考驗。台積電的商業結構和 Anthropic、OpenAI 是同構的，靠領先兩到三個世代的製程（目前是2奈米和即將量產的 A16），向蘋果、輝達、Google 這些大客戶收取遠高於成熟製程的代工費。這個結構的脆弱點也是一樣的：它假設客戶永遠需要最先進的晶片。

事實上，多數企業 AI 應用都有品質天花板。客服、文書、程式生成、資料摘要等場景，成熟製程上的模型已經「足夠好」，不再需要最先進晶片。真正依賴先進製程的，只剩前沿模型訓練與高強度推理，而這恰恰是商品化壓縮溢價最嚴重的市場。因此，台積電最賺錢的客戶，正是最受衝擊的一群；而當它們的溢價縮水，受到資本市場的壓力，他們對最先進晶片的需求也將從「全面採用」轉向「選擇性採用」。

台積電的固定成本結構，讓這個問題更加尖銳- 一座 2 奈米晶圓廠動輒投資上百億美元，回本卻需要多年。更何況，這些投資都建立在「前沿需求持續擴張、先進製程維持高溢價」的預期上，一旦需求比預期的少，台積電不會立即失去領先地位，但先進製程的溢價勢必承壓，營收或許能夠繼續成長，利潤結構卻可能改變：高毛利的先進製程占比下降，成熟製程占比提高，而近年台灣經濟的亮眼表現，正是建立在這層高毛利之上。

當然，台積電的護城河不只是製程，更包括先進封裝。CoWoS、SoIC 等技術可以讓多顆晶片高速整合，其競爭優勢甚至比製程更深厚。封裝不像製程主要依賴資本投入，它更仰賴數十年累積的工程經驗與良率管理，因此更難複製- 但即便如此 封裝只能延緩競爭，不能改變競爭- 事實上，Google 最新的TPU晶片已經開始採用英特爾而非台積電的技術。 當越來越多應用接受「足夠好」而非「最好」，市場重新定價的將不只是 AI 模型，而是整條 AI 供應鏈 – 因為壓力不只來自一個方向。

從競爭對手來看，中國正積極補齊 AI 半導體供應鏈，例如投入高密度先進封裝技術。雖然在良率與量產能力上仍遠不及台積電，但只要本土晶片與封裝方案能滿足多數 AI 應用，中國企業就有動機逐步降低對台積電的依賴。被挑戰的未必是台積電的技術領先，而是技術領先所帶來的溢價。當「足夠好」開始取代「最好」，重新定價的不只是 AI 模型，而是整條 AI 半導體供應鏈。事實上，這不是危言聳聽，而早就反應在最近的股市大逃殺。

從最大客戶來看，壓力更加直接。對美國及其背後的資本而言，若前沿 AI 模型仍高度依賴位於地緣政治前線的台灣生產封裝的先進晶片，就是難以接受的戰略風險。這也是為什麼，川普政府要持續施壓台灣半導體業將部分產能遷往美國，以降低供應鏈風險。對川普而言，這同時也是重要的政治資本；即使海外設廠帶來的就業有限，「把晶片產業帶回美國」本身就足以作為政績宣傳。

而這正是台灣面臨的夾擊：一邊是中國以「足夠好」的替代方案蠶食台積電的議價能力，另一邊是美國以供應鏈安全為由分散台灣的先進製造能力。兩股力量方向不同，結果卻一致，都在降低台灣的不可替代性。海外設廠、技術轉移與人才外派，不會立即反映在財報裡，卻會以數年為單位，逐步削弱「只有台灣做得到」的優勢。而這份不可替代性，正是矽盾得以成立的根本。

真正的護國神山

更慘的不在於這裡，而是當蔡英文賴清德政府高喊「台灣經濟二十年最好」時，背後的真相，其實是極端擴大的「K 型復甦」。半導體與少數高科技供應鏈吸納了絕大多數的資本與超額利潤，造就了少數科技新貴；但對於占台灣勞動力八成以上的廣大服務業、傳統製造業與基層勞工而言，他們不僅沒有享受到 AI 浪潮帶來的實質加薪，反而被迫承擔由科技外溢資金所推升的高房價、高通膨與生活成本飆漲。

這也是為什麼我們能看到越來越多的人選擇投入股票市場，在萬物皆漲，只有薪水不漲的時代裡，比起將本就不多的錢放進銀行裡領取微薄的利息，全部投資在股票上更有可能馬上讓自己翻生，在這危機重重的年代裡生存下去 – 在彭博的相關報導裡，因為害怕錯過賺錢的黃金時期，有些人寧願借款也要 all-in 整個市場，比起當初2000年的網路泡沫可能還有過之而不及，雖然這個月的股市表現也已經狠狠教訓了他們。

然而，比起一時的股價漲跌，更值得關注的是，台灣所謂的護國神山正同時面臨來自不同方向的結構性壓力。過去市場相信，台積電的領先具有近乎不可取代的結構性優勢；如今，這種領先正逐漸退化為可以被追趕的技術性優勢。然而，今天的高市值與高估值，卻仍建立在前者的想像之上。如果市場開始重新評估「不可取代性」本身，真正需要重新定價的，就不只是台積電，而是整個台灣 AI 供應鏈。

在資本主義下，一旦 AI 泡沫破裂，對台灣而言恐怕是一場更大的危機。相較於中國仍有較完整的產業鏈與龐大內需、美國擁有軟體、金融等多元產業，台灣經濟高度集中於半導體。當 AI 算力需求放緩、先進製程與封裝的高溢價難以維持時，數千億元的固定資本投資將更難回收，衝擊也將迅速擴散至整體經濟。

對一般工人而言，在這場 AI 競爭中往往是最大的承擔者 – 如果 AI 如企業所期待般大幅取代勞動，等待他們的是失業、工資停滯與勞動條件惡化；如果 AI 泡沫最終破裂，等待他們的則是裁員、投資萎縮與新一輪金融危機。無論哪一種結果，真正付出代價的往往不是資本，而是勞動者。

事實上，AI 本身並不是敵人。相反地，它完全有能力減少重複勞動、提高生產力，甚至讓人類縮短工時，把更多時間投入教育、創作與公共生活。然而，在資本主義下，生產力的提升並沒有轉化為更多人的自由，而是轉化為更高的股價、更集中的財富，以及更大的投機泡沫。AI 所需要的知識、資料、電力、土地、晶片與基礎設施，本來就是數十億人集體勞動的成果；當它創造出的價值卻只流向少數企業與投資人時，危機便不是技術造成的，而是制度造成的。

因此，我們需要真正思考的，從來不是中國會不會超越美國，也不是下一個 AI 冠軍會是哪一家公司，而是為什麼由整個社會共同創造的技術成果，最後卻由少數資本決定如何使用、誰能受益，以及誰來承擔失敗的代價。唯有當 AI 與其他關鍵生產資料一樣，能夠按照多數人的需要而非少數人的利潤來規劃時，它才可能真正成為改善生活的工具，而不是下一場泡沫、下一場危機，以及下一次由勞動者買單的資本競賽 ！

《火花》是革命共產國際（RCI）的在台組織台灣革命共產黨所運作的網站。我們是一個為世界各地社會主義革命奮鬥的革命馬克思主義組織。如果您認同我們的理念並有興趣加入我們，可以填寫「加入我們」的表格，致信marxist.tw@gmail.com，或私訊「火花-台灣革命共產黨」臉頁，謝謝！