加载中...
AI 原生量化投研平台AI-native quantitative research platform
正在加载…Loading…
页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.
部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.
设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.
本文比较DeepSeek R1与Kimi K3发布后的金融市场反应。R1以接近前沿的能力、开放权重和显著低于竞争对手的成本，引发市场对AI算力需求及资本开支的重新评估，冲击集中于芯片与数据中心供应链；K3则以接近前沿的能力和价格进入市场，影响主要集中于缺乏互补资产的中国AI实验室。研究认为，开放权重模型主要是在AI价值链中重新分配租金，而非消灭行业利润；分销、产品捆绑、转换成本、专有数据、服务能力和契约信任等互补资产仍是 incumbents 的重要护城河。
| 指标 | DeepSeek R1事件窗口 | Kimi K3事件窗口 |
|---|---|---|
| S&P 500 | -1.5% | -1.5% |
| Nasdaq 100 | -3.0% | -3.1% |
| NVIDIA | -17.0% | -4.6% |
| SOX半导体指数 | -9.1% | -5.8% |
| Zhipu AI | — | -35.1% |
| MiniMax Group | — | -17.1% |
| 指标 | 2025年1月 | 2026年7月 |
|---|---|---|
| OpenRouter每周总token使用量 | 0.53万亿 | 58万亿 |
| 美国四大实验室闭源模型每周使用量 | 0.34万亿 | 13.2万亿 |
| 美国四大实验室闭源模型占总流量 | 64% | 23% |
报告标题：《The Reaction of Financial Markets to the Releases of DeepSeek R1 and Kimi K3: A Critical Analysis》
作者：Marco Taboga
机构：意大利央行（Banca d’Italia）
日期：2026年10月23日
主题：DeepSeek R1与Kimi K3发布后金融市场的反应、开放权重模型对人工智能产业价值链的影响，以及中国AI竞争对不同类型企业的暴露程度。
这篇报告不是传统券商式股票研究报告，没有给出“买入/持有/卖出”评级，也没有针对某一只股票设置目标价。它更接近一篇结合事件窗口、模型能力比较、产业组织分析和历史类比的宏观金融与产业研究。报告的核心论点是：开放权重模型并不必然消灭AI产业利润，而是会重新分配价值链上的租金。 DeepSeek R1冲击的主要是市场对AI训练和推理成本、芯片需求以及数据中心资本开支的预期；Kimi K3则主要增加了同一价格层级上的可信模型供应商数量，因此更直接冲击缺少分销、基础设施、客户关系和数据等互补资产的竞争者。,
作者试图传达的最重要信息是：评估AI企业风险时，不能只看公开排行榜上的模型能力，也不能只看模型是否开放权重，更应关注企业是否拥有模型之外的分销渠道、产品组合、用户迁移成本、服务能力、专有数据、合同保障和客户信任。,
报告选取了两个相隔约18个月的事件进行比较。2025年1月发布的DeepSeek R1是一个开放权重的推理模型，且通过API以远低于西方前沿模型的价格提供服务；市场同时接收到两个信号：第一，R1的能力接近最佳西方闭源模型；第二，其训练成本可能只是其他前沿模型的一小部分。
2026年7月发布的Kimi K3同样被定位为接近能力前沿的中国模型，但其经济含义不同。它的定价更接近前沿产品，而不是低价替代品，因此市场更可能将其理解为“新增了一个可信的前沿模型供应商”，而非“前沿AI的生产成本突然大幅下降”。,
作者围绕三个问题展开分析：
DeepSeek R1共有6710亿参数，但每次推理实际激活的参数约为370亿，体现出较强的计算稀疏性。模型于2025年1月20日发布，采用允许免费复制和广泛再利用的许可，并且能够展示推理过程，这是当时相对少见的特征。
图1比较了四项基准测试：
| 基准 | DeepSeek R1 | OpenAI o1-1217 | GPT-4o | Claude 3.5 Sonnet |
|---|---|---|---|---|
| MMLU | 90.8 | 91.8 | 87.2 | 88.3 |
| GPQA | 71.5 | 75.7 | 49.9 | 65.0 |
| AIME 2024 | 79.8 | 79.2 | 9.3 | 16.0 |
| MATH-500 | 97.3 | 96.4 | 74.6 | 78.3 |
图表显示，R1在MMLU上略低于OpenAI o1，但明显高于GPT-4o和Claude 3.5 Sonnet；在GPQA这一面向生物、物理和化学专家级问题的测试中，R1低于o1但高于另外两种通用模型；在AIME 2024和MATH-500数学测试中，R1则略高于o1，并大幅领先GPT-4o和Claude 3.5 Sonnet。
因此，R1的关键突破不是“能力绝对领先所有模型”，而是以接近前沿的推理表现进入市场。对于投资者而言，这意味着高能力模型未必需要依赖极高的单次推理成本，进而可能冲击市场原先对加速器需求和数据中心投资的假设。,
报告称，R1的API价格比最接近的推理模型低“一个数量级以上”，并且明显低于通用前沿模型。由于权重公开，服务商不再必须向单一模型厂商支付垄断性API价格，服务成本更多取决于租用加速器和部署基础设施的成本。,
成本数据进一步放大了这一信号。R1强化学习阶段的计算成本后来被估计约为29.4万美元，基础模型训练成本约为557.6万美元，但后者不包括先前研究和消融实验；作为比较，报告引用的GPT-4、Gemini 1.0 Ultra和Llama 3.1-405B计算成本估计分别约为7900万美元、1.92亿美元和1.70亿美元。
不过，作者特别强调，这些成本优势在很大程度上依赖DeepSeek自报数据，后续分析对其真实性提出了质疑。因此，市场在2025年1月做出的猛烈反应，未必完全基于已被独立验证的事实，而可能是基于一种足以改变预期的可信叙事。
Kimi K3规模远大于R1，拥有2.8万亿参数和100万token上下文窗口。其发布时在Artificial Analysis Intelligence Index上的得分为57，排名第三，与Opus 4.8相近，但低于Fable 5和GPT-5.6 Sol。,
图2包含三个维度：
这些数据说明，Kimi K3并不是只在传统问答排行榜上表现较好。在涉及多步骤、工具调用、商业项目和实际交付物的智能体任务中，它也非常接近前沿，尤其是在AA-Briefcase测试中仅次于Fable 5。,
但Kimi K3的定价逻辑与R1显著不同。Kimi K3的API输入价格为每百万token 3美元，输出价格为每百万token 15美元，大约是GPT-5.6 Sol的一半，但高于表现略弱的Grok 4.5和GLM-5.2。
仅比较每百万token价格会低估推理模型的真实成本，因为模型可能为了完成相同任务消耗不同数量的token。Kimi K3在测试中生成约1.30亿个输出token，而其他模型的中位数约为6300万，说明其回答较为冗长。
因此，报告使用完整评测套件的实际运行成本进行比较。Kimi K3完成Artificial Analysis Intelligence Index全部评测的成本为2437.41美元，比GPT-5.6 Sol低29.2%，比Claude Opus 4.8低35.0%，比Claude Fable 5低56.7%；但它仍然是Grok 4.5的3.8倍、GLM-5.2的3.4倍。
速度也是重要成本。Kimi K3每秒生成32.9个输出token，是比较模型中最慢的一个。Fable 5和GPT-5.6 Sol分别约快2.2倍和2.1倍，Opus 4.8和Grok 4.5分别约快1.8倍和1.6倍，GLM-5.2则约快5.4倍。
综合能力、token消耗和延迟，Kimi K3只是“以接近前沿的价格出售的接近前沿模型”，而不是DeepSeek R1那种明显改变成本曲线的低价模型。
表3比较了全球和美国宽基指数、科技行业指数、主要美国科技公司，以及中美AI实验室相关证券在两个事件窗口内的表现。S&P 500在两个窗口均下跌1.5%，Nasdaq 100在DeepSeek窗口下跌3.0%，在Kimi窗口下跌3.1%，说明从大盘指数角度看，两次冲击规模非常接近。,
但是，指数跌幅相似并不代表市场对两次事件的经济解释相同。DeepSeek事件的损失主要集中于计算供应链；Kimi事件的损失则更集中于直接竞争的中国AI模型实验室。
2025年1月，NVIDIA下跌17.0%，SOX半导体指数下跌9.1%。相比之下，Kimi事件窗口中NVIDIA下跌4.6%，SOX指数下跌5.8%。
市场之所以对DeepSeek反应强烈，核心并不只是R1的能力，而是其“以很低成本训练和服务前沿模型”的潜在含义。如果前沿模型所需的训练和推理支出远低于分析师模型中的假设，那么此前围绕AI需求所形成的芯片采购、数据中心建设和资本开支计划可能被高估，因而芯片生产商及相关基础设施公司需要重新定价。
换言之，DeepSeek传递的是关于AI生产函数的新闻，而不仅仅是关于某一家模型公司的竞争新闻。这也解释了为什么冲击会沿着加速器、半导体制造和数据中心融资链条扩散。,
Kimi K3发布后，Zhipu AI股价下跌35.1%，MiniMax Group下跌17.1%，成为表3中损失最大的相关公司。Kimi发布前，Zhipu的GLM 5.2是Artificial Analysis指数中得分最高的开放权重模型之一，而MiniMax的M3则处在能够接受原生图像和视频输入的开放模型细分市场。
因此，Kimi K3更像是在同一层级增加了一个可信竞争者：它没有证明前沿AI可以大幅降价，却增加了客户的选择，并压缩了其他纯模型实验室的差异化空间。
值得注意的是，阿里巴巴、腾讯和小米的股价没有出现同等程度的显著损失，尽管这些集团旗下也拥有发布高质量开放权重模型的AI实验室。报告认为，这些综合性集团拥有分销渠道、云和计算基础设施、硬件产品以及客户关系，能够将模型能力嵌入更大的商业体系，因此不完全依赖模型本身获取利润。
美国方面，Anthropic和OpenAI相关的上市前期货分别下跌1.8%和5.0%，跌幅明显小于Zhipu AI和MiniMax。Alphabet、Meta等拥有自有AI实验室的大型科技公司也下跌，但远低于中国纯模型实验室。作者认为这说明大型科技公司的云基础设施、分销能力、产品组合和客户关系可能抵消模型层的部分损失，但由于这些公司的业务高度多元化，该证据不能被视为决定性因果证据。
报告明确拒绝将这些跌幅解释为模型发布本身的纯因果影响。首先，表中证券类型不一致：大部分是股票或指数，而Anthropic和OpenAI对应的是在加密货币交易所交易的IPO前期货，存在流动性不足、市场设计差异和参与者构成不同的问题。
其次，事件窗口存在主观性。DeepSeek于1月20日发布，但市场主要在1月24日至27日之间反应，可能是因为采用数据和第三方分析需要时间传播；Kimi的反应则更加即时。
再次，两个窗口都处于财报季，2026年7月窗口还叠加了半导体股票整体重估和美伊战争再度升级等因素。因此，观测到的跌幅可能被放大，也可能被其他消息抵消，不能简单视为模型发布造成的上限或下限。
报告的核心产业组织判断是：用户购买的不是一组模型权重，而是一项可用、可靠并且能够承担责任的服务。模型权重只是服务的一个投入品。
一个可部署的AI服务通常包括：
公开权重只会降低模型本身的获取门槛，并不会自动提供上述互补资产。企业客户实际购买的往往是聊天助手、编程代理或企业平台，而不是裸模型，因此开放权重是对现有服务的部分替代，而不是完整替代。
报告列出四类迁移成本：聊天和上下文历史无法轻易迁移；专业工具及持续集成管道需要重新配置；MCP基础设施、凭证和访问权限需要重新设置；企业内部提示词库、第三方应用和评测体系也往往针对特定模型进行了调优。
OpenRouter数据体现了这种黏性。2025年5月至9月期间，闭源模型占该平台约80%的token处理量，但平均价格约为每百万token 1.86美元，而开放模型约为0.23美元；换言之，用户愿意为闭源模型支付约8倍价格。报告引用的研究还估算，如果更多使用转向开放模型，全球AI经济潜在节省规模可达到每年约250亿美元。
不过，迁移成本并非不可克服。Lindy据报道曾将100%的流量从Claude迁移至DeepSeek，以节省数百万美元；到2026年7月，四家主要美国实验室的闭源模型在OpenRouter流量中的占比降至23%，尽管其绝对使用量仍然上升。这说明价格差足够大时，客户仍会迁移。
报告认为，企业可以通过四种方式避免只在“模型排行榜”这一单一维度竞争：
这意味着两个模型即使基准分数接近，也不一定是完全替代品。程序员可能偏好简洁和技术性强的模型，教育或客服场景则可能偏好更解释性、更具对话性的模型。
金融、医疗、法律和政府客户通常要求数据驻留、审计、赔偿、数据处理说明和可追责的合同对手方。一个从代码仓库下载的模型权重文件，无法自动满足这些采购与合规条件。
报告还指出，若服务商受到外国法律关于国家情报合作的要求，企业客户可能进一步担忧数据访问、隐私和战略依赖问题。Moonshot也承认Kimi K3在处理模糊提示时可能过度主动，安全审计还发现过Kimi向无关方披露用户简历的隐私事件。这些问题会削弱其在高信任行业中的采用速度。
美国大型实验室拥有不同类型的数据资产，例如Google的网页索引和YouTube、xAI的社交图谱、Anthropic的企业使用数据、OpenAI的消费者订阅和人类偏好反馈数据、Meta的社交平台；阿里巴巴和腾讯也拥有类似的数据资产。
但数据护城河是否持久，取决于竞争者能否通过查询教师模型并使用其输出进行蒸馏。报告引用Anthropic的指控称，Moonshot、DeepSeek和MiniMax可能通过超过2.4万个虚假账户进行工业规模提取，涉及约1600万次交互，其中约340万次归因于Moonshot。该指控目前仍有争议，且尚未得到司法裁决。
作者同时指出，简单的“查询教师、复制教师”可能在长程智能体任务中失效。模仿者只学习教师曾经访问过的状态，一旦自身在多步任务中产生偏差，错误会逐步累积；强化学习模型则在自身实际到达的状态上接受奖励优化，因此更可能学会错误恢复。
如果每一步偏离教师轨迹的概率为ε，任务长度为T，则至少发生一次偏离的概率为 (1-(1-\varepsilon)^T)。任务越长，模仿学习越容易进入教师训练数据未覆盖的状态。
但作者没有把这一点说成确定性结论。基准测试成绩仍可能通过蒸馏逼近，而市场通常观察的正是基准成绩；推理过程被隐藏或总结、平台限流和代理网络打击也会提高蒸馏成本。报告最终认为，专有交互数据护城河的持久性仍是一个尚未解决的经验问题。
报告将AI开放权重竞争与20世纪90年代开放源代码软件扩散进行类比。历史上，免费替代品并没有消灭整个软件行业利润，而是通过四种机制重新分配价值：
这一类比支持报告的主要判断：开放模型可能使模型层商品化，却同时扩大AI整体使用量，并将利润转移到基础设施、集成、服务、分销和客户关系环节。,
但作者也指出类比存在局限。AI开放权重不是完全由志愿者维护的公共 commons，而是资本密集型企业出于战略目的发布的产品；此外，模型层被商品化对原有模型厂商并非没有代价，利润可能明显从模型层流失。
表4显示，OpenRouter每周总token用量从2025年1月的0.53万亿增至2026年7月的58万亿，扩大约109倍。四家主要美国实验室闭源模型的使用量从0.34万亿增至13.2万亿，扩大约38.8倍；但其市场份额从64%降至23%。
这组数据非常重要：闭源模型的份额下降，并不代表其绝对需求下降。开放模型和其他模型增长更快，但整个市场也在迅速扩张。因此，DeepSeek之后更像是市场规模扩大和份额重新分配，而不是闭源模型需求绝对收缩。
加速器需求也没有下降。NVIDIA季度收入从2025年4月结束季度的440亿美元增至2026年同期的820亿美元。报告将其解释为Jevons悖论：单位计算效率提高后，使用成本下降，反而可能刺激更多token消费；同时，推理和智能体任务需要更多中间token，进一步推高总计算需求。
美国企业还主动发布GPT-OSS、Gemma和Nemotron等开放权重模型，说明 incumbents可以开放模型层，同时继续通过计算基础设施、工具和客户关系变现。
Kimi K3发布后，Moonshot因需求超过服务能力而暂时暂停新订阅。这直接证明，拥有前沿模型权重并不等于拥有可规模化交付服务的能力；加速器、网络、调度和运营能力仍然是关键稀缺资源。
竞争对手随后快速推出新模型。Kimi K3发布时的Artificial Analysis得分高于Claude Opus 4.5，但数日后Anthropic发布Claude Opus 5并超过Kimi；Google也推出了兼具能力、速度和效率的Gemini 3.6 Flash。报告认为，这体现了美国大型实验室快速响应前沿竞争的能力，但关于其是否预先储备了可随时发布的模型，尚无公开证据。
报告没有使用DCF、P/E、EV/EBITDA或可比公司估值，也没有给出目标价、WACC、永续增长率或估值敏感性矩阵。其“估值分析”是产业层面的重新定价分析：DeepSeek影响的是市场对未来芯片需求、数据中心资本开支和AI生产成本的预期；Kimi影响的是模型供应商数量、竞争强度和纯模型企业的利润空间。,
报告真正提出的估值变量是“互补资产的所有权”。如果企业拥有分销、云基础设施、产品组合和合同客户，即使模型层被压低价格，也可能通过更低成本扩大服务销售；如果企业主要依赖出售一个接近前沿的模型，却缺少其他护城河，则更容易出现收入和利润率压力。,
主要风险包括：
报告最值得审慎看待的地方，是其结论主要建立在描述性证据和经济机制解释上，而非严格的因果识别。报告自己也承认事件窗口边界具有判断成分，OpenRouter前后数据口径并不完全可比，IPO前期货与普通股票也不能直接比较。,
此外，开放源代码软件与开放权重AI的类比具有启发性，却不能完全替代AI行业自身的实证分析，因为AI模型训练、推理、数据获取和服务运营的资本密集程度更高，模型能力迭代速度也更快。
这篇报告的总体判断是：DeepSeek R1和Kimi K3虽然都接近能力前沿，却向金融市场传递了两种不同信息。DeepSeek R1的核心冲击是成本和生产函数冲击，因此芯片、半导体和数据中心相关企业承压；Kimi K3的核心冲击是供应商数量和竞争格局冲击，因此其他中国纯模型实验室跌幅最大。
图1说明R1在多项数学和推理任务上已接近或达到OpenAI o1水平；图2则说明Kimi K3在传统能力和智能体任务上同样接近前沿，但其token消耗高、速度慢，未形成类似R1的低成本断层。, ,
表3说明两次市场反应的指数跌幅相似，但行业和公司分布显著不同；表4则说明DeepSeek之后开放模型份额上升并没有导致闭源模型绝对使用量下降，反而是在整个AI市场扩张过程中发生了份额重分配。,
作者最终并不认为美国AI实验室已经安全，也不认为开放模型竞争不重要。相反，开放模型已经对模型层形成真实压力，未来可能继续压缩模型利润。但报告认为，拥有分销、基础设施、客户关系、服务能力、信任和专有数据的企业，比单纯依赖模型本身的企业更能承受这种冲击。因此，对AI企业和相关资产的判断，关键不应只是“谁的模型排行榜得分最高”，而应是“谁控制了模型之外、能够持续产生现金流的互补资产”。,
2610.30886.pdf