01. 形式开源，实质闭源：2.8 万亿参数的营销魔术
摘要 ：Kimi K3 宣布开源 2.8 万亿参数模型。“任何人”都可以下载、部署、修改。唯一的问题是——满血部署需要 4000 万人民币硬件，年运营成本 1000 万。你有权部署，但你没有能力部署。
AI SaaS ToB 行业产品老兵，创业者，欢迎关注并理性讨论。
“开源”了一个你用不起的模型，算不算真开源？ 开源是不是变成了一个噱头，一个获客漏斗？
02. 算力账：4000 万的门槛
先粗略简单算一笔账。
Kimi K3，2.8 万亿参数，BF16 满精度推理。模型权重本身占 5.6TB 显存。加上 KV Cache 和框架开销，总显存需求约 7 到 8 个 TB。
一张 H800 有 80GB 显存。考虑张量并行的效率损失，满血部署需要约 118 张 H800。
按 8 卡一台服务器算，15 台。国内 H800 8 卡服务器一台 200 到 250 万。15 台就是 3000 到 3750 万。
加上 InfiniBand 高速网络、NVMe 全闪存储、电力改造和制冷基础设施，一次性投入 3300 到 4200 万。
每年运营成本：电费约 80 万，机房机柜 30 到 50 万，ML 运维团队 3 到 5 人 200 到 400 万，GPU 折旧每年 600 到 750 万。合计每年 900 到 1300 万。
有兴趣的读者可以搜一下：中国 A 股上市公司里，年净利润超过 4000 万的有多少。就算是央企集团，能一次性拍出 4000 万部署的，大概率一个手数得过来。
03. 能力账：买得起，跑得动吗？
硬件成本只是第一道坎。真正的挑战在后面。
我曾经在 Mac Studio 128G 上折腾过本地模型部署👉：月省200刀,代码不上云:Mac Studio 128G 跑 Claude Code 全攻略
r3lax/ Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled
模型选择、内存计算（MoE 架构的激活参数和总参数是两回事）、推理速度（量化精度选择直接影响可用性）、LanceDB 知识库搭建。各种坑踩了大概一周。
那是 35B 的模型，单机，一个人用。
现在换成一家企业，要部署 2.8T 的模型——需要管理 15 台 GPU 服务器、118 张卡之间的张量并行通信、InfiniBand 网络配置、分布式推理的负载均衡、故障切换。任何一张卡挂了，整个推理管线就断了。
目前有多少企业有能力运维这样一个 ML 基础设施？我见过某传统制造企业上 AI 系统——全套设备采购到位，三个月后没人用。不是设备不好，是整个公司找不到三个人能搞清楚怎么跑起来。
买得起硬件，和跑得动模型，是两件事。
04. 动机账：你能修改什么？
好，假设我是一家预算充足的科技公司。4000 万花了，运维团队招了，模型跑起来了。
现在我想”修改”这个开源模型。传统开源软件的核心自由之一就是修改——你拿到 Linux 源码，可以改调度器，可以裁内核，可以加自己的文件系统。
问题来了，我能改 Kimi K3 的什么？
我下载拿到的是权重文件——2.8 万亿个浮点数组成的参数矩阵。不是人类可读的代码，不是可理解的逻辑。
我能做的是：可以在上面微调，加一层 LoRA，改变某些输出风格。
但不能修改它的推理逻辑，因为我不知道它的推理逻辑是什么。我甚至不知道它为什么在某个输入下给出某个输出。
训练数据？没公开。训练代码？没公开。数据清洗流程？没公开。
花了 4000 万，得到的是一个看不懂、改不了、只能按原样调用的东西。
这和调 API 的区别是什么？API 不需要你花 4000 万买硬件。API 不需要你养 5 个人的 ML 运维团队。API 出了问题你可以找 Moonshot 的售后。
花了 4000 万，买到的是更贵的 API——只是这个 API 的服务器在你自己的机房里。
传统开源的核心承诺是：拿到代码，理解它，改造它，最终拥有它。
Kimi K3 的”开源”给了什么？只是拿到了文件，但我们不理解它。即使部署了它，也改造不了它。花了 4000 万，但最后并不拥有它——只是租用了一个放在自己机房里的黑箱。
05. 权力账：谁在受益？
如果企业部署不了，如果部署了也改不了，那”开源”的意义是什么？
答案可能让人不舒服： 开源在这里是一个获客漏斗。
Kimi K3 宣布开源 → 媒体报道 → 开发者研究权重文件 → 发现跑不动 → 退而求其次，调用 Moonshot 的云端 API。Kimi 会员卖到售罄（且涨价），集群濒临极限（不接受新用户注册购买）——“开源”带来的营销效应直接转化成了云服务的付费用户。
这不是开源。这是商业套路。
当”开源”的模型大到只有云厂商自己能跑的时候，“开源”就不再是开放——它是一个试用装。你下载权重文件的那一刻，你以为你拥有了模型。实际上，你只是被导流到了 Moonshot 的 API 付费页面。
哈耶克在《自由秩序原理》里区分过两种自由：形式上的自由（法律不禁止你做某事）和实质上的自由（你真正有条件去做某事）。
以赛亚·柏林进一步把这个区分精确化为”消极自由”（不被干涉）和”积极自由”（有能力实现）。
Kimi K3 的”开源”给了你消极自由——没人阻止你下载权重文件，没人禁止你部署。但它剥夺了积极自由——部署门槛高到你实际上没有能力实现。
你有权部署。但你没有能力部署。
权力和能力之间的鸿沟，就是”开源”这个标签试图掩盖的东西。
06. 真正的问题
我是真正相信本地部署的人之一。
在 Mac Studio 上跑本地模型，写过《月省 200 刀》分享本地部署攻略。我认为本地部署是 ROI 最高的 AI 使用方式——不限量、绝对隐私、代码不离机。
但 2.8T 参数的”开源”模型，跟我说的本地部署，是两回事。
我的本地部署是 35B 的蒸馏模型，单机跑。Kimi 的”开源”是 2.8T 的巨兽，要一个小型数据中心才能跑。当”开源”这个词被用在一个需要 4000 万硬件才能使用的模型上时，它不再意味着”开放”，它意味着”你看，我很大方，我开源了。至于你用不用得起——那是你的问题。”
这不是开放。这是用开放的语言，包装封闭的实质。
真正决定一个模型”开不开”的，不是权重文件有没有放在网盘上，而是部署门槛有没有低到让大多数人能跨过去。当门槛高到只有云厂商自己能跨过去的时候，“开源”和”闭源”的区别，只剩营销。
话题标签 ：#开源 #AI #Kimi #大模型 #开放权重
搜索关键词 ：Kimi K3 开源 2.8万亿参数、大模型本地部署成本、开源模型 vs 闭源模型、形式开源实质闭源、哈耶克形式自由实质自由
07. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年7月21日 18:25）。查看微信公众号原文。