月之暗面旗下的Kimi K3模型，因为采用了线性注意力机制，最近在市场上引起了一些连锁反应——有人开始担心，这会不会削弱对英伟达、HBM以及网络设备的需求。

但半导体研究机构SemiAnalysis给出了一个截然不同的判断：K3庞大的参数规模和推理架构需求，不仅不会冲淡高端AI硬件需求，反而可能让英伟达高端GPU、HBM以及高速互联设备的需求变得更加强烈。

先看几个核心数字：K3的参数规模超过2.8万亿，模型权重容量就超过1.5TB的HBM。即便是在相对有限的用户并发场景下，KV缓存仍然需要大量卸载到CPU DDR5内存和NVMe存储上，HBM空间根本谈不上什么富余。

更关键的是，月之暗面此前透露过，K3要实现高效推理部署，至少需要64颗芯片组成的大规模扩展域架构。这个硬件需求，与英伟达GB200/GB300 NVL72这类机架级AI系统的设计思路，可以说是高度吻合。

SemiAnalysis认为，市场把线性注意力简单理解为“削弱GPU需求”，这个逻辑本身就存在偏差。真正的影响很可能恰恰相反：更高效的模型架构降低了AI推理成本，反而会推动更多应用落地，进而刺激GPU、HBM、DRAM以及网络基础设施的长期需求。

无惧线性注意力迭代，英伟达芯片需求依旧坚挺

市场的担忧，主要来自Kimi K3采用的Kimi Delta Attention（KDA）机制。

与传统Transformer注意力机制相比，KDA可以显著降低KV缓存的数据传输需求，最高能减少约10倍的网络带宽压力。这个变化让不少投资者联想到了DeepSeek R1发布后市场对AI硬件需求的担忧——模型效率提升，会不会降低对高端算力硬件的依赖？

但SemiAnalysis认为，这个判断忽略了大模型推理中的另一个核心需求：参数规模带来的计算和互联压力。

K3拥有超过2.8万亿参数，模型权重本身就需要依赖大规模分布式计算系统才能部署。与此同时，K3采用了WideEP（Wide Expert Parallelism）优化策略，将896个专家模块分布到多颗GPU上，让单颗GPU只承载部分专家权重，从而提升计算利用率。

不过，WideEP也带来了新的挑战：专家之间频繁的数据交换，需要更强大的网络互联能力。SemiAnalysis指出，GB200/GB300 NVL72采用的铜背板互联架构，机架内带宽达到传统DGX B200系统的18倍，非常适合这类大规模专家并行推理任务。

换句话说，KDA节省的KV缓存通信需求，很可能被WideEP带来的权重交换需求部分抵消，整体AI基础设施的压力并没有明显下降。

64颗芯片扩展域并非英伟达独家受益

当然，市场对此也有不同声音。知情人士GDP（@bookwormengr）指出，月之暗面提到的“64颗芯片扩展域”，并不一定就意味着英伟达的NVL72方案。华&为昇腾950 SuperPod同样采用64颗芯片配置，并且具备类似NVLink的统一总线（UB）内存扩展能力。

从架构能力来看，昇腾950 SuperPod可以支持跨16个机架扩展到1024颗NPU，在满足大规模模型推理需求方面同样有竞争力。因此，K3带来的硬件需求增长，并不意味着英伟达会成为唯一受益者，但高端AI互联系统的需求强化趋势，这一点是明确的。

杰文斯悖论：AI效率提升可能推动硬件需求增长

SemiAnalysis进一步引用杰文斯悖论（Jevons' Paradox）来解释AI基础设施的趋势。

这个理论的核心是：当某项技术提升了资源利用效率、降低了单位成本后，需求往往不会下降，反而会因为应用范围扩大而增长。放到AI领域，线性注意力机制降低了推理成本，可能会推动更多企业部署AI应用，全球AI推理规模进一步扩大，最终带动GPU、HBM、DRAM以及高速网络设备的需求增长。

不过，GDP对此保持谨慎。他认可杰文斯悖论的长期逻辑，但指出KDA在长上下文任务中的状态存储优化具有现实意义。即使模型权重规模巨大，由于采用了4bit量化以及高度稀疏化设计，实际内存压力可能低于市场直觉。

他认为，真正值得关注的变量，在于全球推理需求最大的AI公司——OpenAI、Anthropic以及Google DeepMind——是否已经或未来会采用类似KDA、DeepSeek CSA/HCA等线性注意力方案。如果头部AI公司大规模采用这类架构，长上下文推理对内存和互联资源的需求可能会出现明显下降，这将成为影响未来AI硬件需求结构的关键因素。

市场关注点转向：AI需求增长能否抵消架构效率提升

总体来看，Kimi K3的出现并没有简单指向AI硬件需求下降。对于英伟达而言，真正的竞争焦点可能已经从“单卡性能”转向了“系统级能力”——包括高速互联、机架级扩展以及大规模推理优化。

随着模型规模持续扩大，即使注意力机制不断优化，AI基础设施仍然面临参数规模、专家并行、数据交换以及推理吞吐提升带来的压力。

未来市场需要关注的核心问题，不是线性注意力是否会降低单项资源消耗，而是AI应用规模扩张带来的新增需求，能否持续超过架构效率提升带来的资源节省。