A | 8月24日，深圳华大智造科技股份有限公司（以下简称“华大智造”，股票代码：688114）召开中期业绩交流会，就AI贯穿三大业务线的落地场景、时空组学前沿领域应用等进行深入解读。管理层表示，AI驱动下，公司已构建起“数据入口—执行基座—智能闭环”的三层架构。
B | 【文/观察者网专栏作者 唐晓甫】 7月19日，Kimi K3发布48小时后，月之暗面暂停了C端新用户订阅。子公司涌生智能ProtoPilot自进化多智能体系统，已经服务于蛋白质与酶设计、血液前处理与PBMC分离等AI4S生命科学场景。虽然此前其他模型也曾出现疑似算力不足引发的“降智”现象，但是类似一款国产大模型因需求过载而主动限流，这在国内AI行业中实属罕见。这也恰恰说明Kimi K3作为一个开源模型，正对全行业商业化定价形成长期冲击。与此同时，年初两项并购的协同价值加速兑现，时空组学持续落地生命大模型、脑科学、病理研究与AI药物发现等前沿领域，纳米孔测序依托RNA直测优势加速赋能相关研发与业务拓展。 根据华大智造投资者关系活动记录表披露的内容，公司管理层在会上释放了人工智能从辅助工具升级为贯穿三大业务线核心驱动力、行业结构性升级机遇凸显等信号，以下为纪要中披露的核心内容： 问：过去几年，公司在AI应用上持续布局，现阶段AI已落地应用于哪些业务板块，具体赋能方向或场景有哪些？ 答：公司于2025年下半年，将原有三大业务线全面升级为全读长测序（SEQALL）、智能自动化（GLI）和多组学（OMICS），人工智能已从辅助工具升级为贯穿三大业务线的核心驱动力。在全读长测序领域，公司已将AI全面应用于测序酶筛选、性能提升等核心环节，G10-FR融合生成式AI与自发光生化技术，实现最快2小时闪速测序，达到行业领先水平；2025年发布的T1+测序仪内置生信计算模块，支持自动化高级分析；2026年上半年全新发布的CycloneSEQ-S1测序芯片应用了公司最新的AI算法，实现测序准确度与芯片通量的双重跃升，并支持长读长及直接甲基化测序；此外，公司与Google联合发布了基于DNBSEQ数据训练的AI变异检测模型，最高可降低73%的假阳性率，准确度达到世界领先水平。 Kimi时刻到了！ Kimi K3究竟有多火？看看使用量就知道了。 在智能自动化领域，公司构建了“AI大脑+智能四肢”的完整体系：已发布PrimeGen干湿协同多智能体系统以大语言模型为中枢，将从引物设计到实验执行的全流程转化为标准化自动方案；αLabStudio平台通过数字孪生实现异构设备的原子级精准控制与智能排产；在PrepALL液体处理平台、Smart8移液机器人等自动化设备方面，深度融合精密控制与AI视觉算法，助力用户在实验及文库构建环节实现提质增效；GLI业务板块已落地香港浸会大学智惠实验室、北京脑科学与类脑研究所全自动无人化黑灯实验室等标杆项目，高通量酶筛选平台的筛选成功率较传统方法提升3倍。 在多组学领域，AI 已广泛应用于单细胞、时空组学及影像诊断等方向：DNBelab C 为全球首个全流程无人值守单细胞文库制备平台，推动单细胞测序走向规模化与标准化；FluoXpert Vision 图像分析平台集成大模型，支持以自然语言指令处理病理统计数据，加速病理 AI 落地；掌上超声诊断仪内嵌AI 辅助诊断系统，可自动识别病灶。2026 年上半年，公司多组学业务板块收入同比增44.91%，除科研需求增加外，另一核心驱动力在于AI 大模型对多组学数据解析的依赖日益加深，模型训练与迭代对高质量数据的刚性需求，正持续向上游传导，带动单细胞测序、时空组学等数据采集平台的规模化部署。根据全球规模最大、最受欢迎的AI模型API聚合与路由平台OpenRouter，截至北京时间7月22日上午，Kimi K3的过去7天（上线仅6天）的词元使用量就超过7400亿，在所有模型中排名第14（榜单实时更新）。 为进一步加速人工智能部署，公司于2026年上半年设立全资子公司涌生智能，其联合上海人工智能实验室发布的ProtoPilot自进化多智能体系统，首次打通从自然语言实验需求到湿实验物理执行的全链路干湿闭环，将“生命科学实验室的PhysicalAI”概念真正落地，覆盖方案理解与设计、Protocol/SOP生成、智能排产与多设备协同、自动化代码生成、视觉识别与质量控制、实验数据回流及策略迭代等能力，推动实验流程从单点自动化向方案设计、设备执行与结果反馈贯通的闭环升级。 Kimi K3在Open Router上的实时调用情况 Open Router 而这种需求的背后是并不便宜的定价，作为一个拥有1.05M词元超长上下文长度的大模型，其API定价为每百万词元输入3美元、缓存命中输入0.3美元、输出15美元。 我们可以对比一下，DeepSeek-V4预览版已经采用峰谷定价：V4 Flash的输入、缓存命中和输出价格分别为0.14美元、0.0028美元和0.28美元；V4 Pro则分别为0.435美元、0.003625美元和0.87美元，显著低于Kimi K3。这一能力不仅服务于测序场景，也在AI4S生命科学场景中广泛延伸，目前已赋能蛋白质与酶设计、定向进化、血液前处理与PBMC分离、植物基因编辑、质谱方法开发等流程，并向运动医学、精准健康、海洋生物智造等新兴领域拓展，推动生命科学实验室从经验驱动迈向数据驱动、智能决策与持续优化演进。 整体而言，公司已构建起“数据入口—执行基座—智能闭环”的三层架构：全读长测序与多组学是数据入口，智能自动化是执行基座，涌生智能是智能闭环的最终落脚点，三层架构协同以产生更多数据从而反哺实验智能化，并以实验智能化进一步带动自动化业务发展，形成正向飞轮。 智谱GLM-5.2的每百万词元普通输入、缓存命中输入和输出价格分别为1.4美元、0.26美元和4.4美元。K3的普通输入价格约为GLM-5.2的2.1倍，输出价格约为其3.4倍；两者缓存命中价较为接近，K3仅高约15%。未来，涌生智能也将成为公司面向人工智能战略布局的重要方向。可以说，粗略一看，无论从何种角度看，对于国人来说，Kimi K3都谈不上便宜（写作期间，Qwen 3.8尚未公布其API价格）。 虽然这一价格仍明显低于OpenAI和Anthropic的最高端模型，但对于很多国人来说已经偏贵。
C | 问：公司收购深圳三箭齐发、杭州序风两家子公司后，目前双方业务落地进展如何？相关业务协同效应已在业绩端形成哪些实际贡献？ 答：深圳三箭齐发在时空组学领域具备领先的技术能力，其时空组学（Stereo-seq）技术在分辨率与视场方面处于国际前列；主营的时空试剂盒与公司测序仪深度绑定，试剂盒收入与测序产品收入的带动比例约为3：1，协同效应显著。2026年以来，时空组学在多个前沿领域的应用需求持续涌现，主要体现在三个方面：一是生命大模型领域，已有多家机构利用时空组学的全组学能力开展生命大模型训练，包括与华南理工大学共建数基生命时空计算创新研究平台；二是脑科学领域，已与上海脑科学与类脑研究中心等单位形成标杆性合作案例；三是病理研究与AI药物发现领域，已与中山大学附属第六医院、中南大学芙蓉实验室等机构落地成功案例。2026年下半年，深圳三箭齐发研发团队将进一步加大新产品开发力度，例如空间免疫组库技术、基于芯片的单细胞技术（Stereo-cell）等将陆续上市，持续助力公司在多组学领域的能力拓展。事实上，从定价的角度看，Kimi K3与美国顶级大模型更加接近。深圳三箭齐发本年度承担业绩承诺，公司将持续推进相关业务落地。 杭州序风的纳米孔测序仪（CycloneSEQ系列）具有长读长、单分子测序、实时数据获取及原生DNA/RNA信息检测等技术特点。 OpenAI的GPT-5.6 Sol每百万词元的短上下文输入、缓存命中和输出价格分别为5美元、0.5美元和30美元，长上下文则提高至10美元、1美元和45美元。科研领域可应用于复杂基因组denovo组装、结构变异解析、单倍型分型、全长转录组及表观遗传研究等；医学及临床转化领域则可应用于病原体快速检测、复杂遗传变异分析、家系及胚胎遗传分析以及现场移动监测等场景。
D | 我们可以看到，K3较GPT-5.6 Sol，普通输入和输出均便宜约40%至50%。而更低一档的GPT-5.6 Terra定价为2.5美元、0.25美元和15美元，其输出价格与K3完全相同，输入和缓存价格还略低于K3。其长读长能够跨越重复序列、复杂结构区域及多个遗传变异位点，与短读长测序平台在通量、准确率和复杂区域解析能力方面形成互补。 Anthropic的最新高端模型Claude Fable 5的普通输入、缓存命中和输出价格分别为10美元、1美元和50美元，K3大约相当于其30%；Opus 4.8则为5美元、0.5美元和25美元，K3相当于其60%。
E | 自并入华大智造以来，“短读长+长读长”的协同效应已在多个领域形成成功案例：在科研领域，围绕基因组、转录组、表观组等方向，与北京大学、复旦大学等国内高校在人群队列、动植物与农业研究中展开合作；在临床领域，CycloneSEQ在病原监测方向优势显著，2026年上半年已落地与圣庭医疗的合作，其为CycloneSEQ纳米孔测序国内首家OEM合作商，此外，纳米孔测序在RNA直接测序方面具备天然优势，可有效应用于疫苗厂商mRNA序列质检，目前该领域已有成功案例，杭州序风正持续推进相关领域的研发与业务拓展；在服务商领域，已与贝瑞基因、爱基百客等国内多家合作伙伴开展落地。责任编辑：孙同怀。 作为迄今为止全球参数规模最大的开源模型，Kimi从技术路线上就选择独创的混合线性注意力机制。
F | 当然这样的路线选择也注定K3在设计之初就没想依赖性价比取胜，而是希望通过更高的性能上限获得更高溢价。而这种通过追求更高性能上限来获取高溢价的路线，几乎是中国开源模型的首次商业尝试，但这一次，它似乎正在成功。 根据官方公布的相关数据，Kimi K3在编码、通用Agent和视觉Agent三大板块的所有子项目上排名都在前三之列，而且在部分子项目上处于世界第一的水平。根据相关程序员实测，虽然Kimi K3的词元利用率相较于GPT-5.6 Sol和Fable5偏低，部分压低了其相对于这两款顶级模型的成本优势，但其前端能力已经跻身全球第一梯队，部分场景甚至达到世界第一水平。这是此前的开源模型从未达到过的成就。 Kimi官方给出的成绩单涵盖编码、通用Agent和视觉Agent三大板块，在所有排名中，Kimi K3在多数项目中进入前三，甚至部分小项排在第一 Kimi 国内外不少程序员第一时间就开始对Kimi K3进行尝试，通过类似乃至一致的prompt对比K3与GPT-5.6 Sol和Fable 5等AI大模型的前端生成能力。测试结果令人惊讶，不少程序员都反映，Kimi K3在3D效果生成、游戏生成、UI生成等场景都有非常好的表现，甚至可以在不少场景中击败GPT-5.6 Sol和Fable 5。 外网实测后对Kimi K3评价普遍不低 X 而这样的成绩，无疑让人们进一步思考一个问题：大模型真的像美国人说的那样，有那么高的壁垒吗？ 大模型真的有那么高的壁垒吗？ 如果说DeepSeek R1横空出世，第一次系统地向全球开发者展示了如何通过大规模强化学习，让模型在缺少人工标注推理轨迹的情况下形成长链推理、自我验证和反思能力，让世界上除了GPT以外的模型理解了如何构造适用于复杂任务的长思维链，降低了其他模型相对于GPT的技术代差，推动全球大模型在2025年进入了百花齐放的阶段。 那么，Kimi K3在编码、通用Agent和前端开发等测试中的良好表现，则进一步动摇了人们过去对于“闭源模型必然长期、显著领先于开源模型”的信念。它的出现以一种毫无疑问的方式，证明了开源模型与全球最强闭源模型之间的差距，已经从过去的代际差距缩短到1-3个月，甚至在部分具体任务上出现反超。 其实，如果长期关注人工智能发展最新动态的人，对于这个结果的出现绝对不会感到意外。 大模型开源始于已经在本轮顶级AI模型竞争中出局的Meta。2023年2月，Meta发布第一代LlaMA，主要向研究机构开放；同年7月推出Llama 2后，允许开发者将模型权重用于研究和商业应用，并开始建立当时全球规模最大的开源大模型生态。 Meta选择开源和本地部署的核心原因在于，其收入来自社交平台和广告，并不需要直接依靠出售模型调用获得回报。其核心思路就是通过降低基础模型的稀缺性，推动Llama成为行业公共底座，让竞争优势更多回到应用、用户入口、数据和产品分发，将商业模式拉回到自己最熟悉的环节。 但此后，包括Qwen在内的一批大模型厂商也进一步扩大了开源模型的供给，而且他们还叠加了更加现实的企业需求：用户可以将模型部署在自己的服务器上，允许开发者修改、部署和二次开发，降低敏感数据上传外部云端的风险，吸引云厂商、硬件企业、科研机构和应用开发者围绕Qwen建立生态，并减少对单一模型供应商的长期依赖。
G | 只是这一系列尝试并未真正动摇以OpenAI和Anthropic为代表的闭源模型在前沿能力上的领先地位。
H | 2024年9月，OpenAI发布o1-preview，首次将测试时计算和长链推理能力系统性地应用于商业大模型。在数学竞赛、高难度科学问题和复杂代码推理等任务上，也一度拉开了与绝大多数模型的距离，进一步稳固了先发优势，也推动了所谓AI神话的出现。 当时国内不少人认为以ChatGPT为代表的美国闭源模型，已经完全取得了对于开源模型尤其是中国模型的绝对优势，直到DeepSeek R1的出现以及2025年初的“DeepSeek时刻”。 DeepSeek R1作为开源模型，首次在数学、代码和通用推理等测试中整体接近o1正式版。R1在AIME、MATH-500、LiveCodeBench和SWE-bench Verified等测试中与o1互有胜负，证明开源模型与最强闭源推理模型之间已经不再存在此前想象中的代际差距。 虽然DeepSeek R1造成了美国股市的短暂暴跌，并且引领了全球顶级AI进入“推理AI”的时代，但从科技资本的角度来说，DeepSeek R1的出现并没有动摇美国AI投资神话。原因是多样的： 1. DeepSeek R1虽然显著缩小了与o1的差距，但OpenAI于2025年4月正式发布o3之后，R1在复杂代码、科学推理、多模态理解和工具调用等方面的差距被重新拉大； 2. R1在AI幻觉率等多方面表现并不令人满意，在Coding和Agent能力方面与外国加速更新的顶级AI差距明显； 3.R1缺少多模态能力； 4. DeepSeek R1的出现甚至刺激了全球范围内对芯片的需求。
I | 当时黄仁勋就表示，像DeepSeek代表的推理型AI模型，在面对复杂问题时需要进行“思考”，进行大量的强化学习、微调和模型蒸馏，由DeepSeek引发的全球模型推理潮会让新的模型比传统的非推理模型消耗的计算量高出约100倍。 以上种种原因，都推动了美国的科技股神话在2025—2026年进一步登上神坛，并且在许多普通人心中树立了一个闭源模型不可战胜的思维烙印。也正是这种烙印，推动了科技巨头进行AI基础设施创纪录的资本开支，以及迎来了AI Agent时代的到来。 事实上，仅就中美两国顶级模型的基准测试数值来说（Qwen 3.7已经不再开源，且不能部署在阿里云服务器之外的地方），在中国训练算力似乎不再那么紧张的背景下，双方的差距是进一步缩小而非扩大，大模型的壁垒在2026年是降低而非升高。 虽然从2025年下半年开始，OpenAI和Anthropic先后进入了GPT-5.X和Opus 4.X（4.5及以上）时代，在Coding和Agent上有了显著的提升，但是以Qwen、DeepSeek为代表的中国大模型相对美国顶级模型的差距并没有被拉大。
J | 例如，斯坦福大学《2026年人工智能指数报告》指出，中美模型自2025年初以来已经多次交替领先。
K | 截至2026年3月，美国最强模型只领先中国最强模型2.7%，差距长期维持在个位数区间，报告因此判断中美模型性能差距已经“实质性关闭”。 GLM-5.2发布的时候同样引发了热议 6月发布的GLM-5.2进一步证明了上述论断。GLM-5.2延续了GLM-5的稀疏混合专家架构，通过针对长程编程任务的后训练，它的Coding能力已经全面接近Opus 4.8。甚至在某些场景下可以接近普遍认为达到“5万亿参数”的Fable 5。GLM-5.2在DeepSeek-V4预览版发布后，进一步动摇了“只有拥有更多先进GPU和更大的参数规模才能换来更强模型”的简单叙事，同时它的出现不断向世人昭示一种可能性：硬件的绝对优势似乎已经不再成为美国闭源模型真正的护城河。而Kimi K3的出现，则促使业界深入思考这一问题。 Kimi K3引发了股市下跌？不，但背后的问题更加深刻 这一疑问一旦深究，对于美股AI泡沫可能具有潜在致命打击的可能。
L | 为什么呢？因为本轮AI泡沫的核心假设是两个前提：只有更多先进GPU和更大的参数规模才能换来更强模型；更强的模型会在短期内（1—2年）带来通用人工智能并最终导致生产力的飞跃，也就是第四次工业革命。 所以基于这两个假设，美股投资会有两个推论：第一个推论是，因为有互联网泡沫爆炸后互联网产业繁荣的珠玉在前，所以当前对于AI基础设施的投资，是进入下一轮技术革命的门票。
M | 购买GPU、建设数据中心和争夺电力资源，表面上是在进行一项回收周期漫长的固定资产投资，实际上却是在购买一张通向未来AI生态主导权的期权。只要通用智能或大规模智能体经济最终成为现实，当前投入的几千亿美元就可能被未来数万亿美元的新产业所消化。 第二个推论是，在这一窗口期内，微薄的资本回报暂时并不重要，抢占位置才重要。服务器会折旧，GPU会迭代，数据中心的单位建设成本可能下降，但一旦企业因为犹豫而失去模型、开发者、云客户和应用入口，未来再想重新进入竞争，付出的代价可能更大。
N | 因此，市场过去愿意容忍不断上升的折旧、下降的自由现金流，以及短期内难以量化的投资回报。 所以在过去的一年多中，AI硬件的资本开支是整个美股，乃至全球资本市场最重要的风向标。下游大厂也在疯狂投资建设AI数据中心，正如我上一篇文章中所说，仅亚马逊、微软、Alphabet和Meta四家公司2026年的资本开支合计就达到7000亿美元级别，综合来看，全美相关资本开支规模可与去年美国M2增量相提并论。 而巨额的资本开支背后就是各大公司自由现金流的急剧萎缩，亚马逊截至2026年3月底的过去12个月经营现金流仍高达1485亿美元，但自由现金流却已从一年前的259亿美元降至12亿美元。华尔街预计，到2026年第三季度，亚马逊、微软、Alphabet和Meta四家公司的单季合计自由现金流可能仅剩约40亿美元，而疫情以来它们平均每季度能够产生约450亿美元自由现金流。 这也迫使各大AI相关公司在2026年加速发债，根据摩根士丹利预计，2026年全球AI相关债券发行规模将由上年的水平翻倍至约5700亿美元；截至5月31日已发行约2360亿美元，并预计发行量将在下半年进一步上升。
o | 美国银行则把2026年五大云计算厂商新增债务融资预测由1400亿美元上调至1750亿美元。2025年，亚马逊、Alphabet、Meta、微软和甲骨文已经发行约1210亿美元公司债，远高于2020—2024年年均约280亿美元。 债务融资规模持续扩张，意味着AI投资风险正从科技巨头内部股东与自由现金流层面，向外扩散至全球公司债、银行信贷、私募信贷及基建融资市场。
p | 这也意味着，本轮AI投资正在从一场由科技巨头现金流支撑的产业豪赌，逐渐演变成一场由全球资本市场共同加杠杆的基础设施扩张。 更值得警惕的是，AI债务扩张并不完全发生在微软、Alphabet和亚马逊这些拥有高信用评级的科技巨头资产负债表内。随着数据中心建设规模扩大，越来越多项目被剥离至云运营商、数据中心开发商与特殊融资载体，而这些主体的信用质量明显弱于背后的科技巨头。 例如Oracle的债务等级已经被下调至BBB-，距离垃圾级仅一步之遥；CoreWeave和TeraWulf等直接承担AI算力建设的企业，则已经处于BB级非投资级区间。同样遭遇信用危机的还有融合了Xai的SpaceX，穆迪、惠誉和标普对其250亿美元债券给出的评级分别只有Baa1、BBB+和BBB，均处于投资级的中低区间。 可以说，无论Kimi K3是否恰好在此时发布，美国科技公司都已经走到了一个必须接受业绩验证以支撑其下一步持续投资价值的阶段性节点。 从指数的角度，纳斯达克已经横盘快两个月了，而SpaceX以及除了苹果之外的七姐妹都在近两个月出现了不同程度的回撤 在美联储仍然保持偏鹰表态、无风险利率长期停留在高位的背景下，美股AI交易继续依靠估值扩张上涨的空间已经明显收窄：资本开支必须继续超预期，云业务必须继续加速，AI收入必须开始兑现，企业还必须证明这些收入最终能够覆盖持续增长的折旧、电力和融资成本。 这也是自6月以来美国科技巨头率先开始回撤的核心原因：“除非真的在资本开支和业绩层面超预期，否则真的涨不动了”。
q | 而Kimi K3的出现给了市场去思考的机会：美国这样不计成本的资本开支，包括刻意将AI芯片折旧周期从实际上的3年拉长至会计上的6年等一系列手段营造出的AI投资风潮，真的符合商业逻辑吗？ 而中国模型的发展，恰恰使这个问题变得更加尖锐。在高端芯片供应仍然受限的背景下，中国企业不仅推出了成本较低、面向日常推理和Agent任务的DeepSeek-V4系列预览版，还推出了在编码和Agent基准中进入世界第一梯队的Kimi K3。美国的投资效率是否太低了？ 这就将一个美国科技资本最不愿意面对的问题拿上了台面：假如受到芯片限制的中国企业，仍然可以通过模型架构、数据工程、强化学习和后训练优化，让自己的各类产品与美国产品在所有维度上竞争，那么美国在AI基础设施上的投入效率是否远低于市场此前的想象？ 如果美国企业多投入数千亿美元，最终换来的只是一两个月的领先，开源模型甚至可能在下一轮更新中就追平的几个百分点基准测试的差距，那么这种硬件优势所能形成的商业定价权，就远没有此前想象的那样牢固。他们也不要指望这样微弱的领先引领一个时代的工业革命，并在工业革命中享受超额期权回报了。 这已经不再只是一场关于模型性能的争论，而是对“美国例外论”在AI时代具体表现形式的拷问。
r | 因为从美国的角度来说，美国资本正在以前所未有的规模集中押注AI基础设施，赌AI会带来第四次工业革命，让他们绝地翻盘，毕竟他们已经不可能指望基础教育系统已经崩溃的美国为美国工业提供质优价廉的工人，提高工业效率，带来第四次工业革命了。 Kimi K3和DeepSeek-V4等中国大模型的存在，正在不断向世人指出一个现实，那就是无论AI是否将带来第四次工业革命，美国并不会因此理所当然享有超额经济收益与霸权溢价，因为哪怕AI确实带来生产率的飞跃，它也不会由美国闭源企业独占；因为中国企业能够以更低资本投入、接近同步的研发周期，推出性能相近的开源大模型。 这也就意味着，即便AI革命如期到来，支撑当前美股科技股估值的垄断利润也未必随之产生。
s | 换句话说，Kimi K3的出现质疑的并不是AI能否带来第四次工业革命，而是美国科技巨头是否能够独占这场工业革命的收益。 铁路改变了世界，互联网也改变了世界。铁路创造了现代经济，却没有让所有铁路公司获得超额利润；互联网重塑了人类生活，却同样埋葬了大量在泡沫时期投入巨资的企业。技术的社会价值与投资者的财务回报，从来不是同一件事。 人工智能大概率也将从根本上改变世界。但它改变世界的方式，未必符合那些试图通过制造“人工智能鸿沟”、限制技术扩散并长期收取垄断租金者的设想。 本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。
Current article:http://9yzf.foujiongwenruapoumeizhan.buzz/w89j5v/eyb4e.html
Published on:15:36:10
