Replika "Momen DeepSeek"? Wall Street sepakat: Kimi K3 justru memperkuat permintaan daya komputasi

Pasar memperlakukan Kimi K3 sebagai “DeepSeek momen 2.0” dan panik, namun kali ini, penilaian Wall Street sangat berbeda.

Pada larut malam 16 Juli, Moon Dark Side merilis Kimi K3 di Shanghai. Model open-source dengan 2,8 triliun parameter ini mendapatkan skor 57 pada indeks Artificial Analysis, menempati posisi ketiga hingga keempat di dunia, setara dengan Anthropic Claude Opus 4.8 dan OpenAI GPT-5.5. Lebih penting lagi, di ranking pemrograman Frontend Code Arena yang didirikan oleh University of California, Berkeley, K3 meraih 1679 poin dan menempati puncak, melampaui Claude Fable 5 dan GPT-5.6 Sol, sehingga menjadi model open-source pertama yang mampu mengalahkan semua closed-source model internasional di ranking pemrograman yang otoritatif.

Pada 17 Juli, sektor semikonduktor di pasar saham Amerika mengalami penurunan signifikan. Respons pasar mudah dipahami——awal 2025, peluncuran DeepSeek R1 memicu penurunan saham kekuatan komputasi, logikanya: Model China semakin kuat, apakah perusahaan AI Amerika masih perlu menginvestasikan banyak uang di kekuatan komputasi? Jika model China mampu mendekati kemampuan frontier dengan biaya lebih rendah, permintaan terhadap Nvidia, HBM, server, dan perangkat jaringan bisa dinilai ulang?

Namun, menurut channel Trading Chase, riset terbaru dari UBS, Nomura, Merrill Lynch dan Citi berpendapat: Kimi K3 bukanlah akhir dari permintaan kekuatan komputasi, melainkan akselerator.

Kimi K3 dan DeepSeek R1 bukanlah jenis dampak yang sama. R1 lebih menunjukkan “efisiensi”; K3 menonjolkan “skala”. 2,8 triliun parameter, 1M token konteks, inference selalu aktif, multimodal native, arsitektur MoE, fitur-fitur ini bukan cerita asset ringan. Mereka akan menaikkan tekanan pada inference, memori, jaringan, dan penyimpanan secara bersamaan.

Kimi K3 sekuat apa?

Kimi K3 diluncurkan oleh Moon Dark Side pada 16 Juli 2026, dengan weight model penuh rencananya dibuka pada 27 Juli. Ini adalah model open-source dengan 2,8 triliun parameter, yang disebut oleh beberapa institusi sebagai LLM open-source dengan bobot terbesar saat ini.

Pengaturan utama meliputi tiga poin:

Pertama, konteks window 1M token. Model dapat menangani teks lebih panjang, library kode lebih besar, dan tugas enterprise maupun penelitian yang lebih kompleks.

Kedua, inference selalu aktif. Bukan sekadar Q&A sederhana, melainkan berorientasi pada reasoning rantai panjang dan tugas Agent.

Ketiga, kemampuan visual native. K3 tidak hanya memproses teks, namun juga mendukung video, gambar, pengembangan game, desain frontend, CAD dan tugas multimodal lainnya.

Dari sisi arsitektur, K3 menggunakan Kimi Delta Attention, Attention Residuals, dan Stable LatentMoE. Bagian MoE: dari 896 ahli, setiap token mengaktifkan 16 ahli. Moon Dark Side mengatakan, dibandingkan dengan Kimi K2, scaling efficiency keseluruhan meningkat sekitar 2,5 kali.

Hal ini menjelaskan mengapa K3 bukanlah “K2 yang lebih murah”. Nomura merangkum harga: Input K3 sebesar 3 USD per satu juta token, input cache hit sebesar 0,30 USD, output sebesar 15 USD per satu juta token; menurut Artificial Analysis, biaya K3 per tugas sekitar 0,94 USD. Harga ini lebih rendah dari Claude Fable 5 sekitar 2,75 USD dan Claude Opus 4.8 sekitar 1,80 USD, hampir sama dengan GPT-5.6 Sol yang 1,04 USD, namun jelas lebih tinggi dari GLM-5.2 yang 0,32—0,47 USD, dan jauh lebih tinggi dari DeepSeek V4 Pro yang 0,04 USD.

Jadi, posisi K3 bukan harga termurah, melainkan mendekati kemampuan frontier model dengan harga lebih rendah.

Empat investment bank konsisten: ini bukan permintaan yang melemah

Untuk kekhawatiran pasar tentang “momen DeepSeek”, analis Nomura Securities Asia Pacific Tech, Duan Bing, menulis dalam laporannya: “Kami percaya persaingan dan inovasi di pasar global model besar tidak akan berhenti, seiring kita semakin dekat dengan artificial general intelligence (AGI), aplikasi AI generatif di sisi konsumen dan perusahaan akan terus berkembang. Laboratorium AI frontier dan platform cloud skala besar kemungkinan akan terus berinvestasi pada tahap ini agar tetap kompetitif——dengan hukum skala yang berlanjut, kami mengartikan persaingan ini sebagai prospek bagi rantai nilai infrastruktur AI.”

Analis semikonduktor Citi, Peter Lee, pada laporannya 19 Juli, langsung mengangkat tema “Paradox Jevons lagi”. Apa maksud Paradox Jevons? Singkatnya: efisiensi mesin uap batubara meningkat, justru konsumsi batubara melonjak karena semakin banyak orang mampu dan kebutuhan pun meluas. Demikian pula pada model AI——ketika model berkualitas menjadi lebih murah, developer dan perusahaan akan mendistribusikan lebih banyak aplikasi, memproses lebih banyak token, sehingga konsumsi kekuatan komputasi akhirnya naik.

Peter Lee bahkan menilai, meski K3 dipakai secara luas, permintaan memori DDR5 server dan eSSD tetap meningkat. Alasannya, efisiensi inference K3 setara dengan model frontier lainnya, namun penggunaan cache KV akan membesar seiring bertambahnya konteks, sehingga tekanan memori malah naik.

Analis semikonduktor Bank of America Securities, Vivek Arya, pada laporannya 17 Juli juga sangat langsung. Menurutnya, respon laboratorium AI frontier Amerika “bukan lebih sedikit kekuatan komputasi, tetapi lebih banyak”. Jika model open-source China terus mendekati frontier, OpenAI, Anthropic, dan Google harus berlatih dalam skala lebih besar, inference lebih berat, dan iterasi lebih cepat untuk mempertahankan perbedaan. Arya juga menunjuk latar belakang yang sering terlupakan: Media melaporkan Gemini 3.5 Pro dari Google tertunda beberapa bulan dari rencana, performa pemrograman belum mencapai target internal, dan posisi kepemimpinan frontier “semakin sulit dipertahankan”.

Tim analis UBS, Timo Arcuri, pada laporan 20 Juli, mengungkapkan bahwa K3 memang punya kesamaan dengan DeepSeek R1, namun K3 lebih mengacu pada skala——sebagai model open-source terbesar di dunia, dengan 2,8 triliun parameter dan 1 juta token window konteks. Analis menekankan, model open-source biasanya lebih membutuhkan memori dibandingkan closed-source frontier model, karena window konteks lebih panjang, kebutuhan cache KV meskipun sudah dikuantifikasi, tetap meningkat secara absolut, sehingga deployment model open-source pun sangat bergantung pada HBM dan storage.

Penyimpanan: sektor yang mendapatkan keuntungan paling langsung. Perhitungan UBS menunjukkan, sektor storage dan memori diperkirakan menghasilkan cumulative free cash flow (FCF) hingga 2028 sebesar 30% dari market cap, yang tertinggi di antara semua sub-sektor——Micron (MU) sendiri mencapai 47%. Citi dan Nomura mempertahankan rating beli terhadap Samsung Electronics, alasannya pasar memori global benar-benar dalam kondisi sangat ketat. Analis Citi, Peter Lee, menunjukkan, kebutuhan memori inference Kimi K3 tidak kalah dari model frontier lainnya, lonjakan kapasitas cache KV secara langsung akan meningkatkan permintaan DDR5 server dan eSSD enterprise. Ia spesifik menyebut: deployment skala besar Kimi K3 membutuhkan konfigurasi cluster “super node” lebih dari 64 GPU.

Infrastruktur computing power: TSMC, Nvidia menjadi penerima manfaat utama. Entah itu hukum skala pada sisi pelatihan masih berlaku, atau kebutuhan token pada inference tumbuh, semuanya bermuara pada permintaan chip proses teknologi maju yang lebih besar. Nomura menegaskan rating beli terhadap TSMC, ASE, MediaTek, dan lainnya. Nvidia pernah secara terbuka mengatakan, performa inference model MoE modern pada GB300 NVL72 mencapai konsumsi daya 25 kali lebih efisien dibanding generasi Hopper sebelumnya. Model seperti K3 memang menjadi penerima manfaat hardware terbaru dari Nvidia.

Jaringan: tren super node ciptakan peluang struktural. Kimi K3 membutuhkan cluster super node, computing power domestik China dibatasi oleh larangan ekspor chip high-end, sehingga lebih bergantung pada arsitektur super node untuk menutupi gap performa per GPU, hal ini mendorong permintaan pemasok modul optik dan chip optik pada layer jaringan. Nomura optimis terhadap Zhongji Xuchuang dan Suzhou Xuchuang.

Platform cloud: mendapat manfaat dari efek ekosistem. Platform cloud yang mengelola berbagai model open-source frontier memiliki daya tawar lebih kuat, tidak tergantung pada satu vendor closed-source. Nomura optimis terhadap Alibaba (BABA) sebagai inti ekosistem cloud AI China, serta GDS, VNET dan operator data center lainnya.

Ini mungkin jadi titik data yang paling diremehkan dari seluruh narasi.

Menurut statistik dari OpenRouter, API gateway terbuka, penggunaan token dari model AI China menyumbang lebih dari 45% traffic developer global, dibanding hanya kurang dari 2% setahun lalu. Data Merrill Lynch membuktikan akselerasi penetrasi AI secara keseluruhan: Saat ini sekitar 55% perusahaan Amerika telah berlangganan model, platform atau tools AI, tingkat adopsi Anthropic di perusahaan mencapai 42%, OpenAI 40%. Konsumen AI level teratas (1% pengguna perusahaan) rata-rata membelanjakan 4833 USD per bulan per karyawan untuk AI.

Pasar mulai terfragmentasi. Di satu sisi, ada model open-source China seperti DeepSeek dan Kimi K3 yang menjangkau pasar ekonomis dan mid-high value; di sisi lain, model frontier Amerika fokus pada beban kerja yang lebih kompleks seperti komputasi ilmiah, mempertahankan teknologi dan premium harga. Menurut Nomura: pemain model besar terdepan di kedua pihak akan mendapat keuntungan——dengan syarat masing-masing tetap ada di garis depan teknologi.

Setelah peluncuran K3, respons awal pasar tetap membandingkannya dengan DeepSeek R1. Perbandingan ini berguna, namun jangan berhenti pada “apakah harus menghabiskan uang lagi untuk hardware AI”.

DeepSeek membuat pasar mengalkulasi ulang efisiensi pelatihan. K3 menunjukkan hal lain: model open-source pun bisa membawa skala, konteks panjang, agent, dan multimodal ke area frontier.

Ini memaksa laboratorium frontier Amerika terus berinvestasi, dan mendorong model-model China terus ekspansi di ekosistem developer global. Model closed-source tetap mempertahankan premium teknologi dan harga, model open-source menjangkau lebih banyak rentang harga dan deployment scene, perusahaan cloud menyediakan distribusi model dan penerapan di perusahaan, hardware chain menanggung beban pelatihan dan inference.

Dalam jangka pendek, trading akan berfluktuasi karena “memori DeepSeek”. Dalam jangka menengah, selama penggunaan token terus tumbuh, konteks panjang dan agent terus meluas, computing power, HBM, storage, jaringan, dan IDC masih menjadi cost yang tak terhindarkan.

Itu sebabnya banyak institusi menyimpulkan sama setelah K3: model open-source yang semakin kuat bukanlah akhir permintaan infrastruktur AI, justru bisa menjadi titik awal penyebaran permintaan berikutnya.

Tetapi, Merrill Lynch juga menekankan risiko tail: “Jika keuntungan efisiensi melampaui pertumbuhan workload, infrastruktur bisa mengalami semacam kemunduran.” Artinya, jika model makin murah namun penggunaan tidak berkembang pesat, logika pertumbuhan demand computing power bisa dipertanyakan.