Відтворення "DeepSeek Moment"? Волл-стріт одноголосно заявила: Kimi K3 навпаки посилює попит на обчислювальні потужності

Ринок сприймає Kimi K3 як «DeepSeek момент 2.0» та панікує, але цього разу судження з Уолл-стріт зовсім інше.

Ввечері 16 липня, «Темний бік Місяця» у Шанхаї представив Kimi K3. Ця відкрито доступна модель із 2,8 трильйонами параметрів отримала 57 балів у інтелектуальному індексі Artificial Analysis, посівши третє-четверте місце у світі, на рівні з Anthropic Claude Opus 4.8 і OpenAI GPT-5.5. Важливо, що у рейтингу Frontend Code Arena, створеному Каліфорнійським університетом у Берклі, K3 набрав 1679 балів та зайняв перше місце, випередивши Claude Fable 5 та GPT-5.6 Sol, ставши першою відкритою моделью, яка на авторитетному програмістському рейтингу перевершила всі закриті зарубіжні моделі.

17 липня, у секторі напівпровідників на американському фондовому ринку відчутно знизилися акції. Логіку реакції ринку легко зрозуміти — на початку 2025 року вихід DeepSeek R1 спричинив швидке падіння цін акцій, бо: моделі з Китаю стають дедалі потужнішими, чи має сенс американським AI-компаніям витрачати стільки грошей на обчислювальні потужності? Якщо китайські моделі можуть наближатися до передових можливостей за нижчою ціною, чи не буде переоцінено попит на NVIDIA, HBM, сервери та мережеве обладнання?

Однак, за інформацією «Торгової платформи Час Вітру», останні аналітичні звіти інвестиційних банків, зокрема UBS, Nomura, Bank of America Merrill Lynch та Citi, вважають: Kimi K3 не є кінцем попиту на обчислювальні потужності, а навпаки — це прискорювач.

Kimi K3 і DeepSeek R1 несуть різний вплив. R1 більше показує «ефективність», K3 — «масштаб». 2,8 трильйона параметрів, 1M token контекст, постійний режим інференції, нативна мультимодальність, MoE-архітектура, ці характеристики — не історія про «легкі активи». Вони разом підвищать навантаження на інференцію, пам’ять, мережу та сховище.

Наскільки потужний Kimi K3?

Kimi K3 був презентований «Темним боком Місяця» 16 липня 2026 року, повні ваги моделі планується відкрити 27 липня. Це велика модель відкритого доступу з 2,8 трильйонами параметрів, яку кілька установ називають найбільшою відкритою LLM на даний момент.

Основні характеристики включають три пункти:

Перше: 1M token контекст. Модель може обробляти довші тексти, більш об’ємні кодові бази, складніші корпоративні дані та дослідницькі завдання.

Друге: постійна інференція. Це не просто питання-відповідь, а робота з довгими ланцюжками інференції та завданнями Agent.

Третє: нативні візуальні можливості. K3 працює не лише з текстом, а й з відео, зображеннями, розробкою ігор, фронт-енд дизайном, CAD та іншими мультимодальними завданнями.

В архітектурі K3 використовує Kimi Delta Attention, Attention Residuals і Stable LatentMoE. У MoE-частині кожен token активує 16 експертів із 896. За словами «Темний бік Місяця», порівняно з Kimi K2, загальна scaling efficiency збільшилась приблизно у 2,5 рази.

Це пояснює, чому K3 — не «дешевший K2». За даними Nomura, ціна введення K3 становить 3 долари за мільйон token, введення при попаданні у кеш — 0,30 долара, виведення — 15 доларів за мільйон token. За оцінкою Artificial Analysis, вартість одного завдання для K3 — близько 0,94 долара, що нижче за Claude Fable 5 (~2,75$) і Claude Opus 4.8 (~1,80$), близько до GPT-5.6 Sol (1,04$), але явно більше, ніж GLM-5.2 (0,32—0,47$) і набагато більше, ніж DeepSeek V4 Pro (0,04$).

Отже, позиціювання K3 не найнижча ціна, а наближення до можливостей передових моделей за нижчою ціною.

Чотири інвестбанки синхронно визначили: це не зниження попиту

Щодо побоювань на ринку «DeepSeek моменту», аналітик технологічної команди Nomura Asia Pacific Дуань Бін у звіті пише: «Ми вважаємо, що глобальна конкуренція та інновації у ринку LLM не припиняться, і з наближенням до AGI застосування генеративного AI для споживачів та бізнесу розширюватиметься. Передові AI-лабораторії та гіпермасштабні хмарні платформи продовжуватимуть інвестувати у цей етап для збереження конкуренції — зберігаючи закон масштабів, ми розцінюємо цю конкуренцію як позитив для ланцюга створення цінності AI-інфраструктури.»

Аналітик напівпровідників Citi Peter Lee у звіті від 19 липня прямо використовує «Ще одна парадокс Джевонса» як заголовок. Що таке парадокс Джевонса? Коротко: підвищення ефективності вугільних парових машин призводить до зростання споживання вугілля, тому що більше людей може використати його, більше сценаріїв застосовується. З AI-моделями так само — як тільки якісні моделі стають дешевшими, розробники і компанії впроваджують більше додатків, обробляють більше token, у підсумку споживання обчислювальної потужності зростає.

Peter Lee вважає, що навіть якщо K3 широко використовується, потреба у DDR5 серверах та eSSD пам’яті буде зростати. Причина — інференція K3 по ефективності на рівні інших передових моделей, але обсяг KV кешу збільшується із зростанням контексту, тиску на пам’ять не стає менше, а стає більше.

Аналітик напівпровідників Bank of America Securities Vivek Arya у звіті від 17 липня формулює ще пряміше. Він вважає, що відповідь американських передових AI-лабораторій — це «не менше потужностей, а більше». Якщо китайські відкриті моделі продовжують наздоганяти, OpenAI, Anthropic і Google повинні проводити навчання більшого масштабу, потужнішу інференцію та швидшу ітерацію для збереження відмінності. Arya також звертає увагу на важливий фон: медіа повідомляють, що Gemini 3.5 Pro від Google відстає від графіка на кілька місяців, програмна продуктивність не досягла внутрішніх цілей, і провідні позиції «стають все важче захищати».

Аналітик UBS Timo Arcuri у звіті від 20 липня зазначає, що паралелі між K3 і DeepSeek R1 справді є, але K3 більше про масштаб — це найбільша відкрита модель у світі, із 2,8 трильйонами параметрів та контекстним вікном у 1 млн token. Аналітики підкреслюють, що відкриті моделі зазвичай споживають більше пам’яті, ніж закриті передові моделі, бо контекстне вікно довше, потреба в KV кешах зростає навіть після кількісної оптимізації, що робить розгортання відкритих моделей більш залежним від HBM та сховища.

Сховище: найбільш прямий вигодоотримувач. За оцінкою UBS, накопичений Free Cash Flow (FCF) секторів пам’яті та сховища до 2028 року очікується на рівні близько 30% від ринкової вартості — це найвищий показник серед усіх підсекторів; у Micron (MU) — аж 47%. Citi та Nomura обидва підтримують рейтинг «купувати» на Samsung Electronics через дефіцит глобального ринку пам’яті. Аналітик Citi Peter Lee зазначає, що потреба у пам’яті для інференції Kimi K3 не менша, ніж у передових моделей, збільшення обсягу KV кешу напряму підвищить попит на серверну DDR5 та корпоративні SSD (eSSD). Він особливо підкреслює: для залучення Kimi K3 у масштабний режим потрібен кластер «надвузлів» з більш ніж 64 GPU.

Інфраструктура обчислювальних потужностей: найбільше виграють TSMC та NVIDIA. Незалежно від того, чи масштабна закономірність щодо тренінгу, чи зростання потреби в token на інференції — це все веде до більшої потреби у чипах передових технологічних процесів. Nomura повторно рекомендує TSMC, ASE, MediaTek тощо. NVIDIA відкрито заявляє, що інференція сучасних MoE (моделей з експертами) на GB300 NVL72 має енергоефективність у 25 разів більше, ніж у попередньої Hopper-архітектури. Моделі типу K3 природньо є вигодонабувачами новітнього обладнання NVIDIA.

Мережа: тренд надвузлів створює структурну можливість. Kimi K3 потребує кластерів надвузлів; через обмеження на експорт високотехнологічних чипів китайський локальний обчислювальний ринок більше покладається на архітектуру надвузлів для компенсації відставання одиночної продуктивності, що стимулює попит у постачальників оптичних модулів, оптичних чипів та мережевого рівня. Nomura віддає перевагу InnoLight та Suzhou InnoLight.

Хмарні платформи: вигода від ефекту агрегації екосистеми. Хмарні платформи, які хостять різні передові відкриті моделі, мають більшу силу переговорів і не залежать від одного закритого постачальника. Nomura віддає перевагу Alibaba (BABA) як ядро китайської AI-хмарної екосистеми, а також GDS, VNET та інших центрів обробки даних.

Ймовірно, це найбільш недооцінена точка у цій історії.

За статистикою відкритого API шлюзу OpenRouter, частка token китайських AI-моделей у глобальному потоці розробників рік тому була менше 2%, зараз — понад 45%. Дані Bank of America Merrill Lynch підтверджують пришвидшення проникнення AI: сьогодні близько 55% американських компаній вже підписують AI-моделі, платформи або інструменти, Anthropic мають 42% корпоративної аудиторії, OpenAI — 40%. Витрати провідних корпоративних AI-споживачів (1%) досягають 4833 доларів на співробітника на місяць.

Ринок поділяється. З одного боку — китайські відкриті моделі типу DeepSeek, Kimi K3, які охоплюють економічний і середньо-високий сегмент ринку; з іншого боку — найкращі американські моделі концентруються на складніших завданнях (наприклад, наукові обчислення) і зберігають технологічну і цінову премію. За оцінкою Nomura: провідні гравці з обох сторін, США й Китаю, виграють — головне, щоб залишалися на технологічній передовій.

Після виходу K3 ринок спочатку порівнював його з DeepSeek R1. Це порівняння корисне, але не варто зупинятися лише на рівні «чи знову доведеться масово купувати AI-обладнання».

DeepSeek змусив ринок переглянути ефективність тренінгу. K3 показав нову тенденцію: відкриті моделі теж можуть вивести масштаб, довгий контекст, функції Agent і мультимодальність на передову.

Це стимулюватиме передові лабораторії США продовжувати інвестування, але при цьому китайські моделі будуть розширюватися у глобальній спільноті розробників. Закриті топ-моделі зберігають технологічну і цінову премію, відкриті моделі охоплюють більше цінових категорій і сценаріїв розгортання, хмарні постачальники забезпечують розповсюдження та впровадження, ланцюг обладнання — тренінг та інференцію.

У короткостроковій перспективі, торгівля буде коливатися через «спогад про DeepSeek». У середньостроковій — якщо обсяг використання token продовжить зростати, довгий контекст і Agent поширюватимуться далі, потужності, HBM, пам’ять, мережа і IDC залишаються обов’язковими витратами.

Саме тому багато організацій після K3 вважають: сильні відкриті моделі не є кінцем попиту на AI-інфраструктуру, а ймовірно навіть початком нової хвилі розширення попиту.

Однак Bank of America Merrill Lynch також чітко виділяє ризик у хвості: «Якщо приріст ефективності випередить зростання робочих навантажень, ми можемо побачити певне зниження темпів створення інфраструктури». Іншими словами, якщо моделі стають дедалі дешевшими, але обсяг використання не розширюється синхронно, логіка зростання потреби в потужностях може бути переглянута.