中国 Kimi 大模型背后的 CEO 表示：AI 竞赛的关键并不是谁拥有最多资源。

“真正稀缺的资源不是芯片，而是洞察力（Insights）。”

Moonshot AI（月之暗面）创始人杨植麟详细披露了他们如何依靠开源模型与 GPT、Claude 正面竞争的技术路线。在美国头部实验室逐渐减少技术公开分享的时候，他们选择了另一条道路。

第一步，他们放弃了整个行业自 2014 年以来广泛使用的 Adam 优化器。

Moonshot AI 开发的 Muon 优化器变体，可以用约一半的 FLOPs（浮点运算量）达到相同的训练损失（Loss），同时实现两倍的 Token 效率。这意味着在相同算力条件下，模型能够学习更多内容，或者用更少资源达到同样效果。

第二步，他们优化的不仅仅是模型损失函数（Loss），而是“每个 Token 位置对应的 Loss”。

杨植麟认为，优秀的模型架构不应该随着上下文长度增加而逐渐失去能力，而应该在更长的上下文中持续提升理解和推理能力。而这恰恰是 AI Agent 时代最重要的竞争核心——谁能在超长上下文中保持更强的推理和执行能力，谁就更有优势。

第三步，他们解决了大规模训练过程中长期存在的不稳定性问题。

在超大规模训练时，Loss 曲线经常会出现突然飙升（Spike），导致训练效率下降甚至失败。Moonshot AI 采用了一项名为 QK-Clip 的技术，在长达 15 万亿 Token 的训练过程中，让 Loss 曲线始终保持平稳，没有出现任何异常波动。

杨植麟甚至表示，这是他在 2025 年见过“最美丽”的技术成果之一。

第四步，他们正在推进下一代模型 K3 所使用的 Kimi Linear 技术。

这是一种线性注意力（Linear Attention）机制。长期以来，线性注意力虽然理论上效率更高，但效果始终无法超越传统的全注意力（Full Attention）架构。

而 Moonshot AI 认为，他们终于实现了突破。在处理超长文本任务时，Kimi Linear 的性能已经超过传统全注意力机制，并且在百万 Token 上下文场景下，速度最高可提升 6 倍。

第五步，开源并不是一种慷慨行为，而是一种战略。

杨植麟认为，每一次开源发布都会推动整个行业建立在他们的技术成果之上。随着越来越多开发者和企业采用这些模型，中国开源大模型正在逐渐成为全球 AI 生态中的默认选择之一。

据美股投资网 TradesMax.com ，最后，他用一句话概括了这一切：

“构建一个模型，本质上是在构建一种世界观（Worldview）。”

而到了最后，真正决定模型高度的，往往不是参数规模，也不是算力投入，而是创造者的品味（Taste）。

观看并收藏这段分享。

这是迄今为止最清晰的一次机会，让人们了解 Kimi 团队究竟是如何思考 AI，以及他们为何能够在资源远不如美国科技巨头的情况下，持续与 GPT、Claude 等顶级模型展开竞争。