استارتاپ چینی مون‌شات هوش مصنوعی کیمی K3، اولین مدل با وزن باز ۲.۸ تریلیون پارامتر در جهان را منتشر کرد

در طول دو سال گذشته، توانمندترین سیستم‌های هوش مصنوعی پشت دیوارهای API شرکت‌ها قفل شده بودند و اجاره آن‌ها بر اساس توکن محاسبه می‌شد. اگر توسعه‌دهنده‌ای به استدلال در سطح مرزی یا پنجره متنی عظیم نیاز داشت، باید به چند غول فناوری غربی باج می‌داد. اکنون این مدل کمیابی با یک تهدید ساختاری مواجه است. مانع ورود به هوش مصنوعی سطح بالا در حال تغییر است؛ دیگر مسئله این نیست که به چه کسی پول می‌دهید، بلکه این است که چه سخت‌افزاری می‌توانید فراهم کنید. این موضوع اساساً اقتصاد توسعه نرم‌افزار و اتوماسیون سازمانی را تغییر می‌دهد.[3]

کاتالیزور این تغییر در اواسط جولای ۲۰۲۶ (تیر ۱۴۰۵) از راه رسید، زمانی که استارتاپ پکن‌نشین مون‌شات هوش مصنوعی، مدل کیمی K3 را منتشر کرد. این مدل که به عنوان یک سیستم ۲.۸ تریلیون پارامتری معرفی شده، بزرگترین سیستم هوش مصنوعی با وزن باز است که تاکنون در اختیار عموم قرار گرفته است. مون‌شات در ابتدا این مدل را در ۱۶ جولای از طریق API خود عرضه کرد، اما به وعده‌اش عمل کرد و وزن‌های زیربنایی آن را در ۲۷ جولای منتشر ساخت. با قابل دانلود کردن این مدل در پلتفرم‌هایی مانند هاگینگ فیس (Hugging Face)، مون‌شات کلید سیستمی را به توسعه‌دهندگان داده است که در بنچمارک‌ها با رهبران اختصاصی بازار رقابت می‌کند.[1][2][3][4]

برای درک اینکه چرا کیمی K3 یک نقطه عطف است، باید فراتر از تبلیغات پر زرق و برق تعداد پارامترهای عظیم آن نگاه کرد و معماری‌اش را بررسی نمود. این مدل متکی بر طراحی «ترکیبی از متخصصان» (Mixture-of-Experts یا MoE) است؛ تکنیکی که شبکه عصبی را به زیرشبکه‌های تخصصی تقسیم می‌کند. اگرچه K3 در مجموع ۲.۸ تریلیون پارامتر در ۸۹۶ متخصص مجزا دارد، اما تنها ۱۶ متخصص از آن‌ها را برای هر توکن متنی فعال می‌کند.[2][7]

این فعال‌سازی پراکنده به این معنی است که در هر لحظه، تنها حدود ۱۰۴ میلیارد پارامتر در حال اجرا هستند. نتیجه، سیستمی است که دانش گسترده یک مدل عظیم را دارد، اما با کارایی محاسباتی یک مدل بسیار کوچک‌تر عمل می‌کند. این انتخاب معماری خاص است که به K3 اجازه می‌دهد تا عملاً توسط اشخاص ثالث مستقر شود، نه اینکه به ابرکامپیوترهای یکپارچه مورد نیاز برای اجرای مدل‌های متراکم با اندازه مشابه نیاز داشته باشد.[2][5][7]

فراتر از ساختار MoE، مون‌شات دو مکانیزم جدید را برای مدیریت حجم عظیمی از داده‌ها معرفی کرد: توجه دلتای کیمی (Kimi Delta Attention) و باقیمانده‌های توجه (Attention Residuals). مدل‌های استاندارد هوش مصنوعی هنگام پردازش اسناد طولانی با محدودیت‌های حافظه دست و پنجه نرم می‌کنند، زیرا هزینه محاسباتی با طول متن به صورت تصاعدی رشد می‌کند. مکانیزم‌های توجه جدید مون‌شات این سربار حافظه را کاهش می‌دهند و به K3 اجازه می‌دهند تا یک پنجره متنی یک میلیون توکنی را حفظ کند؛ این میزان برای جذب چندین کتاب درسی ضخیم یا یک کل کدبیس در یک پرامپت واحد کافی است.[6][7]

این مدل همچنین به طور بومی چندوجهی (multimodal) است، به این معنی که از ابتدا برای درک همزمان متن، تصاویر و ویدئو آموزش دیده است. به جای وصل کردن یک پردازنده بینایی به یک موتور متنی، K3 داده‌های بصری را به صورت بومی پردازش می‌کند. مون‌شات ادعا می‌کند که این امر به مدل اجازه می‌دهد تا وظایف پیچیده ویرایش ویدئو و استدلال بصری را انجام دهد، اگرچه توسعه‌دهندگان مستقل هنوز در حال آزمایش محدودیت‌های این ادعاهای چندوجهی در استقرارهای دنیای واقعی هستند.[3][6]

هنگام ارزیابی یک مدل جدید هوش مصنوعی، صنعت به بنچمارک‌های استاندارد متکی است که اغلب تصویری خوش‌بینانه‌تر از تجربه واقعی کاربر ارائه می‌دهند. مون‌شات ادعا می‌کند که K3 به عملکرد در سطح مرزی دست یافته است، و ارزیابی‌های مستقل تا حد زیادی این موضوع را تأیید می‌کنند، البته با ملاحظاتی. در وظایف کدنویسی و عامل‌محور (Agentic tasks) – جایی که هوش مصنوعی به طور مستقل برای حل مسائل چندمرحله‌ای عمل می‌کند – K3 از مدل‌های نسل قبلی مانند GPT-5.5 اوپن‌ای‌آی و کلود اوپوس ۴.۸ انتروپیک پیشی گرفت.[2][3][9]

با این حال، تمایز قائل شدن بین رقابت با نسل قبلی و شکست دادن نسل فعلی حیاتی است. در مقایسه با سیستم‌های کاملاً پیشرفته کنونی مانند کلود فیبل ۵ انتروپیک و GPT-5.6 سول اوپن‌ای‌آی، K3 کمی در معیارهای کلی هوش عقب‌تر است. با این وجود، این واقعیت که یک مدل قابل دانلود رایگان اصلاً در همان بحث با گران‌ترین سیستم‌های اختصاصی قرار می‌گیرد، یک تغییر عمیق در چشم‌انداز هوش مصنوعی است.[1][2][3]

واقعیت عملی هوش مصنوعی «با وزن باز» این است که دانلود مدل تنها اولین مانع است؛ اجرای آن کاملاً چیز دیگری است. در دقت کامل، کیمی K3 به ۱.۵۶ ترابایت فضای ذخیره‌سازی و حافظه نیاز دارد که آن را فراتر از دسترس سخت‌افزارهای مصرف‌کننده قرار می‌دهد. استقرار مدل فشرده‌نشده نیازمند رک‌های سرور سازمانی یا سوپرنودهای تخصصی از شتاب‌دهنده‌های پیشرفته است.[2][5]

برای دسترسی‌پذیر کردن مدل برای مخاطبان گسترده‌تر، جامعه متن‌باز بلافاصله شروع به اعمال تکنیک‌های کوانتیزاسیون (Quantization) کرد. گروه‌هایی مانند آن‌اسلات هوش مصنوعی (Unsloth AI) نسخه‌های «۱ بیتی» بسیار فشرده‌ای از K3 را منتشر کردند که نیاز حافظه را به حدود ۵۹۴ گیگابایت کاهش می‌دهد. اگرچه این فشرده‌سازی منجر به کاهش جزئی در دقت می‌شود، اما به مدل اجازه می‌دهد تا روی ایستگاه‌های کاری پیشرفته، مانند مک استودیو یا ایستگاه انویدیا DGX، اجرا شود و دسترسی به یک مدل کلاس ۳ تریلیون را تا حدی دموکراتیزه کند که قبلاً غیرممکن به نظر می‌رسید.[5]

پیامدهای اقتصادی ناشی از انتشار K3 فوری و منطقه‌ای بود. در روز پس از اعلام اولیه مدل، سهام توسعه‌دهندگان رقیب چینی هوش مصنوعی سقوط کرد، به طوری که Z.ai حدود ۲۸ درصد و MiniMax ۱۶ درصد کاهش یافتند. سرمایه‌گذاران به سرعت متوجه شدند که اگر مون‌شات هوش مصنوعی در سطح مرزی را به صورت رایگان ارائه دهد، قدرت قیمت‌گذاری و سنگرهای رقابتی شرکت‌های هوش مصنوعی صرفاً مبتنی بر API به شدت به خطر می‌افتد.[9]

این تبدیل هوش به کالای عمومی، نیروی مخرب واقعی کیمی K3 است. اگر توسعه‌دهندگان بتوانند مدلی را که ۹۵ درصد به اندازه بهترین سیستم‌های اختصاصی توانمند است، به صورت خودمیزبان اجرا کنند، مشتریان سازمانی به طور فزاینده‌ای گزینه وزن باز را برای حفظ حریم خصوصی داده‌ها و اجتناب از هزینه‌های مکرر API انتخاب خواهند کرد. این انتشار نشان می‌دهد که بازار ممتاز برای دسترسی به هوش مصنوعی در حال کوچک شدن است و تنها به لبه‌های مطلق قابلیت‌ها محدود می‌شود.[7]

با وجود برچسب «باز»، Kimi K3 با محدودیت‌های تجاری قابل توجهی همراه است. مون‌شات وزن‌ها را تحت یک مجوز سفارشی منتشر کرد که شامل یک آستانه درآمدی است. هر شرکتی که بیش از ۲۰ میلیون دلار درآمد سالانه داشته باشد، یا بیش از ۱۰۰ میلیون کاربر فعال ماهانه داشته باشد، باید قبل از استفاده از K3 در یک محصول رو به مشتری، با مون‌شات قرارداد تجاری مذاکره کند.[8]

این استراتژی صدور مجوز، جاه‌طلبی‌های دوگانه مون‌شات را آشکار می‌کند: جلب توجه توسعه‌دهندگان از طریق دسترسی باز، در عین حال حفظ مسیری برای کسب درآمد در میان کاربران سازمانی با جیب پر پول. این یک حرکت حساب‌شده است که تعریف سنتی نرم‌افزار متن‌باز را به چالش می‌کشد و یک اکوسیستم طبقه‌بندی شده ایجاد می‌کند که در آن علاقه‌مندان به صورت رایگان کار می‌کنند، اما شرکت‌های بزرگ برای بازی باید هزینه بپردازند.

پیامدهای ژئوپلیتیکی انتشار K3 نیز به همان اندازه مهم است. سال‌ها، روایت غالب در سیلیکون ولی این بود که آزمایشگاه‌های غربی به لطف کنترل‌های صادراتی ایالات متحده بر تراشه‌های پیشرفته هوش مصنوعی، برتری راحتی نسبت به همتایان چینی خود حفظ کرده‌اند. کیمی K3 این فرض را در هم می‌شکند و ثابت می‌کند که توسعه‌دهندگان چینی می‌توانند محدودیت‌های سخت‌افزاری را دور بزنند تا مدل‌های کلاس مرزی تولید کنند.[1][3]

گزارش شده است که مون‌شات K3 را با استفاده از ترکیبی از سیلیکون‌های سازگار با مقررات صادراتی انویدیا، مانند L20، و سخت‌افزارهای داخلی جایگزین آموزش داده است. مون‌شات با بهینه‌سازی پشته نرم‌افزاری خود – از جمله یک کامپایلر سفارشی به نام MiniTriton – نشان داد که کارایی الگوریتمی و نوآوری معماری می‌تواند کمبود دسترسی به سریع‌ترین پردازنده‌های مطلق را جبران کند.[2]

این انتشار همچنین بحث داغ در مورد ایمنی و گسترش هوش مصنوعی را دوباره شعله‌ور می‌کند. منتقدان استدلال می‌کنند که انتشار وزن‌های یک مدل عامل‌محور و بسیار توانمند، ابزاری قدرتمند برای بازیگران مخرب جهت حملات سایبری یا اطلاعات نادرست فراهم می‌کند، بدون حفاظ‌های ایمنی اعمال شده توسط ارائه‌دهندگان API. از آنجا که K3 می‌تواند کدهای پیچیده بنویسد و به طور مستقل عمل کند، پتانسیل سوء استفاده غیرقابل چشم‌پوشی است.[3]

در مقابل، طرفداران متن‌باز استدلال می‌کنند که مدل‌های شفاف ذاتاً ایمن‌تر هستند، زیرا به جامعه جهانی محققان اجازه می‌دهند آسیب‌پذیری‌ها را شناسایی کرده و اقدامات متقابل دفاعی را توسعه دهند. آن‌ها معتقدند که امنیت از طریق ابهام یک استراتژی شکست‌خورده است و دموکراتیزه کردن هوش مصنوعی تنها راه برای اطمینان از سودمندی این فناوری برای کل جامعه است.[3]

همانطور که توسعه‌دهندگان شروع به ادغام کیمی K3 در گردش کارهای خود می‌کنند، آزمون واقعی مدل، قابلیت اطمینان آن در محیط‌های تولید خواهد بود. در حالی که بنچمارک‌ها قابلیت‌های مجزا را اندازه‌گیری می‌کنند، کاربردهای دنیای واقعی به ثبات، تأخیر کم و مدیریت خطای قوی نیاز دارد. ماه‌های آینده نشان خواهد داد که آیا K3 می‌تواند شتاب اولیه خود را حفظ کند و واقعاً مدل‌های اختصاصی را در استقرارهای سازمانی جابجا کند یا خیر.[7]

در نهایت، کیمی K3 چیزی بیش از یک نقطه عطف فنی است؛ این یک عامل اجبار (forcing function) برای کل صنعت هوش مصنوعی است. مون‌شات هوش مصنوعی با اثبات اینکه مدل‌های عظیم و کلاس مرزی می‌توانند با موفقیت به عنوان وزن‌های باز توزیع شوند، جدول زمانی را به سمت هوش عمومی و کالایی‌شده تسریع کرده است. سؤال دیگر این نیست که آیا مدل‌های باز می‌توانند با مدل‌های بسته رقابت کنند، بلکه این است که چگونه شرکت‌های فعلی زمانی که محصول اصلی‌شان به صورت رایگان واگذار می‌شود، زنده خواهند ماند.[1]