硅谷信仰摩尔定律——靠缩小晶体管尺寸提升性能。华为何庭波提出的「韬定律」换了一把尺子：不先问晶体管还能缩小多少，而是问「一项计算还要等多久」。它把芯片、封装、互连、软件都纳入「时间缩微」的框架，在成熟制程上通过逻辑折叠、三维堆叠重构出接近先进制程的能效。K3 的 KDA 把注意力复杂度从平方级砍到线性，本质就是 AI 版的「韬定律」——不堆算力，压时间。

标准 Transformer 的注意力复杂度随序列长度平方增长，百万级上下文时大部分算力浪费在维持注意力矩阵。KDA 把大部分注意力层从平方级降到线性，配合注意力残差和高稀疏度 MoE——896 个专家每次只激活 16 个。实验数据显示，KV 缓存占用最高削减 75%，100 万上下文下的解码吞吐量提升 6 倍，训练效率提升约 25%，额外成本不到 2%。这不是玄学，是工程上可复现的算力杠杆。

硅谷把 K3 的 600 万美元训练成本当成中国效率胜利，但路透质疑这只算了最后一次跑通，前期探索和 OpenAI 一个量级。SemiAnalysis 测算 KDA 推理快 3 倍，华尔街却担心英伟达估值里「算力无限增长」的预期被打问号。两边都抓住了真信号，但结论截然相反——本质上是在赌「算力是稀缺资源」还是「算力是可优化变量」。

月之暗面正以 315 亿美元估值谈 Pre-IPO 轮，目标半年内港股上市。支撑估值的不是 K3 跑分第三，而是三个真实信号：ARR 已近 3 亿美元、海外增速 400%、涨价 60% 后收入反增。但算力短缺和幻觉率上升是悬在股价上的两把刀——Artificial Analysis 指出 K3 幻觉率比 K2.6 还高。资本市场要看到「单位经济模型跑通」的连续数据，下一轮催化是 2026 年 Q4 的算力扩容节点和 K3.5 的幻觉改善。

K3 爆火到被迫暂停新用户订阅，暴露了「效率越高，需求越炸」的奇点。Kimi 的 API 收入已占 70%，B 端才是真金主。那问题来了：当模型效率提升反噬算力供给，Kimi 是优先扩弹性算力池（砸钱买卡），还是用「模型路由」把简单请求导到小模型、省下算力给高价值客户？前者的成本压到毛利率，后者的技术天花板在动态调度精度。两个方向都有人押注，但资源只能选一个。