【AI融資熱】月之暗面尋求新一輪融資 目標估值100億美元 Kimi聊天機械人開發商月之暗面正洽談新一輪融資，目標估值達100億美元，反映投資者對中國AI模型初創企業的熱情。包括阿里巴巴與騰訊在內的現有投資方已承諾投入逾7億美元。其最新模型K2.5在OpenRouter平台使用率居首。

【AI估值】中國AI初創月之暗面再尋融資 估值將為180億美元 開發聊天機械人Kimi的中國人工智能（AI）初創月之暗面，尋求籌集至高10億美元的資金，估值將達到約180億美元，是三個月前估值的四倍多。反映投資者對追趕矽谷巨頭的中國AI公司興趣日益濃厚。 #AI# #月之暗面# #融資#

【AI模型】阿里巴巴投資的月之暗面搶在DeepSeek之前發佈新版AI模型 阿里巴巴集團投資的月之暗面更新了其旗艦人工智能（AI）模型，在外界預期DeepSeek即將發佈新模型之際，加劇中國國內競爭。月之暗面稱，最新版Kimi能夠在單條提示詞下同時處理文本、圖像和影片。

3 月 26 日消息，今天下午，据彭博社报道，月之暗面正在评估在香港推进首次公开募股的可能性，以把握市场对人工智能的投资热情。讨论仍处于早期阶段，上市时间尚未确定。 知情人士称，月之暗面已与中金公司和高盛接触，探讨潜在的 IPO 安排。

【AI新股？】AI公司月之暗面據悉考慮赴香港進行IPO 知情人士透露，AI初創月之暗面正考慮在香港進行IPO。公司由前清華大學教授楊植麟創立，為Kimi聊天機械人開發商。今年早些時候，公司已完成逾7億美元融資，並曾尋求以約180億美元估值再募資至多10億美元。 #月之暗面# #IPO#

国产 AI 里面，我现在最佩服变成了月之暗面 Kimi @Kimi_Moonshot 主要是三件事： 1.马斯克亲自转发了 Kimi 天才少年的论文，评价为印象深刻。 2.知乎上有人指控 MiniMax 疑似直接借用了 Kimi Office Skill 代码。 3.Cursor 3 月 19 日发布 Composer 2，代码能力极强，被发现后，后面官方亲自承认使用了 Kimi 的基础底座。 最了解你的不一定是客户，不一定是投资人，甚至不一定是你自己，但是一定是同行🤣。

历史性的时刻！中国 AI 公司月之暗面，发布并开源 Kimi K2.6 大模型。 根据披露，通用 Agent、代码、视觉理解等综合能力，获得了全面提升，在多个基准测试优于或持平 GPT 5.4、Claude Opus 4.6、Gemini 3.1 Pro 等闭源模型。 此外 K2.6 具备自动化任务处理能力，支持长达 5 天的持续自主运行。 关键是完全开源，开源！

一位西方 AI 研究学者，花了 10 天走访了中国十几家 AI 实验室，月之暗面、小米、MiniMax、智谱、美团、阿里、蚂蚁、零一万物、宇树…… 给他留下最深印象的，是这里的研究者非常谦逊。DeepSeek 被频繁提及，人们谈论 DeepSeek 的论文时带着“真正的钦佩”。许多研究者彼此是亲密朋友，来自同一所大学或共享同一个家乡，坦诚地讨论自己的工作。 这与美国形成了鲜明对比。在美国，氛围更像零和游戏，实验室对定位很谨慎，领导者会在“泄露的备忘录中互相侮辱和攻击”。 他们不讨论 AI 的政治或哲学影响，不考虑大规模失业、永久底层阶级，也不讨论模型是否有意识。 他们只想训练更好的模型。 “当听说你用了他们的模型时，他们的眼睛会发光。他们渴望在下一代模型中修复当前模型的所有缺陷。他们通宵达旦推动模型发布，之后仍然出现在办公室。” 整体氛围和旧金山出奇地相似。研究者们极度在线，在 Twitter 和小红书上大量阅读。他们在开会时监控训练运行，观察奖励曲线上升，抱怨算力不够，对当前基准测试的状态感到沮丧。 研究者的乐观情绪也延伸到了普通民众，他们似乎对技术以及 AI 和机器人的前景更加乐观。旅途中有人讲，他们的父母和祖父母在用豆包和 DeepSeek 做各种事情，包括讨论数学定理。 他说：“这与西方明显不同，那里的普通民众厌恶 AI。”

艾伦研究所的知名研究员Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。 聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。 文章我看完了，写一些自己的笔记。 1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。 反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。 2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。 一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。 3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。 但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。 4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。 少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。 5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。 6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。 研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。 这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。 7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。 Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。 学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。 8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。 很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。 Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。 9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。 整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。 10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。 因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。 但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。 11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。 关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。 12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。 于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。 13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。 国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。 14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。 但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。 15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。 如果能买到，毫无疑问会继续加仓。 这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。 Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

Manus 事件后的监管收紧出现了，多家公司被曝要求应拒绝美国的资本。 彭博援引知情人士消息，最近几周多个 AI 科技私营企业，如月之暗面、阶跃星辰，已收到来自监管部门的指导建议，在后续融资中如果没有明确批准，应拒绝来自美国的资本。 字节跳动也将面临类似的限制。 这也意味着，字节的早期投资人，在未经政府批准的情况下，可能无法向美国投资者出售老股。 而市场分析师们，主要判断这一最新限制的总体目标，是防止美国投资者，入股涉及国家安全优先事项的敏感领域。 以上信息来自彭博社。