01 触发事件

36 氪 8 月 24 日独家披露, 美国法律 AI 独角兽 Harvey 基于月之暗面的开放权重模型 Kimi K3, 通过后训练推出自有法律 AI 模型 Harvey Tenet。Harvey 当前估值 110 亿美元, 年化收入约 3.5 亿美元, 服务超过 2400 家机构、20 多万名律师, 此前主要使用 OpenAI 与 Anthropic 的闭源模型。同一周, 月之暗面宣布 Kimi K2.5 本月底结束服役, 即 K3 序列进入主力位。

02 这事的真正含义

表面看, 这只是 vertical AI 圈常见的 "拿开源底座 fine-tune 一发" 的故事。

问题不在 "Harvey 又 fine-tune 了一个模型", 而在: 一个百亿美金估值的法律 AI 公司, 把自己的核心交付能力押在了一个中国实验室的开放权重模型上。Harvey 不是在拿 Kimi 做 demo, 是让它支撑 2400 家机构客户的生产负载。

这件事的真正含义有三层。

第一, 中国开放权重模型在 capability 上跨过了 "能 fine-tune 出 enterprise 级产品" 这条线。Kimi K3 不是 demo 玩具, 而是 substrate。

第二, post-training 作为 "vertical AI 的真正 moat" 这个叙事, 在 Harvey 这里完成了第一次百亿美金级验证。Harvey 买的不是 Kimi, 买的是 "我可以在 Kimi 上 post-train 出比通用模型更懂法律的 Tenet"。底座可以被替换, Tenet 不可被替换。

第三, 闭源 API 作为 "vertical AI 公司默认底座" 的地位被撬动了。不是因为价格, 而是因为 post-train 权。OpenAI 和 Anthropic 卖的是 token, 不是 weights; 客户能 fine-tune 但不能改底座, 这件事在 Kimi K3 这种开放权重模型面前突然变成了结构性劣势。

03 历史类比 / 结构对照

这事让我想到 2014-2016 年的 AWS 时刻。AWS 把基础设施能力 commodity 化, 催生了 Veeva、Toast 这批在 AWS 之上构建的垂直 SaaS 公司, 这些公司最终的市值远超 AWS 在该垂直里的业务增量。

结构对照: Kimi K3 现在的角色, 接近 "模型层的 AWS"。Harvey 在做的事情, 接近 "在模型 AWS 上跑出了垂直 Veeva"。区别在于 AWS commodity 的是 compute, Kimi commodity 的是 "能力" — 但 commodity 不等于没有价值, commodity 的价值在生态规模。

另一层对照: 这跟 2023 年 Meta 押 Llama 的判断同构, 但押注方反了。Zuckerberg 当时赌的是 "开源够好, 生态自己长出来"。两年过去, Llama 在 enterprise 后训练场景里的渗透不及预期, 反倒是中国系 (Qwen、DeepSeek、Kimi) 在这个场景里被验证。Harvey 的选择给这条线加了一个 110 亿美元的注脚 — 只不过注脚落在中国这边。

更深一层的隐喻: 这是 2024 年 DeepSeek 时刻在 vertical 层的延续。DeepSeek 当时证明 "中国实验室能训出 capability 接近前沿的开源模型", Harvey 现在证明 "海外 enterprise 愿意把生产负载跑在中国开放权重之上"。前者是技术信号, 后者是商业信号。

04 对 AI builder 意味着什么

如果你是 vertical AI 公司 founder: 别再纠结 "用 OpenAI 还是 Anthropic"。把 30%-40% 的研发资源投到 post-training 管线, 把领域数据、用户反馈循环、合规约束做成 Tenet 那种 "在底座上长出来的能力"。底座会 commodity 化, Tenet 不会。

如果你是模型 API 消费者 / 应用层 builder: 重新评估 "模型切换成本" 的真实含义。如果你的价值只在 prompt engineering 和 few-shot, 你几乎没有 switching cost; 如果你的价值在 fine-tuned weights 和持续 RLHF loop, 你的 moat 比你想的厚。

如果你是 developer tooling / agent infra builder: "模型可被后训练成垂直能力" 这个事实, 让 agent orchestration 的设计假设要改。你不再能假设 "底层模型永远是无差别的通用智能", 你要假设 "底层模型是个客户可定制化的 substrate" — MCP、A2A 这类协议的设计, 也得把 post-train 接口纳入考量。

短窗口决策: 重新盘点你现有的 post-training 资产。如果手里有领域数据 + 反馈循环但还没动手, 现在是时候。Kimi K3 + DeepSeek + Qwen 这批开放权重模型的能力水位, 已经支撑得起 enterprise 级后训练。

05 反方观点 / 风险

我可能错在三处。

第一, Harvey 选 Kimi 可能不是 "能力论", 而是 "成本 + 地缘论"。法律场景 token 消耗极高, Kimi K3 的推理成本可能显著低于 GPT/Claude, 边际成本差异是实打实的商业动机。我没看到 Harvey 公开 Tenet 的具体 cost structure 数据, 所以 "能力溢出" 的解释力我可能高估了。

第二, "post-training 是 vertical AI 的 moat" 这个判断本身可能被证伪。如果底座模型每 6 个月就有一次显著能力跳跃, 那 fine-tune 在 K3 上的权重在 12 个月后就过期了, post-train 的护城河会被底座迭代冲垮。Harvey 的赌注成立的前提, 是模型 scaling 曲线开始放缓, 或者 post-train 的知识迁移成本足够低。这点我可能误判。

第三, 也是最关键的一条: Harvey 选 Kimi 不代表美国 enterprise 市场全面转向中国开放权重。Harvey 创始团队的背景、对中国的 connection、合规结构都可能让这个选择是 "个例" 而非 "趋势"。如果下一家头部 vertical AI (医疗 / 金融) 选的是 Mistral 或 Llama, 那这条故事只是 "中国市场反哺全球" 的有趣 anecdote, 不是结构性拐点。

我目前 70% 相信这是 vertical AI 走向 "commoditized base + proprietary post-train" 的拐点信号, 30% 相信这只是 Harvey 的个例 + 成本驱动的局部选择。证据还不够, 接下来 6 个月其他 vertical AI 公司的底座选择会是关键验证。