黃仁勳稱中國 AI 後門疑慮有誤：Kimi K3 開權重就等於安全？
下載權重、本地部署同用 API，面對嘅風險其實差好遠
Nvidia CEO 黃仁勳接受 Axios 訪問時，直指美國公司應該獲准使用中國 AI 模型，又認為外界擔心模型藏有同中國相關嘅後門，係一種誤解。佢嘅理由幾直接：公司下載模型後，可以自己微調同加 guardrail；企業亦可以將模型放入受控 sandbox 部署。講到呢度有一半啱，但「有權重」同「知道模型入面冇伏」之間，仲隔住一大段安全工程。
Kimi K3 今日仲未有完整權重下載
今次爭議由 Moonshot AI 嘅 Kimi K3 帶起。官方話模型有 2.8 萬億參數，已經喺 Kimi、Kimi Code 同 API 上線，不過完整權重預定 7 月 27 日前先發布，技術報告亦仲未公開。即係截至 7 月 22 日，外界主要靠官方資料同託管版本評估，未可以完整下載再自行重現測試。坊間將 K3 寫成已經任人審查嘅 open-weight 模型，時間上行快咗幾步。
官方同部分評測平台話 K3 嘅 coding、agent 工作同多模態能力貼近美國頂級模型，價錢亦平一截。不過權重未出，部署細節同評測設定未完全攤開，現階段適合視為一個幾有競爭力嘅服務預覽。等社群攞到同一份權重，再喺其他硬件、推理框架同測試集重跑，先可以判斷宣傳數字有幾穩。
圖片：Moonshot AI
權重唔會自己上網，但模型仍然可以藏住行為
純模型權重本身通常冇網絡連線能力，放入斷網環境運行，確實可以切斷供應商讀取 prompt、檔案同輸出嘅路徑。問題係部署一個模型仲會用到載入程式、推理框架、chat template、第三方套件同自訂模型程式碼。2026 年一份供應鏈研究就示範過，攻擊者可以將惡意邏輯扮成模型架構程式碼，趁本地微調時偷取機密。
權重亦可能帶住特定 trigger 先啟動嘅隱藏行為。Anthropic 嘅「Sleeper Agents」研究發現，部分刻意訓練出嚟嘅後門經一般 supervised fine-tuning、強化學習甚至對抗訓練後仍然留低。微調可以改語氣、知識範圍同拒答策略，冇保證可以洗走未知後門。 Open weights 方便研究員檢查同重複測試，呢個優勢好實在；但冇訓練資料、完整訓練程式同來源紀錄，審查範圍始終有限。
API、自建模型同 coding agent 係三套風險
直接用 Kimi API，資料會交畀 Moonshot 處理，企業要問清楚保存期、用途、處理地點、刪除安排同合約保障。自行託管權重可以將資料留喺自己環境，不過硬件、更新、模型掃描同存取控制都要自己負責。用 Claude、GPT 呢類封閉 API 同樣涉及供應商信任，只係合規文件、企業支援同服務地區可能唔同，唔代表國籍一轉，風險就自然清零。
去到 coding agent，後果可以再大一級。模型若果獲准讀 repository、環境變數、終端機、雲端憑證同內部文件，一次錯誤或惡意指令已經足以出事。實際防線包括鎖死網絡出口、用短效憑證、限制工具權限、隔離執行環境、記錄每次操作，同埋高風險改動要人手批准。呢套做法對 Kimi、Claude 同 GPT 全部適用。
禁令未成事，供應商選擇已經多一層政治風險
Axios 報道指，美國政府內部正再研究限制中國模型，包括聯邦採購規則、制裁或由企業承擔事故責任；暫時未有一項全面禁止美國公司使用 Kimi 嘅正式措施生效。香港公司若果同時服務中國、美國客戶，選模型時就要預埋 API 突然受限、雲端供應商停止提供某款模型，或者客戶合約拒絕某個來源嘅可能性。workflow 保持可以換模型，再分開資料層同 agent 工具層，實際得多，亦唔使押注單一供應商。
黃仁勳主張平價開放模型會推高 AI 用量，最終增加 GPU 同數據中心需求，呢套講法同 Nvidia 嘅生意方向完全一致。佢講中咗 open-weight 帶來選擇同可控部署，但「冇先天後門風險」講得太闊。Kimi K3 權重發布後，最值得睇嘅係獨立重跑結果、檔案同程式碼審查、授權條款，同埋企業能否喺隔離環境穩定部署。
參考來源
- Tom's Hardware — Jensen Huang argues American companies should be allowed to use Chinese AI models — Nvidia CEO says backdoors connected to China are misconceptions — original report
- Exclusive: Nvidia's Jensen Huang defends Chinese AI amid Kimi panic — 黃仁勳訪問原始來源，亦交代美國政府內部爭議同 Nvidia 嘅市場論點。
- Kimi K3 Tech Blog: Open Frontier Intelligence — Moonshot AI 官方資料，確認模型規模、現有服務、API 價格同完整權重發布時間。
- Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations — NIST 對模型權重、AI 供應鏈、資料投毒同後門風險嘅分類及緩解框架。
- Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training — 研究顯示部分刻意植入嘅模型行為可以捱過一般微調同安全訓練。
- Secret Stealing Attacks on Local LLM Fine-Tuning through Supply-Chain Model Code Backdoors — 示範本地模型微調仍可能受惡意模型程式碼同供應鏈攻擊影響。
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
