AI行业最让人后背发凉的，往往是一张旧幻灯片。
2026年7月中旬，Moonshot AI发布 Kimi K3：约2.8万亿参数、100万上下文、原生多模态，并宣布开放权重计划。榜单、价格、编程能力、Agent，一夜之间全被拉上牌桌。
但就在聚光灯最亮的时候，一张拍摄于2024年的办公室旧照突然出现。
照片里，杨植麟穿着黑色卫衣，手持麦克风。屏幕上只有一个极其直接的箭头：
Next-Token Prediction Scaling → Reinforcement Learning Scaling。
左边，是大模型熟悉的下一词预测；右边，是强化学习。旁边还写着两个后来被整个行业反复提起的词：synthetic data与test-time compute。
两年之后再看，这页PPT简直像一张从抽屉里翻出来的技术藏宝图。
▲ Max For AI发布的旧照：屏幕标题为“新的 Scaling Law”，箭头两端分别是下一词预测与强化学习扩展。
K3刷屏时，旧照片抢走了聚光灯
照片来自AI创业者与内容创作者 Max For AI。
据他回忆，2024年，他受邀前往Moonshot北京办公室，体验当时最新的 K0-Math。原本只是一场朋友间的参观，杨植麟却亲自到场，讲起了下一代Scaling Law。
Max说，杨植麟聊商业和融资时很平静；可一旦话题转向架构、训练与数据，就像重新回到实验室的博士生，越讲越兴奋。他还提到，杨的工位十分普通，没有独角兽CEO的排场。
不过，有两处边界需要注明：工位细节只存在于Max的文字回忆中，并未出现在照片里；这场内部分享的精确日期，也没有公开。
Max用一行字概括了PPT，但照片本身透露的信息更多。
看左边。Next-Token Prediction Scaling。
再看右边。Reinforcement Learning Scaling。
而围绕右侧的，还有合成数据与推理时算力。这意味着Moonshot当时同时考虑了RL训练及三个相关环节：
- 让模型生成新的训练轨迹；
- 通过奖励学习更有效的推理策略；
- 在回答问题时投入更多计算，让模型多想几步。
这张技术路线草图已经超出了口号。
先别急着封神：2024年，证据已经公开出现
旧照具有戏剧性，但真正支撑这段回忆的，是2024年的公开记录。
2024年11月16日，Moonshot发布数学推理模型 k0-math。按照公司公布、媒体转述的数据，k0-math在MATH基准上取得约93.8分，高于当时公开可用的o1-mini与o1-preview成绩；在中考、高考、考研等题集上也给出了对标结果。
这些数字需要谨慎阅读，采样方式、模型版本、评测框架都会影响成绩。但产品信号已经相当清楚：Moonshot开始用数学这一类“可以自动判分”的任务，训练更强的推理能力。
▲ 2024年11月的公开报道：k0-math对标o1系列，杨植麟同时谈及强化学习范式。
更关键的是，杨植麟在当时的公开采访中明确表示：预训练正在接近阶段性天花板，下一步重点将转向强化学习。他也强调，Scaling仍会继续，只是要更换实现方式。
当然，Moonshot并非唯一看见这条路的公司。2024年9月，OpenAI已经通过o1掀起推理模型浪潮；此后DeepSeek、Anthropic等团队也迅速投入。
所以，这条判断并非杨植麟一人独有。
真正有含金量的，是一家公司能否把判断连续变成产品、论文和基础设施。
从“背完整个互联网”，到“进入推理训练场”
为什么RL Scaling会如此重要？
传统大模型预训练，很像让一个学生读完整座图书馆：遮住句子的最后一个词，让他不断猜下去。猜得越准，模型对语言、知识和世界规律的理解就越强。
但问题也随之而来：人类互联网的高质量文本总有尽头。
当参数越来越大、数据越来越难找，继续堆预训练算力的边际收益就会变薄。
强化学习则像把学生从图书馆带进训练场。
给它一道数学题、一段代码，答案可以被自动验证。做对，加分；做错，调整策略。模型还能生成更多题解轨迹，用synthetic data扩充训练信号；到了真正答题时，再用test-time compute多试几条路径、自检、纠错。
可以把这项变化理解为：
过去，算力主要花在“考前读书”；现在，更多算力开始花在“考场思考”。
但箭头并不意味着下一词预测被彻底淘汰。强大的预训练底座为模型进入训练场提供知识和语言能力。所谓RL Scaling，更像是在旧引擎之上，增加一套能够探索、试错和自我修正的传动系统。
2025年，那张PPT变成了一篇论文
2025年1月，Kimi团队发布论文 Kimi k1.5: Scaling Reinforcement Learning with LLMs。
论文开篇就把问题挑明：下一词预训练受到数据上限约束，而强化学习提供了新的Scaling轴。
团队将长上下文、策略优化与长链推理结合，并刻意避免依赖过于复杂的MCTS、价值函数和过程奖励模型。论文报告的AIME成绩为77.5，MATH-500达到96.2，进入与o1相近的竞争区间。
▲ k1.5论文正式把“Scaling Reinforcement Learning”写进标题。
于是，一条路线逐渐清晰：
2024年，是判断与数学产品；2025年，是论文与系统方法；2026年，是K3。
与此同时，DeepSeek-R1也把“用强化学习激励推理”推到全球社区中心。曾经听起来激进的判断，正在成为前沿模型的共同方向。
2.8万亿参数背后，K3开出一张昂贵账单
K3将这条路线推到了更大的工程尺度。
按照官方材料，它拥有约2.8万亿参数，采用稀疏MoE架构，每次只激活部分专家；同时引入 Kimi Delta Attention与 Attention Residuals，支持100万上下文和原生视觉输入。
官方展示的任务也不再局限于数学题，而是进入了更长、更复杂的工作流：GPU kernel优化、编译器搭建、科研代码复现、芯片设计验证，甚至从数十条素材中完成视频剪辑。
▲ K3官方发布信息：长上下文、编程、知识工作与开放权重成为主要卖点。
但Moonshot也没有把故事写成“全面登顶”。官方博客承认，K3整体仍落后于最强闭源模型，只是已经进入前沿竞争区间。
这反而让故事更真实。
开放权重是一场极其昂贵的生态战争，也远超理想主义宣言的范畴。模型要足够强，开发者才愿意部署；参数越大，训练与推理成本也越惊人。
K3上线后需求激增，GPU资源迅速承压。官方一度暂停新订阅，优先保障已有会员，并计划拆分普通会员与代码会员。
技术路线兑现的同一刻，商业账单也到了。
“实验室PhD”还是精明商人？这可能是个伪命题
杨植麟身上的反差，很容易被媒体写成传奇。
他曾参与 Transformer-XL、XLNet等研究，学术生涯长期围绕上下文与预训练展开；后来创办Moonshot，Kimi又从长文本一路走向百万上下文。公司名称来自Pink Floyd的《The Dark Side of the Moon》，而他本人还曾组过乐队、担任鼓手。
Max眼中的他，是一个聊技术就停不下来的博士型CEO。
评论区却有人讽刺这种描述过于吹捧，也有人转述另一种印象：杨植麟很早就关注商业化、赚钱与变现。
但两者真的矛盾吗？
一个创始人完全可以既迷恋技术，也清醒地计算融资、成本和市场。尤其是在基础模型行业，没有商业能力，研究理想甚至撑不到下一轮训练。
比起争论他究竟像博士还是商人，更值得追问的是：一家年轻公司，是否真的沿着同一条技术路线走了足够久？
这张旧PPT，更像一张两年前开出的欠条
一张旧PPT不能证明所有成功。
它可能受到事后滤镜和幸存者偏差的美化；Max所说的内部日期也没有精确公开。K3的提升，更不可能只由强化学习解释，预训练、架构、数据、算力、组织执行，缺一不可。
但几个公开节点无法忽略：
2024年，k0-math上线，杨植麟公开谈RL范式；2025年，k1.5把它写成论文；2026年，K3把长上下文、推理与Agent推向更大规模。
所以，那张照片最有价值的地方，在于留下了一个时间戳：在结果出现之前，Moonshot已经选定这条路线。
AI行业从来不缺看对箭头的人。
真正稀缺的，是在GPU账单、产品波动、技术失败和外界质疑之中，仍然沿着箭头走上两年的人。
那张2024年的PPT更像一张欠条。到了K3，Moonshot开始还账。
只是前沿模型的竞赛，永远没有彻底结清的那一天。
