nano-kpu：Kimi K 3 用 48 小时给自己设计了一颗推理芯片，这是开源芯片的「DeepSeek 时刻」吗

一句话结论：Moonshot AI 开源了 nano-kpu——一颗完全由 Kimi K 3 设计、用开源 EDA 工具跑通全流程的推理芯片 RTL，48 小时完成设计，4 平方毫米、100 MHz、模拟 8700 tokens/s。但它明确声明是「能力演示」，不是产品。

AI 摘要

• 项目用途：Kimi K 3 自主设计的推理芯片 RTL 源码，含功能仿真和时序/面积综合流程。
• 适合人群：关注 AI 自主工程、芯片设计、国产大模型的人。
• 上手门槛：高，需要 Verilator 5 + yosys 工具链。
• 智盒结论：作为「AI 能不能做芯片设计」的标尺很有价值，作为实际芯片还差得远，别把演示当产品。

项目信息

• 项目名：MoonshotAI/nano-kpu
• GitHub URL：https://github.com/MoonshotAI/nano-kpu
• License：Apache-2.0
• Star / Fork：47 / 5（截至 2026-09，早期）

它解决什么问题

严格说，nano-kpu 不解决任何生产问题。它回答的是一个更根本的问题：一个 AI 模型，能不能在没有人干预的情况下，独立完成一颗芯片的设计全流程。

答案在 Moonshot AI 的开源仓库里。nano-kpu 是一颗 nano 级混合架构推理芯片的 RTL 设计，从架构、RTL 编码、优化、验证到时序收敛、仿真，全部由 Kimi K 3 完成。使用的工具链是纯开源的：Verilator 5 做仿真、yosys 做综合、Nangate 45 单元库（从 OpenROAD 拉取，SHA-256 锁定）。

关键数字来自第三方报告的分析：这颗芯片在 48 小时的单次自主运行里完成设计，4 平方毫米、13 个模块、146 万标准单元、0.277 MB SRAM，时序在 100 MHz 收敛，模拟解码吞吐 8721 tokens/s。

芯片本身用了什么架构

nano-kpu 的架构不是随便堆的，它复刻了 Kimi K 3 自己的技术栈。

核心是混合注意力 MoE Transformer：KDA（Kimi Delta Attention）线性注意力、NoPE 多头潜在注意力（MLA，全程无位置编码）、sigmoid 路由的 MoE（top-2 路由专家加一个共享专家），以及注意力残差混合。权重用 int 4 group-128 量化，约 23.8 万参数、135.5 KB。

这个组合的妙处在于，它把 K 3 论文里验证过的架构，压缩到了一颗「教学级别」的芯片里。KDA 负责低成本的线性注意力，MLA 负责压缩 KV，sigmoid MoE 负责稀疏激活——三者合起来，就是一颗针对「自己这套架构」定制的推理加速器。

为什么说它是「演示」而不是「产品」

这个边界必须划清楚，Moonshot 自己也在仓库里写了免责声明。

首先，芯片没有真正流片。时序收敛和模拟吞吐都是设计阶段的产物，不是物理芯片。其次，100 MHz 的 45 nm 教学单元库，距离前沿 AI 加速器所在的 3 nm、2 nm 工艺隔了好几代。用报告里的话说，这个规模大概相当于一个研究生项目的野心。

更重要的是，这背后有一个「自报家门」的问题。芯片的数字是 Moonshot 自己报的，权重还没公开，独立复现有限。之前也出现过 K 3 在事实性问题上幻觉率偏高的情况，所以对这些数字应该保持审慎。

这和我们之前写 OpenAI 辣椒芯片时的口径一致：流片前的设计阶段成果，价值在信号，不在硅片。

它真正的价值在哪

nano-kpu 的价值，不在芯片本身，而在它证明了什么。

它证明了 AI 自主工程能走多远。从架构设计到 RTL 编码到验证到时序收敛，全流程无人工干预，这在两年前是不可想象的。它也证明了一件事：开源 EDA 工具链（OpenROAD、yosys、Verilator）已经成熟到能支撑一个完整的芯片设计 demo，而这些工具的诞生本身就有美国政府资金的支持，目的是降低成熟节点小设计的门槛。

放到国产大模型的语境里，这个意义更具体。DeepSeek V 4.1-Flash 前天刚展示了架构创新的效率，nano-kpu 则展示了另一条路——AI 不只是在写代码、刷基准，它开始介入芯片这个更底层的环节了。关于国产模型在开源上的整体动作，我们在 8 月 GitHub 开源盘点里也梳理过，nano-kpu 只是这条线最新的一个信号。

适合谁

• 研究 AI 自主工程、Agent 能力边界的人。
• 关注国产大模型和芯片设计交叉领域的从业者。
• 想用开源工具链练手芯片设计的学生和研究者。

不适合谁

• 想找一颗能直接部署的推理芯片的人——它不是产品，没流片。
• 期待「AI 设计芯片」成熟商用的人——距离还非常远。
• 完全不懂芯片设计或 Verilog 的人——工具链门槛很高。

风险与限制

• License 或商业使用限制：Apache-2.0，商用友好，但 Nangate 45 单元库不随仓库分发。
• 项目活跃度：47 Star、5 Fork，早期项目，主要是示范性质。
• 技术门槛：需要 Verilator 5 + yosys ≥0.64 的 Conda 环境，且要理解 RTL 和综合流程。
• 安全与隐私：无网络访问的离线仿真，不涉及数据隐私问题，但数字的可复现性依赖第三方验证。

FAQ

这颗芯片能直接用吗？

不能。它没有流片，只有 RTL 源码和仿真流程。你可以用它跑功能仿真、时序综合来学习芯片设计，但拿不到物理芯片。

这是不是意味着 AI 已经能设计芯片了？

部分意义上。它证明了 AI 能在开源工具链上完成一颗教学级芯片的设计全流程。但这是「能跑通 demo」和「能设计 3 nm 量产芯片」之间的巨大鸿沟，后者的工艺、IP、流片成本都是另一回事。

它和 OpenAI 的辣椒芯片有什么关系？

两者都是「流片前」的成果，但方向相反。OpenAI 辣椒芯片是自研芯片要真正量产商用，nano-kpu 是 Moonshot 用 K 3 的能力做个演示。一个追求落地，一个追求证明能力，别混为一谈。

参考来源

• MoonshotAI/nano-kpu GitHub 仓库（github.com/MoonshotAI/nano-kpu）
• DiogenesLab/kimi-k 3-research：k 3_open_source_inventory.md
• PyShine：nano-kpu: The Inference Chip Kimi-K 3 Designed for Itself