中國AI算力反擊戰

文 | Sleepy.txt

八年前，中興心臟突然停止跳動。

2018 年 4 月 16 日，美國商務部工業與安全局的一項禁令，讓中興通訊這家擁有 8 萬名員工、年營收超千億的全球第四大通信設備商，在一夜之間停擺。禁令內容很簡單，未來七年，禁止任何美國公司向中興出售零部件、商品、軟體和技術。

沒有了高通的晶片，基站停產。沒有了谷歌的 Android 授權，手機也沒有可用的系統了。23 天後，中興發布公告，稱公司主要經營活動已無法進行。

不過中興最終活了下來，但代價是 14 億美元。

10 億美元罰款，一次性付清；4 億美元保證金，存入美國銀行的托管帳戶。此外，全部高管換血，接受美方合規監督團隊進駐。2018 年全年，中興淨虧損 70 億元人民幣，營收同比暴跌 21.4%。

時任中興董事長殷一民在內部信中寫道：「我們身處在一個複雜的、高度依賴全球供應鏈的產業中。」這句話，在當時聽來，是反思，也是無奈。

八年後，2026 年 2 月 26 日，中國 AI 獨角獸 DeepSeek 宣布，其即將發布的 V4 多模態大模型，將優先與國產芯片廠商深度合作，首次實現從預訓練到精調的全流程非英偉達方案。

翻譯一下就是：我們不用英偉達了。

消息一出，市場的第一反應是質疑。英偉達在全球 AI 訓練晶片市場的份額超過 90%，放棄它，這在商業上合理嗎？

但 DeepSeek 的選擇背後，藏著一個比商業邏輯更大的問題：中國 AI，到底需要一場怎樣的算力獨立？

被卡脖子的到底是什麼

很多人以為，晶片禁令卡住的是硬體。但真正讓中國 AI 公司感到窒息的，是一個叫 CUDA 的東西。

CUDA，全稱 Compute Unified Device Architecture，是英偉達在 2006 年推出的一套並行計算平台和編程模型。它允許開發者直接調用英偉達 GPU 的算力，來加速各種複雜的計算任務。

在 AI 時代到來之前，這只是一個屬於少數極客的工具。但當深度學習的浪潮襲來，CUDA 變成了整個 AI 產業的地基。

AI 大模型的訓練，本質上就是海量的矩陣運算。而這恰恰是 GPU 最擅長的工作。

英偉達憑藉提前十幾年的佈局，用 CUDA 為全球的 AI 開發者搭建了一整套從底層硬體到上層應用的完整工具鏈。今天，全球所有主流的 AI 框架，從谷歌的 TensorFlow 到 Meta 的 PyTorch，底層都與 CUDA 深度綁定。

一個 AI 專業的博士生，從入學第一天起，就是在 CUDA 的環境裡學習、編程、做實驗。他寫的每一行代碼，都在加固英偉達的護城河。

截至 2025 年，CUDA 生態已經擁有超過 450 萬開發者，覆蓋了 3000 多個 GPU 加速應用，全球超過 4 萬家公司在使用 CUDA。這個數字意味著全球 90% 以上的 AI 開發者，都被綁定在英偉達的生態裡。

CUDA 的可怕之處在於，它是一個飛輪。越多的開發者使用，就會產生越多的工具、庫和代碼，生態就越繁榮；生態越繁榮，就越能吸引更多的開發者加入。這個飛輪一旦轉起來，就幾乎無法被撼動。

結果就是，英偉達賣給你最貴的鏟子，還定義了唯一的挖礦姿勢。你想換一把鏟子？可以。但你得先把過去十幾年裡，全球幾十萬最聰明的大腦在這個姿勢下積累的所有經驗、工具和代碼，全部重寫一遍。

這個成本，誰來付？

所以，當 2022 年 10 月 7 日，BIS 第一輪管制落地，限制英偉達 A100 和 H100 對華出口時，中國的 AI 公司們，第一次集體感受到了中興式的窒息感。英偉達隨後推出了「中國特供版」A800 和 H800，降低了晶片間的互聯帶寬，勉強維持供應。

但僅僅一年後，2023 年 10 月 17 日，第二輪管制再次收緊，A800 和 H800 也被禁，13 家中國公司被列入實體清單。英偉達不得不再推出進一步閹割的 H20。到 2024 年 12 月，拜登政府任期內的最後一輪管制落地，連 H20 的出口都被嚴格限制。

三輪管制，層層加碼。

但這一次，故事的走向，和當年的中興完全不同。

一場非對稱的突圍

禁令之下，所有人都以為，中國 AI 的大模型之夢會就此終結。

他們都錯了。面對封鎖，中國公司並沒有選擇正面硬剛，而是開始了一場突圍。這場突圍的第一個戰場，不在晶片，而在演算法。

2024 年底到 2025 年，中國的 AI 公司們集體轉向了一個技術方向：混合專家模型。

簡單來說，就是把一個巨大的模型拆分成很多個小專家，處理任務時只啟動其中最相關的幾個，而不是讓整個模型都動起來。

DeepSeek 的 V3 就是這個思路的典型代表。它擁有 6710 億個參數，但每次推理只啟動其中的 370 億個，僅占總量的 5.5%。訓練成本方面，它使用了 2048 塊英偉達 H800 GPU，訓練 58 天，總花費 557.6 萬美元。作為對比，外界對 GPT-4 訓練成本的估算，大約在 7800 萬美元。一個量級的差距。

演算法上的極致優化，直接反映到了價格上。DeepSeek 的 API 價格，輸入每百萬 Token 僅 0.028 到 0.28 美元，輸出 0.42 美元。而 GPT-4o 的輸入價格是 5 美元，輸出 15 美元。Claude Opus 更貴，輸入 15 美元，輸出 75 美元。換算下來，DeepSeek 比 Claude 便宜了 25 到 75 倍。

這個價格差，在全球開發者市場上反響巨大。2026 年 2 月，全球最大的 AI 模型 API 聚合平台 OpenRouter 上，中國 AI 模型的週調用量在三周內暴漲 127%，首次超越美國。一年前，中國模型在 OpenRouter 上的份額不足 2%。一年後，增長了 421%，逼近六成。

這組數據背後，有一個容易被忽視的結構性變化。2025 年下半年開始，AI 應用的主流場景從聊天轉向了 Agent。Agent 場景下，一次任務的 Token 消耗量是簡單聊天的 10 到 100 倍。當 Token 的消耗量指數級增長時，價格就成了決定性因素。中國模型的極致性價比，恰好踩中了這個窗口。

但問題是，推理成本的降低，並沒有解決訓練的根本問題。一個大模型如果不能在最新的數據上持續訓練、迭代，它的能力就會迅速退化。而訓練，依然是那個繞不開的算力黑洞。

那麼，訓練的「鏟子」，從哪裡來？

備胎的轉正

江蘇興化，蘇中小城，以不銹鋼和健康食品聞名，此前和 AI 沒有任何關係。但 2025 年，一條 148 米長的國產算力伺服器產線在這裡建成投產，從簽約到投產，只用了 180 天。

這條產線的核心，是兩顆完全國產的芯片：龍芯 3C6000 處理器和太初元碁 T100 AI 加速卡。龍芯 3C6000，從指令集到微架構全部自主研發。太初元碁脫胎於國家超級計算無錫中心和清華大學團隊，採用異構眾核架構。

這條產線滿產時，5 分鐘下線一台伺服器，這條生產線總投資 11 億元，預計年產 10 萬台。

更重要的是，基於這些國產芯片組成的萬卡集群，已經開始承接真正的大模型訓練任務。

2026 年 1 月，智譜 AI 聯合華為發布了 GLM-Image，這是首個完全依托國產芯片實現全程訓練的 SOTA 圖像生成模型。2 月，中國電信的千億級「星辰」大模型，在上海臨港的國產萬卡算力池上完成了全流程訓練。

這些案例的意義在於，它們證明了一件事：國產芯片，已經從「能用於推理」跨越到了「能用於訓練」。這是質變。推理只需要跑已經訓練好的模型，對芯片的要求相對較低；而訓練需要處理海量數據、進行複雜的梯度計算和參數更新，對芯片的算力、互聯帶寬和軟體生態的要求，高出一個數量級。

承擔這些任務的核心力量，是華為的昇腾系列芯片。截至 2025 年底，昇腾生態的開發者數量已突破 400 萬，合作夥伴超過 3000 家，43 個業界主流大模型基於昇腾完成了預訓練，200 多個開源模型完成了適配。2026 年 3 月 2 日的 MWC 大會上，華為還面向海外市場首發了新一代算力底座 SuperPoD。

昇腾 910B 的 FP16 算力已經對標英偉達 A100。雖然差距仍然存在，但已經從不可用變成了可用，從可用正在走向好用。生態的建設，不能等到晶片完美了再開始，必須在夠用的階段就大規模鋪開，用真實的業務需求去倒逼晶片和軟體的迭代。字節跳動、騰訊、百度對國產算力伺服器的導入目標，2026 年普遍較上一年翻倍增長。工信部的數據顯示，中國智算規模已達 1590 EFLOPS。2026 年，正在成為國產算力規模部署的元年。

美國電荒與中國出海

2026 年初，承載了全球大量數據中心流量的佛吉尼亞州，暫停批准新的數據中心建設項目。佐治亞州跟進，暫停審批延續到 2027 年。伊利諾伊州、密歇根州也相繼出台限制措施。

根據國際能源署的數據，2024 年美國數據中心耗電量已達 183 太瓦時，約佔全國總用電量的 4%。到 2030 年，這個數字預計翻倍至 426TWh，佔比可能突破 12%。Arm 公司 CEO 更是預測，到 2030 年，AI 數據中心將消耗美國 20% 到 25% 的電力。

美國的電網已經不堪重負。覆蓋美國東部 13 個州的 PJM 電網面臨 6GW 的容量短缺。到 2033 年，美國整體面臨 175GW 的電力容量缺口，相當於 1.3 億戶家庭的用電量。數據中心集中區域的批發電力成本，比五年前高出了 267%。

算力的盡頭，是能源。而在能源這個維度上，中美之間的差距，比晶片還要大，只不過方向反了過來。

中國的年發電量是 10.4 萬億度，美國是 4.2 萬億度，中國是美國的 2.5 倍。更關鍵的是，中國的居民生活用電僅占總用電量的 15%，而美國這個比例是 36%。這意味著中國有遠比美國更大的工業用電餘量可以投入算力建設。

在電價上，美國 AI 公司聚集區的電價在 0.12 到 0.15 美元每千瓦時，而中國西部的工業電價約為 0.03 美元，僅為美國的四分之一到五分之一。

中國的發電增量，已經達到美國的 7 倍。

就在美國為電發愁的時候，中國的 AI 正在悄悄出海。但這一次出海的，不是產品，不是工廠，而是 Token。

Token，AI 模型處理資訊的最小單位，正在成為一種新的數位商品。它從中國的算力工廠裡被生產出來，通過海底光纜輸送到全球。

DeepSeek 的使用者分佈數據很能說明問題：中國本土佔 30.7%，印度 13.6%，印尼 6.9%，美國 4.3%，法國 3.2%。它支援 37 種語言，在巴西等新興市場廣受歡迎。全球有 2.6 萬家企業開通了帳戶，3200 家機構部署了企業版。

2025 年，58% 的新 AI 創業公司把 DeepSeek 納入了技術棧。在中國，DeepSeek 拿下了 89% 的市場份額。而在其他受制裁國家，市場份額則在 40%～60% 不等。

這幅景象，像極了四十年前的另一場關於產業自主權的戰爭。

1986 年的東京，在美國的強大壓力下，日本政府簽訂了《美日半導體協議》。協議的核心條款有三條：要求日本開放半導體市場，美國晶片在日本的市場份額須達到 20% 以上；嚴禁日本半導體以低於成本價格出口；對日本出口的 3 億美元晶片徵收 100% 懲罰性關稅。同時，美國否決了富士通對仙童半導體的收購。

那一年，日本半導體產業正處在巔峰。1988 年，日本控制了全球半導體市場 51% 的份額，美國只有 36.8%。全球十大半導體公司，日本獨占六席：NEC 排名第二，東芝第三，日立第五，富士通第七，三菱第八，松下第九。1985 年，Intel 在美日半導體爭奪戰中虧損 1.73 億美元，瀕臨破產。

但協議簽訂後，一切都變了。

美國通過 301 調查等手段，對日本半導體企業發起了全方位的壓制。同時扶持韓國的三星、海力士，以更低的價格衝擊日本的市場。日本的 DRAM 份額從 80% 跌至 10%。到 2017 年，日本 IC 市場份額僅剩 7%。曾經不可一世的巨頭們，或被拆分，或被收購，或在無休止的虧損中黯然離場。

日本半導體的悲劇在於，它滿足於在一個由單一外部力量主導的全球分工體系中，做那個最優秀的生產者，卻從未想過去構建一個屬於自己的、獨立的生態。當潮水退去，它才發現，自己除了生產本身，一無所有。

今天的中國 AI 產業，正站在一個相似卻又完全不同的路口。

相似的是，我們同樣面臨著來自外部的巨大壓力。三輪晶片管制，層層加碼，CUDA 生態的壁壘依然高聳。

不同的是，這一次，我們選擇的是一條更難的路。從演算法層面的極致優化，到國產晶片從推理到訓練的跨越，再到昇陽生態 400 萬開發者的積累，再到 Token 出海對全球市場的滲透。這條路上的每一步，都在構建一種日本當年從未擁有過的獨立產業生態。

尾聲

2026 年 2 月 27 日，三份來自本土 AI 晶片公司的業績快報，在同一天發布。

寒武紀，營收暴增 453%，首次實現全年盈利。摩爾線程，營收增長 243%，但淨虧損 10 億。沐曦，營收增長 121%，淨虧損近 8 億。

一半是火焰，一半是海水。

火焰，是市場的極度饑渴。黃仁勳讓出的那 95% 的空白，正在被這些本土公司的營收數字，一寸一寸地填滿。無論性能如何，無論生態怎樣，市場需要英偉達之外的第二個選擇。這是地緣政治撕開的、一個千載難逢的結構性機會。

海水，是生態建設的巨大成本。每一分虧損，都是為追趕 CUDA 生態而付出的真金白銀。是研發的投入，是軟體的補貼，是派駐到客戶現場、一個一個解決編譯問題的工程師的人力成本。這些虧損，不是經營不善，而是構建一個獨立生態所必須支付的戰爭稅。

這三份財報，比任何一份行業報告都更誠實地記錄了這場算力戰爭的真實面貌。它不是一場高歌猛進的勝利，而是一場慘烈的、一邊流血一邊衝鋒的陣地戰。

但戰爭的形態，確實已經變了。八年前，我們討論的是「能不能活下來」的問題。今天，我們討論的是「活下來要付出多大代價」的問題。

代價本身，就是進步。