中国的人工智能可能正在重演丰田汽车对底特律的反击战

一组美国人工智能专业人士在中国度过了一周，游历了北京、杭州和上海，参观了 14 个人工智能和机器人实验室，亲眼目睹了它们的运作。在访问期间，他们参与了数十小时的讨论，与各级基础设施、硬件、模型和应用的研究人员、创始人和产品经理进行了深入交流。他们参观的公司包括 DeepSeek、MoonshotAI、MiniMax、Z.ai、字节跳动、01.AI、阿里巴巴、蚂蚁集团、小米、AInnovation、Galbot、Unitree、ModelScope 和 RWKV。他们渴望了解出口管制对中国在全球人工智能竞争中带来了什么。中国的人工智能计算能力储备落后于美国两到三年，目前可部署的规模仅为美国的八分之一，但其模型能力仅落后六到八个月。毕竟，Anthropic 再次强调了出口管制的重要性，这可能使美国在人工智能能力上保持 12 到 24 个月的领先，而这一领先可能会继续扩大。他们看到，由于计算能力的限制，中国实验室不得不追求更高的效率。在此期间，中国的整个开源生态系统建立了一个 “反馈循环”，将其他实验室验证的技术整合到自己的模型中。这使得中国实验室能够根据原始扩展法则，从每单位计算能力中提取出 4 到 7 倍的预期价值。有哪些细节被忽视了？美国访客在 Moda 社区的合影。其中，本文作者 Azeem Azhar 是博客 ExponentialView 的创始人，也是世界经济论坛（WEF）全球复杂风险未来委员会的共同主席；共同作者 Hannah Petrovic 是博客 ExponentialView 的研究员。还有 PrimeIntellect 的研究工程师 Kai Williams，博客 Concurrent 的作者，以及 JasmiNews 的作者 Caithrin。作者在中国时，被提醒了人工智能领域的 “丰田生产系统”（TPS）。当时，钢铁极其昂贵，资本极其稀缺。丰田别无选择，只能实现一个底特律无法匹敌的成本结构，同时不断提高产品质量，最终获得巨额利润。他们真的打算写一本类似于著名的日本汽车工业调查《改变世界的机器》的书吗？似乎不是。他们想用此来证明美国对中国的出口管制政策是无效的，类似于黄仁勋的观点。《未完成的研究》被邀请翻译并发布这篇文章。以下是全文，原题为《进入中国的人工智能实验室：美国对中国的人工智能管制如何造就了其最强对手》，略有删减。计算能力差距：美国领先在与每个中国实验室的每次会议中，我们听到了一个共同的感受：我们没有足够的计算能力。计算能力不足意味着实验更少，模型更小。这对人工智能的研究、开发和部署构成了真正的限制。这并不令人惊讶。美国的研究人员也在抱怨。商业界也是如此。例如，微软和 Anthropic 明确表示，计算能力不足使他们损失了可观的收入。但中国的计算能力限制有所不同。这不仅仅是资金的问题——在 2025 年，中国的人工智能初创企业筹集了 124 亿美元，而美国则筹集了惊人的 2850 亿美元。真正的问题在于前美国总统拜登于 2022 年 10 月启动的芯片出口管制，随后在不同时间被特朗普放松和收紧，实际上切断了对中国市场的先进芯片供应。我们感兴趣的是中国国内实验室的反应。让我们退一步，看看计算能力差距的更广泛背景。美国实验室正在吹嘘他们获得了巨大的计算能力。在最近几周和几个月中，Anthropic 单独签署的容量协议总计超过 10 GW（千兆瓦），合作伙伴包括亚马逊、谷歌、微软、英伟达和 SpaceX；OpenAI 去年 9 月承诺基于英伟达芯片部署 10 GW 的计算能力，计划投资 1000 亿美元。这些计算能力订单指向最新和最强大的芯片。目前正在发货的英伟达 Blackwell 系列（B200、B300、BG200），以及今年晚些时候推出的下一代 Vera Rubin 平台；此外，谷歌的 TPU 和其他芯片的发货量也在增加。这些订单根本不在中国超大规模云供应商和实验室的选择范围内。决定性因素正是这些顶级美国芯片，尤其是最新一代的芯片。单个 GB300 NVL72 机架（作为系统运行，配备 72 个英伟达最新的 GPU）提供的实时推理速度比三年前的 H100 集群快 30 倍，每个芯片的内存多出 3.6 倍，每次推理的功耗减少 25 倍。美国实验室现在以千兆字节（GW）为单位订购这些系统。然而，中国实验室却无法做到。中国科技公司，特别是华为，在制造人工智能芯片方面取得了显著进展。即使是华为今年 3 月推出的最新 Ascend 950PR，其性能大致相当于 2022 年发布的 H100，但其出货量要小得多。预计到 2025 年 10 月，英伟达已经发货 700 万 Hopper 和 Blackwell 架构的 GPU，出货速度正在加快。华为计划今年发货 75 万颗 Ascend 950PR 芯片，这仍然约为英伟达去年出货量的十分之一。因此，美国在部署的人工智能计算能力上拥有惊人的领先优势。此外，这一领先正在扩大，而不是缩小。到 2023 年，美国人工智能行业的可部署计算能力是中国的三倍，几乎全部集中在训练人工智能模型上。到今年年初，这一差距已接近八倍。换句话说，到 2025 年底，中国实验室可用的计算能力大致相当于美国两年前的水平。值得注意的是，计算能力的使用方式存在差异。到 2023 年，美国大部分计算能力用于训练，而不是为客户服务。相比之下，到 2025 年，中国的计算能力系统在马来西亚和新加坡的数据中心的增强下，将发挥双重作用：支持模型训练，并通过微信和豆包等应用为数亿消费者和快速增长的企业群体提供服务。区分用于训练人工智能模型的计算能力和用于为客户服务的计算能力至关重要。中国拥有庞大的人工智能市场。仅豆包就拥有 1 亿日活跃用户，导致巨大的代币消耗。我们估计到 2026 年 2 月，中国的月度代币使用量将达到约 9000 万亿（编者注：这相当于每天平均 300 万亿，高于国家统计局今年 3 月超过 140 万亿的数字）。相比之下，主要的欧美供应商的月度代币使用量约为 4000 万亿。包括马来西亚和新加坡的数据中心，中国的计算基础设施大部分主要以推理的形式为客户服务。如果一半的计算能力用于推理，则可用于训练模型的计算能力就会减少。我们可以粗略估计，到 2025 年底，中国实验室可用于模型训练的计算能力将与美国实验室在 2023 年中期的水平相当。按照这个逻辑，如果两国的实验室采用相同的方法——使用更多的计算能力和更多的数据来构建更好的模型（即 Chinchilla 扩展定理，指出在给定计算预算的情况下，通过平衡模型参数的数量和训练数据的量可以实现最佳性能）——那么中国实验室的模型性能应该至少落后于美国两年。这一框架将模型能力视为计算能力的函数，并假设训练效率大致保持不变。然而，我们并没有看到两到三年的差距。根据 DeepSeek 的数据，中国模型在基准性能上落后于美国三到六个月；而根据美国政府机构 CAISI（人工智能标准与创新中心）的数据，它们落后八个月。事实上，中国实验室似乎正在赶上，甚至在某些方面可能正在缩小与美国实验室的差距。出现的问题是，关于能力差距的说法是否错误，或者是否有某种未被发现的因素在缩小差距。同样重要的是注意中国和美国之间市场结构的不同。在美国，五大前沿实验室——OpenAI、Anthropic、Google DeepMind、MetaAI 和 xAI——主导着训练计算能力；而在中国，格局更加多样化。甚至更多的大企业也加入其中，有些是因为他们拥有特定的数据和专业知识。例如，蚂蚁集团推出了 Ling 系列模型，而以外卖服务闻名的美团也在开发自己的大规模模型。如此多公司训练自己的模型的结果是计算能力池的进一步碎片化。这些实验室显然找到了训练高性能模型的高效路径。这种效率也延伸到模型的推理过程。换句话说，在为客户服务时，它们的成本显著低于大致相当的美国模型。人工智能基准不应被过分强调。它们可能被人为抬高，可能无法准确反映模型的实际 “感觉” 或性能。然而，它们是一个不完美的参考点。DeepSeek 的旗舰模型 V4-Pro 在某些方面与 Claude 的 Opus-4.6 相当。尽管 Opus-4.6 于 2026 年 2 月发布，并不是 Anthropic 的最新模型，但成本差异显而易见。DeepSeek 的输入成本为每百万个输入代币 0.43 美元，输出成本为每百万个输出代币 0.87 美元。相比之下，Opus-4.6 的输入成本高出 11 倍，输出成本高出 28 倍。这些并不是一次性的促销活动。看看领先的中国模型，Lunar Dark Side 的 Kimi-K2.6 的输入价格为 0.95 美元，使其成为全球前十名中最便宜的模型之一，符合 GPQA Diamond 基准测试。阿里巴巴的 Qwen 系列模型的定价也在类似范围内。推理服务的成本取决于三个因素：服务模型的实际开销、其计算复杂性和能源成本，以及服务提供商愿意让步的利润率。此外，这些公司的利润率似乎相当健康。Zhipu 的 GLM-5 模型的输入价格为每百万个代币 1.00 美元，比 Claude-Sonnet-4.6 便宜 3 倍；输出成本便宜 5 倍。即便如此，它声称有 50% 的毛利率；MiniMax 的利润率为 70%，尽管我们不知道这是否普遍适用。另一方面，DeepSeek 多年来仅依靠内部资金运营，本月才开始寻求外部资本。最后，这种效率在设备端得到了体现，消费硬件如笔记本电脑和手机可以轻松运行它们。全球领先的本地模型几乎都是中国的开源模型，这些模型正积极提炼成更小、更轻的变体。一个 5GB 的 Qwen3-8B 模型可以在我的 Mac 上运行；同样，DeepSeek-R1 的 7B 蒸馏变体在 Ollam 上下载了 8500 万次，成为全球第二大下载量的本地模型。Cursor 甚至基于 Kimi-K2.5 构建了其 Composer-2 模型。我们唯一在本地运行的美国开源模型是谷歌的 Gemma-4。他们是如何做到的？我们与各个实验室的深入对话揭示了三大关键特征，使这种持续的效率得以实现。首先是生态系统本身。在实验室内，生态系统被描述为 “卷”。“卷” 字面意思是 “向内卷曲”，指的是一种激烈的军备竞赛，所有人都在拼命奔跑以保持原地不动。这是一种自我强化的竞争，收益递减。实验室之间的竞争异常激烈。在一个工业政策积极鼓励城市之间竞争的系统中，超越上海或杭州甚至比赶上旧金山或国王十字（DeepMind 伦敦总部所在地）更为重要。这种竞争培养了一种文化，要求长时间和辛勤工作以取得成果。在许多情况下，关键研究由攻读学位的博士生主导。在上海，工程师带我们去酒吧，凌晨 1 点离开后又回去工作。在另一个实验室，陪同我们的 Lily Ottinger 偶然发现为没有回家的研究人员准备的露营床。这并不是员工手册中写的内容。中国的生态系统仍然相当开放。他们中的大多数仍定期发表论文和开源模型，随着研究人员在实验室之间流动，他们的知识得到了横向传播。这个开源反馈循环的最清晰例子是多头潜在注意力（MLA）。DeepSeek 在 2024 年 5 月的 V2 模型中引入了这一技术，以压缩注意力缓存，减少内存使用超过 93%，同时提高模型质量。在大约一年内，这项技术被 Kimi-K2（Moonlight Dark Side）、GLM-5（Zhipu）、Ling-2.5（蚂蚁集团）以及此后每个 DeepSeek 模型所采用。小米的 MiMo-V2-Pro 模型是另一个优秀的例子。它直接采用了 DeepSeek 在 2024 年首创并开源的两项效率技术，随后被行业广泛采用。在这个开放的文化环境中，庞大的字节跳动是最大的例外，因为它拥有无与伦比的资金、计算能力和分发规模。事实上，当我们与他们交谈时，字节跳动被明确描述为 “800 磅的猩猩”。人们提到它时的语气非常微妙，复杂地混合着低语、嫉妒和担忧。我们的东道主向我们介绍了几乎所有正在重塑前沿人工智能的主要架构创新：DAPO（解耦修剪和动态采样优化）、MLA、GRPO（组相对优化）、混合专家（MoE）优化等。每一项都是旨在从更紧张的计算预算中提取更多力量的技术。一个实验室甚至建立了一条规则：只有带来 20% 或更高效率提升的架构变化才会被采纳，而仅带来 10% 或更低提升的实验将被放弃。在架构层面，MLA 通过 93% 压缩注意力缓存，这意味着每次对话使用的 GPU 内存仅为原来的十分之一。这种极端的经济性意味着单个芯片可以并行处理更多的对话。同样，DeepSeek-V4-Flash 使用 FP4 和 FP8 的混合量化技术（注：FP4 指的是仅以 4 位存储每个模型权重，而不是通常的 16 或 32 位，实现内存减少 4 到 8 倍，但问题是它压缩了数据，导致模型准确性下降。DeepSeek 通过在不同层中使用 FP4 和 FP8 的混合来解决这个问题，这就是推理所需的计算成本降低而质量损失不显著的原因）。与其前身相比，V4-Flash 不仅在基准测试中得分更高，而且将上下文窗口扩展到原始长度的 8 倍，同时在推理过程中仅消耗 10% 的内存和 27% 的浮点运算（FLOPs）。这一切真的有实际影响吗？今天，我们可以给出响亮的 “是”。为了量化这种影响，我们引入了一个 “效率乘数”。这是一个我们专门设计的计算指标，用于比较模型的实际能力与在相同计算能力限制下 “应该达到” 的水平，从而衡量它们的强度。我们发现，中国实验室每单位计算能力提取的智能是原始扩展法则下预期的 4 到 7 倍。换算成时间节省？这相当于 2 到 3 年的效率提升。人工智能经济的未来形态正在变化。训练正在减少，而推理显著增加。我们正在从开发阶段转向部署阶段。当然，开发不会在这里结束，各个实验室将继续训练越来越强大的模型。但在未来，训练和推理能力将变得同样重要，尤其是推理能力，其重要性将愈加突出。我们在讨论中得出的一个结论是，随着行业向这一新阶段过渡，我们在中国实验室观察到的独特文化、技术和管理优势可能会在这一波浪潮中大大受益。可负担的人工智能代理这种转变的规模已经清晰可见。在今年 3 月的 GTC 大会上，黄仁勋表示，计算能力的需求在短短两年内激增了百万倍，而代理人工智能即将引发新的指数级飞跃。在这个规模上，成本和效率将变得至关重要。随着我们向代理的转变，我们看到每个用户的代币使用量呈现出几何级数的增长。代理将变得更加可靠，这一增长将持续。在未来几年，推理需求的增长可能以数十亿倍来衡量。这是我们的估算模型（编者注：原文包含超链接：https://ev-token-model.netlify.app/）。在个人层面，我将我的最新代理切换到 MiMo-V2.5-Pro，正是因为它的代币成本仅为 Claude 的一小部分。由于我的代理每天的代币使用量已膨胀到超过 1 亿，这导致了显著的成本差异。在代理操作的规模上，即使是小的成本差异也会累积成巨大的预算差距。向边缘移动在未来几年，越来越多的人工智能将在边缘被消费。也就是说，人工智能将直接在最需要智能的地方运行。想想看：机器人、自动驾驶汽车、家中的智能设备，甚至你的手机都将配备人工智能。小米目前拥有一个庞大的生态帝国，由 7.5 亿个设备组成，从智能恒温器到智能汽车，开始将人工智能深度融入我们的日常生活。显然，你不能简单地将那些庞大、尖端的模型直接塞进边缘设备。目前，实现顶级模型在开源、开放权重模型上的性能通常需要 6 到 8 个月。之后，使用模型蒸馏等技术将其 “瘦身” 到足够的程度，通常需要约 6 到 12 个月，才能最终在笔记本电脑和智能手机等消费设备上运行。目前，大多数能够实现这一点的开源模型来自中国，如 Qwen、DeepSeek 和 MiMo。这些为计算能力稀缺的环境设计的模型，自然适合这一新兴应用场景。此外，这些边缘设备未来可能会成为各种机器人。中国公司已经走在了前面。例如，Galaxy General 的人形机器人正在仓库和专业药店中自主运行。即使是资金雄厚的美国公司如 Uber 也开始对人工智能的运营成本变得敏感。Uber 的首席技术官 Praveen Neppalli Naga 透露，该公司的 5000 名工程师沉迷于 Claude，已经在 4 月份耗尽了整个 2026 年的人工智能预算。现在，首席财务官们对基于代币的计费越来越敏感，因为 “无限透支” 显然不是一个可行的选择。从国际上看，这带来了巨大的机会。例如，Zhipu 的第三大市场是印度尼西亚，这是一个极其注重价格的市场。MiniMax 也有超过 70% 的收入来自中国以外。除了美国和西欧，这些广阔市场中有数百万家企业和数亿消费者，价格可能最终成为决定成功的关键因素。从护城河到系统我以倾听和学习的心态前往中国。五年前，我曾指出：……美国极不可能阻止中国发展其半导体产业……这可能导致出现两个截然不同的技术生态系统。当然，那是在 ChatGPT 出现之前。当前的情况相似，但又不同。虽然中国的半导体自给自足不断提高，但在技术栈的更高层次上，相关的 “分叉” 正在以三种方式逐渐显现。首先，效率护城河。中国的人工智能实验室可能正在建立一个高度竞争的护城河。这是一种围绕效率原则设计的护城河。强大的护城河能够经受住时间的考验。我们推测，这种高效的护城河使他们能够以远低于竞争对手的成本持续训练竞争模型，然后以更低的单位成本向外界提供服务。正是这种极简原则创造了一个既精简又高度竞争的模型。这能带来长期优势吗？非常可能：只要市场朝着更多推理的异构基础设施发展，客户基础变得更加多样化。其次，一种新的管理理论正在出现。我们可能正在见证一种全新的人工智能实验室管理理论的诞生。我能想到的最佳类比是丰田生产系统（TPS），由大野耐一设计。就像今天的中国人工智能实验室一样，丰田当时别无选择，只能以独特的方式制造产品。当时，钢铁极其昂贵，资本极其稀缺；丰田在财务约束的困境中起步。但得益于 TPS（每秒交易数），日本汽车制造商实现了一个底特律无法匹敌的成本结构，同时提高了产品质量。即使在获得巨额利润后，他们仍然坚守这一效率和成本优势。在中国的人工智能实验室中，类似的过程可能正在出现。单个实验室根本无法同时全力运作所有三条生产线。相反，它必须将宝贵的计算能力分配给最有能力将其转化为实际产出的团队。这种严格的资源分配纪律最终凝聚成真正的核心竞争力。相比之下，美国的前沿人工智能实验室，凭借近乎无限的英伟达芯片供应，远未经历那种迫使他们优化极端效率的 “强制功能”。我不想过分夸大这个类比。中国发生的事情在许多方面并不完全等同于丰田生产系统（TPS），也没有那么成熟。但我们不能忽视其潜在的结构性影响。如果 “推理” 是下一个价值爆发点，如果某条路径恰好带来了更高效的推理能力，那么（美国的）出口管制政策实际上可能与其初衷相反。第三，这些是不同的生态系统。在前往中国之前，我渴望找到那种明确的硬件分界——美国对英伟达的依赖，以及中国对华为的日益关注。但现实远比这复杂和有趣。整个生态系统——硬件、构建模型的文化、内部能力、招聘优先级和决策过程——具有截然不同的特征。目前，英伟达仍然是中国计算能力市场的首选。但这一点正在改变，随着重点逐渐从 “模型训练” 转向 “推理”，以及中国国产芯片的日益成熟，这一转变将进一步加速。但比硬件问题更值得注意的是这里文化与人才之间的关系正在演变。毕竟，正是文化塑造了过去五十年硅谷的发展。中国的人工智能生态系统正在开辟自己的道路；它远不止是硅谷的 “缓慢” 或 “受限” 复制。在我们的行程中，《求是》杂志与中国工业和信息化部下属的产业政策智库 CCID Consulting 联合发布了一份报告（编者注：《在智能时代抢占制高点：对我国人工智能产业发展的调查》），这为我们提供了一个极好的参考点，让我们得以窥见北京期望其各级官员、研究人员和行业领导者在人工智能（AI）领域所持的信念。报告指出，中国不再处于 “追赶” 阶段。如今，中国已经进入 “第一梯队”，在某些领域处于领先地位，而在其他领域仍然落后。报告明确支持通过开源、国产计算能力、高质量数据和快速工业实施来构建新的国家生产体系的发展路径。报告承认出口管制造成的损害，指出 “计算能力饥渴” 迫使国内团队减缓发展。为缓解这一问题，报告建议 “计算能力提供者、模型提供者和行业用户之间的深度耦合”。在我们的实地考察中，我们还看到一些证据表明，许多实验室正在协助华为设计其下一代 Ascend 芯片。出口管制的初衷是阻止中国切断高端计算能力的供应，从而阻碍其获取尖端人工智能的能力。不可否认，这些规定造成了严重影响。但正是这些限制催生了围绕 “极致效率” 的全新能力。我们访问的实验室培养了一种 “复利研究” 的文化。他们开放心态，只选择真正有效的技术路径，并不懈追求优化，以与未来的发展方向保持一致。很难说如果 GPU 的供应突然变得像水龙头一样丰富，他们是否会放弃这些做法。当然，他们可能会充分利用这种增加的计算能力，但我敢打赌，他们永远不会失去使他们至今保持竞争力的独特品质。