中國的人工智能可能正在重演豐田汽車對底特律的反擊戰

一組美國人工智能專業人士在中國度過了一週，遊歷了北京、杭州和上海，參觀了 14 個人工智能和機器人實驗室，親眼目睹了它們的運作。在訪問期間，他們參與了數十小時的討論，與各級基礎設施、硬件、模型和應用的研究人員、創始人和產品經理進行了深入交流。他們參觀的公司包括 DeepSeek、MoonshotAI、MiniMax、Z.ai、字節跳動、01.AI、阿里巴巴、螞蟻集團、小米、AInnovation、Galbot、Unitree、ModelScope 和 RWKV。他們渴望瞭解出口管制對中國在全球人工智能競爭中帶來了什麼。中國的人工智能計算能力儲備落後於美國兩到三年，目前可部署的規模僅為美國的八分之一，但其模型能力僅落後六到八個月。畢竟，Anthropic 再次強調了出口管制的重要性，這可能使美國在人工智能能力上保持 12 到 24 個月的領先，而這一領先可能會繼續擴大。他們看到，由於計算能力的限制，中國實驗室不得不追求更高的效率。在此期間，中國的整個開源生態系統建立了一個 “反饋循環”，將其他實驗室驗證的技術整合到自己的模型中。這使得中國實驗室能夠根據原始擴展法則，從每單位計算能力中提取出 4 到 7 倍的預期價值。有哪些細節被忽視了？美國訪客在 Moda 社區的合影。其中，本文作者 Azeem Azhar 是博客 ExponentialView 的創始人，也是世界經濟論壇（WEF）全球複雜風險未來委員會的共同主席；共同作者 Hannah Petrovic 是博客 ExponentialView 的研究員。還有 PrimeIntellect 的研究工程師 Kai Williams，博客 Concurrent 的作者，以及 JasmiNews 的作者 Caithrin。作者在中國時，被提醒了人工智能領域的 “豐田生產系統”（TPS）。當時，鋼鐵極其昂貴，資本極其稀缺。豐田別無選擇，只能實現一個底特律無法匹敵的成本結構，同時不斷提高產品質量，最終獲得鉅額利潤。他們真的打算寫一本類似於著名的日本汽車工業調查《改變世界的機器》的書嗎？似乎不是。他們想用此來證明美國對中國的出口管制政策是無效的，類似於黃仁勳的觀點。《未完成的研究》被邀請翻譯併發布這篇文章。以下是全文，原題為《進入中國的人工智能實驗室：美國對中國的人工智能管制如何造就了其最強對手》，略有刪減。計算能力差距：美國領先在與每個中國實驗室的每次會議中，我們聽到了一個共同的感受：我們沒有足夠的計算能力。計算能力不足意味着實驗更少，模型更小。這對人工智能的研究、開發和部署構成了真正的限制。這並不令人驚訝。美國的研究人員也在抱怨。商業界也是如此。例如，微軟和 Anthropic 明確表示，計算能力不足使他們損失了可觀的收入。但中國的計算能力限制有所不同。這不僅僅是資金的問題——在 2025 年，中國的人工智能初創企業籌集了 124 億美元，而美國則籌集了驚人的 2850 億美元。真正的問題在於前美國總統拜登於 2022 年 10 月啓動的芯片出口管制，隨後在不同時間被特朗普放鬆和收緊，實際上切斷了對中國市場的先進芯片供應。我們感興趣的是中國國內實驗室的反應。讓我們退一步，看看計算能力差距的更廣泛背景。美國實驗室正在吹噓他們獲得了巨大的計算能力。在最近幾周和幾個月中，Anthropic 單獨簽署的容量協議總計超過 10 GW（千兆瓦），合作伙伴包括亞馬遜、谷歌、微軟、英偉達和 SpaceX；OpenAI 去年 9 月承諾基於英偉達芯片部署 10 GW 的計算能力，計劃投資 1000 億美元。這些計算能力訂單指向最新和最強大的芯片。目前正在發貨的英偉達 Blackwell 系列（B200、B300、BG200），以及今年晚些時候推出的下一代 Vera Rubin 平台；此外，谷歌的 TPU 和其他芯片的發貨量也在增加。這些訂單根本不在中國超大規模雲供應商和實驗室的選擇範圍內。決定性因素正是這些頂級美國芯片，尤其是最新一代的芯片。單個 GB300 NVL72 機架（作為系統運行，配備 72 個英偉達最新的 GPU）提供的實時推理速度比三年前的 H100 集羣快 30 倍，每個芯片的內存多出 3.6 倍，每次推理的功耗減少 25 倍。美國實驗室現在以千兆字節（GW）為單位訂購這些系統。然而，中國實驗室卻無法做到。中國科技公司，特別是華為，在製造人工智能芯片方面取得了顯著進展。即使是華為今年 3 月推出的最新 Ascend 950PR，其性能大致相當於 2022 年發佈的 H100，但其出貨量要小得多。預計到 2025 年 10 月，英偉達已經發貨 700 萬 Hopper 和 Blackwell 架構的 GPU，出貨速度正在加快。華為計劃今年發貨 75 萬顆 Ascend 950PR 芯片，這仍然約為英偉達去年出貨量的十分之一。因此，美國在部署的人工智能計算能力上擁有驚人的領先優勢。此外，這一領先正在擴大，而不是縮小。到 2023 年，美國人工智能行業的可部署計算能力是中國的三倍，幾乎全部集中在訓練人工智能模型上。到今年年初，這一差距已接近八倍。換句話説，到 2025 年底，中國實驗室可用的計算能力大致相當於美國兩年前的水平。值得注意的是，計算能力的使用方式存在差異。到 2023 年，美國大部分計算能力用於訓練，而不是為客户服務。相比之下，到 2025 年，中國的計算能力系統在馬來西亞和新加坡的數據中心的增強下，將發揮雙重作用：支持模型訓練，並通過微信和豆包等應用為數億消費者和快速增長的企業羣體提供服務。區分用於訓練人工智能模型的計算能力和用於為客户服務的計算能力至關重要。中國擁有龐大的人工智能市場。僅豆包就擁有 1 億日活躍用户，導致巨大的代幣消耗。我們估計到 2026 年 2 月，中國的月度代幣使用量將達到約 9000 萬億（編者注：這相當於每天平均 300 萬億，高於國家統計局今年 3 月超過 140 萬億的數字）。相比之下，主要的歐美供應商的月度代幣使用量約為 4000 萬億。包括馬來西亞和新加坡的數據中心，中國的計算基礎設施大部分主要以推理的形式為客户服務。如果一半的計算能力用於推理，則可用於訓練模型的計算能力就會減少。我們可以粗略估計，到 2025 年底，中國實驗室可用於模型訓練的計算能力將與美國實驗室在 2023 年中期的水平相當。按照這個邏輯，如果兩國的實驗室採用相同的方法——使用更多的計算能力和更多的數據來構建更好的模型（即 Chinchilla 擴展定理，指出在給定計算預算的情況下，通過平衡模型參數的數量和訓練數據的量可以實現最佳性能）——那麼中國實驗室的模型性能應該至少落後於美國兩年。這一框架將模型能力視為計算能力的函數，並假設訓練效率大致保持不變。然而，我們並沒有看到兩到三年的差距。根據 DeepSeek 的數據，中國模型在基準性能上落後於美國三到六個月；而根據美國政府機構 CAISI（人工智能標準與創新中心）的數據，它們落後八個月。事實上，中國實驗室似乎正在趕上，甚至在某些方面可能正在縮小與美國實驗室的差距。出現的問題是，關於能力差距的説法是否錯誤，或者是否有某種未被發現的因素在縮小差距。同樣重要的是注意中國和美國之間市場結構的不同。在美國，五大前沿實驗室——OpenAI、Anthropic、Google DeepMind、MetaAI 和 xAI——主導着訓練計算能力；而在中國，格局更加多樣化。甚至更多的大企業也加入其中，有些是因為他們擁有特定的數據和專業知識。例如，螞蟻集團推出了 Ling 系列模型，而以外賣服務聞名的美團也在開發自己的大規模模型。如此多公司訓練自己的模型的結果是計算能力池的進一步碎片化。這些實驗室顯然找到了訓練高性能模型的高效路徑。這種效率也延伸到模型的推理過程。換句話説，在為客户服務時，它們的成本顯著低於大致相當的美國模型。人工智能基準不應被過分強調。它們可能被人為抬高，可能無法準確反映模型的實際 “感覺” 或性能。然而，它們是一個不完美的參考點。DeepSeek 的旗艦模型 V4-Pro 在某些方面與 Claude 的 Opus-4.6 相當。儘管 Opus-4.6 於 2026 年 2 月發佈，並不是 Anthropic 的最新模型，但成本差異顯而易見。DeepSeek 的輸入成本為每百萬個輸入代幣 0.43 美元，輸出成本為每百萬個輸出代幣 0.87 美元。相比之下，Opus-4.6 的輸入成本高出 11 倍，輸出成本高出 28 倍。這些並不是一次性的促銷活動。看看領先的中國模型，Lunar Dark Side 的 Kimi-K2.6 的輸入價格為 0.95 美元，使其成為全球前十名中最便宜的模型之一，符合 GPQA Diamond 基準測試。阿里巴巴的 Qwen 系列模型的定價也在類似範圍內。推理服務的成本取決於三個因素：服務模型的實際開銷、其計算複雜性和能源成本，以及服務提供商願意讓步的利潤率。此外，這些公司的利潤率似乎相當健康。Zhipu 的 GLM-5 模型的輸入價格為每百萬個代幣 1.00 美元，比 Claude-Sonnet-4.6 便宜 3 倍；輸出成本便宜 5 倍。即便如此，它聲稱有 50% 的毛利率；MiniMax 的利潤率為 70%，儘管我們不知道這是否普遍適用。另一方面，DeepSeek 多年來僅依靠內部資金運營，本月才開始尋求外部資本。最後，這種效率在設備端得到了體現，消費硬件如筆記本電腦和手機可以輕鬆運行它們。全球領先的本地模型幾乎都是中國的開源模型，這些模型正積極提煉成更小、更輕的變體。一個 5GB 的 Qwen3-8B 模型可以在我的 Mac 上運行；同樣，DeepSeek-R1 的 7B 蒸餾變體在 Ollam 上下載了 8500 萬次，成為全球第二大下載量的本地模型。Cursor 甚至基於 Kimi-K2.5 構建了其 Composer-2 模型。我們唯一在本地運行的美國開源模型是谷歌的 Gemma-4。他們是如何做到的？我們與各個實驗室的深入對話揭示了三大關鍵特徵，使這種持續的效率得以實現。首先是生態系統本身。在實驗室內，生態系統被描述為 “卷”。“卷” 字面意思是 “向內捲曲”，指的是一種激烈的軍備競賽，所有人都在拼命奔跑以保持原地不動。這是一種自我強化的競爭，收益遞減。實驗室之間的競爭異常激烈。在一個工業政策積極鼓勵城市之間競爭的系統中，超越上海或杭州甚至比趕上舊金山或國王十字（DeepMind 倫敦總部所在地）更為重要。這種競爭培養了一種文化，要求長時間和辛勤工作以取得成果。在許多情況下，關鍵研究由攻讀學位的博士生主導。在上海，工程師帶我們去酒吧，凌晨 1 點離開後又回去工作。在另一個實驗室，陪同我們的 Lily Ottinger 偶然發現為沒有回家的研究人員準備的露營牀。這並不是員工手冊中寫的內容。中國的生態系統仍然相當開放。他們中的大多數仍定期發表論文和開源模型，隨着研究人員在實驗室之間流動，他們的知識得到了橫向傳播。這個開源反饋循環的最清晰例子是多頭潛在注意力（MLA）。DeepSeek 在 2024 年 5 月的 V2 模型中引入了這一技術，以壓縮注意力緩存，減少內存使用超過 93%，同時提高模型質量。在大約一年內，這項技術被 Kimi-K2（Moonlight Dark Side）、GLM-5（Zhipu）、Ling-2.5（螞蟻集團）以及此後每個 DeepSeek 模型所採用。小米的 MiMo-V2-Pro 模型是另一個優秀的例子。它直接採用了 DeepSeek 在 2024 年首創並開源的兩項效率技術，隨後被行業廣泛採用。在這個開放的文化環境中，龐大的字節跳動是最大的例外，因為它擁有無與倫比的資金、計算能力和分發規模。事實上，當我們與他們交談時，字節跳動被明確描述為 “800 磅的猩猩”。人們提到它時的語氣非常微妙，複雜地混合着低語、嫉妒和擔憂。我們的東道主向我們介紹了幾乎所有正在重塑前沿人工智能的主要架構創新：DAPO（解耦修剪和動態採樣優化）、MLA、GRPO（組相對優化）、混合專家（MoE）優化等。每一項都是旨在從更緊張的計算預算中提取更多力量的技術。一個實驗室甚至建立了一條規則：只有帶來 20% 或更高效率提升的架構變化才會被採納，而僅帶來 10% 或更低提升的實驗將被放棄。在架構層面，MLA 通過 93% 壓縮注意力緩存，這意味着每次對話使用的 GPU 內存僅為原來的十分之一。這種極端的經濟性意味着單個芯片可以並行處理更多的對話。同樣，DeepSeek-V4-Flash 使用 FP4 和 FP8 的混合量化技術（注：FP4 指的是僅以 4 位存儲每個模型權重，而不是通常的 16 或 32 位，實現內存減少 4 到 8 倍，但問題是它壓縮了數據，導致模型準確性下降。DeepSeek 通過在不同層中使用 FP4 和 FP8 的混合來解決這個問題，這就是推理所需的計算成本降低而質量損失不顯著的原因）。與其前身相比，V4-Flash 不僅在基準測試中得分更高，而且將上下文窗口擴展到原始長度的 8 倍，同時在推理過程中僅消耗 10% 的內存和 27% 的浮點運算（FLOPs）。這一切真的有實際影響嗎？今天，我們可以給出響亮的 “是”。為了量化這種影響，我們引入了一個 “效率乘數”。這是一個我們專門設計的計算指標，用於比較模型的實際能力與在相同計算能力限制下 “應該達到” 的水平，從而衡量它們的強度。我們發現，中國實驗室每單位計算能力提取的智能是原始擴展法則下預期的 4 到 7 倍。換算成時間節省？這相當於 2 到 3 年的效率提升。人工智能經濟的未來形態正在變化。訓練正在減少，而推理顯著增加。我們正在從開發階段轉向部署階段。當然，開發不會在這裏結束，各個實驗室將繼續訓練越來越強大的模型。但在未來，訓練和推理能力將變得同樣重要，尤其是推理能力，其重要性將愈加突出。我們在討論中得出的一個結論是，隨着行業向這一新階段過渡，我們在中國實驗室觀察到的獨特文化、技術和管理優勢可能會在這一波浪潮中大大受益。可負擔的人工智能代理這種轉變的規模已經清晰可見。在今年 3 月的 GTC 大會上，黃仁勳表示，計算能力的需求在短短兩年內激增了百萬倍，而代理人工智能即將引發新的指數級飛躍。在這個規模上，成本和效率將變得至關重要。隨着我們向代理的轉變，我們看到每個用户的代幣使用量呈現出幾何級數的增長。代理將變得更加可靠，這一增長將持續。在未來幾年，推理需求的增長可能以數十億倍來衡量。這是我們的估算模型（編者注：原文包含超鏈接：https://ev-token-model.netlify.app/）。在個人層面，我將我的最新代理切換到 MiMo-V2.5-Pro，正是因為它的代幣成本僅為 Claude 的一小部分。由於我的代理每天的代幣使用量已膨脹到超過 1 億，這導致了顯著的成本差異。在代理操作的規模上，即使是小的成本差異也會累積成巨大的預算差距。向邊緣移動在未來幾年，越來越多的人工智能將在邊緣被消費。也就是説，人工智能將直接在最需要智能的地方運行。想想看：機器人、自動駕駛汽車、家中的智能設備，甚至你的手機都將配備人工智能。小米目前擁有一個龐大的生態帝國，由 7.5 億個設備組成，從智能恆温器到智能汽車，開始將人工智能深度融入我們的日常生活。顯然，你不能簡單地將那些龐大、尖端的模型直接塞進邊緣設備。目前，實現頂級模型在開源、開放權重模型上的性能通常需要 6 到 8 個月。之後，使用模型蒸餾等技術將其 “瘦身” 到足夠的程度，通常需要約 6 到 12 個月，才能最終在筆記本電腦和智能手機等消費設備上運行。目前，大多數能夠實現這一點的開源模型來自中國，如 Qwen、DeepSeek 和 MiMo。這些為計算能力稀缺的環境設計的模型，自然適合這一新興應用場景。此外，這些邊緣設備未來可能會成為各種機器人。中國公司已經走在了前面。例如，Galaxy General 的人形機器人正在倉庫和專業藥店中自主運行。即使是資金雄厚的美國公司如 Uber 也開始對人工智能的運營成本變得敏感。Uber 的首席技術官 Praveen Neppalli Naga 透露，該公司的 5000 名工程師沉迷於 Claude，已經在 4 月份耗盡了整個 2026 年的人工智能預算。現在，首席財務官們對基於代幣的計費越來越敏感，因為 “無限透支” 顯然不是一個可行的選擇。從國際上看，這帶來了巨大的機會。例如，Zhipu 的第三大市場是印度尼西亞，這是一個極其注重價格的市場。MiniMax 也有超過 70% 的收入來自中國以外。除了美國和西歐，這些廣闊市場中有數百萬家企業和數億消費者，價格可能最終成為決定成功的關鍵因素。從護城河到系統我以傾聽和學習的心態前往中國。五年前，我曾指出：……美國極不可能阻止中國發展其半導體產業……這可能導致出現兩個截然不同的技術生態系統。當然，那是在 ChatGPT 出現之前。當前的情況相似，但又不同。雖然中國的半導體自給自足不斷提高，但在技術棧的更高層次上，相關的 “分叉” 正在以三種方式逐漸顯現。首先，效率護城河。中國的人工智能實驗室可能正在建立一個高度競爭的護城河。這是一種圍繞效率原則設計的護城河。強大的護城河能夠經受住時間的考驗。我們推測，這種高效的護城河使他們能夠以遠低於競爭對手的成本持續訓練競爭模型，然後以更低的單位成本向外界提供服務。正是這種極簡原則創造了一個既精簡又高度競爭的模型。這能帶來長期優勢嗎？非常可能：只要市場朝着更多推理的異構基礎設施發展，客户基礎變得更加多樣化。其次，一種新的管理理論正在出現。我們可能正在見證一種全新的人工智能實驗室管理理論的誕生。我能想到的最佳類比是豐田生產系統（TPS），由大野耐一設計。就像今天的中國人工智能實驗室一樣，豐田當時別無選擇，只能以獨特的方式製造產品。當時，鋼鐵極其昂貴，資本極其稀缺；豐田在財務約束的困境中起步。但得益於 TPS（每秒交易數），日本汽車製造商實現了一個底特律無法匹敵的成本結構，同時提高了產品質量。即使在獲得鉅額利潤後，他們仍然堅守這一效率和成本優勢。在中國的人工智能實驗室中，類似的過程可能正在出現。單個實驗室根本無法同時全力運作所有三條生產線。相反，它必須將寶貴的計算能力分配給最有能力將其轉化為實際產出的團隊。這種嚴格的資源分配紀律最終凝聚成真正的核心競爭力。相比之下，美國的前沿人工智能實驗室，憑藉近乎無限的英偉達芯片供應，遠未經歷那種迫使他們優化極端效率的 “強制功能”。我不想過分誇大這個類比。中國發生的事情在許多方面並不完全等同於豐田生產系統（TPS），也沒有那麼成熟。但我們不能忽視其潛在的結構性影響。如果 “推理” 是下一個價值爆發點，如果某條路徑恰好帶來了更高效的推理能力，那麼（美國的）出口管制政策實際上可能與其初衷相反。第三，這些是不同的生態系統。在前往中國之前，我渴望找到那種明確的硬件分界——美國對英偉達的依賴，以及中國對華為的日益關注。但現實遠比這複雜和有趣。整個生態系統——硬件、構建模型的文化、內部能力、招聘優先級和決策過程——具有截然不同的特徵。目前，英偉達仍然是中國計算能力市場的首選。但這一點正在改變，隨着重點逐漸從 “模型訓練” 轉向 “推理”，以及中國國產芯片的日益成熟，這一轉變將進一步加速。但比硬件問題更值得注意的是這裏文化與人才之間的關係正在演變。畢竟，正是文化塑造了過去五十年硅谷的發展。中國的人工智能生態系統正在開闢自己的道路；它遠不止是硅谷的 “緩慢” 或 “受限” 複製。在我們的行程中，《求是》雜誌與中國工業和信息化部下屬的產業政策智庫 CCID Consulting 聯合發佈了一份報告（編者注：《在智能時代搶佔制高點：對我國人工智能產業發展的調查》），這為我們提供了一個極好的參考點，讓我們得以窺見北京期望其各級官員、研究人員和行業領導者在人工智能（AI）領域所持的信念。報告指出，中國不再處於 “追趕” 階段。如今，中國已經進入 “第一梯隊”，在某些領域處於領先地位，而在其他領域仍然落後。報告明確支持通過開源、國產計算能力、高質量數據和快速工業實施來構建新的國家生產體系的發展路徑。報告承認出口管制造成的損害，指出 “計算能力飢渴” 迫使國內團隊減緩發展。為緩解這一問題，報告建議 “計算能力提供者、模型提供者和行業用户之間的深度耦合”。在我們的實地考察中，我們還看到一些證據表明，許多實驗室正在協助華為設計其下一代 Ascend 芯片。出口管制的初衷是阻止中國切斷高端計算能力的供應，從而阻礙其獲取尖端人工智能的能力。不可否認，這些規定造成了嚴重影響。但正是這些限制催生了圍繞 “極致效率” 的全新能力。我們訪問的實驗室培養了一種 “複利研究” 的文化。他們開放心態，只選擇真正有效的技術路徑，並不懈追求優化，以與未來的發展方向保持一致。很難説如果 GPU 的供應突然變得像水龍頭一樣豐富，他們是否會放棄這些做法。當然，他們可能會充分利用這種增加的計算能力，但我敢打賭，他們永遠不會失去使他們至今保持競爭力的獨特品質。