我只是注意到在觀察AI產業時，發現了一個奇怪的模式。八年前，一家中國電信公司因禁令而徹底倒閉。但現在，其他中國AI公司在更高壓力下仍快速成長。到底發生了什麼變化？

回到2018年。中興通訊是全球最大的電信設備製造商之一——80,000名員工，數十億美元的年收入。結果一天，一份來自美國工業與安全局的命令，讓整個公司關閉。沒有美國元件，沒有谷歌許可，沒有操作系統。三週後，中興宣布無法繼續經營。公司支付了14億美元的罰款，但真正的問題在於生態系統——他們完全依賴由美國控制的全球供應鏈。

如今，即使仍有類似限制，中國AI公司卻沒有遭遇同樣的命運。為什麼？因為問題不僅是硬體。真正的瓶頸是CUDA。

我這樣說是因為大多數人認為芯片禁令關乎芯片本身。錯了。CUDA——NVIDIA自2006年起的平行計算平台——才是真正的障礙。全球所有主要的AI框架，從谷歌的TensorFlow到Meta的PyTorch，都深度依賴CUDA。當AI研究人員學習時，CUDA是他們第一個掌握的工具。每一行代碼都在強化NVIDIA的生態系統。

到2025年，CUDA生態系統中將有450萬開發者，超過3000個GPU加速應用，以及全球4萬家公司在使用。這佔全球AI開發者的90%。這是一個飛輪，一旦啟動，幾乎不可能停止。開發者越多，工具越多。工具越多，加入的開發者也越多。結果是？NVIDIA制定規則，所有人都在遵循。

因此，從2022到2024年，美國政府實施了三波對NVIDIA芯片出口的限制。第一波是A100和H100，接著是A800和H800，最後是H20。但這並未引發像對中興那樣的恐慌。為什麼？因為中國公司轉向算法優化，而不是反抗硬體。

DeepSeek就是最佳範例。他們的V3模型有6710億參數，但每次推理只用37億——僅佔總數的5.5%。為了訓練這個模型，他們只用了2048個NVIDIA H800 GPU，花了58天，總成本約557萬美元。相比之下，GPT-4的估計成本約為7800萬美元。差距一個數量級。

價格更能說明問題。DeepSeek的API輸入每百萬tokens收0.028到0.28美元，輸出0.42美元。GPT-4的輸入則是5美元，輸出15美元。Claude Opus更貴——輸入15美元，輸出75美元。DeepSeek的價格便宜25到75倍。這個價格差異引發了開發者市場的巨大轉變。

到2026年2月，在OpenRouter——最大的AI模型API整合平台——中國AI模型的每週使用量在三週內激增127%，首次超越美國。去年，中國模型佔市場不到2%。現在，增長了421%，接近6%。但更深層的轉變不僅在價格。從2025年中開始，主要的AI應用已從聊天轉向代理（Agents）。在代理場景中，tokens的使用量比簡單聊天高出10到100倍。當tokens消耗呈指數爆炸時，價格就成了決定因素。中國模型的極高成本效益正好趕上這個窗口。

但算法優化不僅解決了訓練問題。如果不能用最新數據進行訓練和迭代，模型很快就會過時。訓練需要巨大的計算能力。那中國公司從哪裡獲得計算基礎設施？

江蘇一個小城市興化——只以不銹鋼和健康食品聞名——但到2025年，這裡建成了一條148米長的伺服器生產線。從簽約到投產只用了180天。核心是兩款完全本地化的芯片：龍芯3C6000處理器和泰楚遠啟T100 AI加速卡。龍芯擁有自主設計，從指令集到微架構。泰楚遠啟來自國家超算中心無錫和清華大學，採用異構多核架構。

滿負荷運轉時，每5分鐘就生產一台伺服器。總投資約11億元人民幣，預計年產10萬台。重要的是，數千個本地芯片的集群已開始處理真正的大模型訓練。2026年1月，智譜AI與華為合作推出了GLM-Image——首個完全用本地芯片訓練的SOTA圖像生成模型。2月，中國電信在上海臨港的數千GPU本地計算池中完成了百億級星辰模型的全流程訓練。

這一切的意義只有一個：本地芯片已從僅能推理轉向能進行訓練。這是質的變化。推理只需預訓練模型，對芯片的要求較低。訓練則需要處理海量數據、複雜梯度計算、參數更新——對計算能力、互聯帶寬和軟體生態系統的需求更高。

推動這一切的是華為昇騰系列。到2025年底，昇騰生態系統的開發者已達400萬，合作夥伴超過3000家，43個主要模型已完成預訓練，並有200多個開源模型進行適配。2026年3月2日，在MWC上，華為推出新一代SuperPoD計算基礎設施，面向海外市場。昇騰910B的FP16計算能力已達到NVIDIA A100的水平。雖然還有差距，但已從完全不可用變得可用。生態系統的建立不應等待完美芯片——應在足夠成熟時進行廣泛部署，利用實際商業需求推動芯片和軟體的更新。

字節跳動、騰訊、百度的本地伺服器部署預計在2026年將比去年翻倍。根據工業和信息化部，中國的智能計算規模已達到1590 EFLOPS。2026年將是普遍部署本地計算能力的一年。

但另一方面，能源問題同樣重要。弗吉尼亞州控制著全球大量數據中心流量，已暫停新數據中心許可。喬治亞州也暫停至2027年。伊利諾伊和密歇根州則發布限制措施。根據國際能源署，2024年美國數據中心的用電量達到183太瓦時，約佔全國總用電的4%。到2030年，預計將翻倍至426 TWh，可能超過12%。Arm的CEO預估，到2030年，AI數據中心的用電量可能佔美國電力的20-25%。

美國電網已接近極限。涵蓋東部13州的PJM電網容量短缺6GW。到2033年，美國整體將面臨175GW的電力容量短缺，相當於1.3億家庭的用電量。集中在數據中心的地區電價較五年前上漲了267%。計算能力的邊界在於能源。

但在能源方面，中美之間的差距比芯片更大，但方向相反。中國的年度發電量約為10.4萬億單位，而美國為4.2萬億——中國是美國的2.5倍。更重要的是，中國家庭用電僅佔總用電的15%，而美國則是36%。這意味著，中國可能擁有更大的工業用電容量來支持計算基礎建設。

僅電價方面——美國AI公司所在區域的電價約為每千瓦時0.12到0.15美元，而中國西部工業用電約為0.03美元，僅為美國的一半或五分之一。中國的發電優勢是美國的7倍。

當美國擔心電力時，中國AI卻在國外悄然發展。但這次，成長的不是產品或工廠，而是tokens。tokens是AI模型認為的最小信息單位，已成為新的數字商品。在中國的計算工廠生產，通過海底光纜運輸到全球。

DeepSeek的用戶分佈很清楚：30.7%來自中國，13.6%來自印度，6.9%來自印尼，4.3%來自美國，3.2%來自法國。支持37種語言，在巴西等新興市場廣受重視。全球約有26,000家公司擁有帳戶，3,200個機構使用企業版。2025年，58%的新AI創業公司將DeepSeek整合到技術棧中。在中國，DeepSeek佔據了89%的市場份額。在其他成熟市場，市場份額在40%到60%之間。

這個觀點就像四十年前的產業控制失落戰爭。1986年東京，在美國強大壓力下，日本政府簽署了美日半導體協議。三個主要特點：開放日本半導體市場，美國芯片市場份額必須超過20%，禁止低於成本的半導體出口，對出口的30億美元芯片徵收100%罰款。美國拒絕了富士通收購費爾柴爾德的提議。那年，日本半導體產業達到巔峰。到1988年，日本控制了全球51%的半導體市場，美國為36.8%。前十名的半導體公司中，有六家來自日本：NEC第二，東芝第三，日立第五，富士通第七，三菱第八，松下第九。

但簽約後，一切都改變了。美國利用第301條款展開調查，徹底壓制日本半導體公司。同時，支持韓國三星和SK海力士，與日本在低價市場競爭。日本的DRAM市場份額從80%跌到10%。到2017年，日本的IC市場份額僅剩7%。曾經強大的公司要么分拆、被收購，要么在無休止的虧損中退出。

日本半導體的悲劇在於，過於滿足於由外部力量主導的全球分工，認為自己是最佳生產者，卻從未思考建立獨立的生態系統。當浪潮退去，才發現自己除了製造，什麼都沒有。

當前中國AI產業面臨類似但完全不同的戰役。也面對重大外部壓力。三波芯片收緊，持續加強，CUDA生態壁壘依然高企。不同的是，這次選擇了更艱難的路——從極端算法優化，到本地芯片的研發，從推理到訓練，吸引了400萬開發者加入昇騰生態，並將tokens推向全球市場。每一步都在建立一個獨立的產業生態，這是日本從未擁有過的。

2026年2月27日，三家本地AI芯片公司公布了業績。康創科技營收增長453%，首次實現全年盈利。摩爾線程營收增長243%，但淨虧損10億。牧星科技營收增長121%，淨虧損近80億。火與水並存。火是市場的需求。黃的95%空間由本地公司收入完成，逐步實現。無論是業績還是生態，市場都需要一個NVIDIA之外的第二選擇。這是由地緣政治帶來的非凡結構性機遇。

建立生態系統成本高昂。每一次虧損都是真金白銀投入CUDA生態的結果。學習成本、軟體補貼、工程師出差解決編譯問題的費用。這些損失不是經營不善，而是建立獨立生態的戰爭稅。這三份業績報告更像是真實的算力戰爭狀況，而非任何產業報告的成功慶典。這不是慶祝，而是血戰——士兵在流血中崛起。

但戰爭的形式確實改變了。八年前，我們討論的是“我們能否存活”。現在，則是“我們必須付出什麼代價才能存活”。代價本身就是進步。