2.3 AI 能力：卡得最松

奇怪的是，在先进工艺落后好几代的情况下，中国的 AI 大模型和美国最好的模型相比，差距只有几个月。原因在于：AI 能力不等于单颗芯片的性能。

2.3.1 算力是一道乘法

一个国家或一家公司能用来训练 AI 的有效算力，可以粗略地写成：

有效算力 ≈ 芯片数量 × 单颗芯片性能 × 芯片之间的互联效率 × 实际利用率 × 算法效率

管制主要打击的是第二项（单颗芯片性能），以及通过限制产能间接打击第一项（芯片数量）。其他几项，中国都有办法补。

以数量和互联补单颗性能。 华为的 CloudMatrix 384 用 384 颗昇腾芯片和全光互连，在系统层面与英伟达的 GB200 NVL72 相抗衡。按业内估算，它的总算力更高，代价是耗电约为对方的 3 到 4 倍。华为公布的路线图更进一步：2026 年第四季度推出的 Atlas 950 超节点，要把 8192 颗昇腾 950 连成一个整体。思路很明确：单颗不如人，就靠规模取胜。

这条路之所以走得通，是因为中国电力相对充裕、便宜。美国的 AI 数据中心反而越来越受电网容量的限制。管制让中国用电力去换芯片性能，而电力恰好是中国的长项。

2.3.2 以算法换算力

第二个补偿手段是算法效率。DeepSeek 是最典型的例子。

DeepSeek-V3 在 2024 年底发布。据其技术报告，它是在 2048 块 H800（美国管制后专门卖给中国的降级版芯片）上训练的。最后一次训练的算力成本按租用价格估算，约 560 万美元，远低于美国同级模型。它用了“混合专家”架构（每次只激活模型的一小部分）、低精度训练、注意力机制压缩等一系列工程手段，把每一份算力都用到极致。随后发布的推理模型 R1 又全部开源，在全球引起震动。

这说明一个道理：当算力受限时，工程师会被逼着在算法和工程上下功夫。 而算法上的进步，任何出口管制都管不住。

2.3.3 训练与推理不一样

还要区分 AI 的两个阶段：

• 训练前沿大模型，需要上万甚至数十万颗顶级芯片长时间协同工作。这对单卡性能、互联、软件生态的要求最高，是中国最吃力的地方。
• 推理，也就是模型训练好之后为用户提供服务。这一步对单卡性能的要求相对低一些，更容易用国产芯片替代。

所以中国的处境大致是：跟上前沿要多花钱、多耗电；大规模应用的障碍则小得多。