作者：动察Beating

八年前，中兴心脏骤停。

2018 年 4 月 16 日，美国商务部工业与安全局的一纸禁令，让中兴通讯这家拥有 8 万名员工、年营收超千亿的全球第四大通信设备商，在一夜之间停摆。禁令内容很简单，未来七年，禁止任何美国公司向中兴出售零部件、商品、软件和技术。

没有了高通的芯片，基站停产。没有了谷歌的安卓授权，手机也没有能用的系统了。23 天后，中兴发布公告，称公司主要经营活动已无法进行。

不过中兴最终活了下来，但代价是 14 亿美元。

10 亿美元罚款，一次性付清；4 亿美元保证金，存入美国银行的托管账户。此外，全部高管换血，接受美方合规监督团队进驻。2018 年全年，中兴净亏损 70 亿元人民币，营收同比暴跌 21.4%。

时任中兴董事长殷一民在内部信中写道：「我们身处在一个复杂的、高度依赖全球供应链的产业中。」这句话，在当时听来，是反思，也是无奈。

八年后，2026 年 2 月 26 日，中国 AI 独角兽 DeepSeek 宣布，其即将发布的 V4 多模态大模型，将优先与国产芯片厂商深度合作，首次实现从预训练到精调的全流程非英伟达方案。

翻译一下就是：我们不用英伟达了。

消息一出，市场的第一反应是质疑。英伟达在全球 AI 训练芯片市场的份额超过 90%，放弃它，这在商业上合理吗？

但 DeepSeek 的选择背后，藏着一个比商业逻辑更大的问题：中国 AI，到底需要一场怎样的算力独立？

被卡脖子的到底是什么

很多人以为，芯片禁令卡住的是硬件。但真正让中国 AI 公司感到窒息的，是一个叫 CUDA 的东西。

CUDA，全称 Compute Unified Device Architecture，是英伟达在 2006 年推出的一套并行计算平台和编程模型。它允许开发者直接调用英伟达 GPU 的算力，来加速各种复杂的计算任务。

在 AI 时代到来之前，这只是一个属于少数极客的工具。但当深度学习的浪潮袭来，CUDA 变成了整个 AI 产业的地基。

AI 大模型的训练，本质上就是海量的矩阵运算。而这恰恰是 GPU 最擅长的工作。

英伟达凭借提前十几年的布局，用 CUDA 为全球的 AI 开发者搭建了一整套从底层硬件到上层应用的完整工具链。今天，全球所有主流的 AI 框架，从谷歌的 TensorFlow 到 Meta 的 PyTorch，底层都与 CUDA 深度绑定。

一个 AI 专业的博士生，从入学第一天起，就是在 CUDA 的环境里学习、编程、做实验。他写的每一行代码，都在加固英伟达的护城河。

截至 2025 年，CUDA 生态已经拥有超过 450 万开发者，覆盖了 3000 多个 GPU 加速应用，全球超过 4 万家公司在使用 CUDA。这个数字意味着全球 90% 以上的 AI 开发者，都被绑定在英伟达的生态里。

CUDA 的可怕之处在于，它是一个飞轮。越多的开发者使用，就会产生越多的工具、库和代码，生态就越繁荣；生态越繁荣，就越能吸引更多的开发者加入。这个飞轮一旦转起来，就几乎无法被撼动。

结果就是，英伟达卖给你最贵的铲子，还定义了唯一的挖矿姿势。你想换一把铲子？可以。但你得先把过去十几年里，全球几十万最聪明的大脑在这个姿势下积累的所有经验、工具和代码，全部重写一遍。

这个成本，谁来付？

所以，当 2022 年 10 月 7 日，BIS 第一轮管制落地，限制英伟达 A100 和 H100 对华出口时，中国的 AI 公司们，第一次集体感受到了中兴式的窒息感。英伟达随后推出了「中国特供版」A800 和 H800，降低了芯片间的互联带宽，勉强维持供应。

但仅仅一年后，2023 年 10 月 17 日，第二轮管制再次收紧，A800 和 H800 也被禁，13 家中国公司被列入实体清单。英伟达不得不再推出进一步阉割的 H20。到 2024 年 12 月，拜登政府任期内的最后一轮管制落地，连 H20 的出口都被严格限制。

三轮管制，层层加码。

但这一次，故事的走向，和当年的中兴完全不同。

一场非对称的突围

禁令之下，所有人都以为，中国 AI 的大模型之梦会就此终结。

他们都错了。面对封锁，中国公司并没有选择正面硬刚，而是开始了一场突围。这场突围的第一个战场，不在芯片，而在算法。

2024 年底到 2025 年，中国的 AI 公司们集体转向了一个技术方向：混合专家模型。

简单来说，就是把一个巨大的模型拆分成很多个小专家，处理任务时只激活其中最相关的几个，而不是让整个模型都动起来。

DeepSeek 的 V3 就是这个思路的典型代表。它拥有 6710 亿个参数，但每次推理只激活其中的 370 亿个，仅占总量的 5.5%。训练成本方面，它使用了 2048 块英伟达 H800 GPU，训练 58 天，总花费 557.6 万美元。作为对比，外界对 GPT-4 训练成本的估算，大约在 7800 万美元。一个量级的差距。

算法上的极致优化，直接反映到了价格上。DeepSeek 的 API 价格，输入每百万 Token 仅 0.028 到 0.28 美元，输出 0.42 美元。而 GPT-4o 的输入价格是 5 美元，输出 15 美元。Claude Opus 更贵，输入 15 美元，输出 75 美元。换算下来，DeepSeek 比 Claude 便宜了 25 到 75 倍。

这个价格差，在全球开发者市场上反响巨大。2026 年 2 月，全球最大的 AI 模型 API 聚合平台 OpenRouter 上，中国 AI 模型的周调用量在三周内暴涨 127%，首次超越美国。一年前，中国模型在 OpenRouter 上的份额不足 2%。一年后，增长了 421%，逼近六成。

这组数据背后，有一个容易被忽视的结构性变化。2025 年下半年开始，AI 应用的主流场景从聊天转向了 Agent。Agent 场景下，一次任务的 Token 消耗量是简单聊天的 10 到 100 倍。当 Token 的消耗量指数级增长时，价格就成了决定性因素。中国模型的极致性价比，恰好踩中了这个窗口。

但问题是，推理成本的降低，并没有解决训练的根本问题。一个大模型如果不能在最新的数据上持续训练、迭代，它的能力就会迅速退化。而训练，依然是那个绕不开的算力黑洞。

那么，训练的「铲子」，从哪里来？

备胎的转正

江苏兴化，苏中小城，以不锈钢和健康食品闻名，此前和 AI 没有任何关系。但 2025 年，一条 148 米长的国产算力服务器产线在这里建成投产，从签约到投产，只用了 180 天。

这条产线的核心，是两颗完全国产的芯片：龙芯 3C6000 处理器和太初元碁 T100 AI 加速卡。龙芯 3C6000，从指令集到微架构全部自主研发。太初元碁脱胎于国家超级计算无锡中心和清华大学团队，采用异构众核架构。

这条产线满产时，5 分钟下线一台服务器，这条生产线总投资 11 亿元，预计年产 10 万台。

更重要的是，基于这些国产芯片组成的万卡集群，已经开始承接真正的大模型训练任务。

2026 年 1 月，智谱 AI 联合华为发布了 GLM-Image，这是首个完全依托国产芯片实现全程训练的 SOTA 图像生成模型。2 月，中国电信的千亿级「星辰」大模型，在上海临港的国产万卡算力池上完成了全流程训练。

这些案例的意义在于，它们证明了一件事：国产芯片，已经从「能用于推理」跨越到了「能用于训练」。这是质变。推理只需要跑已经训练好的模型，对芯片的要求相对较低；而训练需要处理海量数据、进行复杂的梯度计算和参数更新，对芯片的算力、互联带宽和软件生态的要求，高出一个数量级。

承担这些任务的核心力量，是华为的昇腾系列芯片。截至 2025 年底，昇腾生态的开发者数量已突破 400 万，合作伙伴超过 3000 家，43 个业界主流大模型基于昇腾完成了预训练，200 多个开源模型完成了适配。2026 年 3 月 2 日的 MWC 大会上，华为还面向海外市场首发了新一代算力底座 SuperPoD。

昇腾 910B 的 FP16 算力已经对标英伟达 A100。虽然差距依然存在，但已经从不可用变成了可用，从可用正在走向好用。生态的建设，不能等到芯片完美了再开始，必须在够用的阶段就大规模铺开，用真实的业务需求去倒逼芯片和软件的迭代。字节跳动、腾讯、百度对国产算力服务器的导入目标，2026 年普遍较上一年翻倍增长。工信部的数据显示，中国智算规模已达 1590 EFLOPS。2026 年，正在成为国产算力规模部署的元年。

美国电荒与中国出海

2026 年初，承载了全球大量数据中心流量的弗吉尼亚州，暂停批准新的数据中心建设项目。佐治亚州跟进，暂停审批延续到 2027 年。伊利诺伊州、密歇根州也相继出台限制措施。

根据国际能源署的数据，2024 年美国数据中心耗电量已达 183 太瓦时，约占全国总用电量的 4%。到 2030 年，这个数字预计翻倍至 426TWh，占比可能突破 12%。Arm 公司 CEO 更是预测，到 2030 年，AI 数据中心将消耗美国 20% 到 25% 的电力。

美国的电网已经不堪重负。覆盖美国东部 13 个州的 PJM 电网面临 6GW 的容量短缺。到 2033 年，美国整体面临 175GW 的电力容量缺口，相当于 1.3 亿户家庭的用电量。数据中心集中区域的批发电力成本，比五年前高出了 267%。

算力的尽头，是能源。而在能源这个维度上，中美之间的差距，比芯片还要大，只不过方向反了过来。

中国的年发电量是 10.4 万亿度，美国是 4.2 万亿度，中国是美国的 2.5 倍。更关键的是，中国的居民生活用电仅占总用电量的 15%，而美国这个比例是 36%。这意味着中国有远比美国更大的工业用电余量可以投入算力建设。

在电价上，美国 AI 公司聚集区的电价在 0.12 到 0.15 美元每千瓦时，而中国西部的工业电价约为 0.03 美元，仅为美国的四分之一到五分之一。

中国的发电增量，已经达到美国的 7 倍。

就在美国为电发愁的时候，中国的 AI 正在悄悄出海。但这一次出海的，不是产品，不是工厂，而是 Token。

Token，AI 模型处理信息的最小单位，正在成为一种新的数字商品。它从中国的算力工厂里被生产出来，通过海底光缆输送到全球。

DeepSeek 的用户分布数据很能说明问题：中国本土占 30.7%，印度 13.6%，印尼 6.9%，美国 4.3%，法国 3.2%。它支持 37 种语言，在巴西等新兴市场广受欢迎。全球有 2.6 万家企业开通了账户，3200 家机构部署了企业版。

2025 年，58% 的新 AI 创业公司把 DeepSeek 纳入了技术栈。在中国，DeepSeek 拿下了 89% 的市场份额。而在其他受制裁国家，市场份额则在 40%～60% 不等。

这幅景象，像极了四十年前的另一场关于产业自主权的战争。

1986 年的东京，在美国的强大压力下，日本政府签订了《美日半导体协议》。协议的核心条款有三条：要求日本开放半导体市场，美国芯片在日本的市场份额须达到 20% 以上；严禁日本半导体以低于成本价格出口；对日本出口的 3 亿美元芯片征收 100% 惩罚性关税。同时，美国否决了富士通对仙童半导体的收购。

那一年，日本半导体产业正处在巅峰。1988 年，日本控制了全球半导体市场 51% 的份额，美国只有 36.8%。全球十大半导体公司，日本独占六席：NEC 排名第二，东芝第三，日立第五，富士通第七，三菱第八，松下第九。1985 年，Intel 在美日半导体争夺战中亏损 1.73 亿美元，濒临破产。

但协议签订后，一切都变了。

美国通过 301 调查等手段，对日本半导体企业发起了全方位的压制。同时扶持韩国的三星、海力士，以更低的价格冲击日本的市场。日本的 DRAM 份额从 80% 跌至 10%。到 2017 年，日本 IC 市场份额仅剩 7%。曾经不可一世的巨头们，或被拆分，或被收购，或在无休止的亏损中黯然离场。

日本半导体的悲剧在于，它满足于在一个由单一外部力量主导的全球分工体系中，做那个最优秀的生产者，却从未想过去构建一个属于自己的、独立的生态。当潮水退去，它才发现，自己除了生产本身，一无所有。

今天的中国 AI 产业，正站在一个相似却又完全不同的路口。

相似的是，我们同样面临着来自外部的巨大压力。三轮芯片管制，层层加码，CUDA 生态的壁垒依然高耸。

不同的是，这一次，我们选择的是一条更难的路。从算法层面的极致优化，到国产芯片从推理到训练的跨越，再到昇腾生态 400 万开发者的积累，再到 Token 出海对全球市场的渗透。这条路上的每一步，都在构建一种日本当年从未拥有过的独立产业生态。

尾声

2026 年 2 月 27 日，三份来自本土 AI 芯片公司的业绩快报，在同一天发布。

寒武纪，营收暴增 453%，首次实现全年盈利。摩尔线程，营收增长 243%，但净亏损 10 亿。沐曦，营收增长 121%，净亏损近 8 亿。

一半是火焰，一半是海水。

火焰，是市场的极度饥渴。黄仁勋让出的那 95% 的空白，正在被这些本土公司的营收数字，一寸一寸地填满。无论性能如何，无论生态怎样，市场需要英伟达之外的第二个选择。这是地缘政治撕开的、一个千载难逢的结构性机会。

海水，是生态建设的巨大成本。每一分亏损，都是为追赶 CUDA 生态而付出的真金白银。是研发的投入，是软件的补贴，是派驻到客户现场、一个一个解决编译问题的工程师的人力成本。这些亏损，不是经营不善，而是构建一个独立生态所必须支付的战争税。

这三份财报，比任何一份行业报告都更诚实地记录了这场算力战争的真实面貌。它不是一场高歌猛进的胜利，而是一场惨烈的、一边流血一边冲锋的阵地战。

但战争的形态，确实已经变了。八年前，我们讨论的是「能不能活下来」的问题。今天，我们讨论的是「活下来要付出多大代价」的问题。

代价本身，就是进步。