中国的 AI 优势比你想象的更大

摘要

• AccelXR 最初以“蒸馏解释一切”为前提做空中国 AI，最终却反转：“蒸馏根本无法解释他们交付的许多东西。” 关键在于，中国实验室已将混合专家模型稳定在数万亿参数规模，并把训练配方开源（DeepSeek 的 GRPO/RLVR 在数月内催生 DAPO、GSPO 等变体）；如今研究流向甚至倒转，Thinking Machines 正在基于 Kimi 做蒸馏，Hugging Face 据报在 OpenAI 智能体事件期间使用中国模型抵御攻击。
• 核心宏观判断是：开放权重引发的价格战会把 token 推向“电力的衍生品”——而在电力方面，“中国目前正全面碾压美国”。 电力目前约占 token 成本的10-20%；中国电网发电量是美国的2x，新增容量速度约为美国的6x，而未来5年新增容量中 AI 仅需占1-5%，美国则需要50-70%。他对终局仍留有余地——“我不完全确定它会商品化到这个程度”——这也是政策大概率介入的原因。
• 他的硬件判断是：“到2028年，中国将拥有大规模量产且具成本竞争力的 AI 技术栈。” AccelXR 认为，首个在 Ascend 芯片上训练的数万亿参数模型将是确认信号；DeepSeek 曾在 Huawei 工程师驻场的情况下尝试，但因不稳定等问题退回 Nvidia。Tommy 指出，到2028年中国的总 FLOPs 产出仍可能只有美国的约10-15%，但从训练转向服务的结构变化，可能让这些效率优势变得决定性。
• “电灯开关”情景是：中国先倾销廉价开放权重模型，压低美国实验室利润率，直到实现训练自主，随后切断出口。 这一情景已经出现迹象：Xi 的支持开源演讲走红，大约3天后，金融时报披露 MOFCOM 正就限制开放权重模型向实验室征求意见。AccelXR 的悲观基准是未来两年左右“拆桥”；他理想中的美国路径——通过开放性竞争——“感觉有点过于乐观”。
• 实验室排名上，DeepSeek 拿下前5项创新中的4项（MLA、MoE，以及预训练中的 FP8 量化），Moonshot 位列第2，凭借1:56稀疏化、MuonClip，以及为 Kimi K3 手工编写的 CUDA 之下内核；随后是 Qwen/Alibaba 和 Z.AI，后者与 Cambricon、Ascend 的软硬件协同设计被他认为将成为训练侧的下一项突破。 Baidu 和 Tencent 属于“快速跟随者”。
• 反共识政策判断是：美国最好的做法，是让中国“回到 Nvidia 这座桥上”，因为收紧出口反而会加速其自主化进程。 中国已经看到了这一点：监管部门正放缓 H200 进口，并推动国资数据中心将外国芯片替换为国产方案；与此同时，Trump 政府在今年1月恢复了带收入分成的 H20 销售，并恢复 H200 销售。
• 差距与竞赛的核心是：美国实验室目前领先约8个月；由于“学生无法超越老师”，在中国实现训练自主前，蒸馏会让中国保持落后，但如果递归自我改进启动，8个月“感觉已经是足够大的差距”让美国实现起飞。 与此同时，人才流向正在反转：中国 AI 研究人员回国比例从2019年的12%升至2025年的28%，AI 博士产出是美国的2x，拥有中国教育背景的顶尖研究人员比例从27%升至38%；中国实验室的估值则达到收入的40-120x。Tommy 曾考虑买入 GLM，但面对约1,000x 的市销率仍然犹豫，尽管 GLM 声称 ARR 在5个月内从约1亿美元增长至超过10亿美元。

精读

1. 一位蒸馏悲观者走进来，一位创新多头走出来

• AccelXR 开场承认：“我刚开始写这份报告时，确信中国只是在刷基准测试……但越深入研究，我越真正转向另一边：蒸馏根本无法解释他们交付的许多东西。” 蒸馏可以解释一部分能力和基准测试表现，却解释不了中国实验室在硬件受限条件下构建出的东西。
• 转折点来自 MoE 训练。在中国实验室介入前，MoE 训练“相对不稳定”；但几篇论文“证明了确实可以稳定训练数万亿参数规模的模型”，把源自美国的技术推进到前沿训练规模。再加上 AEI 智库关于中国电网扩张的报告，他的判断随之反转。
• 研究成果如今双向流动：Thinking Machines 正在基于 Kimi 做蒸馏；而在 OpenAI 智能体遭攻击期间，Hugging Face 据报转而使用中国模型抵御攻击者，因为美国前沿模型受到限制。Tommy 的反应是：“所以美国现在也在受益于中国的 AI 研究……这太疯狂了。”

2. 排名表：DeepSeek 拿下前5项创新中的4项，以及开源为何复利更快

• 他的排名是：DeepSeek 明确位列第1（“MLA、MoE 这些东西……以及最早在预训练流程中做 FP8 量化”）；Moonshot 位列第2——将稀疏化激进推进到约1:56，引入 MuonClip（如今已被其他中国实验室采用或改造）、KDA 线性注意力，并通过 MoPD 实现“高质量蒸馏”；随后是 Qwen/Alibaba；再后是 Z.AI，架构创新较少，但在软硬件协同设计上投入很重。Baidu 和 Tencent 则是快速跟随者。
• 速度优势来自训练配方开源：DeepSeek R1 的 GRPO 和 RLVR 在“数月内”催生 DAPO、GSPO 等变体。“我很确定，美国实验室之间没有达到这种程度的沟通……因为这些东西是专有的。”

3. CUDA 之下：让国产训练成为可能的协同设计

• 机制可以概括为：大多数实验室通过 CUDA 及其生态编程 GPU，而中国实验室则在“汇编级别”手写底层 GPU 指令。Moonshot 为 Kimi K3 在中国芯片上手工编写核心 GPU 程序；中国实验室还使用 RL 训练模型，让模型自行编写和优化内核；DeepSeek 则通过 DeepEP 手写底层代码。
• 这项工作的价值在于：“美国不需要这么做……我们直接构建在 Nvidia 之上即可。” 针对更弱芯片做优化，最终可能让中国“长期以显著低于美国的成本提供推理服务”；结合量化技术，以及 Cambricon、Ascend 供应链，未来几年中国也可能在训练侧实现可行。AccelXR 认为，有些人仍然误判了这一点，错误地认为中国永远无法用国产芯片训练。

4. 美国实验室：能力领先仍在，估值倍数合理，并从训练转向服务

• 他对美国的判断是：“很难看到美国实验室在能力前沿领先上放慢脚步。” 在实现训练自主前，中国实验室仍将是快速跟随者。估值方面，相较收入倍数达到40-120x的中国同行，美国实验室“仍然相对便宜”。Tommy 曾考虑买入 GLM，但面对约1,000x 的市销率仍然犹豫，即使 GLM 的 ARR 据报在5个月内从约1亿美元增长至超过10亿美元。
• 行业正在发生制度性切换：“我们现在进入了这样一个阶段：重点正从能否训练出具备前沿能力的模型，转向能否大规模提供服务。” 预计美国实验室会采用中国式效率研究，并通过中国实验室的 STR 策略，将能力增量转向后训练和 RL；在这一框架下，“智能体的脚手架或运行框架本身，就可以解释大量新增能力”，而不再依赖越来越大的预训练规模。

5. Token 是电力的衍生品——中国的结构性王牌

• 逻辑链条是：效率提升最终会通过降价传导，而不是转化为利润；在开放权重模式下，“理论上不存在每 token 毛利恢复的均衡状态”。电力目前已经占 token 成本的约10-20%；随着芯片资本开支、软件利润和研发摊销空间被挤压，“token 会趋近于一种几乎纯粹的电力衍生品”，届时中国的电网优势将占据主导：中国发电量是美国的2x，新增容量速度约为美国的6x；未来5年新增容量中 AI 只需占1-5%，美国则要占50-70%。他的原话仍然保留了限定：“我不完全确定它会商品化到这个程度。”
• 中国的政策与产业领导层已经看到了这一点。他援引 Huawei 的 Ren Zhengfei：中国的发电能力和电网输电能力都很强，而 AI 发展“需要这种电力保障”。芯片侧的答案是规模聚合：由超过500,000枚 Ascend 芯片组成的超级 Pod，芯片数量是 xAI Colossus 的2.5x，总算力约为其1.3x。芯片更弱，就用更多芯片，直到“最终纯粹变成电力瓶颈”。
• AccelXR 认为，美国关于数据中心的错误信息正在拖慢部署，而中国则依靠“东数西算”，把算力部署到廉价可再生能源所在地，再叠加税收和能源补贴。他承认一个约束：根据 AEI 报告，中国芯片生产仍受供给限制；他认为供需比例可能约为5:1，产量仍不足以满足国内需求。这正是协同设计优化重要的原因。

6. 变现、价格战与3种终局

• 价格战确实存在：Tommy 的 Silicon LLM Index 是一个按权重计算的每百万 token 成本指标，从6月2日的2.2降至约1。但变现正在分化：Moonshot 现在要求营收超过2,000万美元的模型即服务提供商签署单独协议，Alibaba 也加入营收门槛，Z.AI 正考虑本地化的主权部署，DeepSeek 则引入峰值定价并上调费率。问题在于，这些公司能否支撑相当于美国同行6x以上的收入估值倍数。与此同时，智能体工作负载“对成本极其敏感”，推动模型组合转向“最便宜但能力仍够用的模型”——这正是中国实验室的优化方向。
• 他的3种情景分别是：当前的“桥梁正常运转”——美国前沿 API 掌握受监管工作负载，中国开放权重模型占据成本敏感的中端市场，西方企业同时运行两套系统进行对冲；通过美国限制云服务或蒸馏、北京切断出口实现“拆桥”——这是他的悲观基准；以及美国通过开放性竞争，以低价、接近前沿的开放权重模型参与竞争——这是他的理想情景，但“感觉有点过于乐观”。
• “电灯开关”证据在于：Xi 鼓励开源的演讲，大约在 Financial Times 披露 MOFCOM 正就限制开放权重模型向实验室征求意见前3天发表。按他的说法，正确策略是：“向市场倾销廉价开放权重模型，拖慢美国……直到中国自己追上来，然后切换开关。”

7. 反向蒸馏、8个月差距与逆转的人才流向

• Tommy 提出了一个尖锐问题：如果中国训练出更强的前沿模型，美国实验室再对它进行蒸馏，这种情况出现的概率有多大？结构性答案是：“从法律层面看，中国开放权重模型才是美国实验室最好的蒸馏教师。” AccelXR 对一些规模较小的美国实验室主动跟进并不意外；至于 Anthropic，他表示不确定。Tommy 的反驳很直接：“但他们正在造神。”
• 差距的共识约为8个月；既然“学生无法超越老师模型”，在中国实现训练自主前，蒸馏会冻结现状。8个月是否足以让美国实现递归自我改进式起飞——也就是 Anthropic 所说的“数据中心里的100万名天才”？他的答案是：“如果它进入自我递归，我认为可以。感觉已经是足够大的差距。”
• 人才基础也在转向：拥有海外博士学位、回国的中国 AI 研究人员比例从2019年的12%升至2025年的28%；中国 AI 博士培养规模是美国的2x；在中国接受教育的顶尖 AI 研究人员比例从2017年的27%升至2024年的38%。Tommy 的总结是：“当你谈论中国在任何领域的表现时，都很难看空中国。”

8. 需要关注什么——以及为何应当向中国出售 Nvidia 芯片

• 他认为最重要的拐点指标是：“明确披露在万亿参数规模预训练中实际全面使用 Ascend。” 市场常把国产芯片上的服务与国产芯片上的训练混为一谈；DeepSeek 曾在 Huawei 工程师驻场的情况下尝试使用 Ascend 训练，但遭遇不稳定和互联速度慢的问题，最终退回 Nvidia。若确认出现一个在 Ascend 上训练的数万亿参数模型，将是政策即将转向的“最大确认信号”。次级信号则是：在 Alibaba、Tencent、Baidu 和 Z.AI 全部涨价后，中国 AI 云价格是否会在今年下半年恢复正常。
• 政策悖论是——他指出 Sacks 也表达过类似观点——放松出口限制、让中国回到 Nvidia，“应该会放慢他们的发展……这会放慢他们的自主化推进，而任何形式的收紧实际上都会加速他们的推进”。中国已经看到了这一点：监管部门正放缓 H200 进口，并鼓励国资数据中心将外国芯片替换为国产方案；即使美国今年1月恢复了带收入分成的 H20 销售，并恢复 H200 销售，这一趋势仍未改变。
• 在美国一侧，他预计实验室会游说政府封闭生态系统（“从商业角度看，这完全合理”）；美国政府可能取得前沿实验室的股权，也可能要求在这些实验室产生的发现成果中拥有政府权益。最后的安全悖论是：如果企业无法访问前沿模型，那么当这些模型发布后，企业也会失去防御它们的能力。正因如此，Tommy 最终亮明立场：“所以我看多开源……这是对我而言唯一说得通的事情。”