本文来自微信公众号: 心智观察所 ,作者:心智观察所
美国对中国AI产业的算力封锁,正在进入一个新阶段。
美国此前主要限制先进芯片出口中国,核心问题是中国企业能不能买到英伟达的高端GPU。如今,华盛顿开始把管制范围延伸到海外数据中心:即使芯片没有进入中国,只要中国企业通过网络远程租用这些芯片提供的算力,也可能需要美国政府批准。
这意味着,美国想管的不只是芯片卖给谁,还包括芯片最终为谁工作。
当地时间11月16日,特朗普政府宣布新的半导体出口管制措施。根据美国商务部发布的规则,向印度尼西亚、马来西亚、新加坡、泰国和巴西出口特定先进计算芯片,需要额外申请许可证。与此同时,新规专门针对海外数据中心向中国及其他受管制地区提供远程算力服务设立限制。
其中最值得关注的是,美国开始把第三国数据中心向中国企业提供的大规模远程计算能力纳入出口管制。按照规则,符合条件的关联数据中心集群,其累计总处理性能(TPP)超过1200万,向受管制对象提供算力就可能需要申请许可证。政策还要求对既有相关算力服务进行重新审查,设置了90天的过渡安排。
这可能意味着,中国企业不能再通过新加坡、马来西亚等地的云服务商租赁算力,继续训练和运行大模型。
这条路曾经有效。芯片留在海外,服务器由当地企业运营,中国公司只需要远程连接,就可以使用昂贵的先进GPU。对模型公司来说,这是一种灵活的商业安排。现在,谁在使用芯片提供的计算能力,也成为美国试图控制的对象。
中国AI企业面临的,已经不只是买不到英伟达GPU的问题。现在需要关注能不能持续、稳定地使用全球市场上已经存在的先进算力。
但这件事也应该促使中国重新审视过去几年AI产业发展中的一个隐含假设:只要能通过全球市场租到足够多的GPU,就能弥补国内高端算力的不足。
这套模式在商业上很有效,却始终存在一个结构性风险。中国AI产业越依赖美国技术提供的算力,越容易受到美国出口管制的影响。即便GPU位于第三国,即便数据中心属于当地企业,也改变不了芯片技术来源所带来的监管风险。
说得直白一点,中国不能把自己的AI产业建成英伟达的海外客户。
算力自主,关键是不能让中国AI发展的关键环节始终取决于美国是否批准。
这需要三个层面的改变。
首先是尽快建立不依赖美国许可的算力供给体系。
国产GPU的发展已经有了一定基础。华为昇腾、寒武纪、沐曦、摩尔线程、壁仞等企业,正在不同技术路线和应用场景中推进国产AI芯片。阿里、百度等云计算厂商也在发展自有芯片和算力基础设施。
但必须承认,国产芯片与英伟达的差距,并不是简单比较单卡峰值算力就能说明的。
大模型训练需要成千上万张芯片协同工作。芯片之间能否高速通信,显存带宽够不够,编译器和算子库是否成熟,集群出现故障后能否快速恢复,都会影响最终训练效率。
英伟达真正难以替代的优势,当然还包括CUDA、NVLink、InfiniBand以及围绕这些产品形成的软件和工程生态。
中国如果只是追求国产GPU出货量,却没有建立成熟的集群软件和通信体系,仍然无法真正摆脱对英伟达的依赖。
因此,国产算力竞争的重点应该从单卡性能转向整套系统的实际表现。谁能让国产芯片稳定运行数千卡集群,谁能以更低成本完成真实的大模型训练,谁才真正掌握了产业主动权。
其次,要重新认识算法进步对算力需求的影响。
美国出口管制有一个隐含逻辑:先进芯片越少,中国能够训练的模型就越弱。但这个判断有一个前提,就是训练同等能力模型所需要的计算量基本固定。
现实显然不是这样。
过去几年,大模型技术的一项重要进步,就是不断降低获得同等模型能力所需的计算资源。
混合专家模型(MoE)通过只激活部分专家网络,减少每个Token实际需要的计算量;FP8等低精度计算技术降低显存和计算开销;FlashAttention等优化技术减少数据读写成本;模型蒸馏则把大型模型的能力迁移到更小的模型中。
强化学习、训练数据优化和推理算法的进步,也在改变模型能力与算力投入之间的关系。
DeepSeek是一个值得研究的案例。作为有竞争力的模型,它的意义在于展示了模型架构、训练方法和工程优化如何共同降低计算成本。
这对中国AI产业尤其重要。美国可以限制某些芯片的供应,却很难把算法进步也一并封锁。硬件性能当然重要,但硬件所能产生的有效智能,并不是一个固定数字。
当然,算法优化不能替代硬件。前沿模型训练仍然需要庞大的计算资源,国产芯片的性能、显存和集群互联也必须持续进步。但算法与硬件并不是两条互相替代的路线。中国需要做的是让两者相互补足,用更好的算法弥补硬件差距,再用国产硬件扩大算法优化的收益。
第三,要改变中国AI产业对算力的使用方式。
并不是所有AI任务都需要最先进的GPU,更没有必要让每一家模型公司都从头到尾依赖同一种芯片。
大规模预训练、强化学习、模型微调和日常推理,对算力的要求并不相同。企业应该根据任务特点分配资源。关键训练任务使用能够稳定获得的高性能算力,微调和推理尽可能向国产芯片迁移,通过模型压缩、量化和蒸馏降低部署成本。
特别是推理市场,可能成为国产算力率先扩大规模的突破口。
训练前沿模型需要庞大的计算集群,但推理市场有更广泛、更持续的需求。企业每天处理大量用户请求,更关心的是每个Token的成本、响应速度和服务稳定性。
如果国产芯片能够在推理场景中实现有竞争力的性能和成本,就能形成稳定的商业需求,进而推动芯片、软件、服务器和云计算生态不断成熟。
这比单纯依靠政策采购推动国产芯片出货,更有利于形成长期竞争力。
对智谱、DeepSeek、月之暗面等模型公司来说,这种转变也意味着竞争重点会发生变化。也就是谁能更快适配国产算力,能以更低成本训练和运行模型,能把模型能力转化为真正的商业收入。
全球算力资源仍然具有商业价值。中国也应该与新加坡、马来西亚等国家沟通,维护正常的云计算合作和国际商业秩序,推动相关国家明确美国规则的适用边界,避免出口管制无节制地延伸到正常的跨境数字服务。
但海外算力不能成为中国AI产业的生命线。这里还有一个更大的国际产业竞争问题。
美国试图通过控制先进芯片和相关技术,维持自己在全球AI产业中的优势。但出口管制也可能加速其他国家建立自主算力体系的意愿。对新加坡、马来西亚、中东等正在发展数据中心和云计算产业的经济体而言,过度依赖单一技术供应体系,同样意味着风险。
中国如果能够提供性能足够、成本有竞争力、供应相对稳定的国产芯片、云服务和开源模型,就有机会参与全球AI基础设施市场的重新分配。当然,这最终还是要靠产品性能、价格和服务说话。
不过,美国这次政策至少把一个问题摆到了台面上:中国AI产业究竟应该建立在什么样的算力基础之上?
过去几年,全球AI产业的繁荣,很大程度上建立在英伟达提供的硬件和软件体系之上。中国企业也从中受益,通过购买、租赁海外GPU迅速获得先进算力。这是全球化分工的商业结果,本身没有什么问题。
问题在于,当这种分工被赋予地缘政治属性,原本的商业便利就可能变成产业发展的约束。
中国AI产业当然需要参与全球市场,但不能把自己的命运寄托在别人随时可以关闭的供应渠道上。
真正的算力自主,也不是关起门来重复制造一套英伟达,而是建立从芯片、集群、软件到模型的完整能力,并通过算法创新不断提高单位算力的产出。
有一个值得回望的历史细节。
2016年,中国自主研制的“神威·太湖之光”登上全球超级计算机排行榜第一。当时它使用的是完全自主研发的申威众核处理器,不依赖英特尔、AMD的主流处理器。此后,中国科研人员还专门围绕这套国产硬件开发深度学习系统软件,尝试把人工智能训练任务搬上国产超级计算机。
这条技术路线当年并没有直接变成今天的通用GPU生态,却留下了一笔容易被忽视的财富:
中国并不是第一次面对外国主流计算架构之外的技术环境,也不是第一次从处理器、编译器到并行计算软件重新搭建一套系统。
中国计算产业走过的路并不短。
美国试图限制中国获得先进计算能力的渠道,但并不能阻止中国逐步建立自己的计算体系。
美国如今的做法,反而在加速倒逼国产芯片承担更多训练任务,模型公司用更少的算力获得更强的能力,云计算企业提供稳定而有竞争力的国产算力服务。
继续向英伟达租卡,不是中国要建成的AI产业。







