我只是注意到在观察AI行业时发生了一种奇怪的模式。八年前，一个中国电信公司因为一项禁运而彻底失去了生命。但现在，其他中国AI公司在面对更高压力的情况下仍在快速成长。到底发生了什么变化？

让我们回到2018年。中兴通讯是全球最大的电信设备制造商之一——80,000名员工，数十亿的年收入。然后一天之内，美国工业与安全局的一项命令就关闭了整个公司。没有美国零件，没有谷歌许可证，没有操作系统。三周后，中兴宣布无法继续运营。公司支付了14亿美元的罚款，但真正的问题在于生态系统——他们完全依赖由美国控制的全球供应链。

如今，尽管仍有类似的限制，中国的AI公司却没有遭遇同样的命运。为什么？因为问题不仅仅是硬件。真正的瓶颈是CUDA。

我之所以提到这个，是因为大多数人假设芯片禁令关乎芯片本身。错了。CUDA——NVIDIA自2006年以来的并行计算平台——才是真正的障碍。全球所有主要的AI框架，从谷歌的TensorFlow到Meta的PyTorch，都深度依赖CUDA。每当AI研究人员学习编程，CUDA都是他们的第一工具。每一行代码都在增强NVIDIA的生态系统。

到2025年，CUDA生态系统中将有450万开发者，超过3000个GPU加速应用，以及全球4万多家公司在使用它。这占全球AI开发者的90%。这就像一个飞轮，一旦启动，几乎难以停止。开发者越多，工具越多。工具越多，加入的开发者越多。结果就是？NVIDIA制定规则，所有人都在遵循。

因此，从2022年到2024年，美国政府实施了三轮对NVIDIA芯片出口的限制。第一轮是A100和H100，接着是A800和H800，最后是H20。但这并没有引发像对中兴那样的恐慌。为什么？因为中国公司转而专注于算法优化，而不是反抗硬件。

DeepSeek就是最好的例子。他们的V3模型有6710亿参数，但每次推理只用到370亿参数——仅占总数的5.5%。为了训练这个模型，他们只用了2048块NVIDIA H800 GPU，花了58天，总成本约55.76亿美元。相比之下，GPT-4的估算成本为7800万美元。差异一两个数量级。

价格更是说明问题。DeepSeek的API输入每百万tokens收费0.028到0.28美元，输出0.42美元。GPT-4的输入成本为5美元，输出15美元。Claude Opus更贵——输入15美元，输出75美元。DeepSeek的价格便宜25到75倍。这一价格差异引发了开发者市场的巨大转变。

到2026年2月，在OpenRouter——最大的AI模型API聚合平台——中国AI模型的每周使用量在三周内激增127%，首次超过美国。去年，中国模型的市场份额不到2%。现在增长了421%，接近6%。但更深层次的变化不仅仅在价格。从2025年中期开始，主要的AI应用从聊天转向代理。在代理场景中，tokens的使用量比简单聊天高出10到100倍。当tokens的消耗指数级爆炸时，价格就成为决定因素。中国模型的极高成本效率正好赶上了这个窗口。

但算法优化不仅仅解决了训练问题。如果不能用最新数据进行训练和迭代，模型很快就会过时。训练需要巨大的计算能力。那么中国公司从哪里获得计算基础设施？

江苏省兴化市有一个小城市——以不锈钢和健康食品闻名——但到2025年，这里建成了一条148米的服务器生产线。从签约到投产仅用了180天。核心是两款完全自主的芯片：龙芯3C6000处理器和泰楚远驰T100 AI加速卡。龙芯拥有从指令集到微架构的自主设计。泰楚远驰由无锡国家超级计算中心和清华大学合作开发，采用异构多核架构。

满负荷运转时，每5分钟就能生产一台服务器。总投资11亿元人民币，预计年产10万台。重要的是，数千个本地芯片的集群开始处理真正的大模型训练。2026年1月，智谱AI联合华为发布了GLM-Image——首个完全用本地芯片训练的SOTA图像生成模型。2月，中国电信在上海临港的数千GPU本地算力池中完成了百亿级星辰模型的全流程训练。

这意味着什么？只有一个结论：本地芯片已从仅能推理转变为支持训练。这是质的飞跃。推理只需预训练模型，硬件要求较低。训练则需要处理海量数据、复杂的梯度计算、参数更新——对计算能力、互连带宽和软件生态的要求更高。

推动这一变革的主要力量是华为昇腾系列。到2025年底，昇腾生态的开发者已达400万，合作伙伴超过3000家，43个主要模型完成了昇腾预训练，另外200多个开源模型也在适配中。2026年3月2日，在MWC上，华为推出了新一代SuperPoD算力基础设施，面向海外市场。昇腾910B的FP16算力已达NVIDIA A100的水平。虽然仍有差距，但已从完全无法用到变得可用。生态系统的建设不应等待完美芯片——应在足够成熟时广泛部署，利用实际商业需求推动芯片和软件的更新。

字节跳动、腾讯、百度的本地服务器部署目标预计在2026年将比去年翻倍。据工业和信息化部数据显示，中国的智能计算规模已达1590 EFLOPS。2026年将成为本地算力大规模部署的年份。

但另一方面，能源问题同样重要。弗吉尼亚州处理着全球大量数据中心流量，暂停了新数据中心的许可。乔治亚州暂停至2027年。伊利诺伊州和密歇根州也发布了限制措施。根据国际能源署，2024年美国数据中心的用电量达183太瓦时，约占全国总用电的4%。到2030年，预计将翻倍至426太瓦时，可能超过12%。Arm的CEO表示，到2030年，仅AI数据中心的用电量可能占到美国总用电的20-25%。

美国电网已接近极限。覆盖13个东部州的PJM电网容量短缺6GW。到2033年，美国整体将面临175GW的电力容量短缺，相当于1.3亿户家庭的用电量。数据中心集中的地区电价比五年前上涨了267%。计算能力的边界在于能源。

但在能源方面，中美之间的差距比芯片还要大，但方向相反。中国的年度发电量为9100亿亿度，而美国为4.2万亿度——中国是美国的2.5倍。更重要的是，中国家庭用电只占总用电的15%，而美国为36%。这意味着中国可能拥有更大的工业用电容量，用于构建计算能力。

仅电价方面——美国的AI公司所在地区电价为每千瓦时0.12到0.15美元，而中国西部工业区的电价约为每千瓦时0.03美元，是美国价格的一半甚至五分之一。中国的发电优势是美国的7倍。

当美国担心电力问题时，中国的AI在海外悄然发展。但这次，不是产品或工厂在增长，而是tokens。tokens是AI模型考虑的最小信息单位，已成为一种新的数字商品。在中国的计算工厂生产，通过海底光缆运往全球。

DeepSeek的用户分布很清楚：30.7%来自中国，13.6%来自印度，6.9%来自印度尼西亚，4.3%来自美国，3.2%来自法国。支持37种语言，在巴西等新兴市场广受欢迎。全球有2.6万家公司可能拥有账户，3,200个机构使用企业版。到2025年，58%的新AI创业公司将DeepSeek集成到技术栈中。在中国，DeepSeek占据了89%的市场份额。在其他训练市场，市场份额在40%到60%之间。

这种观点就像四十年前发生的行业控制权丧失战。1986年东京，在美国的强大压力下，日本政府签署了美日半导体协议。主要特征包括：开放日本半导体市场，美国芯片市场份额必须超过20%，禁止低于成本的半导体出口，对出口芯片征收100%的罚金（30亿美元）。美国拒绝了富士通收购费尔柴尔德的请求。那一年，日本半导体行业达到巅峰。到1988年，日本控制了全球半导体市场的51%，美国为36.8%。在全球前十的半导体公司中，有六家来自日本：NEC第二，东芝第三，日立第五，富士通第七，三菱第八，松下第九。

但签署协议后，一切都变了。美国利用301调查全面打压日本半导体企业。同时支持三星和SK海力士从韩国出发，打击日本市场的低价竞争。日本的DRAM市场份额从80%跌至10%。到2017年，日本的IC市场份额仅剩7%。曾经强大的公司要么分拆、要么被收购、要么在无休止的亏损中退出。

日本半导体的悲剧在于他们满足于由外部力量主导的全球分工，作为最好的生产者，却从未考虑建立自主生态系统。当浪潮退去时，才发现自己除了制造业一无所有。

当前的中国AI行业也面临类似但完全不同的战役。也遭遇重大外部压力。芯片收紧的三轮浪潮不断加强，CUDA生态的壁垒依然高企。不同的是，这次选择了更难的路径——从极端的算法优化，到本地芯片的自主研发，从推理到训练的转变，吸引了400万开发者加入昇腾生态，甚至将tokens推向全球市场。每一步都在构建一个日本从未拥有的独立产业生态。

2026年2月27日，三家本地AI芯片公司公布了业绩。寒武纪营收增长453%，首次实现全年盈利。摩尔线程营收增长243%，但净亏损10亿美元。牧星营收增长121%，净亏损近80亿美元。一半是火，一半是水。火代表市场的渴望。黄伟的95%空间由本地公司收入完成，逐一实现。无论业绩如何，无论生态如何，市场都需要一个没有NVIDIA的第二选择。这是地缘政治带来的非凡结构性机遇。

构建生态系统成本高昂。每一次亏损都是真金白银的投入，追随CUDA生态。学习成本、软件补贴、工程师出差解决编译问题的费用。这些亏损并非运营不善，而是建立自主生态的必要“战时税”。这三份业绩报告更真实地反映了“算力战”的局势，而非任何行业的成功庆典。这不是欢庆的胜利，而是血战——士兵在流血中崛起。

但战争的形式真正改变了。八年前，我们还在讨论“我们能否生存”。现在，讨论的是“我们必须付出什么代价才能生存”。代价本身就是进步。