AI的東方答案：當“中國方案”定義人工智能_風聞

文 |錢鴻生

編輯 | 嚴大方

視覺設計：星船知造

正文共計：7860字

預計閲讀時間：7分鐘

01 中國AI打破硅谷敍事

當信息革命的進度條從“PC機”、“互聯網”、“智能手機”一路行進到“人工智能”時——

“創新”、“開放”、“絕對領先”也曾一路被綁定在自由女神駕駛的戰車上。硅谷力量被視為全球技術創新至高無上的引擎。

直到DeepSeek崛起：OpenAI一家獨大的局面被打破。

英偉達頂尖研究員Jim fan説：DeepSeek-R1不僅開源了大模型，還披露了所有訓練秘密，展示了真正的開放研究精神。為所有人賦能。

中國以DeepSeek為代表的AI創新大大提高了系統性能，降低了開發成本，讓全球用户得到實惠。

相比之下，美國則在“單邊霸權”中繼續搖擺——

當地時間3月4日，美國總統特朗普在國會聯席會議演講中表示，美國應該廢除芯片法案。同時有知情人士表示，美國芯片法案辦公室已裁員約三分之一。

美國芯片法案中所表現出的“單邊霸權”體現在數個方面，如：

●歧視性補貼政策：

法案中規定，接受補貼的半導體制造商在一定期限內不得在中國等“受關注國家”進行新的生產設施投資或擴建。

單邊霸權表現：美國通過這一條款，單方面限制其他國家的產業發展，試圖通過經濟手段遏制中國的半導體產業崛起。

●限制技術轉讓和合作：

法案限制接受補貼的企業與中國等國家進行技術轉讓和合作。

單邊霸權表現：美國通過限制技術轉讓和合作，試圖切斷中國半導體產業的技術來源。

中國政府一直強調半導體產業的全球化和市場化，反對任何形式的貿易保護主義和技術封鎖。

source：unsplash

很明顯，全球AI產業的競賽邏輯已經改變——

不僅是一場技術競賽，也是一場生態競賽。

中國AI正通過豐富的場景化應用、綠色能源革命，重構全球AI格局。下文《星船知造》從三點簡單分析，供讀者參考與討論👇

●誰先吃到應用紅利：中國強調場景化應用，美國面臨高成本和市場壟斷問題。

●AI“電荒”危機：中國綠色能源能否成為全球AI算力救星？

●斷供威脅下：成熟制芯片也是中國技術演進的“磨刀石”。

是時候打破美國總是主導新技術浪潮的迷思了。

02 誰先吃到應用紅利？

中美AI已經出現很明顯的“落地分野”——

中國AI擁有巨大場景化應用，美國同時面臨高成本、數據枯竭等問題。

source：giphy

大洋彼岸在2024年AI發展中，並無太多“場景故事”可講。幾乎所有AI故事都圍繞“文本對話”、“動漫生成”等場景展開。

此外，除了多在追求文本對話、多模態轉換、3D動漫生成等領域，還花費了巨大的資金與能源消耗投入，讓大多數美國商業公司在2024年繼續虧損——

OpenAI虧損幅度不斷擴大，出現了流動資金問題，在融資66億美元之後，還要通過貸款方案向銀行籌措資金，估計到2026年虧損幅度將高達140億美元。

source：pexels

表面看，美國的信息產業並未像製造業那樣被大規模轉移到海外，高附加值和高技術產業仍然牢牢捏在自己手裏。

但美國不可逆的產業空心化導致了兩個問題：

一是加劇了其高新產業供應鏈上的脆弱性。《芯片法案》的單邊霸權由此而生。

二是由於產業空心化，美國的AI某種程度是“無根之木”。

美國業界關於“大模型訓練數據枯竭”的爭論此起彼伏。

2024年12月14日，前OpenAI聯合創始人伊利亞·蘇茨科弗認為，AI預訓練時代即將結束，數據作為AI的“化石燃料”正在日益枯竭，這一趨勢最終將迫使改變當前AI大模型的預訓練方式。

source：pexels

數據枯竭的原因有以下幾種；

1） 互聯網上數據被大量使用，高質量可用的數據資源逐步減少，訓練大模型所需的數據源變得稀缺。

2）全球範圍內對數據隱私和安全的重視程度不斷提升，受數據安全法、知識產權法等法律的約束，限制了網絡數據的採集、存儲和使用。

3）獲取有用數據的成本變高，專業的數據提煉和標註高質量數據的成本較高。

4）部分美西方國家的私人企業和科研機構，拒絕提供高質量的數據，沒有全國統一的數據共享平台，政府的宏觀調控力度較弱。

source：unsplash

面對數據耗盡的困境，馬斯克提出一個解決方案，他認為“唯一的補充方法就是使用合成數據，即由AI大模型自己生成需要的數據。通過合成數據的輸入，AI將經歷一個自我學習的過程和評判過程。”

事實上，自2024年開始，包括OpenAI、微軟、Meta等AI科技巨頭，已經開始嘗試用合成數據來訓練AI模型了。

據Gartner評估，2024年美國用於AI訓練的數據中60%是採用合成的數據。

微軟最近公佈的開源大模型Phi-4就是採用了合成數據和真實數據共同訓練而成的。谷歌公司的Gemma模型和Anthropic公司的Claude 3.5 Sonnet系統、Meta最新的Llama系列模型，也都採用了類似合成數據與真實數據結合的方法來訓練大模型。

但使用合成數據存在一些潛在的風險：合成數據質量不高，引入噪聲或與真實數據差異過大，可能導致AI大模型系統崩潰，模型輸出變得不夠準確，最終會嚴重影響模型的性能。

source：giphy

和美國不同，中國巨大工業場景是一片尚未開採的數據藍海。

中國在AI大模型算法上的突破還只是剛剛開始，中國擁有一大批AI算法研究公司、大模型應用人才、巨大場景潛力，在國家宏觀政策的指導下，必將迸發出巨大的能量。

人工智能產業的競爭本質是數據、產業生態的立體博弈，中國以“實用主義”對抗硅谷“實驗室主義”，中國的全產業鏈協同，正加速吃到“場景紅利”。

source：unsplash

中國工業實力是AI能擁有巨大垂直行業場景化應用的重要因素：下游需求倒逼上游突破，同時政策與資本雙重護航。正加速爆發數個新興產業👇

1）應用正加速聚焦人形機器人產業

截至2024年11月底，我國人形機器人產業鏈上相關企業數量達到6.7萬家，國家級專精特新企業1051家。

2023年10月份印發的《人形機器人創新發展指導意見》中強調，到2025年初步建立人形機器人創新體系，培育2家至3家有全球影響力的企業和一批專精特新中小企業，打造出2個至3個人形機器人產業發展集聚區。

到2027年我國人形機器人技術創新能力顯著提升，構建起具有國際競爭力的人形機器人產業生態，人形機器人產業綜合實力達到世界先進水平。

目前正重點突破AI核心算法和基礎框架、類腦感知與認知、高能量密度電池續航、靈巧手組件、多維傳感器等。

2）智能體是AI應用推進重點領域

AI智能體（Agent），一般是指能夠自主執行任務、處理複雜信息並作出決策的AI系統。AI智能體的技術特徵主要體現在以下方面：

●技術層面採用多模態融合深化，具備強大的多模態理解與處理能力，能高效理解和處理文本、圖像、視頻等多模態信息，滿足用户特定的管理流程與管理需求。

●將深度學習與強化學習結合，讓智能體有更強大的感知識別能力，強化學習使其能在環境中，通過試錯學習進行決策優化，提升自主決策能力。

●在商業領域，智能體可根據市場動態和用户需求偏好自動調整決策，改進營銷策略和產品推薦；在醫療健康領域，能依據患者病情變化和治療效果，不斷優化診斷和治療方案等。

●在工業製造業、物流配送等環節，智能體將發揮重要作用，實現生產過程的智能化、自動化和優化。

●多智能體系統協同工作將是未來智能體的一個發展方向：不同智能體在複雜任務中分工協作、相互配合，完成單個智能體無法完成的目標任務。

source：unsplash

2024 年我國在發展 AI 行業智能體方面取得了一大批的成果，對未來AI智能體的推進積累了寶貴的經驗，部分案例如下；

2.2.1順豐科技 “豐知” 物流決策智能體

2.2.2 中國移動“AI+”行業實踐成功落地

2.2.3 中石油打造崑崙大模型與AI中台

2.2.4國能數智設備綜合診斷運維大模型

（詳見星船知造白皮書《AI人工智能最新科技突破與未來發展趨勢展望》）

source：pixabay

3）自動駕駛成為AI應用主賽場

自動駕駛技術已成為AI應用的主賽場👇

●技術進步驅動：自動駕駛技術的快速發展，尤其是大模型和端到端架構的應用，使得智能駕駛系統能夠更好地處理複雜場景，提升了決策速度和準確性。

●市場需求推進：消費者對智能駕駛功能的需求不斷增加，推動了自動駕駛技術的普。

●國家政策支持。

●產業鏈已經形成：從AI大模型、智能傳感器、激光雷達等，形成了上下游配套齊全的產業鏈。

source：unsplash

過去兩年，從產業發展角度來看，智能手機、智能PC等智能終端走進生活，同時，AI技術應用的門檻的下降，預訓練成本與項目實施邊際成本下降，鼓勵AI技術走向千行百業。2025年我國AI場景化應用將進入規模化發展的關鍵時期。

中國電信加快AI場景化應用規模應用，推動創新成果轉化為新質生產力。積極推動AI智能化應用深度融入行業生產場景，利用先進的5G網絡優勢，重點打造了80多個行業大模型和20個行業智能體，提供“算力+平台+數據+模型+應用”的一體化服務。

AI大模型技術科技成果只有通過規模化應用，才能實現技術和市場雙輪驅動，確保AI技術可持續發展。

中國的工業優勢十分明顯——會從AI應用中更早吃到場景紅利。

03 中美AI“電荒”危機

AI算力增長盡頭是能源消耗問題。

AI系統特別是深度學習模型，需要執行大量的矩陣運算和密集型計算任務，都離不開高性能計算機和圖形處理芯片（GPU）的支持。

英偉達的H100芯片在最高負載條件下，其單片功耗峯值可達700W。10萬塊H100芯片總功耗將接近一個小型發電廠的全部輸出功率。

具體的改進方向不限於以下幾種：

1）優化AI的算力對AI芯片無序擴張的需求，通過優化算法減少AI芯片的需求量。

2）降低單個AI芯片的耗電量，採用先進的製成工藝、新材料和新技術，如把光芯片或量子芯片作為算力中心的計算單元，降低單片AI芯片的功耗。

3）採用綠色清潔能源，如水電等電力供應方式，降低碳排放。

目前全球數據中心的能耗正迅速增加。國際能源署2024年報告稱，2022年全球數據中心的總耗電量約460太瓦時（1太瓦時=1×109千瓦時=10億度）。到2026年，這一數據將超過1000太瓦時。

高性能的AI芯片在運行過程中產生大量熱量，對環境產生影響。人工智能的掣肘已經凸顯，算力的盡頭將會是能源消耗問題。

source：pixabay

美監管機構已警告，未來十年，美國或有一半地區電力供應不足。

背後既有AI發展帶來的電力需求飆升，也有帝國產業空心等導致的基建擺爛等原因。

source：pexels

美國電力監管機構北美電力可靠性協會（NERC）去年底發佈報告稱：隨着人工智能發展及建築和交通電氣化發展等原因，美國電力需求的增長飆升，供需失衡。

NERC分析部主任莫拉（John Moura）稱，美國的基礎設施建設速度跟不上電力增長的需求。

source：pexels

分析NERC2024年相關報告可以看到，美國同時伴隨着——

1） 基礎設施老化。

2） 化石燃料發電廠關閉（NERC相關分析稱，已確認到2034年美國退役的發電機組容量約78千兆瓦，另有37千兆瓦已宣佈退役計劃。1吉瓦的容量可以為多達100萬個美國家庭供電。）

3）新建電站速度不夠。

與之相對的，是對用電嗷嗷待哺的人工智能及加密貨幣數據中心。

馬斯克也表達了同樣的擔心——美國到底如何應對電力短缺？

對於美國的基建能力，《星船知造》此前也多次寫過美國近年在基建上的低投入👇

source：unsplash

●美國土木工程師學會 (American Society of Civil Engineers)在其2021年發佈的每四年更新一次的《美國基礎設施評估報告》中表明：

至當年為止，美國基建方面“應有投資”和“實際投資”的差額已累計到2.59萬億美元。若美國仍不採取鉅額資金投入，預計到2039年，美國將由此損失10萬億GDP和超過300萬個工作崗位。

●美國基建停滯的代價是驚人的：同樣來自美國土木工程師學會的數據顯示，僅在地面交通這一項，美國基建投入就有11250億美元的投資缺口，其結果就是美國17%的國家公路因為沒能得到及時擴建。

●美國基礎設施投資佔GDP的比重為2.6%。全球平均水平為GDP的3.8%。

面對蓬勃發展的人工智能產業，中國的AI算力中心的建設也面臨能耗問題。

2022年全年，我國數據中心耗電量已達2700億千瓦時。

預計到2030年全國數據中心耗電量將接近4000億千瓦時——這個數字有多大？2024年三峽工程迎來開工建設30週年。水利部數據顯示，三峽電站累計發電量超1.7萬億千瓦時。

目前除了中國已經崛起的光伏等綠色能源力量，我國“東數西算”正對數據與算力進行合理匹配，將大量算力資源部署到西部地區，以降低能耗。

它是一場國家親自下場，來平衡事關能源和數字生態的百年大計。

source：unsplash

東部地區土地、能源等資源相對緊張有限，而西部地區卻資源充裕。

數據中心被稱為“不冒煙的鋼廠”，電力消耗極大。

從經濟效益的角度，把數據中心安置在西部，可以節省電費；從社會效益的角度，中國西部有更加豐富的清潔能源，對環境也更友好。

同時為了降低冷卻成本，可以直接把數據中心建在天氣涼爽的西部和北部地區。

例如阿里的張北數據中心，年均氣温僅為2.6℃，最低氣温零下40度。只要將自然風新風通過風牆技術輸送至機房，直接為服務器降温，一年就有300多天可以“免費”直接自然冷卻。

張北的風能、光照資源也非常豐富，年均可利用光照超過1600小時。

阿里雲張北數據中心 source：阿里雲

另外，中國電價在全球處於相對較低的水平👇

更多閲讀：星船知造《歐美喊着“不做”電車，是不想嗎？》

我國構建全國一體化算力網，也意味着能整合和優化全國範圍內的優質算力資源。

相比之下，資本主義國家由於受到體制的約束，每個研究機構與企業AI的開發與預訓練，必須花費巨資建設自己的算力中心與平台。

我國建立國家級全國一體化算力網，用户需要算力時，通過我國先進的5G通信網絡或專用的高速光纖傳送網，就可以直接調用國家的算力資源，節約了企業建立算力平台的成本，降低了算力資源的使用成本和使用門檻，極大助力了我國AI計算和其他科學研究等前沿技術對算力支撐的需求，落實“雙碳”目標。

當前全國一體化算力網發佈如下所示👇

全國一體化算力網絡國家樞紐節點分佈圖

當前，我國算力佈局正處於連點成線、密織成網的階段，中國信息通信研究院發佈《中國綜合算力指數報告〔2024〕》指出，截至2024年6月份，我國算力中心標準機架超過830萬，算力規模達246EFLOPS。

04 中國成熟制芯片是技術演進的“磨刀石”

《星船知造》此前在《芯片出口的增長邏輯》一文中寫過：

2024年前7個月，中國芯片出口額高達6409.1億元，同比增長25.8%。如果繼續保持這個速度，中國有望成為全球最大芯片出口國。

現在，最新數據顯示👇

出口額：2024年，中國芯片出口額達到1594.99億美元，同比增長18.7%。這一數據標誌着中國芯片出口首次突破1萬億元大關，成為出口額最高的單一商品，超越了服裝、紡織品和手機等傳統出口強項。

出口量：2024年，中國芯片出口量達到2981.1億塊，同比增長11.3%。

產能上——目前中國成熟製程芯片已佔據全球三分之一產能。

技術上——儘管美國試圖鎖死中國14nm以下工藝，但目前我國已具備量產14nm、12nm芯片的能力。中芯國際也已完成了7nm芯片研發。

先進製程芯片基本在手機處理器等少數領域應用，而在工業、汽車等領域，更注重成熟製程芯片的可靠性。28nm及以上的成熟製程芯片，佔據了75%以上的應用市場。

source：unsplash

但頗長一段時間裏，中國成熟製程芯片仍受到部分人士的“不屑”——

認為成熟製程芯片技術上落後、價格也遠低於先進芯片，是“落後產能”。因此在面對美國對先進芯片斷供的威脅和舉措時，一些聲音悲觀認定中國AI及半導體產業皆前景堪憂。

直到DeepSeek的崛起，更多人開始意識到，中國AI及產業創新與中國成熟製程芯片之間存在多方面的緊密聯繫。

source：unsplash

一是技術維度。

DeepSeek通過算法優化激活了成熟製程潛能。中國傳統芯片的產能優勢也能成為推動AI產業化、場景化的資源。同時其在若干環節仍有創新空間。

二是市場層面。

中國成熟製程芯片供應鏈成熟。

成熟製程芯片在我國汽車、消費電子、工業控制等領域都有廣泛應用。技術創新使這些芯片也能運行復雜的AI模型。在不依賴最新制程芯片的情況下，實現高性能的AI應用。

source：unsplash

三是從歷史的後視鏡中，更應保持對成熟制芯片產業鏈的構建。

上世紀美國在確立自己在半導體方面的優勢後，首先將存儲產業向日本轉移。

日本在上世紀80年代通過計算器芯片積累出的市場和製造能力，開始走上一條不同於美國的技術路線（日本通過不斷改進的CMOS技術，開始對美國的NMOS技術形成成本優勢並反超美國芯片市場）。

到了80年代，韓國看準了美國打壓日本半導體的時機，藉機上位。

韓國先以半導體封裝測試為主，引進日本和美國的技術和設備，建立半導體產業鏈。最終以三星和 SK 海力士為代表，大力發展了 DRAM 和NAND閃存技術，使韓國成為了存儲器市場王牌。之後韓國拓展邏輯器件、模擬器件和光電子器件等領域，成為了繼美國之後的第二大半導體強國。

上述兩段經歷都從歷史角度證明：後發者通過大規模生產、應用，有機會獲得比先發者更強的生產和製造能力。並在不斷發展的市場需求下獲得技術改進。

source：unsplash

芯片產業的第三次轉移，把偏向勞動密集型的代工和封測環節逐步轉向中國台灣地區和中國大陸。

以半導體芯片封測起家，藉助美國的技術轉移和市場需求，中國台灣省逐步發展集成電路設計，並通過晶圓代工模式,成為全球最大的代工地區，最終擁有領先全球的半導體生產流程技術。

在數十年的產業遷移與相互競爭中，全球半導體供應鏈呈現出不同區域高度專業化的特徵：

總部在美國的公司在芯片設計、核心IP、EDA方面處於領先地位；

美歐日企業在部分設備領域領先；

中國大陸、日本、中國台灣地區、韓國在半導體材料方面領先；

韓國、中國台灣企業在先進芯片製造領域領先。點擊下圖可放大👇

現在，中國成熟制芯片已經形成較為穩固的本土產業鏈。

在DeepSeek的創新強心針後，中國更要堅持先進芯片攻關的同時，以成熟制芯片為根基，構建“需求-生產-創新”的循環。

source：unsplash

此外，英偉達壟斷AI芯片有可能被終結嗎？

美國對華先進芯片封鎖是否加速增強本土產業鏈韌性？

英偉達在AI芯片市場的壟斷地位正面臨多方挑戰，AI專用芯片ASIC，有望將替代英偉達傳統的GPU圖形計算芯片；部分市場信息表明，AI專用芯片正逐步替代英偉達GPU圖形計算芯片，這一趨勢在2024年初步顯現。

博通（Broadcom Inc）是全球領先的美國半導體公司，正通過其ASIC芯片的生產與服務，成為英偉達的競爭者。谷歌、Meta、亞馬遜、微軟也紛紛開始自研AI專用芯片，以減少對英偉達的依賴。

2024年，英特爾推出了一款AI優化芯片，型號為XE-200，對英偉達在AI芯片市場的壟斷地位形成挑戰。

由於美國對出口中國的高端AI芯片實施制裁與管制，促使中國企業加快本土AI芯片的研發。

華為的高性能AI芯片主要包括異騰310和910兩款主力芯片，其中異騰910採用了先進的7mm工藝，最高可提供256 TFLOPS 的FP16（半精度浮點數）計算能力。

寒武紀公司先後推出了思元290和思元370兩款高性能AI芯片，配套生產相應的雲端智能加速卡系列產品和訓練整機。未來，隨着中國在AI高性能芯片的不斷突破，將持續推動我國AI大模型研發能力的提升。

當然，英偉達也在調整策略，成立了AI專用芯片研發部門，擴大提供為客户量身定製的AI芯片服務，並推動其GH200 Grace Hopper超級AI芯片的研製生產，以保持在AI芯片領域的領先地位。

尾聲

中國工業場景正不斷生成海量真實數據，構建不可複製的數據護城河。

隨着DeepSeek的崛起，開源生態和共享精神也在我國AI發展中起到關鍵作用，提升國際影響力。

讓我們對中國AI力量，保持樂觀，拭目以待。

主要參考文獻：

[1] 昇騰（HUAWEI Ascend） 芯片.海思官網.

[2] 中國第三代自主超導量子計算機“本源悟空”上線運行 新華網

[3] 埃隆·馬斯克人工智能AI公司官網．

[4] MINSKY M. The Society Of Mind[C]/Simon & Schuster,1986:19-32.

[5]《中國為什麼要在傳統芯片上形成競爭優勢》 文化縱橫

[6] 錢鴻生.ChatGPT技術架構及我國人工智能發展策略的研究[D].社會公眾號《星船知造》.

[7] 工信部聯科〔2024〕113號《《國家人工智能產業綜合標準化體系建設指南（2024版）》[S].

[8] 錢伽諾.《基於開源軟件許可協議的軟件行業發展趨勢研究》[J].

[9] 人工智能為何如此耗電.學習時報 2024-09

本文基於訪談及公開資料寫作，不構成任何投資建議

星船知造原創內容

未經授權，禁止轉載

本文部分內容改編、節選自星船知造2025年1月白皮書《AI人工智能最新科技突破與未來發展趨勢展望》，由錢鴻生博士撰寫。

之後我們將同步發佈白皮書，歡迎您關注《星船知造》，於公眾號後台領取。