中美算力规模与差距

研究时间：2026年4月 | 所属领域：AI基础设施 / 数字经济 | 研究对象类型：概念（中美算力竞争格局）

一、一句话定义

算力是AI时代的石油——而中美之间正在进行一场围绕这种新型战略资源的大规模军备竞赛。美国以5427个数据中心的绝对数量优势和68.9%的全球AI算力份额遥遥领先，中国则以449个数据中心、14.5%的份额紧追，但双方的真实差距远比这些数字所能描述的更复杂、更微妙、也更有悬念。

二、纵向分析：从「并驾齐驱」到「一骑绝尘」

2.1 序章：算力这个东西，是怎么变成国家命脉的

把时间往回拨十年。

2015年前后，「算力」对大多数人而言还是一个遥远的技术术语。数据中心是互联网公司的成本项，GPU是游戏玩家的装备，没有哪个国家的领导人会在公开讲话中把「算力」和「国家安全」放在同一句话里。

改变一切的是深度学习。2012年AlexNet在ImageNet竞赛上碾压传统方法，宣告了神经网络的复兴。但那时候的训练规模还很小——整个模型用两块GTX 580就跑完了。从AlexNet到GPT-4，训练所需的算力翻了大约一亿倍。这种指数级的增长，把算力从一个技术参数变成了战略资源。

谁拥有更多的算力，谁就能训练更大的模型，谁就能在AI竞赛中占据先机。这个逻辑链条如此简洁、如此直接，以至于全球主要经济体几乎同时醒悟过来：算力就是新时代的石油。

而在这场算力竞赛中，中美两国从一开始就是最大的玩家。

2.2 萌芽期（2015-2019）：中国的「基建狂魔」式起步

中国在算力领域的起步带有鲜明的「中国模式」烙印——自上而下的政策推动加上自下而上的产业热情。

2017年7月，国务院印发《新一代人工智能发展规划》，首次将AI上升为国家战略。这份规划里有一个容易被忽略的细节：它明确提出要建设「高效能计算基础设施」，把算力基建和AI战略绑定在了一起。

同一时期，中国的互联网巨头正在疯狂扩建数据中心。阿里云在2018年已经是全球第三大云服务商，腾讯云、百度云紧随其后。三大电信运营商也在全国各地布局IDC（互联网数据中心），内蒙古、贵州这些电力便宜的地方成了数据中心聚集地。

这个阶段中国做对了一件事：用规模换时间。虽然单个数据中心的技术水平和美国有差距，但胜在数量多、建设快。到2019年底，中国的算力总规模已经全球第二，跟美国的差距在缩小。

超算领域的表现更亮眼。2015年11月，中国自主研发的「天河二号」蝉联全球超级计算机Top500榜首。2016年6月，「神威·太湖之光」接棒登顶——这台机器用的全是国产处理器「申威26010」，没有一颗英特尔芯片。这在当时是一个标志性事件，证明了中国在极端情况下也能靠自己搞出顶级算力。

但回过头来看，这个时期的中美算力竞争本质上还是通用算力的竞争——比的是谁的服务器多、谁的超算快。AI专用算力还没有成为主角。NVIDIA的V100 GPU虽然已经开始在AI训练中崭露头角，但全球AI加速器市场总共也就几十亿美元的规模，在数万亿美元的IT基础设施市场里不值一提。

这个阶段的中国有一种「我们追上来了」的自信。

这种自信很快会碎。

2.3 胶着期（2020-2021）：短暂的领先与暗涌

2020年是一个奇特的年份。

有数据表明，中国在这一年的全球算力份额上短暂超过了美国。这主要归功于两个因素：中国数据中心的快速扩建在这一年集中释放了产能，而美国受疫情冲击，部分基建项目延迟。

阿里巴巴在2020年4月宣布三年投资2000亿元用于云计算基础设施——这是当时中国科技公司最大手笔的算力投资。腾讯紧跟宣布5000亿元的「新基建」计划。在政策端，「新基建」被写入政府工作报告，数据中心被明确列为新型基础设施的重点方向。

表面上看，中国的算力版图一片繁荣。

但暗涌已经开始了。

第一个暗涌：2019年5月，美国将华为列入实体清单。表面上看，这主要影响的是华为的手机业务和5G设备。但深层影响远不止于此——华为的芯片设计子公司海思半导体被切断了台积电代工渠道，这直接影响到了华为昇腾AI芯片的量产计划。昇腾910芯片在2019年发布时号称是「全球算力最强的AI处理器」，但由于无法量产，这个头衔很快变成了空中楼阁。

第二个暗涌：美国的超大规模云企业（Hyperscalers）正在悄悄积蓄力量。微软、谷歌、亚马逊在2020-2021年间加速采购NVIDIA GPU，为即将到来的AI大模型浪潮做准备。这些采购行为当时没有引起太多关注，因为它们被埋在「云计算资本支出增长」的大叙事里。

第三个暗涌：OpenAI。2020年6月，GPT-3发布，参数量达到1750亿，训练所需的算力达到了此前GPT-2的600倍。GPT-3还没让普通人感知到什么变化，但硅谷的AI实验室已经嗅到了风向——模型越大、算力越多，效果越好。这个被称为「Scaling Laws」的规律，将在两年后彻底改写全球算力格局。

2021年，中美算力差距处于历史最小值。华为昇腾芯片出货量大幅提升（虽然受限于制程工艺），中国的数据中心总量持续扩张。但这种表面的接近掩盖了一个结构性差距：在AI专用算力这个即将成为主战场的领域，中国的储备远不如美国。

如果把算力竞争比作一场马拉松，2021年的中国看起来和美国并肩跑。但美国选手的背包里装着一双还没穿上的跑鞋，那双鞋叫NVIDIA H100。

2.4 分水岭（2022）：三记重锤

2022年是中美算力竞争史上最关键的一年。三件事同时发生，彻底改变了格局。

第一记重锤：ChatGPT引爆AI算力需求

2022年11月30日，OpenAI发布ChatGPT。两个月内用户数破亿，创造了人类历史上增长最快的消费级应用记录。但ChatGPT对算力产业的影响远不止一个「爆款应用」——它向全世界证明了大模型的商业潜力，引发了一场前所未有的AI算力军备竞赛。

微软在ChatGPT发布前就向OpenAI追加了100亿美元投资，其中大部分用于购买Azure的GPU算力。谷歌紧急启动「红色警报」，CEO桑达尔·皮查伊亲自督战大模型项目。Meta决定All in AI，扎克伯格宣布采购35万张H100 GPU。

这些巨头的算力需求几乎同时爆发，而它们的采购对象几乎只有一个：NVIDIA。

2022年NVIDIA数据中心收入达到150亿美元。仅仅一年后的2023年，这个数字暴涨到475亿美元。到2024年，突破1000亿美元。NVIDIA的AI GPU市场份额在2024年达到了87%的峰值——一颗H100 SXM的制造成本约3320美元，售价28000美元，毛利率高达88%。

算力市场被一个事实主导：全世界最先进的AI芯片，只有美国公司能设计，只有台积电能制造，而这些芯片的绝大部分被美国的超大规模企业吞下。

第二记重锤：芯片出口管制

2022年10月7日，美国商务部工业与安全局（BIS）发布了历史上最严厉的半导体出口管制规则。

这次管制的逻辑非常直白：限制中国获得先进AI芯片，从而限制中国训练大型AI模型的能力。管制的范围涵盖三个层面：

1. 芯片本身：禁止向中国出售算力超过一定阈值的AI芯片（NVIDIA A100、H100等全部在列）
2. 芯片制造设备：限制荷兰ASML、日本东京电子等公司向中国出售先进光刻机和刻蚀设备
3. 人才：限制美国公民为中国半导体企业提供技术支持

管制的实际效果如何？《芯片战争》作者Chris Miller在2025年的分析给出了一个精确的判断——效果是「不对称的」：

显著成功的地方：管制严重限制了中国的芯片制造能力。华为的AI芯片年产量在2025年仅约20万颗（美国商务部长Lutnick的国会证词数据）。作为对比，NVIDIA在2024年的AI GPU出货量超过400万颗。华为被迫通过一家空壳公司非法从台积电采购了超过200万颗芯片——华为最大的「供应商」不是国内产能，而是走私渠道。

管制还几乎完全阻断了中国在海外部署AI基础设施的能力。中国以外的全球AI基础设施压倒性地建立在西方芯片之上，中国的海外AI基础设施部署量接近于零。

未能实现的目标：管制没有阻止中国开发与美国基本持平的AI大模型。DeepSeek、阿里通义千问等中国模型在基准测试中的表现令人意外地接近GPT-4和Claude。DeepSeek创始人梁文锋公开说过：「钱从来不是我们的问题；先进芯片的禁运才是问题。」但中国团队通过算法创新和工程优化，在有限硬件条件下实现了令人瞩目的模型性能。

第三记重锤：美国超大规模企业的算力投资井喷

2022年还只是前奏。从2023年开始，美国超大规模企业的资本支出进入了一个让所有分析师都瞠目结舌的增长轨道：

这些数字是什么概念？2025年一年，仅微软、谷歌、亚马逊、Meta四家公司的资本支出，就超过了许多中等国家的GDP。而这些支出的核心去向就是一个：购买GPU、建设AI数据中心。

到2025年底，全球超大规模数据中心已达1300个，绝大多数由美国企业运营。

2.5 拉大期（2023-2025）：裂痕成深渊

2022年的三记重锤之后，中美算力差距进入了快速拉大阶段。

美国这边，可以用一个词来概括：疯狂投入。

2025年1月21日，特朗普政府宣布了「星际之门」（Stargate）项目——由OpenAI、SoftBank、Oracle联合投资，初期投入1000亿美元，四年内计划投入高达5000亿美元，建设美国史上最大规模的AI基础设施。2025年9月，Stargate的旗舰数据中心在德克萨斯州阿比林上线，规划电力容量达到7吉瓦——相当于7座大型核电站的输出。

不只是Stargate。微软宣布2025年资本支出800亿美元，大部分用于AI数据中心。谷歌、亚马逊各自投入数百亿。Meta更是直接喊出要采购超过60万张GPU的目标。

在GPU部署量上，美国已经建立了压倒性优势。截至2025年中，美国部署的H100等效GPU约85万张，而中国约11万张——美国是中国的近8倍。

中国这边，故事的主线是「在封锁中突围」。

华为昇腾系列芯片成了国产算力的中流砥柱。昇腾910B对标NVIDIA A100，FP16算力约320 TFLOPS；昇腾910C以800 TFLOPS（FP16）进一步逼近H100水平；最新的昇腾950PR号称算力突破1 PFLOPS，已获得国内大厂订单。寒武纪MLU370系列在推理场景表现不错，海光DCU在通用计算领域找到了自己的位置。

2025年的一组数据勾勒出国产替代的进展：中国市场AI加速卡总交付量达400万片，其中国产厂商交付165万片，拿下了41%的国内市场份额。DeepSeek选择华为昇腾950PR作为训练平台，成为了国产芯片生态的标志性事件。

「东数西算」工程也在持续推进。2022年正式启动以来，这项工程在全国布局了8大算力枢纽和10大数据中心集群，到2025年已带动社会投资超万亿元。10个国家数据中心集群的算力规模超过146万标准机架。

中国的算力总规模数据令人瞩目：2024年达到约230 EFLOPS（含通用算力），其中智能算力725 EFLOPS；到2026年初，智能算力已突破1590 EFLOPS，全国已建成42个万卡级智算集群。北京更是提出了两年内建成十万卡级国产智算集群的目标。

但这里有一个数字游戏需要拆解。

中国统计的「智能算力」是FP16（半精度浮点）口径，覆盖面较广；而国际通行的比较（如Top500超算排名）通常用FP64（双精度浮点）或HPL-MxP（混合精度）。同样是「EFLOPS」，口径不同意味着数字可能差几倍甚至几十倍。这就是为什么中国官方宣称的1590 EFLOPS听起来很惊人，但在Top500榜单上，中国的公开算力只有0.281 EFlops——因为中国从2017年起就几乎停止参与Top500提交了。

这种「暗算力」的存在给国际对比带来了巨大的不确定性。中国至少拥有两台未公开的百亿亿次超级计算机——据信性能分别达到1.3和1.7 EFLOPS——但它们从未出现在任何公开排名上。

所以真实的差距到底是多少？

根据各方数据的交叉校验，一个较为可靠的图景是：在AI专用算力（特别是用于大模型训练的高端GPU算力）方面，美国的领先优势约为5-8倍；在包含通用计算在内的广义算力方面，差距较小，约为2-3倍。

2.6 新变量（2025-2026）：电力、芯片与DeepSeek

在中美算力差距看似不断拉大的同时，几个新变量正在改变博弈的底层逻辑。

变量一：美国的电力瓶颈

AI数据中心是名副其实的「电老虎」。一个1吉瓦的AI数据中心，年耗电量约相当于一座百万人口城市的用电总量。

美国遇到了一个讽刺的困境：有钱建数据中心，没电运行。2025年，西雅图等多个城市因AI算力需求激增而频繁停电。美国能源信息署（EIA）预计2025年美国电力消耗将创历史新高，达到4199太瓦时。到2030年，数据中心新增电力需求将达到240太瓦时。

更致命的是，美国电网基础设施老化严重，高功率变压器的交货时间从2020年前的24-30个月延长到了现在的60个月以上。据报道，一半的美国AI数据中心项目因电力原因延期。Stargate项目规划7吉瓦电力容量，但这些电力从哪来、怎么输送，至今仍是一个未解决的问题。

科技巨头开始自救：微软投资核电、谷歌签署地热能合同、亚马逊收购数据中心附近的发电厂。但电网的升级不是一朝一夕的事情。

变量二：中国的「绿电+算力」优势

反观中国，「东数西算」工程的战略眼光开始显现。西部省份（内蒙古、甘肃、宁夏、贵州等）拥有丰富的风能和太阳能资源，电价远低于东部沿海城市。将数据中心布局在这些地方，既解决了电力成本问题，又消纳了弃风弃光电力，一举两得。

中国在2025年的可再生能源装机容量已经全球第一，这为算力扩张提供了相对充裕的电力保障。国际能源署预测，到2030年，中国数据中心的新增电力需求约175太瓦时——低于美国的240太瓦时，但中国的电力供给能力更有余裕。

变量三：DeepSeek效应

2025年初，DeepSeek R1的发布在全球AI界引发了一场地震。这个中国团队用相对有限的算力资源（据称使用了约2000张A100等级GPU），训练出了在多项基准测试中比肩GPT-4的模型。

DeepSeek的意义不仅仅在于模型本身，更在于它挑战了一个看似不可动摇的信条——「更多算力=更好AI」。如果算法创新可以大幅降低训练成本，那么算力差距的战略意义就需要重新评估。

DeepSeek发布后，NVIDIA股价单日暴跌近17%，蒸发市值近6000亿美元。华尔街开始重新思考：美国科技巨头每年投入数千亿美元购买GPU，真的是必要的吗？

但这个故事还有另一面。DeepSeek发布后不久就被迫限制API访问——推测原因是推理算力不足。这暴露了一个现实：你可以用更少的算力训练出好模型，但要大规模部署和服务数亿用户，算力依然是硬通货。

2.7 纵向小结：一场不对称的竞赛

回顾中美算力竞争的十年历程，几个阶段的特征清晰可辨：

这不是一场简单的「领先vs落后」的竞赛。更准确地说，这是一场不对称竞赛：美国在高端AI芯片和超大规模GPU集群上建立了碾压性优势，但中国在算法效率、应用规模和电力基建上有自己的牌可打。

三、横向分析：同一个「算力」，不同的「算法」

3.1 先把尺子统一：什么叫「算力」？

在展开中美对比之前，必须先处理一个基本问题：「算力」的度量标准。

同一个词在不同语境下可以指代截然不同的东西：

不同的尺子量出完全不同的故事。用数据中心数量看，美国是中国的12倍；用算力EFLOPS的官方口径看，差距可能只有2-3倍；用高端AI GPU保有量看，差距约8倍。

这就像两个人比财富，一个人有很多房子但不够精装修，另一个人房子少但每栋都是豪宅——你说谁更「富」？答案取决于你怎么定义「富」。

我的判断是：在当前阶段，最有战略意义的度量标准是AI专用算力，特别是用于大模型训练的高端GPU集群规模。因为这直接决定了一个国家开发前沿AI的上限。

3.2 数据中心：数量 vs 质量

用户给出的数据是：美国运营5427个数据中心，是中国（449个）的12倍。这个数据来自Cloudscene等机构的统计，反映的是「物理设施」的数量。

但「数据中心」是一个非常宽泛的概念。一个只有十几个机架的小型边缘数据中心，和一个拥有数万个机架、数吉瓦电力容量的超大规模数据中心，都被统计为「一个数据中心」，但它们的算力差距可以是上万倍。

美国的优势不仅在于数量多，更在于超大规模（Hyperscale）数据中心的浓度惊人。截至2025年底，全球超大规模数据中心已达1300个，其中约60%在美国。这些超大规模设施由AWS、微软Azure、谷歌云、Meta等企业运营，每一个都是一座小型城市的能耗规模。

中国的数据中心格局不一样。中国有大量的小型和中型数据中心，由三大运营商、地方政府和民营企业运营。超大规模数据中心的占比远低于美国。不过，这种格局正在变化——「东数西算」工程推动下，大型算力集群正在加速建设。

一个值得注意的细节：有报道称中国多达80%的AI芯片可能处于闲置状态——许多中型数据中心购买了AI芯片，但缺乏稳定运行AI模型的技术能力。部分原因是地方政府和国企出于「完成政策目标」而非真实需求采购芯片。这种浪费在某种程度上抵消了中国在芯片数量上的努力。

3.3 芯片：NVIDIA的「单点统治」与中国的「分散突围」

当前全球AI加速器市场的格局可以用一个极端的数字来概括：NVIDIA在2024年的收入份额达到87%。

这种垄断性的市场地位不仅仅是产品好的结果，更是一种结构性的锁定。CUDA生态系统经过20年积累，拥有400万以上的开发者，所有主流机器学习框架都优先适配CUDA。从NVIDIA迁移到其他平台的成本以「年」计。更关键的是，NVIDIA锁定了台积电60%的CoWoS先进封装产能，形成了供应端的结构性壁垒。

与之对比，中国的AI芯片生态呈现「多点开花但集中度不足」的特征：

华为昇腾是国产芯片的绝对领军者。昇腾910B的实测算力约为A100的80-90%，在单卡性能上差距已经不大。但真正的差距在两个地方：

第一，制程工艺。华为依赖中芯国际的N+2工艺（约等于7nm），而NVIDIA使用台积电4nm/5nm工艺。制程差距带来的直接后果是：芯片面积更大、功耗更高、良率更低、成本更高。华为的昇腾950PR据传采用Chiplet封装来绕过制程限制，是一种聪明的工程妥协，但无法彻底弥补差距。

第二，也是更致命的，互联和集群能力。训练大模型不是一张GPU卡能干的事，需要成百上千甚至数万张卡协同工作。NVIDIA的NVLink（卡间互联）和InfiniBand（节点间互联）形成了完整的集群方案，已经在数万张卡的规模上验证过。华为的HCCS互联方案在千卡级别表现尚可，但万卡级的稳定性和效率仍有差距。

3.4 投资规模：碾压级的差距

资本投入的差距是中美算力竞争中最直观也最令人震撼的维度。

2025年，仅美国四大超大规模企业（微软、谷歌、亚马逊、Meta）的资本支出就预计达到3150亿美元左右。如果加上Stargate项目（初期1000亿美元）和其他企业的投入，美国2025年在AI基础设施上的总投资可能超过5000亿美元。

中国这边，准确的数据更难获取。但一些参照点可以勾勒大致轮廓：

• 「东数西算」工程自2022年启动以来累计带动社会投资超万亿元人民币（约1400亿美元）——但这是三年的累计数字
• 中国三大运营商2025年的算力相关资本支出合计约数百亿人民币级别
• 阿里、腾讯、百度、字节等互联网企业的云和AI基础设施投入合计约千亿人民币级别

粗略估算，中国2025年在算力基础设施上的总投入可能在300-500亿美元量级——约为美国的十分之一。

这种投资规模的差距不仅影响当下，更决定了未来几年的算力储备。一个GPU集群从规划到上线通常需要18-24个月，所以今天的投资决定了后天的算力版图。

3.5 全球布局：在场 vs 缺席

中美算力竞争不仅发生在两国境内，也体现在全球布局上。

美国超大规模企业的数据中心遍布全球——AWS在33个地理区域运营，Azure在60多个区域，谷歌云在40多个区域。这意味着全球大部分国家的AI基础设施都运行在美国企业的平台上。

中国企业的全球布局几乎为零。出口管制直接限制了中国在海外部署AI基础设施的能力——中国以外的全球AI基础设施「压倒性地建立在西方芯片之上」。华为曾尝试在马来西亚部署一个3000颗昇腾GPU的项目，但后来被撤回。

这种全球布局上的「在场vs缺席」，决定了在AI赋能全球产业的大浪潮中，中国企业几乎只能在国内市场施展拳脚。而美国企业既吃国内市场，又吃全球市场。

3.6 效率维度：中国的「不对称优势」

如果只看上面的硬指标，结论似乎很简单：美国全面碾压。但算力竞争不只是硬件堆砌，算力的使用效率同样重要。

中国AI团队在「用更少的算力做更多的事」方面展现了令人印象深刻的能力：

DeepSeek效应：用约2000张A100级别GPU训练出了比肩GPT-4的模型，而OpenAI训练GPT-4据称使用了超过25000张A100。训练效率的差异可能在5-10倍。

推理优化：中国企业在模型量化、蒸馏、推理加速等方面投入大量精力，使得更小的模型在实际应用中达到接近大模型的效果。

应用落地速度：中国市场的AI应用落地速度极快。从AI短视频到智能客服，从自动驾驶到工业质检，中国企业把有限的算力用到了刀刃上。

这是一种「不对称优势」——不直接比拼算力规模，而是比拼算力的变现效率。

但这种优势有边界。DeepSeek可以用更少算力训练出好模型，但要服务数亿用户的实时推理需求，算力的绝对规模仍然无法回避。

3.7 横向小结：差距的光谱

把所有维度放在一起，中美算力差距呈现出一个光谱：

美国在「绝对算力规模」上的领先是碾压性的。但中国在「算力效率」和「电力保障」上有自己的优势。

四、横纵交汇洞察

4.1 历史如何塑造了当下的位置

纵轴和横轴交汇的第一个洞察是：中国今天的算力困境，根源在2019年华为被列入实体清单那一刻就埋下了。

2019年之前，华为海思设计的芯片由台积电代工，如果这条路没有被切断，昇腾系列完全有可能在2022-2023年跟上NVIDIA的迭代节奏。以华为的工程能力和中国市场的规模效应，昇腾本有机会成为全球第二大AI芯片平台。

但实体清单切断了这条路，迫使华为退回到中芯国际的7nm工艺。这不仅仅是性能上打了八折的问题——更关键的是打断了产品迭代的节奏。NVIDIA从A100到H100到B200，每一代都在台积电最先进工艺上实现性能翻倍。华为被锁在7nm上，每次迭代只能通过架构优化和封装创新挤出20-30%的提升。几代累积下来，差距越来越大。

这就是路径依赖的力量。一个2019年的外交决策，在六年后的今天仍在塑造两国的算力格局。

4.2 一个反直觉的发现

纵轴和横轴交汇的第二个洞察带有某种反直觉的色彩：算力差距如此巨大，但AI能力差距却如此之小。

美国拥有全球68.9%的AI算力份额，中国只有14.5%——差了将近5倍。美国的高端GPU保有量是中国的8倍。投资规模差了10倍。但DeepSeek和通义千问在模型基准测试上只落后GPT-4和Claude一个身位，甚至在某些任务上能打平。

这说明了什么？

一种解读是：中国AI团队的算法效率远高于美国同行。他们被逼出了一条「螺蛳壳里做道场」的路——用更精巧的训练方法、更高效的模型架构、更极致的工程优化，弥补硬件数量上的不足。

另一种解读更激进：美国的大量算力投入可能存在系统性浪费。80%的闲置率不只是中国数据中心的问题——美国超大规模企业的GPU利用率也远未达到理想水平。据行业估计，即使是管理最精细的云服务商，GPU的平均利用率也只有40-60%。

两种解读可能都是对的。它们共同指向一个结论：在AI竞赛的这个阶段，单纯的算力军备竞赛正在遇到「收益递减」的边界。

4.3 「Scaling Laws」的分叉路口

过去三年AI行业最核心的信仰是「Scaling Laws」——模型越大、数据越多、算力越强，效果越好。整个中美算力竞赛的底层逻辑建立在这个信仰之上。

但2025年开始，这个信仰出现了裂缝。

一方面，预训练阶段的Scaling Laws可能正在接近天花板。GPT-4到GPT-5的能力提升，并没有像GPT-3到GPT-4那样令人惊艳。OpenAI自己也承认，单纯靠堆算力和数据来提升模型能力的路径正在变得更加困难。

另一方面，行业的重心正在从「预训练」转向「推理」和「后训练」（Post-training）。推理对算力的需求模式跟训练很不一样——推理更看重延迟、吞吐和成本效率，而不是原始峰值算力。

这个分叉路口对中国是有利的。如果AI的未来更多取决于算法创新和推理效率而非原始算力堆砌，那么中国的相对劣势就会缩小。反过来，如果Scaling Laws在AGI领域继续成立，美国的算力优势将继续转化为AI能力优势。

没有人知道哪条路是对的。但这种不确定性本身就是中美算力竞争最有趣的地方。

4.4 三个未来剧本

剧本一：最可能的——「不对称均衡」（概率：55%）

美国继续在绝对算力规模上保持碾压性领先，但受电力瓶颈和投资回报压力制约，增速放缓。中国通过国产芯片迭代（昇腾950→下一代）和算法效率优势，将AI模型能力维持在美国的90-95%水平。两国在AI应用层形成各自的「数字生态圈」——美国主导全球市场，中国主导国内和部分亚非拉市场。差距存在但不致命，博弈长期化。

剧本二：最危险的——「算力铁幕」（概率：25%）

美国进一步收紧出口管制，甚至将限制扩展到芯片制造设备的零部件和耗材层面，使中芯国际也无法维持现有产能。同时，美国利用全球AI基础设施垄断地位，要求盟国不得使用中国AI技术。中国在高端算力上陷入长期短缺，AI模型能力开始与美国拉开代际差距。这是最悲观的场景，触发条件是台海关系进一步恶化。

剧本三：最乐观的——「效率革命」（概率：20%）

DeepSeek效应不是个例，而是一种范式转移的开始。中国AI团队在算法效率上持续突破，使得更小规模的算力也能训练出AGI级别的模型。华为昇腾在Chiplet封装和异构计算方面实现技术跃迁，单颗芯片性能接近或达到NVIDIA同代水平。国产芯片生态成熟，CUDA生态垄断被打破。到2028年左右，中美AI能力基本持平，算力的绝对规模不再是决定性因素。

4.5 给我一个答案

如果必须用一句话概括中美算力差距的核心本质，我会这样说：

美国赢在了「造芯片」和「买芯片」上，但中国正在试图证明——「用芯片」的方式可能比「有多少芯片」更重要。

这场竞赛的终局取决于一个根本性的问题：AI的未来，是由算力的绝对规模决定，还是由算力的使用智慧决定？

答案，可能要到下一个十年才能揭晓。

五、信息来源

方法论说明：本报告采用数字生命卡兹克（Khazix）提出的横纵分析法——纵轴追溯研究对象从诞生到当下的完整发展脉络，横轴在当前时间截面上进行系统性对比，最终交叉两条轴产出独到洞察。