中国算力只有美国 1/10,模型为什么没差 10 倍?

"我成功经历不多,太多失败经历。"

用这句话开始华为面试的人，14岁考入清华计算机少年班，后来设计了达芬奇架构，主导昇腾910到950的演进。

他叫廖恒，华为半导体首席科学家。

这位昇腾的奠基人，曾经反对做昇腾训练卡。

过去八年，他几乎不接受采访。7月25日，张小珺与他近5小时的访谈完整版上线。我听了不止一遍，信息量大到需要不断暂停做笔记；后来才知道，华为内部也有很多人在反复听。

但真正让我停下来的，不只是一个顶尖工程师对失败的坦诚，而是这场访谈提供了一个理解中国AI竞争力的新入口：

    中国可识别算力约为美国的十分之一，为什么头部模型没有差十倍？

答案不只在芯片里。

这篇文章整理时,我的老朋友、对华为研究最深的方兴东博士的《昇腾崛起》恰好出版——6 年,近百位亲历者。访谈里只露了一角的事,书里补齐了另一面:一场 5 小时的问答,一部 10 年的内部史。

书里有两个廖恒的故事,不讲不行：

一个是讲制裁。海思的合规部门,在被打压之前就对美国出口管制的每一条条款烂熟于心;华为在美国的开发团队,每个开发动作都主动申请出口许可——哪怕那项技术根本不在管制清单里。守规矩守到这个地步,还是被行政手段直接按住,自始至终没有一纸法庭指控。廖恒的形容是:对一只合规的小羊下狠手,真相可能是,一头狮子要吃这只小羊。

另一个是他的提案。制裁最狠的时候,他对何庭波说:我们把香农和肖克利工作过的玛丽希尔园区买下来,改成博物馆,让美国人羞愧一下。提案没有落地。但一个被封锁到墙角的人,想的不是报复,是给科技史上的圣地立一座馆。

被打成这样,还敬畏着对方文明里最好的东西。这就是华为的价值观。

我在开发者生态里做了二十多年,和国内外顶级技术厂商几乎都合作过——见得越多,越知道对技术生态做战略级规划的公司有多稀少,华为是最让我佩服的那一家。有廖恒这样一大批顶尖人才,有把整个公司押上系统战的华为,再加上 DeepSeek、Kimi、智谱这批开源模型公司——中国在 AI 大模型上,是真有机会领先的。对我们正在做开发者工具的人,下一代 全球Agent 生态战，才刚刚开始。

访谈有七个部分,从芯片史一路讲到工程师的故事,非常值得大家完整听一遍。我从里面挑出三个问题——每一个,都比答案更值钱:

  单卡打不过英伟达,怎么办?

  摩尔定律还算数吗?

  怎么看 DeepSeek?

顺着三问往下走,中间摊开一张算力地图;走到头,再接上我自己补的最后一问:

  卡最多的公司,为什么模型不一定最强?

AI 的竞争单位,已经换了三次轨:先是芯片,后是系统,现在是 GW(吉瓦)。

先把结论的一半放在这里:

• 按可识别的芯片保有量口径,中国算力约是美国的十分之一;但权威榜单上,头部模型只差 4 分——差距被"转换率"吃掉了
• 训练一个万亿参数模型,折算下来只要几千张卡跑一个月——主训练的门槛是千卡月级,不是百万卡级
• 卡最多的公司,模型不一定最强——拥有算力、可集中算力、转换率,是三件事
• 但效率救不了终局:竞争单位正在从"卡"换轨到"GW",为什么,正文见
• 至于中国的打法——三步解法、三道坎、七场必须打赢的仗,在下篇

另一半结论,藏在廖恒的十八层宝塔里。

────────────────────

01 第一问:单卡打不过英伟达,怎么办?

过去两年,国内讨论国产 AI 芯片,总绕不开这个问题。它也是整场访谈绕不开的第一问。

廖恒的回答,是反对这个问题本身。

他的原话概括起来是:华为的突破口在跨层协同——用系统集群的优势,弥补单芯片的硬件短板。单卡比不过,就在系统层赢回来。

《昇腾崛起》记录了制裁后华为内部的原话——图灵业务负责人雷景宸:"我们要用系统,而不是单颗芯片去打";昇腾计算负责人张迪煊:"以面积换算力,以工程补工艺"。系统战,是写进作战方针的路线。

这和英伟达的路径其实是同一条。很多人以为英伟达赢在 CUDA,其实 CUDA 只是最表面的一层。CUDA 下面是 NVLink,NVLink 下面是 NVSwitch,再往下是 InfiniBand 网络,最后是整座 AI Factory。买一张 H100,你以为买的是芯片——你买的是一整套别人花二十年搭好的系统。

我在《我每天都在用 Claude,却不会买 Anthropic》里用过一个比方:模型是发动机,调度和基础设施才是整车。

廖恒讲的是同一件事的硬件版:芯片是发动机,系统才是整车。

────────────────────

02 第二问:摩尔定律还算数吗?

访谈的第二问,问的是制程。很多人觉得 7nm、5nm、3nm 就是全部。

廖恒的判断是:摩尔定律真正停下来的是经济性——在 16nm 甚至 7nm 阶段,每晶体管的成本就不再下降了。性能还在走,账算不过来了。

我把他的判断,概括成一句:

摩尔定律没有死,它只是把接力棒交给了系统。

这不只是访谈里的一个观点。今年 5 月,何庭波在 IEEE ISCAS 上发布了华为的"韬(τ)定律":几何上做不小,就在时间上做快——用"逻辑折叠"压缩信号时延,换等效的晶体管密度,目标是 2031 年做到 1.4 纳米制程的同等水平。背后,是华为海思六年 381 款芯片的实践。廖恒说接力棒交给了系统;韬定律,是华为把这套内部实践总结成的自家定律——行业还没投票,但 381 款芯片是它的实证。

顺着这个判断,他给出了整场访谈最大的原创:十八层宝塔。

半导体不是一个行业,是一座塔。从矿石到应用,十八层,层层相扣——每一层的名字,都在图里。这座塔推出的结论只有一句:

产业链的整体上限,由最短的那一层决定。

这句话的分量,要对着过去十年看，才看得清。中国讨论半导体,一直是横着看的:EDA 国产替代、设备国产替代、GPU 国产替代——一个个孤立的战场。廖恒第一次把它竖起来:任何一层塌了,整座塔封顶的高度就被锁死。

竖着看,还带出一个人才判断。他说,每一层的专家中国都不缺,缺的是能纵向贯通十几层的人。他甚至坦言,自己接受采访的动机之一,是焦虑:现在很难吸引学生对处理器硬件产生兴趣了。

未来最贵的工程师,不是 GPU 工程师,也不是大模型工程师。而是能把这座塔上下打通的人。我给这种人起了个名字:爬塔人。

十八层宝塔之下,还有能源、资本、国家能力三层。来源:硅基时间制图,框架引自廖恒访谈

────────────────────

03 把地图摊开:卡,到底在谁手里

廖恒讲的是塔。但塔要用卡砌。在接他的第三问之前,先把地图摊开——这一节全是数字,但每个数字都在说同一件事。

谷歌 545 万张居首;中国全部公司合计 115 万张,约等于 Oracle 一家。来源:Epoch AI 口径拆解(2026Q1 估算)

中国所有公司算力加起来,大约等于 Oracle 一家拥有量。

不到谷歌的四分之一——粗算,中国的总算力约是美国的十分之一;只比头部实验室可集中的训练算力,还会更低。这是可公开识别口径的估算,适合看结构,不适合当资产盘点。而且快照会过时:xAI 的 Colossus 2 单个园区,一年翻倍、已逼近百万张当量、耗电接近 1GW。

按 Epoch 口径的一份拆解:中国 AI 芯片总量约 322 万颗,颗数和美国主要算力所有者只差 4.8 倍;可折成 H100 当量(把不同芯片按峰值性能折成 H100 的张数),只剩约 115 万张,差距被拉到 14 倍。从 5 倍到 14 倍之间的那一段,全是塔腰——单颗芯片的制程、HBM(紧贴芯片的高带宽内存)、互联。

中国缺的不只是芯片颗数,是每一颗的当量。DeepSeek 说自己手里的算力约是美国头部实验室的二十分之一,放在这张图里,一点都不夸张。

卡的分布,比模型的排名诚实。

钱的分布,同样诚实。

美国四巨头的数字在图里，每家都在加磅投入，谷歌本季度刚上调全年资本投入到2000亿美元，自由现金流首次为负。中国这边也在猛踩油门,字节上调到超 2000 亿元人民币,阿里三年 3800 亿的盘子吴泳铭说实际会超,还留了一句很实在的话:"现在阿里的服务器内,几乎没有一张卡是空的。"

本篇定稿这一周,腾讯交出单季 528 亿元的资本开支——超过阿里上季度的 387 亿,居中国上市科技公司之首,也把自由现金流干成了上市二十多年来的第一次负数。中国最谨慎、最会赚钱的互联网巨头,也开始用负现金流抢算力了。

两边投入口径各有出入,但量级清楚:钱差一个数量级,卡差一个数量级。

模型那头,差距是多少?Artificial Analysis 八月的榜给了答案,分数都在图里。最扎眼的是另一个数字:中国前五的模型,四个开放权重;美国前五,零个。

算力差 14 倍,头部模型差 4 分。

算力差 14 倍,头部模型 61:57 只差 4 分——差距被转换率吃掉。来源:Epoch AI · Artificial Analysis(2026.08)

模型能力对算力,从来不是线性的——61 分也不是比 57 分"强 7%",榜单打分本身还会压缩头部之间的差距。这道方程的价值不在比例,在方向:算力的差距,没有按任何合理的换算关系传导到模型上。中间一定有东西在起作用。

它是什么?这正是廖恒第三问的入口。

04 第三问:怎么看 DeepSeek?

访谈里我最关注的,是廖恒评价 DeepSeek 的创始人。

他说,这位创始人主动选择了难度更高的稀疏激活架构(MoE),这不是算法优化,是贯穿软硬件的顶层战略选择。原话是:

「他已经先知先觉地提前去解决一个他预期到的问题。这就是先验者的价值。」

一家以硬件立身的公司,把最高的评价给了一家模型公司的架构决策——这句话本身,就是"系统战"最好的注脚:最好的算法设计,是替算力短缺提前做的设计。

先验者到底"先验"在哪?算一笔账就清楚了。

以 Kimi 的 K2 为例——万亿参数俱乐部里少数把训练细节公开的模型:总参数 1 万亿,每个 token 只激活 320 亿。这笔账的每一步都在图里,落点是——

四五千张卡,跑一个月。

(主训练账,不含试错与后训练——研发总账大得多,但量级不变。)

万亿参数听起来是天文数字,算下来是几千张卡一个月。这就是 MoE 这个"先验"的全部意义:总参数决定模型的容量,激活参数才决定算力账单。一万亿的身体,只用三百二十亿在思考。

15.5 万亿 token、3×10²⁴ FLOPs,折算约四五千张卡跑一个月——与巨头数百万张的保有盘相比只是零头(跨口径,量级示意)。来源:Kimi K2 技术报告折算

所以中国公司握着全球 15% 的卡,做得出第一梯队的模型——因为一次主训练的门槛,是千卡月级,不是百万卡级——研发总账远不止这一笔,但入场券,确实没有想象中贵。DeepSeek 的二十分之一、Kimi 的几千张卡,够用了。

把 Kimi 和智谱的技术报告摊开,能数出五个关键动作——每一个,都替算力短缺做架构设计：

一,稀疏化:只为用到的参数付钱。K2 是 1T 总参、32B 激活,GLM-5 是 744B 总参、40B 激活——万亿的容量,几百亿的账单。

二,优化器:同一批数据,榨得更透。Kimi 把 Muon 改造成 MuonClip,15.5 万亿 token 预训练全程零 loss spike(损失突然跳升、严重时要重训的事故)——万亿规模的训练一次点火成功,不炸炉就不用重训,重训一次就是几千卡月翻倍。

三,注意力:把长上下文的账单打下来。GLM-5 用稀疏注意力(DSA)把长序列计算省 1.5 到 2 倍,且只用 200 亿 token 就完成改装——同类做法此前要近万亿 token。

四,后训练:让 RL 的卡不空转。智谱开源异步 RL 框架 slime,生成与训练解耦;Kimi 用 Agent 数据合成替代昂贵的真实交互。

五,推理:训练时就替部署省钱。两家都用 INT4(4 位低精度)量化感知训练,低精度在训练里就练进去;GLM-5 还原生适配昇腾、摩尔线程、海光、寒武纪等国产芯片——软件栈直接长在塔腰的国产层上。

结果是:按 GLM-5 技术报告的基准平均,它对标 Claude Opus 4.5 与 GPT-5.2、优于 Gemini 3 Pro;在 LMArena 上是排名最高的开源模型;也是第一个在 Artificial Analysis 智能指数拿到 50 分的开源权重。而智谱,2025 年初就被列入了美国实体清单。

被禁运的公司,训出了逼近闭源第一梯队的模型。

美国的模型在花算力,中国的模型在省算力——省下来的部分,就叫转换率。

算力充裕的人可以靠穷举试错,算力短缺的人必须提前判断。每一次实验都昂贵,每一次判断都必须命中。

算力充裕的人做加法,算力短缺的人做判断。

────────────────────

05 最后一问:卡最多的,为什么模型不一定最强?

把巨头卡数那张图和模型排行榜放在一起看,会发现一个错位:

谷歌五百多万张,Gemini 强,但没有强出五百万张的样子。微软三百五十多万张,自研模型至今没进第一梯队。亚马逊二百五十万张,同样如此。马斯克的 xAI 建起了全球最大的单体集群,Grok 挤进了第一梯队,但没有像它的算力份额那样一骑绝尘。Meta 二百四十万张,Llama 4 口碑不及预期,整个 AI 部门随后重组。

卡最多的,模型不一定最强。这是什么道理?

拆开看,是两层。

第一层:拥有算力 ≠ 可集中算力。

云厂的卡在替客户打工,实验室的卡在替未来打工。

第二层:可集中算力 ≠ 转换率。

写成公式:

模型强度 = 可集中算力 × 转换率(数据 × 判断 × 系统工程)

转换率放大的是有效算力,而模型能力对有效算力还有边际递减。它的用处只有一个:指出乘数里哪一项最难得。

算力是乘数里最容易买到的那一项,所以它最先内卷,也最先失去区分度。真正拉开差距的是转换率——它买不到,只能长出来。

拥有算力是资产负债表,转换率才是战斗力。

算力不是一个数字,是一组配比。预训练吃计算和互联;Prefill(模型读入整段上下文)吃计算和内存带宽;Decode(逐字往外生成)被内存容量和带宽卡死——所谓"H100 当量",只是把不同的芯片压进一把便于比较的尺子;落到真实任务里,同一张当量卡能释放多少能力,取决于它被放进什么系统、跑什么负载。中国缺的不只是卡,还有和任务匹配的内存、互联和软件效率。

而配比之外,还有两样东西,卡再多也换不来。

一是数据:卡决定你算得多快,数据决定你学到什么。Grok 守着 X 的实时信息流,Gemini 守着 YouTube,都没有自动换来第一——数据的要害不在多,在质量、在配方,最贵的那种,就是上面说的长程数据。

配比要配得对、路线要押得中(第三问已经讲过这种先验),最后都要靠组织把它变成系统。芯片、编译器、框架、数据、训练、运维,任何一层脱节,理论推算的算力都在漏。所以转换率的完整写法是:

转换率 = 架构判断 × 数据效率 × 系统工程 × 组织协同

这里必须接住一个反问:这些省算力的技术,美国人不会用吗?

会,而且有些早就在用。MoE 的源头本来就是谷歌,Gemini 从 1.5 起就是 MoE;OpenAI 放出的 gpt-oss,117B 总参、5.1B 激活、原生 4bit——同一套牌,人人都在打。中国公司的论文和权重全部公开,闭源实验室可以无声吸收,反向却看不见:开源是一面单向镜。

但闭源公司吸收有三道摩擦:不敢改,用不上,慢半拍。

不敢改：10 万卡的集群上换一个新优化器,失败一次烧掉的钱,远超省下的钱,算力越充裕的人越保守:富人不轻易改菜谱,穷人每顿都在改。

用不上：MLA、DSA 里有一部分设计,和受限芯片的互联、显存深度耦合,搬上 NVLink 满配的集群,收益就缩水:为镣铐设计的舞步,脱了镣铐价值打折。

更要紧的是算总账:效率是乘数,不是差值。同样的技术,乘在百倍的基数上,就是百倍的绝对产出——把云厂可集中的折扣打完,量级仍然碾压。省算力的技术抬高所有人,锁不住差距——真正锁得住的,只有两样:持续产出这类技术的组织能力,和塔基的电。

既然几千张卡就能训万亿模型,效率技术又终将人人都有,美国人为什么还在疯抢 着建一座接一座GW级的数据中心。

因为训练只是账单的开头。模型强不强看转换率,模型能服务多少人、多少 Agent 并行地跑,看的是推理算力的总盘子——那才是吃电的大头。竞争单位就是在这里,从"卡"换轨到"GW"的。

效率提升不会减少消耗,只会放大总需求。瓦特把蒸汽机的效率翻了倍,英国的煤没有省下来,烧得更凶了。MoE、量化、稀疏注意力同理:一次调用越便宜,调用的人越多,并行的 Agent 越多,过去不值得自动化的任务,统统变得值得。

效率不是 GW 的替代品,是 GW 需求的放大器。

黄仁勋在 GTC 2026 上把英伟达重新定义为 token 工厂的供应商:数据中心不再是存文件的仓库,是生产 token 的工厂;固定功率之下,每瓦 token 吞吐最高的,成本最低。他给最新的 Rubin 平台定的目标,就是综合性能下最佳的 token 生产机器——两年里,单机架的 token 产出提升了几百倍。

英伟达自己都不再讲卡的故事了,讲的是每瓦的 token。

────────────────────

06 宝塔往下,还有三层

我反复听了几遍访谈,觉得最值得接着往下想的,是塔基。

廖恒的十八层,最底层是矿石和材料。但站在 2026 年的算力地图前,矿石下面至少还有三层。

第十九层:能源。

xAI 的 Colossus,20 万颗芯片,耗电约 300MW。Meta 在路易斯安那建的 Hyperion,规划 5GW,投资超过 500 亿美元,当地电力公司要为它配套新建燃气电站。照 Epoch AI 的外推,2030 年的领先 AI 超算,可能需要 9GW——喂给一台机器。

微软买下三哩岛核电站重启后的长期电力,谷歌预订了还没造出来的小型核反应堆——巨头们抢电,抢到了十年后。

AI终局是电力竞争，已是人人都会说的共识。但真正的要害是速度差:芯片按年供给,资本随时可融,模型一夜开源——只有电,按五年供给,一座 GW 级电站从审批、输电到并网,五年起步。竞争换轨到 GW,本质是换轨到最慢的那条供给线。

GPU 是种子,电才是土地。种子可以进口,土地搬不走。

第二十层:资本。

一年 7250 亿美元——阿波罗登月计划 13 年的花费,折算到今天约 2600 亿美元。四家公司,一年,花掉将近三个阿波罗。这考验的不是谁出得起钱,是谁的资本市场能连续十年消化这种烧法。这已经不是公司的财务问题,是一个国家金融体系的耐力问题。

第二十一层:国家能力。

美国的领先,拆开看不是英伟达一家的领先。是英伟达+台积电供应链+五朵云+核电审批+债券市场+全球人才,同时在一个体系里运转。塔的每一层背后,都站着一套国家机器。所以"追赶英伟达"是个伪命题——要追的从来不是一家公司,是它身后这套同时运转的机器。

单集群功耗五年内从 300MW 走向 9GW——约为三峡装机的四成。来源:公开报道 · Epoch AI 外推

把塔画完整，结论自然浮现：

过去，塔的底层是硅。
未来，塔的底层是电。

────────────────────

07 终局:美国的芯片在等电,中国的电在等芯片

把中美两边放进同一座塔里看,格局是错位的:

中国 2024 年发电量约 10 万亿千瓦时,大约是美国的两倍;特高压电网能把西部的电,成规模地送进算力园区。美国的芯片在等电,中国的电在等芯片。

美国的短板在塔基,中国的短板在塔腰。这场竞争,两边拿的是互补的残局。

马斯克 7 月在《经济学人》的访谈里,给出了同一个框架:中国之外,电力是关键约束;中国之内,芯片是约束。更早,他年初在播客里就预测过:中国将在 AI 算力上远超世界其他地区——理由正是电。

终局怎么破——中国的三步解法、三道坎,以及七场必须打赢的仗:统一软件栈、超节点、自研 HBM、模型-芯片联合设计、调度、推理、端侧。每一场都有名字、有对手、有账,每一场都够单独一篇。

我还会继续写下篇《七场仗:中国算力的作战地图》,一场一场拆。

────────────────────

写到这里,可以把全文的三条线收拢了。

未来的竞争,不是人与人,而是时间与时间的竞争。

而硅基时间,是用电造出来的。

────────────────────

作者手记 //

这篇文章里藏着两个方向相反的事实:一边是 GW 决定论——电才是终极瓶颈;另一边是 K2 的那笔账——几千张卡就能训出万亿模型,判断能部分替代瓦特。判断到底能替代多少瓦特,这个替代率才是中国真正的胜负变量。

廖恒说,他受访是因为焦虑:很难再吸引学生对处理器硬件产生兴趣了。行业最强的人,担心的不是对手,是没有人爬塔。这件事不能只记下来。做了这么多年开发者社区,能做的一件事,是把爬塔人的故事讲出来——让年轻工程师看见,塔的中下层走得通,也值得走。这篇,算第一步。

访谈里还有一个预言值得记下:廖恒判断,Physical AI(物理 AI)还没完成从零到一的突破,真正的爆发可能还要两三年。这个判断,先存档,到时候回来对答案。

下篇《七场仗:中国算力的作战地图》已经在打磨,几天后见。

◇ ◆ ◇

主要资料来源:张小珺对廖恒访谈完整版(2026.07.25)· 方兴东《昇腾崛起》(湛庐文化,2026.08)· 华为"韬(τ)定律"(2026.05,IEEE ISCAS)· 黄仁勋 GTC 2026 演讲(2026.03)· Epoch AI(超算追踪 / Chip Owners Explorer)· Artificial Analysis 智能指数(2026.08)· Kimi K2 / 智谱 GLM-5 技术报告 · 腾讯 2026Q2 财报(2026.08.12)· 各公司财报电话会与公开披露。数字均为公开口径估算,适合看结构,不构成资产盘点。