中美AI竞争转向Token效率之争

导语：9月17日，华为在上海举行的年度大会上传递出一个值得关注的信号：中国市场对AI计算设备的需求旺盛，现有供应仍难以满足需求；与此同时，公司计划加快推出下一代AI芯片。算力供给与应用需求之间的张力，再次进入公众视野。

这也把一个问题摆在企业管理者面前：判断AI的价值，应该看模型能解决多难的问题，还是看它能以多低的成本进入日常经营？研发探索、软件开发、内容生产和客户服务，对能力与成本的要求各不相同。模型排行榜上的领先，如何转化为企业实际获得的收益，需要另算一笔账。

《Token经济：当智力成为一种可计量的服务》将这场竞争分为两个维度：前沿能力与商业效率。前者影响能力上限，后者影响普及速度。这一区分，为理解中美AI竞争提供了一个观察框架，也提醒管理者：选择模型、配置预算和安排应用场景时，需要同时考虑技术能力与商业可行性。

以下内容经作者及出版社授权，摘自该书，供读者理解Token经济中的竞争逻辑及其可能走向。

中美AI竞争，并不是一场对称的军备竞赛。

美国的优势在硬件。自2022年10月美国商务部工业与安全局（BIS）禁止A100（英伟达高端AI芯片）对华出口开始，到2023年10月进一步禁止A800/H800，再到2025年4月对H20转为出口许可管理（须逐案申请出口许可，实质上大幅收紧了对华供给），美国对华已经形成一条日益收紧的算力管制链条。中美芯片性能差距的根本原因在于，中国尚缺乏自主高端AI芯片产业，从先进制程工艺到高性能架构设计的积累均严重不足。出口管制锁死了中国通过采购弥补差距的路径，这一差距只能靠自主突破才能缩小，追赶的难度不断拉升：2023年差距约3倍，2025年约5倍，美国外交关系委员会（CFR）预测2027年这一差距将扩大至约17倍。

但硬件差距并未带来等比例的模型能力差距。DeepSeek V3仅用约2 788个H800 GPU累计千小时的训练、557万美元的直接计算成本、约为美国同等模型训练成本的1/20，就达到了与GPT-4不分伯仲的性能水平。DeepSeek V4进一步优化MoE路由，使推理成本相比V3大幅下降，混合注意力机制使百万Token上下文的推理计算量仅为V3的27%。这形成了一个不对称竞争结构（见下表）。

不对称的来源是约束催生了创新。美国有充足的硬件资源，优先选择“直接扩大模型规模”的扩展方向；中国硬件受限，被迫在“固定硬件预算下最大化Token产出”的效率方向上突破。DeepSeek V4将MoE推向极致，总参数达1.6万亿，但仅激活490亿；FP8混合精度训练（一种在保证精度的前提下降低计算量的技术）、NSA、多头潜在注意力MLA（一种压缩存储开销的注意力优化方法），也都指向同一个目标：在不更换硬件的情况下，让已有GPU产出更多Token。

这就形成了一种不对称竞争结构：美国在算力上占优，中国在效率上突围。二者不能简单用“谁领先、谁落后”来概括，而必须分成两个维度来看：前沿能力与商业效率。

维度一：前沿能力——差距真实且还在拉大

算法效率的成果首先体现在通用基准测试上。斯坦福大学人工智能研究院发布的《2026年AI指数报告》指出，中美AI模型性能差距已缩小到仅2.7个百分点——中国顶尖模型在多数通用基准测试中已接近美国同期水平。考虑到中国所用芯片性能仅为美国的1/5到1/17，这个结果本身就是算法效率的有力证明。它说明，中国模型厂商确实能用更少算力做出接近一线水平的模型。

但通用基准测试接近并不等于前沿能力接近。美国人工智能标准与创新中心（CAISI）2026年5月对DeepSeek V4-Pro的独立评估揭示了更真实的图景：在未公开的高难度基准测试中，中国最强模型的实际能力落后美国前沿约8个月。在特定领域差距尤为显著，比如在抽象推理、软件工程、网络安全3项上，中国模型得分分别为46%、44%、32%，GPT-5.5则为79%、78%、71%。通用测试趋同的背后，是前沿能力的持续分化。

造成这种表面接近、前沿拉大的结构性原因在于预训练规模。后训练、强化学习和工程优化可以让模型更会答题、更会调用工具、更符合用户偏好，但它们很难凭空创造预训练阶段没有学到的能力。中国科学技术大学与上海人工智能实验室联合发表于国际计算机语言协会（ACL）2026主会的论文表明，强化学习后训练的边际效率在模型参数超过320亿后显著递减，也就是说，后训练优化存在上限，难以单独弥补预训练规模带来的能力差距。

而美国前沿模型已进入10万亿参数时代：Anthropic的Mythos达10万亿参数，训练成本估算达100亿美元；xAI的Colossus 2集群正同时训练包含6万亿和10万亿参数在内的多个模型。预训练规模的竞争本质上就是算力竞争。仅Meta一家就计划在2026年年底部署超120万张高端GPU，其单家算力可能已超过中国所有AI企业的总和。美国的管制体系还在从芯片出口延伸到算力服务等更广泛的环节，这进一步压缩了中国通过外部资源弥补差距的空间。

在前沿能力维度，Token消耗量领先、通用测试能力接近，并不等于前沿能力接近，这是评估中美AI竞争态势时最需要避免的认知偏差。

维度二：商业效率——中国正在建立结构性优势

然而，前沿差距的重要性不应被过度泛化。全球绝大多数Token消耗发生在日常编程、内容生成、客服对话等“够用即可”的商业场景中，企业实际使用的模型智力水平往往低于市场上可用的最高水平，即使是Token消耗量最大的头部企业用户也倾向于选择性价比更高的中档模型，而非一味使用旗舰模型。在这个维度上，中国正在建立多重结构性优势。

芯片自主替代正在加速。IDC 2025年度报告显示，中国AI加速卡市场总出货量约400万张，本土厂商出货量165万张，市场份额首次突破四成，达41%，英伟达在华份额从巅峰时期的约95%跌至约43%。2026年一季度，国产AI芯片迎来集体爆发，主要模型厂商纷纷完成国产芯片适配（如智谱GLM-5完全基于国产芯片训练、DeepSeek V4全面适配国产平台），推动国产芯片从“可用”走向“好用”。与此同时，中国日均Token调用量在2026年3月突破140万亿，两年增长超千倍，周调用量连续三周超越美国。这种规模为本土模型厂商提供了充足的商业回报和数据反馈来支撑持续迭代。

能源成本是另一个容易被忽视但影响深远的优势。电力成本在AI推理总成本中占30%~40%，中国数据中心电力成本约为3美分/千瓦时，美国为7~9美分/千瓦时，中国的优势达57%~67%。供给侧的差异更为显著：摩根士丹利估算美国数据中心到2028年前可能面临最高约45吉瓦的电力缺口；高盛估算中国到2030年则拥有约400吉瓦的备用电力容量，约为届时全球数据中心预期电力需求的3倍。综合计算，电力优势可将中国的Token生产总成本再降低15%~20%，随着推理阶段Token消耗量超越训练阶段，这一权重还将进一步上升。

综合来看，算法效率2~3倍加上电力成本优势，仍不足以完全弥补硬件5~17倍的性能差距。在基准情景下，中国的Token生产总成本仍比美国高约3.5倍。但商业市场并不只看生产成本，足够好的模型加上10~200倍的价格优势，已经构成了中国模型在全球市场中的核心竞争力。

因此，中美AI竞争最复杂的地方在于，前沿能力和商业效率是两个不同维度，不能用其中一个否定另一个。美国可能继续掌握最强模型，中国则可能在大规模商业应用中拥有更强的价格和效率优势。前者决定能力上限，后者决定普及速度。

竞争外溢：从公司博弈到全球格局重构

当Token生产能力上升为战略资源，竞争就从公司层面外溢到国家层面。英伟达CEO黄仁勋2024年提出“主权AI”（Sovereign AI）概念，其核心关切是，一国的AI能力如果依赖外国API供给，会同时面临数据安全、可控安全和供给安全风险。敏感信息可能流经外国服务商，模型决策逻辑难以审计，地缘冲突中还可能被“断供”。芯片出口管制已经证明，这不是理论层面上的风险。

许多发展中经济体由此面临一个现实选择：是依赖美国的高成本前沿模型，还是中国的低成本但足够好的模型？微软研究院2026年年初的报告证实，中国AI模型在发展中国家的采纳率快速上升，并在缩小这些国家与发达经济体之间的AI应用鸿沟。而目前全球已有近100个英伟达GPU驱动的AI工厂在建设中。这个分化正在形成新的技术地缘格局：未必是冷战式的阵营对抗，更可能是“前沿能力层”和“规模应用层”各自由不同力量主导的分裂结构。

未来格局的3种可能路径

未来中美AI竞争，大致有3种可能路径。

第一种路径是前沿差距持续扩大。美国头部实验室已进入10万亿参数时代，算力投入以千亿美元计，迭代周期压缩到月级；如果芯片管制进一步升级，算力获取通道持续收窄，中国前沿模型可能被锁定在落后8~12个月的区间。而在网络安全攻防、科学发现等高端场景中，8个月的代际差距意味着质的劣势。这是需要高度警惕的可能性场景。

第二种路径是效率突破逼近前沿。中国延续当前的算法创新速度，同时国产芯片通过架构创新在特定场景（如推理）上逼近英伟达性能，加上规模应用市场提供的数据和商业反馈优势，使得中国模型在综合能力上持续逼近美国前沿。但需要承认，效率创新存在边际递减，当美国前沿以10万亿参数持续拉高上限时，1.6万亿参数的效率优化就会存在物理天花板。

第三种路径是分层共存。前沿能力层始终由少数掌握最强芯片和最大资本投入的实验室主导（无论国籍），而规模应用层由成本效率最高的供应者主导。在这种格局下，竞争的焦点不是“谁的模型最聪明”，而是“谁能以最低成本、最快速度把AI能力转化为千行百业的生产力”。这恰恰是中国凭借巨大国内市场、低电力成本和极致算法效率最有可能胜出的维度。

从当前趋势看，第三种路径的可能性最高，但第一种路径的风险不容忽视。中美AI竞争的本质不是一场谁先到达终点的短跑，而是一场在不同赛道上各自建立不可替代性的长期博弈，但这个判断有一个前提：中国不能在前沿能力上被拉开到代际差距。规模应用层的优势与前沿追赶的紧迫性并存，是当前中国AI产业面临的核心张力。

产业链内部的竞争之外，Token效率也会继续外溢到各行各业。

新书信息