黄仁勋离职风波冷思考：中国AI自主化与海外依赖张力之辩

文 | 孙永杰 近期，英伟达创始人兼CEO黄仁勋离职风波在业内引起强烈反响，且仍在持续发酵。而当我们站在中国AI产业现实和发展的视角冷静思考，该风波不只是一起涉及芯片转运和出口管制的调查，更折射出中国AI产业面临的现实处境，即国产算力正在加速发展，但从“可用”走向“好用”、从单点芯片突破走向完整系统能力，仍需要时间。与此同时，企业又必须在激烈的AI竞争中争取模型训练速度和产品迭代效率。正是这种短期竞争需求与长期自主化目标之间的时间差，构成了当前中国AI算力发展的一重现实张力。 管制管的是芯片，企业要的是算力 截至目前，回望这起事件，不仅在于某些服务器最终流向了哪里，更在于两种逻辑之间的错位，具体表现为美国出口管制主要针对先进芯片的物理流向，而中国AI企业真正需要的是能够持续、稳定使用的先进算力。 说到出口管制，其传统思路是限制先进芯片进入特定国家。而按照这一逻辑，英伟达Blackwell等高端产品被挡在中国市场之外。例如2026年1月，美国对英伟达H200及部分同类产品调整了出口政策，允许在满足特定条件的情况下逐案审查，但并非全面放开。相关条件包括美国境内第三方测试、最终用户审查以及其他供应和安全要求。换言之，芯片能否进入中国，仍然受到严格限制。 尽管如此，但算力有一个特殊属性，即使用者不一定需要拥有芯片，也不一定需要将芯片部署在自己的国家。只要芯片留在海外的数据中心，用户就可能通过网络远程调用其计算资源。 由此，先进算力的获取方式便不再局限于实体采购和转运，而是出现了另一条路径—通过海外数据中心租用算力。而现行美国先进计算芯片出口管制主要针对受控芯片及相关设备的实体出口、再出口和转移，但对于芯片留在海外数据中心、由中国客户通过网络远程调用算力的模式，现有规则尚未形成同样明确、完整的监管机制。而这正是美国试图通过后续规则和立法弥补的监管缺口。例如美国众议院已于2026年1月以369票赞成、22票反对通过《远程访问安全法》，但众议院通过并不意味着法案已经生效，参议院后续立法进程仍是关键。 需要指出的是，海外算力租赁并非天然合法，也不能简单理解为现行规则完全不适用。具体交易是否违规，仍需结合芯片型号、服务提供者、交易主体、最终用户和实际用途等因素判断。只是相较于实体芯片转运，远程调用算力涉及更多服务环节，监管识别和执法难度也更高。 基于此，据CNBC等媒体报道，字节跳动、阿里巴巴、腾讯等中国企业曾通过泰国、马来西亚、日本等地的数据中心使用英伟达算力。 此外，一项来自名为Unemployment Labs的独立研究团队近期发布的一份报告称，DeepSeek、月之暗面、MiniMax和蚂蚁集团的六个中国开源模型，在初始权重中呈现出与被禁的Blackwell GPU布局相符的随机数指纹。 该报告的思路是模型权重在训练前要用随机数生成算法填入初始值，PyTorch会把这项工作分配给GPU上的大量并行线程，线程总数由芯片的SM（流式多处理器）数量决定。同一个种子在不同SM数的芯片上，初始值会落在不同位置，所以保留下来的初始值能反推出生成它的芯片型号。 不过该报告明确承认，它无法判断GPU究竟位于中国境内，还是海外数据中心；GPU属于相关AI企业，还是由第三方云服务商提供；企业是通过直接采购、云计算租赁还是其他方式获得计算资源；这些计算资源是否涉及未经授权的跨境转移。例如，中国企业完全可能在新加坡、马来西亚或者其他国家租用搭载Blackwell GPU的数据中心资源。而如果硬件没有发生受到限制的违规出口，那么仅仅使用这些GPU，并不能直接认定中国企业违反美国出口管制规定。 但无论企业通过哪种方式获取海外算力，一个更值得关注的问题已经显现：为什么在国产AI芯片不断取得进展的情况下，部分企业仍然愿意承担跨境使用的成本和不确定性，去寻找和使用英伟达算力，进而产生中国AI自主化与海外依赖的张力？这就需要我们把视线从出口管制本身，转向国产算力与英伟达体系之间的真实差距。 “可用”与“好用”之间，国产算力的进步与差距 提及国产算力自主与海外先进算力依赖之间的张力，其首先体现在一个现实变化上，即国产芯片的市场份额正在快速提升，但市场份额的增长，并不意味着其已经能够在所有场景中全面替代英伟达。而要理解这一点，需要把芯片出货量、系统能力和企业实际使用效果区分开来。 以IDC报告为例，该报告显示，2026年上半年，英伟达在中国数据中心AI芯片市场的份额降至34%，出货量约67.8万颗，同比下降44%；华为出货量约57.2万颗，市场份额达到28%，高于去年同期的30多万颗。而IDC追踪的11家中国厂商中，有9家出货量实现同比增长。这说明，在外部供应限制和国产替代的共同作用下，中国本土AI芯片厂商正在加快进入数据中心市场，国产算力已经不再只是局部试点，而是逐步形成规模化部署和替代。 不过，市场份额反映的是特定统计口径下的出货情况，并不能直接等同于实际算力规模、有效计算能力或前沿模型训练能力。比如IDC对英伟达34%份额所涵盖的具体产品范围，并没有作出足够明确的公开说明。此外，市场上另有预测认为，华为今年全年份额可能接近50%、英伟达降至约8%，但由于统计时间、产品范围和市场定义不同，也不能与IDC上半年的数据直接对比。换句话说，国产芯片出货量的增长，只能够证明市场替代正在发生，却还不足以证明国产算力已经具备与英伟达体系全面竞争的能力。 需要强调的是，这种替代趋势也受到政策因素的影响。具体表现在中国方面正在调整对部分英伟达芯片的采购政策。例如据《金融时报》等媒体2025年9月的报道，中国网信部门曾要求字节跳动、阿里巴巴等企业停止测试和采购RTX Pro 6000D。而此前英伟达H20也曾受到中国方面的安全审查和采购限制。 由此我们不难看到，中国企业获取海外先进芯片的渠道，既受到美国出口管制影响，也有国内采购政策和安全审查的影响。尽管如此，在国产替代加速的同时，企业对高性能算力的需求并没有消失，这也使得国产算力能否真正满足复杂业务需求，变得更加重要。 那么问题来了，国产芯片的市场份额不断上升，为什么部分企业仍然需要寻找海外英伟达算力？关键在于AI算力竞争早已不是单颗芯片性能的简单比较，而是整套软硬件和系统工程能力的竞争。 以此为标准，英伟达的优势至少体现在以下几个层面。 首先是GPU架构、显存容量和带宽等硬件能力；其次是CUDA以及围绕它形成的编程工具、算子库和开发者生态；再次是大规模集群中的高速互联、任务调度、故障检测和恢复能力；最后则是经过大量实际项目验证的系统集成与工程交付经验。这些能力相互关联，决定了芯片的理论性能能否真正转化为实际训练效率。即使单颗芯片在某些指标上接近，软件适配、通信效率或集群稳定性存在短板，也可能影响整个系统的表现。 以集群稳定性为例，Meta公开的Llama 3训练报告显示，在使用16384张H100进行训练的54天观察期内，系统发生了419次意外中断，平均约每3小时一次，其中相当比例与GPU及其HBM内存相关。 需要注意的是，这些中断并不全部等同于GPU硬件故障，也涉及内存、软件和系统运行等因素。而Meta通过自动化维护和故障恢复机制，将有效训练时间维持在较高水平。这组数据真正说明的并不是某种芯片容