英伟达的卡买不到之后，中国大模型靠什么继续跑？

美国卡脖子，卡不住大模型 出品 | 妙投APP 作者 | 张贝贝 编辑 | 丁萍 头图 | 视觉中国 中美芯片博弈，又有了新变化。 芯片管制本身并不新鲜，美国对英伟达先进AI芯片的限制已持续数年。 但新鲜的是，9月12日美国前沿AI公司Anthropic CEO 达里奥·阿莫代伊谈到芯片时，把芯片管制放进了一个更大的命题里：美国可以放慢AI发展的速度，前提是不能让中国追上来。 在X平台发布的长文《We Must Pace the Frontier》中，阿莫代伊还提出，美国应继续限制向中国出售先进AI芯片和半导体制造设备，同时打击芯片走私、海外数据中心远程获取先进算力以及模型蒸馏。他认为，这些措施可以在未来3-5年显著拉大美国与中国的AI领先差距。 即， 把芯片、算力与前沿AI发展速度、中美AI竞争直接联系起来。 这意味着，过去，芯片管制解决的是中国能不能拿到最先进的卡； 现在，它开始被放进另一个问题里：中国还能不能获得支撑下一轮AI跃迁的先进算力。 而资本市场真正交易的，恰是预期链：算力受限→国产芯片接不接得住→接住的成本是多少。 问题也因此变得紧迫。 而阿莫代伊所说的未来3-5年，恰恰也是国内大模型继续迭代、推理需求持续增长的阶段。 如果高端芯片真的买不到，中国大模型能不能继续运行？ 更重要的是，谁能在算力受限的情况下，把每一张国产芯片的价值榨得更高，产生更多、更便宜的Token？ 这是这一轮国产算力替代，真正值得资本市场重新审视的地方。 中国大模型不会停下来 高端芯片买不到，中国大模型也不会因此停下来。 因为算力的供给侧已经发生变化了。 过去几年，在高端芯片供给受限、算力获取的不确定性急剧上升的背景下，中国大模型企业开始推进国产算力的替代。 从目前已经出现的案例看， 国产算力已具备支撑大模型运行的能力。 也就是说，即使高端芯片买不到，国产算力至少可以为中国大模型提供一层兜底。 且兜底的证据正在变多。 一是推理侧。智谱国产芯片推理集群已达10万卡规模，GLM-5.3-Flash线上流量全部运行在国产芯片上，其匿名模型Ox-Alpha在海外平台累计处理62万亿Token，已经进入真实Token生产环节。 二是训练侧。美团LongCat-2.0已经在大规模国产算力上完成训练；还有粤港澳“国芯训国模”等项目也在推进万卡级国产训练等。 但能跑和跑得好是两回事。 如昇腾910C在万亿参数模型的全参数后训练任务中，衡量训练效能的核心指标MFU约30%-35%，而同级别任务H100集群通常可达40%-50%。这意味着，同样的钱和时间，国产算力暂时还训不出同样的模型。 因此，对大模型而言，算力供给只是第一关。 真正决定竞争力的，是第二关 算力效率 。它回答的是，有限的算力能够产生多少有效产能。 而大模型的算力效率，至少由三个变量共同决定： 芯片 （单卡性能、互联带宽、内存、能效） 、 软件 （编译器、算子、推理框架、通信库、调度） 、 模型 （MoE架构、稀疏注意力、低精度计算、KV Cache优化） 。 粗略地说， 单位Token成本 ≈ 芯片成本 ÷ （芯片性能 × 软件利用率 × 模型效率） 。 三个变量的现状并不均衡。芯片决定算力供给的上限，也是当前最难快速弥补的变量；软件决定硬件性能能够释放多少，模型则决定完成同样任务需要多少算力。 当芯片供给短期难以改变时，软件和模型就成为大模型公司更主动的优化空间。 这也解释了为什么，国产算力替代并不只是芯片厂商的生意，大模型公司本身也开始参与到软件适配、系统优化和模型效率提升中。 目前，几家头部大模型公司的实践，正是围绕这条逻辑展开的不同路径。 国产算力能跑之后，大模型拼什么？ 四家公司的答案各不相同。 其中，智谱要证明重资产能换来成本优势，MiniMax要证明自建算力能承接真实流量，DeepSeek要证明模型效率能替代芯片性能，Kimi要证明生态能替自己补足算力。 它们解决的问题不同，但最终指向的都是把有限的算力，尽可能快地转化成更多、更便宜的Token。具体分析如下： （图表制作：虎嗅妙投） （1）智谱：算力全栈闭环，能否兑现成成本优势。 智谱选择的是重资产路线。 从租赁GPU，到采购Token工厂服务，再到All-in-Infra，国产芯片已是主力推理算力，还收购中科加禾补齐编译器与推理引擎软件栈，把更多算力基础设施掌握在自己手里。 更值得关注的是，智谱9月完成50亿美元融资后，获得了继续扩张训练和推理基础设施的资金。且管理层交流会上明确表示，算力供给短期内不再是收入增长的主要约束。 但自建算力并不意味着成本一定下降。 数据中心、芯片、网络和电力都需要资本投入，后续还要承担折旧和运维成本。 所以智谱真正需要证明的是， 把算力从外部租赁变成自己拥有之后，能不能提高利用率，并最终降低单位Token成本。 虽然智谱管理层在交流时，首次给出了算力投入的量化测算。300亿元算力投入约对应10万P算力，其中40%用于训练研发、60%用于业务推理。 依托GLM-5.3的推理性价比，理论推理毛利最高可达80% ，算力利用率打满全价的情况下，年收益可达400亿元。 即一年下来不仅能覆盖全部算力投入，还能承担模型训练研发费用，理论上可以 把算力从成本中心变成可以计算回报的资产。 这套测算真正能否成立，还要回到经营数据验证。所以下一阶段最值得看的，是 单位Token成本 、 毛利率能否持续改善。 如果下一年这些指标均有改善，才能证明重资产算力投入真正从成本中心变成生产能力。否则，资本市场可能会下行调整。 （2）MiniMax：从租算力走向拥有可控算力，先看落地。 MiniMax面对的是另一个问题。 2025年前三季度，公司云计算服务成本占销售成本的比例超过90%。这意味着，模型调用量增长的同时，算力成本也会快速增加。 所以MiniMax开始从租赁算力，逐步转向自建国产算力集群，M3、H3等模型也开始推进国产芯片适配。 它的验证顺序比智谱多一步。 因为算力集群刚开始建设，第一步要验证的其实是 这些算力能不能从建起来，真正走到跑起来。 只有当MiniMax也像智谱一样，已经开始用国产芯片承载真实推理流量后，那么，从租算力到拥有可控算力，才真正完成了第一步。 到了那时，市场才会进一步追问，拥有算力之后，MiniMax能不能让更多Token以更低的成本被生产出来？ 所以， MiniMax还处于算力从建设走向生产的验证阶段。后续可跟踪的，是国产集群的落地进展和模型适配进度。 只有集群真正上线并承载真实流量，模型适配才可能转化为实际的成本改善。在此之前，MiniMax的算力自主化仍是一个待兑现的事。 （3）DeepSeek （筹备科创板IPO） ：把模型效率变成竞争的一部分。 如果说智谱和MiniMax在解决国产算力承载能不能跑、能不能握在自己手里的问题，那么 DeepSeek的看点是它站在效率侧 ，不纠结于拥有多少算力，而是执着于同样的算力能跑出多少Token。 这条路线最特别的地方在于，它与管制逻辑天然对冲。管制芯片想让算力变贵，模型效率想让算力变便宜，两者相互抵消。这正是DeepSeek区别于其他企业的战略底色。 需说明的是，DeepSeek并非独有某项技术，MoE、低精度