# 英伟达的卡买不到之后，中国大模型靠什么继续跑？ - 搜狐网

*Источник: 搜狐网*
*Дата: 2026-09-26*
*Язык: zh*

**Кратко:** 英伟达的卡买不到之后，中国大模型靠什么继续跑？
来源：市场资讯
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、KV Cache优化、稀疏注意力等，已经成为整个大模型行业持续优化的共同方向。
真正值得关注的地方，是DeepSeek长期把模型效率放在架构设计的核心位置，而非当作锦上添花的工程手段。
但国产算力替代层面，这条路线能否继续跑通，待验证。
2026年4月V4发布时，DeepSeek明确表示受限于高端算力、Pro版吞吐有限，预计昇腾950超节点批量上市后价格会大幅下调；而8月V4-Pro的涨价，恰恰暴露了现实约束。在国产算力稳定供给之前，Pro版仍受制于芯片。
真正的产能赌注，是DeepSeek在乌兰察布数据中心部署的16万卡集群，据彭博社报道要到2027年底至2028年初才逐步投产。
即，DeepSeek当前定价中包含的是2027—2028年的产能预期。 如果16万卡如期投产、950如期放量，单位Token成本有望降到行业最低，弹性是四家最大的；但“如期”两个字，就是它最大的不确定性。交付每延期一个季度，弹性叙事就整体后移一个季度。
所以，下一阶段最值得看的，是价格。国产算力形成稳定产能之后，Pro版价格能否实质性下调。那是自研芯片、国产适配、自建数据中心三条线能否汇成真实成本优势的验收点。
（4）Kimi（月之暗面，申报IPO）：用生态降低适配成本和时间。
Kimi代表的是另一条路径，通过开放模型和生态合作，缩短国产芯片从拿到手到真正可用的适配周期。如华为昇腾、阿里平头哥、海光、摩尔线程、壁仞等均在Kimi模型开源后第一时间宣布适配。
（图表制作：虎嗅妙投）
此路线的优势是不用自己投入大量资源，适配成本较低。
但它也暴露了另一个问题，适配成功，不等于算力供给充足。
K3发布后用户请求量爆发，逼近现有集群承载极限，后被迫暂停C端新用户注册。算力仍是硬约束，产品需求爆发时容易被算力卡脖子。
所以Kimi这条路线解决的是国产芯片怎么更快用起来，但能否解决算力瓶颈，仍需验证。在此之前，公司的业绩增长可能会受到算力的掣肘。
把四家公司放在一起看，会发现适配路线解决“跑得了”，算力自主解决“跑得起、跑得住”。观察点是集群扩容，验证点是下一次需求爆发时还会不会被卡住。
写在最后
综上，芯片越来越难买到的情况下，把英伟达的卡换成国产卡，并不是目的。真正需要观察的，是国产算力能不能从“备份算力”变成一套真正有效率、能产生商业回报的生产能力。
进展如何，有三大跟踪指标：
第一，产能（能跑）。
对我们投资者而言，集群到底有多少卡很难知道，但数据中心和算力集群的投产进度、国产芯片采购和部署规模，以及大模型公司是否已经开始用这些算力承载真实业务是可以跟踪的。
如MiniMax的国产算力集群落地进展；昇腾950的放量，以及DeepSeek在乌兰察布16万卡国产算力的投产进度等。
第二，效率（跑得好不好）。
这一层不必强求企业披露单卡Token产出等内部指标，更重要的是看同样的算力投入，能不能支撑更多模型调用和更大的业务量。观察信号包括：模型调用量增长、Token使用量增长、国产算力承载的业务规模，以及公司是否持续发布模型侧的降算力、降显存等优化。
第三，成本（能不能赚钱）。
最终还是要回到财务数据。看单位Token成本有没有下降，推理业务毛利率有没有改善，以及API价格下降之后，利润能不能保持增长。对于上市公司或准备上市的大模型企业，这些数据最终都会反映到收入、毛利率和现金流上。
如果上述指标同时改善，国产算力从备份选项就转变成了成本优势；但如果只有适配、没有效率，国产算力替代的叙事就很难持续。
而如果一定要给上述四条路径排一个顺序，短期确定性最高的是智谱，中期弹性最大的是DeepSeek，MiniMax和Kimi仍在验证期。
回到开头的问题，高端芯片如果买不到了，中国大模型未必会停下来。但届时谁还能以足够低的成本继续跑，谁就可能在“国产替代叙事”基础上，进一步获得更高的估值溢价。
免责声明：本文内容仅供参照，文内信息或所表达的意见不构成任何投资建议，请读者谨慎作出投资决策。

英伟达的卡买不到之后，中国大模型靠什么继续跑？
来源：市场资讯
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、KV Cache优化、稀疏注意力等，已经成为整个大模型行业持续优化的共同方向。
真正值得关注的地方，是DeepSeek长期把模型效率放在架构设计的核心位置，而非当作锦上添花的工程手段。
但国产算力替代层面，这条路线能否继续跑通，待验证。
2026年4月V4发布时，DeepSeek明确表示受限于高端算力、Pro版吞吐有限，预计昇腾950超节点批量上市后价格会大幅下调；而8月V4-Pro的涨价，恰恰暴露了现实约束。在国产算力稳定供给之前，Pro版仍受制于芯片。
真正的产能赌注，是DeepSeek在乌兰察布数据中心部署的16万卡集群，据彭博社报道要到2027年底至2028年初才逐步投产。
即，DeepSeek当前定价中包含的是2027—2028年的产能预期。 如果16万卡如期投产、950如期放量，单位Token成本有望降到行业最低，弹性是四家最大的；但“如期”两个字，就是它最大的不确定性。交付每延期一个季度，弹性叙事就整体后移一个季度。
所以，下一阶段最值得看的，是价格。国产算力形成稳定产能之后，Pro版价格能否实质性下调。那是自研芯片、国产适配、自建数据中心三条线能否汇成真实成本优势的验收点。
（4）Kimi（月之暗面，申报IPO）：用生态降低适配成本和时间。
Kimi代表的是另一条路径，通过开放模型和生态合作，缩短国产芯片从拿到手到真正可用的适配周期。如华为昇腾、阿里平头哥、海光、摩尔线程、壁仞等均在Kimi模型开源后第一时间宣布适配。
（图表制作：虎嗅妙投）
此路线的优势是不用自己投入大量资源，适配成本较低。
但它也暴露了另一个问题，适配成功，不等于算力供给充足。
K3发布后用户请求量爆发，逼近现有集群承载极限，后被迫暂停C端新用户注册。算力仍是硬约束，产品需求爆发时容易被算力卡脖子。
所以Kimi这条路线解决的是国产芯片怎么更快用起来，但能否解决算力瓶颈，仍需验证。在此之前，公司的业绩增长可能会受到算力的掣肘。
把四家公司放在一起看，会发现适配路线解决“跑得了”，算力自主解决“跑得起、跑得住”。观察点是集群扩容，验证点是下一次需求爆发时还会不会被卡住。
写在最后
综上，芯片越来越难买到的情况下，把英伟达的卡换成国产卡，并不是目的。真正需要观察的，是国产算力能不能从“备份算力”变成一套真正有效率、能产生商业回报的生产能力。
进展如何，有三大跟踪指标：
第一，产能（能跑）。
对我们投资者而言，集群到底有多少卡很难知道，但数据中心和算力集群的投产进度、国产芯片采购和部署规模，以及大模型公司是否已经开始用这些算力承载真实业务是可以跟踪的。
如MiniMax的国产算力集群落地进展；昇腾950的放量，以及DeepSeek在乌兰察布16万卡国产算力的投产进度等。
第二，效率（跑得好不好）。
这一层不必强求企业披露单卡Token产出等内部指标，更重要的是看同样的算力投入，能不能支撑更多模型调用和更大的业务量。观察信号包括：模型调用量增长、Token使用量增长、国产算力承载的业务规模，以及公司是否持续发布模型侧的降算力、降显存等优化。
第三，成本（能不能赚钱）。
最终还是要回到财务数据。看单位Token成本有没有下降，推理业务毛利率有没有改善，以及API价格下降之后，利润能不能保持增长。对于上市公司或准备上市的大模型企业，这些数据最终都会反映到收入、毛利率和现金流上。
如果上述指标同时改善，国产算力从备份选项就转变成了成本优势；但如果只有适配、没有效率，国产算力替代的叙事就很难持续。
而如果一定要给上述四条路径排一个顺序，短期确定性最高的是智谱，中期弹性最大的是DeepSeek，MiniMax和Kimi仍在验证期。
回到开头的问题，高端芯片如果买不到了，中国大模型未必会停下来。但届时谁还能以足够低的成本继续跑，谁就可能在“国产替代叙事”基础上，进一步获得更高的估值溢价。
免责声明：本文内容仅供参照，文内信息或所表达的意见不构成任何投资建议，请读者谨慎作出投资决策。

[Оригинал](https://m.sohu.com/a/1081200682_122014422?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334)