2026 年中美 AI 大模型差距：算力只是入口，系统能力才是天花板
引子：同一个“差距”，正在被三种口径同时使用
2026 年讨论中美 AI 大模型差距，最容易陷入一个看似清楚、实际混乱的判断：美国强在算力，中国输在 GPU。
这句话有真相，但只说到第一层。
如果把差距理解为“谁能训练出世界最强闭源模型”，美国仍然领先。
OpenAI、Anthropic、Google DeepMind 的前沿模型把复杂推理、多模态、代码代理、长上下文、工具使用和企业级交付压在同一条产品线上，且训练和推理侧的真实算力投入大多不公开。
Meta 虽然走开放权重路线，但 Llama 3.1 405B 已公开使用超过 16K H100、15T+ tokens 训练，这个规模本身就是一个门槛。[1]
如果把差距理解为“公开可获得模型能不能追近”，答案完全不同。
DeepSeek-V3 用 2.788M H800 GPU hours 训练 671B MoE，官方估算训练成本约 557.6 万美元；
DeepSeek-R1、Qwen3、Kimi k1.5/K2、GLM 系列在数学、代码、推理、开源部署上持续把可见差距压缩。[2][3][4][5][6]
这一侧看到的不是“中国落后很多”，而是“美国前沿仍高，中国公开模型追得很快”。
如果把差距理解为“产业能否把大模型变成低成本、高可靠、可规模部署的基础设施”，问题又变成第三种：谁能获得足够便宜、稳定、可调度的算力；
谁能把芯片、HBM、互联、软件栈、电力、数据中心、推理服务、用户反馈合成一个可复制系统；
谁能让模型在真实业务里产生收入，而不是只在榜单上冲高。
因此，本报告不把“中美差距”当作一个单一结论，而拆成六个真问题：
2026 年中美大模型的“差距”到底该怎么度量？ 是看最强闭源模型、开放权重、训练算力、推理成本、产品收入，还是产业扩散？
从 GPT-3 到 2026 年，中美差距是扩大、缩小，还是从“模型能力差距”转移成“系统工程差距”？ 这里会把 GLM 加入中国模型谱系，与 DeepSeek、Qwen、Kimi、豆包/Seed 一起对照。
算力是不是核心瓶颈？如果是，它具体卡在哪里？ 芯片、HBM、互联、软件栈、电力、数据中心、运维稳定性与 token 成本必须分开看。
除了算力，中国大模型的天花板还受哪些因素制约？ 数据、后训练、人才组织、全球用户反馈、商业化、监管和企业付费能力各自扮演什么角色？
中国有没有可能用工程效率和应用场景抵消算力劣势？ DeepSeek、Qwen、Kimi、GLM 的案例能证明什么，不能证明什么？
未来 12–24 个月，中美差距最可能在哪些层面扩大，哪些层面会收敛？ 结论必须能被未来事实推翻。
一、差距不能只看模型榜单：2026 年至少有五把尺子
1. 最强闭源模型：美国仍掌握“不可见前沿”
用“最强闭源模型”作为口径，美国优势最明显。
GPT-4 在 2023 年把前沿门槛推到多学科考试、人类考试、代码与复杂指令跟随的综合层面；
技术报告披露其 MMLU 约 86.4%，模拟律师资格考试达到约前 10%。[7]
随后 OpenAI 把重心推向实时多模态 GPT-4o 与 o 系列推理模型，公开信息更强调工具使用、视觉推理、代码执行和任务链条，而不是单个文本 benchmark。[8][9]
Anthropic 的 Claude 3/3.5/4 路线把“企业可用的长上下文 + 代码代理”推到中心位置。
Claude 3 支持 200K 上下文；
Claude 4 官方披露 Claude Opus 4 在 SWE-bench 上达到 72.5%、Terminal-bench 43.2%，这是代码代理能力的强信号。[10][11]
Google 则把 Gemini 1.5 Pro 的 1M tokens 长上下文和 Gemini 2.5 的 thinking model 作为前沿竞争点。[12][13]
这类模型的关键问题在于：训练算力、训练数据、后训练数据、在线反馈、推理基础设施、真实产品使用量大多不透明。
中国模型可以在公开 benchmark 上接近，但很难证明自己在“所有隐藏维度”上接近。
闭源前沿的优势不只来自某个分数，而来自一套无法完全外部测量的系统：训练、评测、安全、产品、企业客户、开发者平台、用户反馈同时循环。
2. 开放权重与公开技术报告：中国追赶速度极快
换成“公开可获得模型”口径，中国已经不是边缘追赶者。
DeepSeek 是最典型的转折。
DeepSeek-V2 用 MoE、MLA 和 128K 上下文，把训练成本相对 DeepSeek 67B 降低 42.5%，KV cache 降低 93.3%，最大生成吞吐提高 5.76 倍。[14]
DeepSeek-V3 进一步把总参数做至 671B，每 token 激活 37B，预训练 14.8T tokens；
技术报告称完整训练消耗 2.788M H800 GPU hours，按 2 美元/GPU-hour 估算约 557.6 万美元。[2:1]
这个数字不代表完整研发成本，但它把一个问题摆上台面：如果工程路线足够激进，有限算力能不能换来接近前沿的能力密度？
Qwen 的特点不同。
Qwen2.5 到 Qwen3 不是单点爆发，而是形成全尺寸、商业友好、工具能力强的开源谱系。
Qwen3 覆盖 dense 与 MoE，旗舰 Qwen3-235B-A22B 为 235B 总参数、22B 激活；
技术报告称训练数据约 36T tokens，覆盖 119 种语言/方言，并支持 thinking / non-thinking 模式。[4:1]
这使 Qwen 更像“开发者生态基础设施”，而不只是一个模型。
GLM 的位置也必须纳入对比。
GLM-4 技术报告称 GLM-4 系列主要进行中英预训练，使用十万亿级 tokens，并在通用指标、中文对齐、指令跟随、长上下文和 agent 能力上接近或超过 GPT-4 的若干公开评测。[5:1]
2025 年 GLM-Z1、GLM-4.5 继续把 reasoning、coding、agent 和开源部署作为主线；
GLM-4.5 模型卡披露 355B 总参数、32B 激活，MIT 许可，并提供 BF16/FP8 版本。[6:1]
Kimi 的强项则偏长上下文、推理与 agentic coding。
Kimi k1.5 论文称 long-CoT 版本 AIME 77.5、MATH500 96.2、Codeforces 94th percentile，匹配 OpenAI o1；
Kimi K2 为 1T 总参数、32B 激活，128K 上下文，在其 README 给出的 SWE-bench Verified Agentless Coding 设置下达到 51.8，接近 Claude Opus 4 的同表 53.0。[15][16]
这说明公开模型维度的差距已经高度分化：通用知识 benchmark 差距缩小，数学与代码局部逼近，agent 与产品稳定性仍有差距，多模态和长流程执行仍要看真实场景。
3. 算力规模与可用性：美国优势仍然巨大
算力不是空泛的“GPU 数量”。
训练前沿模型需要高端 GPU/HBM、NVLink/NVSwitch、InfiniBand、CUDA/NCCL、液冷、电力、调度、故障恢复、数据管线同时成立。
Meta Llama 3.1 405B 使用超过 16K H100，是一个公开参照：美国阵营可以把超大 H100 集群用于开放模型训练，并公开交付权重。[1:1]
中国也能组织大规模训练，但受限项更多：H100/H200/B200/GB200 等先进平台采购不稳定；
H800/A800 这类降规卡的窗口会被管制迭代压缩；
国产芯片即使逻辑计算接近，也会在 HBM、先进封装、互联、软件生态、稳定性和规模供货上遇到多重摩擦。
BIS 2023 规则已经从单纯性能阈值推进到 performance density，以防通过更多低密度芯片绕过；
2024 年规则进一步把 HBM 纳入 ECCN 3A090.c，且明确当前量产 HBM 堆叠均超过相关阈值。[17][18]
这意味着美国管制的目标不是某一张卡，而是让中国难以稳定获得前沿训练系统的关键组合件。
4. 推理成本与应用扩散：中国有明显低价竞争力
如果用“单位 token 成本和企业采用门槛”衡量，中国模型的竞争力更强。
DeepSeek 官方价格页显示 DeepSeek-V4-Flash 的 1M 输入 cache miss 价为 0.14 美元，输出 0.28 美元；
Qwen Cloud 页面显示 Qwen3.5-flash 输入 0.10 美元/1M tokens，输出 0.40 美元/1M tokens。[19][20]
这些价格会随时间和折扣变化，但方向很清楚：低价长上下文模型对客服、办公、代码助手、批量文档处理、企业知识库、内容生成、中文业务流程很有吸引力。
低价不是纯粹优势。
它可能来自工程效率，也可能来自补贴、云厂商价格战或市场换份额策略。
若低价无法覆盖持续训练、推理扩容和企业 SLA 成本，长期会压缩再投资能力。
但从 2026 年时点看，低 API 价格确实会让中国模型更快进入成本敏感场景，并积累本土工作流反馈。
5. 产品与全球生态：美国仍有复合优势
大模型最终不是论文分数，而是产品系统。
美国头部公司在全球开发者、企业合同、云分发、支付、合规、插件、IDE、办公套件、多模态终端和安全评测上积累更久。
Microsoft、Google、Amazon、Meta、Apple、OpenAI、Anthropic 形成的是平台群，而不是单模型竞争。
中国优势在另一侧：本土场景密度高、成本敏感客户多、应用团队迭代快，电商、支付、内容、办公、教育、制造、政务等工作流复杂且集中。
MERICS 对中国 AI 芯片和大模型产业的报告指出，在模型和应用层面中国正在接近美国；
硬件挑战仍限制更广泛部署，但本土 LLM 采用率高，产业正在转向 specialized applications。[21]
这会造成一个反直觉局面：美国可能继续拥有最强通用前沿模型，中国可能在某些高频、低价、本土化、流程嵌入型应用里形成更快扩散。
二、历史演变：从“前沿模型能力差距”到“算力系统工程差距”
1. 2020–2022：美国定义范式，中国主要跟随
2020 年 GPT-3 发布时，175B 参数和 few-shot learning 让大模型路线从“更大预训练模型”变成产业共识。[22]
当时中国的差距主要是路线、人才密度、算力投入、开源生态和产品化节奏。
大模型仍像实验室和少数云厂商的高成本项目，普通用户还没有被卷入。
2022 年 ChatGPT 发布改变了比较口径。
它不是单纯模型发布，而是把指令跟随、RLHF、对话界面、在线反馈和消费级传播连在一起。[23]
中美差距在这一刻被放大：美国不仅有模型，还把模型变成产品入口，并通过真实用户反馈改进系统。
中国在 2023 年初快速补课，但多数产品先解决“有没有 ChatGPT 类体验”，而不是定义下一代交互。
2. 2023：GPT-4 把门槛抬到综合系统能力
GPT-4 的意义不是某个 benchmark，而是它把大模型从“会聊天”推向跨学科推理、代码、图像输入、安全对齐和产品 API。[7:1]
中国厂商在 2023 年密集发布模型，但总体处在追赶阶段：参数规模、训练数据、中文能力、工具调用、推理能力、稳定性和 API 生态都需要补齐。
这一阶段，差距仍可以被描述为“前沿能力差距”。
美国顶级闭源模型明显领先，中国模型在中文、特定行业和本土产品上有局部优势，但全球开发者对最强模型的默认选择仍是 GPT-4、Claude、Gemini。
3. 2024：开放模型成为第二战场，中国开始在效率上找到抓手
2024 年两个变化同时发生。
美国一侧，Llama 3/3.1 把开放权重模型推进到 frontier-level openly available model 的叙事里。
Meta 公开称 Llama 3.1 405B 使用超过 16K H100、15T+ tokens，并支持 128K context。[1:2]
这证明开放模型也需要极大算力投入，美国并非只在闭源前沿领先。
中国一侧，DeepSeek-V2、Qwen2.5、GLM-4 等模型说明追赶路径开始分化。
DeepSeek 走 MoE、MLA、低成本训练和系统优化；
Qwen 走全尺寸开源和工具生态；
GLM 强调中文、中英双语、长上下文和 agent；
Kimi 强调长上下文产品体验。[14:1][24][5:2]
这时中国不再只是复制 GPT 路线，而是在有限算力条件下寻找能力密度。
4. 2025：DeepSeek-R1 之后，差距讨论从“能不能追上”转为“在哪些层面追上”
DeepSeek-V3/R1 把中美差距讨论带入新阶段。
V3 的 2.788M H800 GPU hours 与 557.6 万美元训练成本估算，引发全球对“前沿模型训练成本是否被高估”的重新评估；
R1 通过强化学习和开源蒸馏模型，把推理能力追赶变成开发者可验证事件。[2:2][3:1]
同时，Qwen3、Kimi k1.5/K2、GLM-Z1/4.5、Seed1.5-VL 形成多个方向的局部突破：Qwen3 在开源生态和多语言工具能力上扩展；
Kimi 在长 CoT 与 agentic coding 上发力；
GLM 把 reasoning/coding/agent 与 MIT 开源部署结合；
Seed1.5-VL 在视觉-语言与 GUI control 等任务上展示强多模态能力。[4:2][15:1][16:1][6:2][25]
但这并不等于中国全面追上。
美国前沿模型也在移动：Claude 4 强调 SWE-bench 和长时间 agent；
Gemini 2.5 强调 thinking；
OpenAI o 系列强调工具化推理。[11:1][13:1][9:1]
差距从“单模型分数”转向“谁能持续把复杂推理、多模态、工具、代码、企业交付合成稳定系统”。
5. 2026：可见差距缩小，不可见差距更重要
到 2026 年，更准确的判断是：
公开 benchmark 上，中国模型已经能在多个维度进入第一梯队。 DeepSeek、Qwen、Kimi、GLM 不再只是中文模型，而是全球开发者会认真比较的候选。
闭源前沿和产品系统上，美国仍领先。 最强模型的训练规模、后训练数据、在线反馈、企业平台、安全评测和推理基础设施不可见，但从产品体验和生态看仍有优势。
算力差距没有消失，而是从“有没有 GPU”演化为“能否稳定获得整套 AI 工厂”。 HBM、NVLink/NVSwitch、NDR InfiniBand、CUDA/NCCL、电力、液冷、运维、调度、成本同时决定天花板。
这就是历史演变的主线：2020–2023 年差距主要表现为美国定义模型范式；
2024–2025 年中国用开源和工程效率压缩可见能力差距；
2026 年竞争焦点转向算力系统、产品闭环和应用扩散。
三、算力是核心瓶颈，但“算力”不是 GPU 三个字
1. 先进训练芯片：H100 之后，竞争单位升级为机架级系统
H100 不是一张普通加速卡。
NVIDIA H100 SXM 配备 80GB HBM、3.35TB/s 显存带宽、900GB/s NVLink，并支持 Transformer Engine/FP8。[26]
这些参数共同决定大模型训练的有效吞吐：HBM 不够，batch 与上下文受限；
互联不够，all-reduce/all-to-all 卡住；
软件栈不够，硬件利用率下降。
Blackwell/GB200 NVL72 把竞争单位从“单卡”推到“整机架 AI 系统”。
NVIDIA 将 72 GPU rack-scale 系统、NVLink/NVSwitch、液冷、电源和软件一体化交付。[27]
这对中国的含义很直接：即使国产芯片单卡指标接近，若无法提供同等级机架级互联、散热、电源、软件、调度和供应链，训练大模型的实际成本仍会被放大。
2. HBM 与先进封装：国产 AI 芯片的隐藏瓶颈
很多讨论把芯片等同于逻辑裸片，忽略 HBM。
2024 年 BIS 规则将 certain high bandwidth memory 纳入先进计算控制，ECCN 3A090.c 以 memory bandwidth density 为阈值，并指出当前量产 HBM 堆叠均超过相关阈值。[18:1]
这相当于把中国 AI 芯片从“能不能设计”推进到“能不能量产高带宽内存封装系统”的问题。
HBM 涉及 TSV 堆叠、先进封装、热管理、测试、良率、客户验证和产能分配。
SK hynix、Samsung、Micron 与 NVIDIA/AMD/Google 等大客户绑定紧密；
台积电 CoWoS 等先进封装产能也与美国前沿芯片生态耦合。
中国如果无法稳定获得 HBM3E/HBM4 与先进封装，国产 AI 芯片即使能跑，也会在容量、带宽、良率、交付速度上受限。
3. 互联与软件栈：有效算力比名义算力更重要
大模型训练需要成千上万 GPU 同步工作。
H100 的 NVLink 900GB/s 与 PCIe Gen5 128GB/s 的差距说明，节点内互联不是可有可无的加速项，而是训练效率的基础。[26:1]
跨节点则依赖 InfiniBand/RDMA、拥塞控制、拓扑规划、NCCL 通信库和训练框架调优。
NVIDIA InfiniBand NDR 400Gb/s 已成为许多 H100/H200 超级集群的事实标准。[28]
MegaScale 论文讨论超过 10,000 GPU 的 LLM 训练，里面的核心经验不是“买够卡”，而是并行策略、网络、调度、故障恢复、观测、存储、数据加载和稳定性。[29]
GPU 集群规模越大，单点硬件故障、网络拥塞、checkpoint、straggler、热与电力波动都会变成训练效率损失。
这也是 CUDA 生态的护城河。
MERICS 指出，大多数 AI 模型和代码围绕 CUDA 写成，迁移到非 NVIDIA 芯片成本高；
CUDA 兼容层需要持续维护且难以达到原生同等效率。[21:1]
国产芯片不是没有机会，但需要同时解决编译器、算子库、通信库、训练框架、调试工具、文档、开发者习惯和大规模稳定性。
4. 电力与数据中心：AI 竞争正在变成能源和基础设施竞争
美国能源部/LBNL 报告显示，美国数据中心用电从 2014 年 58TWh 增至 2023 年 176TWh，2023 年约占美国总用电 4.4%；
预计 2028 年可能达到 325–580TWh，占 6.7%–12%。[30]
IEA 也估计，全球数据中心、AI 和加密货币用电可能从 2022 年约 460TWh 增至 2026 年超过 1000TWh。[31]
这对中美差距的影响有两层。
一层是绝对供给：前沿训练和大规模推理需要数百 MW 甚至 GW 级项目的电力规划、变电站、液冷、备用电源、PPA、土地和网络接入。
美国云厂商虽然也面对电网瓶颈，但资本开支、长期电力采购和数据中心工程能力强。
另一层是效率放大：如果中国因为高端 GPU 受限而使用更多低效芯片完成同等训练或推理任务，电力、冷却、机房、运维和故障率成本会被成倍放大。
算力差距最终会变成每 token 成本差距，而不是只体现在训练一次模型的预算上。
5. 算力利用率：总量不足之外，还有碎片化问题
中国并非没有建设算力中心。
问题在于算力是否集中、同构、可调度、贴近需求、能被高利用率使用。
TrendForce 转述的报道指出，2024 年中国至少新增 100 万颗 AI 芯片，但部署效率不足，分散在不同质量的数据中心，部分高性能芯片被放在需求较低地区。[32]
这类信息需谨慎看待，因为具体数字和来源链条未必完全透明。
但它指向一个真实问题：算力不是库存。
大模型训练需要同构集群、低延迟网络、稳定供电、统一调度、高质量数据管线和持续任务负载。
地方分散建设、低利用率、异构芯片混用，会让“账面算力”变成“不可用于前沿训练的算力”。
四、除了算力，中国的天花板还有五个
1. 高质量数据与全球反馈
预训练数据规模本身不再稀缺，稀缺的是高质量、多语言、领域深、实时更新、低污染、可合法使用的数据，以及后训练所需的人类偏好、专家解题、工具轨迹、代码修复、企业流程数据。
美国前沿模型有全球用户和企业客户。
ChatGPT、Claude、Gemini、GitHub Copilot、Google Workspace、Microsoft 365、Android、Chrome、YouTube、AWS、GCP、Azure 等产品入口，可以形成跨国家、跨行业、跨语言的反馈。
中国模型在中文、本土办公、电商、内容、政务、教育场景更近，但全球产品反馈相对受限。
这会影响后训练质量。
DeepSeek-R1 证明强化学习和蒸馏能大幅提高推理能力，但持续改进仍依赖任务分布、评测体系和真实用户轨迹。[3:2]
如果没有足够广泛的困难任务反馈，模型容易在公开 benchmark 上强，在开放世界任务上弱。
2. 后训练与评测体系
2025 年以后，大模型竞争越来越多发生在预训练之后：RL、长思维链、工具使用、代码执行、agent 轨迹、偏好优化、安全对齐、合成数据、蒸馏与推理时计算。
中国在这一点上追得很快。
DeepSeek-R1、Qwen3 thinking/non-thinking、Kimi k1.5、GLM-Z1 都说明中国团队已经掌握一批有效方法。[3:3][4:3][15:2][6:3]
天花板在于评测和真实任务是否匹配。
公开 benchmark 会被训练污染、提示工程、采样次数和 harness 设置影响。
SWE-bench、LiveCodeBench、AIME、GPQA、MMLU-Pro 都有价值，但无法完全代表企业长流程任务。
谁能构建更接近真实工作的私有评测和数据闭环，谁就能更快改进产品。
3. 顶尖研究组织与长期投入
中美都有强人才。
差异在于组织结构和长期投入方式。
美国前沿公司可以给研究员、工程师、产品团队和数据中心团队极高预算，并把研究、基础设施、产品和商业化连接。
中国团队执行力强，成本约束下的工程创新突出，但价格战、融资周期、监管不确定性和硬件供给不稳定会影响长期训练节奏。
DeepSeek 的成功显示小而强的研究组织可以在算法和工程效率上创造异常值。
但异常值不能自动推导为全行业优势。
要持续追赶前沿，需要多家公司、多代模型、多套基础设施、多轮失败试验。
算力受限时，试错次数本身会下降。
4. 产品闭环与企业客户付费能力
美国头部模型公司可以把大模型嵌入高付费企业场景：代码、办公、客服、数据分析、设计、搜索、云服务、安全、合规。
中国市场应用密度高，但企业软件付费能力、SaaS 生态、私有化交付习惯和价格敏感程度不同。
低价会促进扩散，也会压缩模型服务商利润。
中国大模型若要突破天花板，必须从“便宜好用”走向“可靠可付费”。
这包括 SLA、权限管理、审计、私有数据治理、幻觉控制、工具调用稳定性、长流程执行和可观测性。
单项 benchmark 追平不等于企业系统追平。
5. 全球化与监管环境
美国模型在全球市场面对监管，但仍拥有更强的国际企业客户和开发者渠道。
中国模型在部分海外市场有开源传播力，但云服务、数据合规、政治信任、支付渠道、企业采购和生态伙伴会限制扩张。
监管也会影响模型能力边界。
中国大模型需要适应本土内容安全要求，可能在某些开放式生成、社会议题、多语言信息覆盖上更保守。
美国模型也有安全约束，但全球任务分布更广，训练和评测覆盖面更大。
五、工程效率与应用场景能否抵消算力劣势？能，但有边界
1. DeepSeek 证明的是“成本曲线可被重写”，不是“算力不重要”
DeepSeek-V3 的价值在于它把有限 H800 算力转化为高能力密度。
MoE 稀疏激活、MLA、FP8、负载均衡、多 token prediction、训练稳定性共同降低训练和推理成本。[2:3]
DeepSeek-R1 又说明，推理能力可以通过强化学习、蒸馏和开源生态快速扩散。[3:4]
这确实反驳了“只有堆更多 GPU 才能进步”的线性叙事。
但它没有推翻 scaling。
更高效的算法会让所有人受益，美国前沿实验室也会采用类似路线；
当效率红利用完，前沿竞争仍会回到更多实验、更大集群、更强推理基础设施和更多真实反馈。
2. Qwen/GLM/Kimi 证明的是“开源生态可形成替代路径”
Qwen 的 Apache 2.0、GLM 的 MIT、Kimi 的开放权重和 agentic coding 方向，使中国模型在开发者采用上有强扩散力。[4:4][6:4][16:2]
对很多企业，最强闭源模型不是唯一选择；
可私有化部署、低价、中文能力、工具调用、长上下文、许可友好更重要。
这条路径能抵消一部分算力劣势，因为应用不总需要最强模型。
大量任务只需要“够强、够便宜、够稳定、能接入业务系统”。
中国模型在这类场景有机会快速扩散。
边界也清楚：开放权重模型如果缺少持续训练投入、推理基础设施和生态工具，容易停留在“下载试用”。
美国的开源模型也在进步，Meta、Mistral、Google 等都不会放弃开放生态。
3. 应用场景优势存在，但不能自动变成前沿模型优势
中国有密集本土场景：电商客服、短视频内容、直播、供应链、制造、教育、政务、办公自动化、金融风控、跨境电商、中文知识库。
这些场景能产生任务数据、反馈和收入，也能迫使模型优化成本和延迟。
但应用场景优势到前沿模型优势之间有断层。
场景数据通常碎片化、私有化、质量不均、合规复杂；
企业客户不一定愿意把高价值轨迹反馈给模型厂商；
本土场景强不等于全球多语言场景强。
中国可以在应用层形成局部领先，但要反哺通用前沿模型，还需要数据治理、评测体系、持续训练和产品平台。
4. 最可能抵消算力劣势的领域
未来 12–24 个月，中国更可能在这些方向用效率和场景抵消算力劣势：
成本敏感型推理服务：长上下文文档处理、客服、办公、批量内容生成。
中文与亚洲语言场景：本土文化、政策、行业术语、企业流程。
开源自部署：Qwen、GLM、DeepSeek、Kimi 在私有化、边缘部署、行业微调中有优势。
代码与 agent 的局部任务：修复 bug、生成脚本、低风险工具链、企业内部自动化。
多模态行业应用：质检、教育、内容审核、GUI 操作、视觉文档理解。
最难抵消的领域是：最强闭源通用推理、多模态实时交互、长时间自主 agent、全球企业平台、最高可靠性代码代理、超大规模推理基础设施。
六、横向对照：不是美国 vs 中国，而是五条路线互相竞争
1. OpenAI/Anthropic/Google：闭源前沿 + 产品平台
这条路线的核心不是公开 benchmark，而是把模型能力嵌入产品。
OpenAI 通过 ChatGPT、API、工具、实时多模态和 o 系列推理模型，持续定义大众和开发者对 AI 助手的预期。
Anthropic 通过 Claude 的长上下文、代码、企业安全和 agent 能力，抓住高价值知识工作。
Google 把 Gemini 接入搜索、Android、Workspace、云和多模态生态。
优势：前沿能力、全球用户、企业客户、数据反馈、基础设施、品牌信任。
弱点：闭源成本高、价格较高、监管压力大、模型安全和产品责任重。
2. Meta：开放权重 + 巨额算力
Meta 证明开放权重不等于低投入。
Llama 3.1 405B 的 16K+ H100 训练规模说明，开放模型同样可以由巨额算力驱动。[1:3]
优势：全球开发者、开放生态、美国基础设施、与社交平台长期结合潜力。
弱点：开放权重商业变现间接；
前沿训练投入巨大；
与闭源 API 公司竞争方式不同。
3. DeepSeek：效率极限 + 开源冲击
DeepSeek 的路线最具颠覆性：用稀疏架构、训练优化和后训练降低成本，把强模型以开放方式释放。
它对全球市场的影响不是“一个中国模型变强”，而是迫使所有人重新计算前沿模型的成本结构。
优势：工程效率、开源传播、低价 API、推理模型影响力。
弱点：持续前沿训练仍受算力、商业化和服务稳定性约束；
开源影响力不等于平台控制力。
4. Qwen/GLM/Kimi：生态、许可与应用型能力
Qwen 像模型基础设施，覆盖多尺寸、多语言、工具、商业友好许可；
GLM 强调中英、agent、reasoning、coding 和低部署门槛；
Kimi 强调长上下文、推理和 agentic coding。[4:5][6:5][16:3]
优势：开源和本土应用结合，企业部署灵活，成本低，中文和多语言场景强。
弱点：全球品牌和企业生态弱于美国前沿公司；
最高闭源能力、产品稳定性、推理基础设施仍需验证。
5. 豆包/Seed：产品流量 + 多模态
ByteDance Seed 的路径是用内容平台、推荐系统和多模态产品经验推动模型落地。
Seed1.5-VL 技术报告称其在 60 个公开 VLM benchmark 中 38 个达到 SOTA，并在 GUI control/gameplay 等 agent-centric 任务中表现强。[25:1]
优势：流量入口、内容场景、多模态数据、推荐与产品工程经验。
弱点：公开透明度相对有限；
全球企业 AI 平台影响力不如美国云和模型公司。
七、交叉洞察：2026 年以后，差距会沿着“系统能力”重新分层
洞察 1：算力仍是硬约束，但真正的约束单位已经从 GPU 升级为“AI 工厂”
数据依据
Meta Llama 3.1 405B 使用超过 16K H100、15T+ tokens 训练，说明 frontier-level 开放模型也依赖超大 H100 集群。[1:4]
NVIDIA H100 SXM 提供 80GB HBM、3.35TB/s 显存带宽、900GB/s NVLink；GB200 NVL72 则把 72 GPU、NVLink/NVSwitch、机架级供电与液冷产品化。[26:2][27:1]
BIS 2024 规则把 HBM 纳入先进计算控制，并明确当前量产 HBM 堆叠超过阈值。[18:2]
推理链
从 Llama 3.1 的训练规模可以看出，前沿模型不是少量 GPU 就能持续迭代；
从 H100/GB200 的系统规格可以看出，有效算力取决于 HBM、互联、软件和机架级工程；
从 BIS 对 HBM 和先进计算芯片的联动管制可以推出，中国被卡的不是单个采购渠道，而是整套 AI 工厂的关键组件。
因此，“差在算力”是正确入口，但更准确的表述应是：中美差距的硬约束在 可规模化、可稳定运行、可持续供电、可低成本推理的 AI 工厂能力。
置信度：高 可证伪条件：如果未来 12–18 个月中国厂商能公开运行 10K+ 高端国产 AI 芯片同构训练集群，并在 MLPerf 或同等级端到端训练任务上接近 H100/H200 集群效率，同时稳定供应 HBM 与软件栈，该判断需要下调。
洞察 2：公开模型差距会继续收敛，但闭源前沿差距不会同步收敛
数据依据
DeepSeek-V3 用 2.788M H800 GPU hours 训练 671B/37B active MoE，并在多个公开指标接近闭源前沿模型。[2:4]
Qwen3-235B-A22B、Kimi k1.5/K2、GLM-4/4.5 在推理、代码、agent、开源部署上提供多个强公开样本。[4:6][15:3][16:4][5:3][6:6]
Claude 4、Gemini 2.5、OpenAI o 系列继续把竞争推向代码代理、工具使用、长时间任务和多模态推理，而这些维度的真实产品表现难以由单个公开 benchmark 完全测量。[11:2][13:2][9:2]
推理链
中国公开模型的进步主要来自架构效率、MoE、后训练、开源生态和应用成本；
这些因素能快速压缩公开榜单上的可见差距。
但美国闭源前沿同时在扩展不可见维度：真实用户反馈、企业 workflow、工具链、长时间 agent、多模态交互、安全评测和推理基础设施。
公开模型追近 benchmark，不必然等于追平闭源产品系统。
所以未来更可能出现“双轨收敛”：开源/公开模型能力差距缩小，最强闭源模型与产品平台差距仍保持。
置信度：高 可证伪条件：如果 2026–2027 年中国模型在全球企业开发者平台、代码代理、实时多模态、长流程工具执行和付费 API 收入上同时进入全球前三，并且用户侧盲测稳定超过 OpenAI/Anthropic/Google，该判断被推翻。
洞察 3：中国最可能用低价和开源扩大应用份额，而不是直接夺取最强模型定义权
数据依据
DeepSeek-V4-Flash 官方价格为 cache miss 输入 0.14 美元/1M tokens、输出 0.28 美元/1M tokens；Qwen3.5-flash 为输入 0.10 美元/1M tokens、输出 0.40 美元/1M tokens。[19:1][20:1]
Qwen3 开源权重采用 Apache 2.0，GLM-4.5 采用 MIT，Kimi K2 采用 Modified MIT，DeepSeek-R1 开源模型和蒸馏模型降低开发者试用门槛。[4:7][6:7][16:5][3:5]
MERICS 指出中国在模型和应用层面正在接近美国，本土市场保护与高采用率推动 specialized applications。[21:2]
推理链
低 API 价格降低企业试错成本，开放权重降低私有化和二次开发门槛，本土场景提供高频应用反馈。
这三者叠加，会让中国模型在客服、办公、文档、中文知识库、低风险代码、行业助手等场景快速扩散。
它不要求中国立刻拥有最强闭源模型，只要求中国模型在“够用 + 便宜 + 可控 + 易部署”上持续领先。
这意味着中国的优势扩张路径更像应用渗透，而不是单点夺冠。
置信度：中高 可证伪条件：如果未来 12 个月中国主流模型 API 价格显著上升到接近美国闭源模型，而企业采用率没有同步提高；
或低价导致严重服务不稳定和开发者流失，该判断下调。
洞察 4：GLM、Qwen、Kimi 的意义在于“多路线冗余”，它降低了中国被单点卡死的概率
数据依据
Qwen3 覆盖 0.6B 到 235B-A22B，多语言、工具调用、thinking/non-thinking、Apache 2.0，适合开发者生态。[4:8]
GLM-4/4.5 强调中英、agent、reasoning、coding、MIT 许可和 FP8 部署配置，适合企业自部署与 agent 场景。[5:4][6:8]
Kimi k1.5/K2 强调长 CoT、长上下文和 agentic coding，Kimi K2 达 1T 总参数、32B 激活，形成与 DeepSeek/Qwen 不同的技术重心。[15:4][16:6]
推理链
如果中国只有一个 DeepSeek 异常值，那么追赶可能被解释为单家公司偶然成功。
但 Qwen、GLM、Kimi、Seed 分别在开源生态、agent、长上下文、多模态、低价 API 上形成不同路线，说明中国大模型产业已经有多条可用路径。
多路线冗余会降低单一硬件、单一模型、单一商业模式失败的风险。
但冗余也会带来资源分散。
若每条路线都缺乏足够算力和商业收入，长期可能形成“多个强二线模型”，而不是一个持续定义前沿的全球平台。
置信度：中 可证伪条件：如果未来 18 个月中国开源模型生态出现明显收缩，只剩少数厂商维护，或者 Qwen/GLM/Kimi/DeepSeek 中多数停止高强度迭代，该判断被推翻。
洞察 5：未来 24 个月最大分化点不是“模型会不会更聪明”，而是“谁能承受推理规模化后的成本”
数据依据
DOE/LBNL 预计美国数据中心用电到 2028 年可能达到 325–580TWh，占美国总用电 6.7%–12%。[30:1]
IEA 预计全球数据中心、AI 和加密货币用电可能从 2022 年约 460TWh 增至 2026 年超过 1000TWh。[31:1]
中国低价 API 对应用扩散有利，但如果低价主要依赖补贴或牺牲利润率，会影响持续训练和推理扩容。[19:2][20:2]
推理链
AI 模型越强，推理调用越多，长上下文、agent、多模态、代码执行越耗算力。
竞争从训练一次模型，变成每天为海量用户提供低延迟、高可靠、可审计的推理服务。
电力、机房、液冷、芯片效率、调度、缓存、模型路由、低秩/蒸馏、专用推理芯片都会影响单位经济。
因此，未来差距可能不由“谁发布了一个高分模型”决定，而由谁能在数十亿到万亿级 token 日调用中保持低成本和高可靠决定。
置信度：高 可证伪条件：如果未来 24 个月模型能力提升主要来自小模型本地化和端侧推理，云端大规模推理需求增长低于预期，电力和数据中心不再成为头部公司财报与扩张限制，该判断需要重写。
八、未来 12–24 个月判断：哪里扩大，哪里收敛
继续扩大的层面
**最强闭源模型与长流程 agent。
** 美国仍更可能在最强通用模型、长时间自主任务、企业代码代理、实时多模态交互上领先。
原因不是单个 benchmark，而是全球产品反馈、算力系统、企业客户和基础设施的复合优势。
**AI 工厂建设。
** Blackwell/GB200、HBM3E/HBM4、NVLink/NVSwitch、NDR/更高速网络、液冷数据中心、电力采购会继续把竞争单位推高。
中国若无法稳定获得高端 HBM 与机架级系统，训练和推理成本差距会扩大。
**全球企业平台。
** 美国模型公司和云厂商更容易进入全球大型企业工作流，形成付费闭环。
中国模型在全球市场会受到合规、信任、渠道和地缘政治限制。
可能收敛的层面
**开源权重模型。
** DeepSeek、Qwen、GLM、Kimi 已证明中国能在公开模型上持续追近。
只要开源迭代不断，公开能力差距会继续缩小。
**中文和本土行业应用。
** 中国模型在中文语境、政企流程、电商内容、制造供应链、教育和办公等场景可能更快优化。
**推理成本。
** 中国模型低价竞争会倒逼全球模型 API 降价。
若中国厂商能保持服务稳定，成本敏感场景会继续向中国模型倾斜。
**小模型/端侧/专用模型。
** 算力受限反而会推动蒸馏、量化、MoE、小模型路由、端侧部署和行业专用模型，这些方向不完全依赖最大训练集群。
最不确定的层面
**国产 AI 芯片生态。
** 如果国产芯片在 HBM、先进封装、软件栈和集群互联上出现超预期突破，中国前沿训练天花板会提高。
若突破慢，开源模型进步可能越来越依赖存量 NVIDIA 卡、进口替代卡和算法效率。
**低价商业模式可持续性。
** 低价能扩散，也可能伤利润。
若价格战拖累研发投入，中国模型会在应用层繁荣、前沿层承压。
**合成数据与后训练是否继续释放红利。
** 如果后训练和推理时计算仍能显著提高能力，中国可用更少训练算力获得更强模型；
如果红利递减，前沿竞争会重新回到大规模算力和真实数据。
九、结论：差在算力，但不是只差算力
“中美 AI 大模型差距主要差在算力”这个先验是对的，但需要升级。
2026 年的算力差距不是 GPU 数量差距，而是 先进芯片 + HBM + 先进封装 + 互联网络 + CUDA/NCCL 软件栈 + 数据中心电力 + 集群运维 + 推理成本 的系统差距。
美国优势在系统集成，中国优势在工程效率、开源扩散、低价和本土应用场景。
更准确的总判断是：
美国仍掌握闭源前沿和 AI 工厂优势。 它更可能持续定义最强模型、长流程 agent、全球企业平台和高端推理基础设施。
中国已经显著压缩公开模型差距。 DeepSeek、Qwen、GLM、Kimi、Seed 等路线证明，中国不是单点追赶，而是在多个技术和应用方向形成冗余。
中国最现实的突破路径不是正面复制美国闭源前沿，而是用开源、低价、工程效率和本土场景扩大应用份额。
最终天花板取决于国产算力系统能否成熟。 如果 HBM、先进封装、互联、软件栈和数据中心工程不能追上，算法效率会不断被硬件系统天花板消耗；如果这些环节突破，中国模型的应用优势才可能向前沿模型优势反哺。
2026 年以后，中美大模型竞争不会是一条线上的你追我赶，而会分成三层：美国领先的闭源前沿层，中国快速追近的开源应用层，以及双方都被电力、推理成本和基础设施约束的 AI 工厂层。
真正的差距，就藏在这三层之间的转换效率里。
认知校准
你的先验理解
差在算力
研究后的校准
✅ 确认：算力确实是最硬的约束。尤其是 H100/H200/B200/GB200、HBM3E/HBM4、NVLink/NVSwitch、InfiniBand、CUDA/NCCL、数据中心电力和液冷，共同决定中国能否持续训练和服务前沿模型。
🔄 修正：不能把算力理解成“GPU 数量”。2026 年的关键是有效算力和 AI 工厂能力：同构集群、互联效率、软件生态、故障恢复、推理成本和电力供给比账面卡数更重要。
❌ 推翻：如果先验隐含“中国只要买到足够 GPU 就能追平”，这个判断不成立。数据、后训练、全球反馈、企业产品闭环、开发者生态和商业化也会形成天花板。
💡 新发现：中国最强的反击点不是全面复制美国前沿闭源路线，而是 DeepSeek 式工程效率、Qwen/GLM/Kimi 式开源生态、低价 API 和本土应用场景。它们能在应用层压缩差距，但不自动消除 AI 工厂差距。
最大的认知偏差在哪
最大的偏差是把“算力”看成单一资源，而不是系统能力。
GPU 是入口，真正决定天花板的是芯片、内存、互联、软件、电力、数据、反馈和商业化能否同时闭合。
信息来源
Meta AI, “Introducing Llama 3.1: Our most capable models to date”, 2024-07. URL: https://r.jina.ai/http://r.jina.ai/http://https://ai.meta.com/blog/meta-llama-3-1/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
DeepSeek-AI, “DeepSeek-V3 Technical Report”, arXiv:2412.19437, 2024-12 提交. URL: https://arxiv.org/abs/2412.19437 。成熟度：预印本-16 月。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
DeepSeek-AI, “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning”, arXiv:2501.12948, 2025-01 提交. URL: https://arxiv.org/abs/2501.12948 ；DeepSeek-AI GitHub, “DeepSeek-R1”. URL: https://github.com/deepseek-ai/DeepSeek-R1 。成熟度：预印本-15 月 / 官方代码仓库。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Qwen Team, “Qwen3 Technical Report”, arXiv:2505.09388, 2025-05 提交. URL: https://arxiv.org/abs/2505.09388 ；Qwen Team, “Qwen3”, 2025. URL: https://qwenlm.github.io/blog/qwen3/ 。成熟度：预印本-11 月 / 官方文档。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Zhipu AI, “ChatGLM: A Family of Large Language Models from GLM-130B to GLM-4 All Tools”, arXiv:2406.12793, 2024-06 提交. URL: https://arxiv.org/abs/2406.12793 ；Zhipu AI GitHub, “GLM-4”. URL: https://github.com/zai-org/GLM-4 。成熟度：预印本-22 月 / 官方代码仓库。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Z.ai, “GLM-4.5”, Hugging Face model card. URL: https://huggingface.co/zai-org/GLM-4.5 ；Z.ai GitHub, “GLM-4.5”. URL: https://github.com/zai-org/GLM-4.5 。成熟度：官方模型卡 / 官方代码仓库。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
OpenAI, “GPT-4 Technical Report”, 2023. URL: https://cdn.openai.com/papers/gpt-4.pdf ；OpenAI, “GPT-4 Research”. URL: https://r.jina.ai/http://r.jina.ai/http://https://openai.com/index/gpt-4-research/ 。成熟度：官方技术报告。访问日期：2026-04-27。 ↩︎ ↩︎
OpenAI, “GPT-4o System Card”, 2024. URL: https://r.jina.ai/http://r.jina.ai/http://https://openai.com/index/gpt-4o-system-card/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎
OpenAI, “Introducing OpenAI o3 and o4-mini”, 2025. URL: https://r.jina.ai/http://r.jina.ai/http://https://openai.com/index/introducing-openai-o3-and-o4-mini/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
Anthropic, “Introducing the next generation of Claude”, 2024-03. URL: https://www.anthropic.com/news/claude-3-family 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎
Anthropic, “Claude 4”, 2025-05. URL: https://www.anthropic.com/news/claude-4 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
Google, “Gemini: our largest and most capable AI model”, 2023-12. URL: https://blog.google/innovation-and-ai/technology/ai/google-gemini-ai/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎
Google DeepMind, “Gemini model thinking updates”, 2025-03. URL: https://blog.google/innovation-and-ai/models-and-research/google-deepmind/gemini-model-thinking-updates-march-2025/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
DeepSeek-AI, “DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model”, arXiv:2405.04434, 2024-05 提交. URL: https://arxiv.org/abs/2405.04434 。成熟度：预印本-23 月。访问日期：2026-04-27。 ↩︎ ↩︎
Moonshot AI, “Kimi k1.5: Scaling Reinforcement Learning with LLMs”, arXiv:2501.12599, 2025-01 提交. URL: https://arxiv.org/abs/2501.12599 ；Moonshot AI GitHub, “Kimi-K1.5”. URL: https://github.com/MoonshotAI/Kimi-K1.5 。成熟度：预印本-15 月 / 官方代码仓库。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Moonshot AI, “Kimi K2: Open Agentic Intelligence”, arXiv:2507.20534, 2025-07 提交. URL: https://arxiv.org/abs/2507.20534 ；Moonshot AI GitHub, “Kimi-K2”. URL: https://github.com/MoonshotAI/Kimi-K2 。成熟度：预印本-9 月 / 官方代码仓库。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Bureau of Industry and Security, “Implementation of Additional Export Controls: Certain Advanced Computing Items; Supercomputer and Semiconductor End Use; Updates and Corrections”, Federal Register, 2023-10-25. URL: https://www.federalregister.gov/documents/2023/10/25/2023-23055/implementation-of-additional-export-controls-certain-advanced-computing-items-supercomputer-and 。成熟度：官方法规。访问日期：2026-04-27。 ↩︎
Bureau of Industry and Security, “Foreign-Produced Direct Product Rule Additions, and Revisions to Export Controls for Advanced Computing”, Federal Register, 2024-12-05. URL: https://www.federalregister.gov/documents/2024/12/05/2024-28270/foreign-produced-direct-product-rule-additions-and-revisions-to-export-controls-for-advanced-computing 。成熟度：官方法规。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
DeepSeek, “API Pricing”. URL: https://api-docs.deepseek.com/quick_start/pricing/ 。成熟度：官方价格页。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
Alibaba Cloud / Qwen, “Model pricing”. URL: https://www.alibabacloud.com/help/en/model-studio/model-pricing ；Qwen Cloud, “Pricing”. URL: https://docs.qwencloud.com/developer-guides/getting-started/pricing 。成熟度：官方价格页。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
MERICS, “China’s drive toward self-reliance in artificial intelligence chips and large language models”, 2025. URL: https://merics.org/en/report/chinas-drive-toward-self-reliance-artificial-intelligence-chips-large-language-models 。成熟度：行业研究报告。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
Brown et al., “Language Models are Few-Shot Learners”, arXiv:2005.14165, 2020. URL: https://arxiv.org/abs/2005.14165 。成熟度：已发表-顶会论文（NeurIPS 2020）。访问日期：2026-04-27。 ↩︎
OpenAI, “Introducing ChatGPT”, 2022-11. URL: https://r.jina.ai/http://r.jina.ai/http://https://openai.com/index/chatgpt/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎
Qwen Team, “Qwen2.5: A Party of Foundation Models”, 2024-09. URL: https://qwenlm.github.io/blog/qwen2.5/ 。成熟度：官方文档。访问日期：2026-04-27。 ↩︎
ByteDance Seed, “Seed1.5-VL Technical Report”, arXiv:2505.07062, 2025-05 提交. URL: https://arxiv.org/abs/2505.07062 ；ByteDance Seed, “Seed1.5 Tech Report”. URL: https://seed.bytedance.com/en/special/seed1_5_tech_report 。成熟度：预印本-11 月 / 官方文档。访问日期：2026-04-27。 ↩︎ ↩︎
NVIDIA, “NVIDIA H100 Tensor Core GPU”. URL: https://www.nvidia.com/en-us/data-center/h100/ 。成熟度：官方规格页。访问日期：2026-04-27。 ↩︎ ↩︎ ↩︎
NVIDIA, “NVIDIA GB200 NVL72”. URL: https://www.nvidia.com/en-us/data-center/gb200-nvl72/ 。成熟度：官方规格页。访问日期：2026-04-27。 ↩︎ ↩︎
NVIDIA, “NVIDIA InfiniBand”. URL: https://www.nvidia.com/en-us/networking/products/infiniband/ 。成熟度：官方规格页。访问日期：2026-04-27。 ↩︎
Jiang et al., “MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs”, arXiv:2402.15627, 2024-02 提交. URL: https://arxiv.org/abs/2402.15627 。成熟度：预印本-26 月。访问日期：2026-04-27。 ↩︎
U.S. Department of Energy, “DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers”, 2024. URL: https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers 。成熟度：官方数据 / 政府报告。访问日期：2026-04-27。 ↩︎ ↩︎
International Energy Agency, “Electricity 2024: Executive summary”, 2024. URL: https://iea.blob.core.windows.net/assets/6b2fd954-2017-408e-bf08-952fdd62118a/Electricity2024-Analysisandforecastto2026.pdf 。成熟度：国际机构报告。访问日期：2026-04-27。 ↩︎ ↩︎
TrendForce, “China’s AI Compute Dilemma: Why Advanced GPUs Are Sitting Unused in Idle Data Centers”, 2025-03-12. URL: https://www.trendforce.com/news/2025/03/12/news-chinas-ai-compute-dilemma-why-advanced-gpus-are-sitting-unused-in-idle-data-centers/ 。成熟度：行业媒体 / 二手报道，仅作辅助。访问日期：2026-04-27。 ↩︎