Chapter 11 · 中國對照 · The China Axis

中國:
一個市場從未正確建模的變數

絕大多數關於 AI 泡沫的辯論,都是在一張沒有中國的世界地圖上進行的。多頭談論美國的模型能力、輝達的護城河、雲端商的積壓訂單;空方談論折舊、循環交易與電力。雙方都把中國當成一個「被出口管制擋在門外的落後者」。
本報告認為這是整個辯論中最嚴重的單一錯誤。因為中國不是這場資本週期的旁觀者——它是唯一一個有能力為全球 AI 定價設定地板、並同時製造通縮的外部力量。

本章的核心命題

中國對 AI 資本週期構成方向相反的雙重衝擊:
(A)通縮衝擊——中國以約 1/10 至 1/20 的詞元成本、兩倍於美國的發電裝機、國家級電網調度與開源策略,對全球 AI 的定價施加結構性的下行壓力。這正是刺破 Run-Rate 幻象的那隻手,也是本報告「第一張骨牌」論點的價格面機制。
(B)鏡像衝擊——中國自身的智算中心投資週期也已進入「由輕轉重」,正在以中國特有的制度形式(地方政府平台、算力券、國資智算中心)複製同一套資本密集化與產能錯配問題。同一場泡沫,正在兩個電力系統上同時生成。

SECTION 11.1市場為什麼低估了中國:三個認知錯誤

錯誤一:把「晶片落後」等同於「AI 落後」

出口管制確實讓中國無法取得最先進的 GPU。但 AI 的競爭最終是單位成本與部署規模的競爭,不是單顆晶片的競爭。當你的電力成本是對手的 1/3、且你用稀疏架構把運算量減少 73–90% 時,用落後兩代的晶片達到 95% 的能力、並以 1/30 的價格出售,是完全可行的——而這正是 2026 年正在發生的事。

錯誤二:把「低成本」當成「補貼」

市場普遍假設中國的低價來自政府補貼,因此不可持續。這個假設是錯的。中國的成本優勢有三個來源:(一)演算法效率(MoE、多頭潛在注意力、多詞元預測);(二)電力與土地成本(西部綠電 ¥0.30/度);(三)開源帶來的生態規模效應。三者都是結構性的,沒有一項會因補貼退場而消失。

錯誤三:忽略「部署階段」與「前沿階段」的區別

美國在前沿能力(frontier capability)上仍領先——這一點本報告完全承認。但價值捕獲發生在部署階段,而不是前沿階段。全球絕大多數的 AI 支出是企業與政府的實際部署,而部署階段的買家最佳化的是「便宜、可改、無許可限制」。在這個戰場上,中國目前領先。

SECTION 11.2雙向衝擊的量化框架

SECTION 11.3四個關鍵數字

5–10%
中國新一代 AI 模型的詞元定價,相對於美國旗艦模型之水準(高盛,2026/03)
RAND:成本約為美國同級系統的 1/6 至 1/4
4 / 5
2026 年 2 月,OpenRouter 詞元呼叫量全球前五名中,中國模型所占席次——首次超過美國
該平台中國開發者僅占 6.01%,美國占 47.17%
40% → 8%
輝達在中國 AI 芯片市場之份額(2025 → 2026 預估)
TrendForce:國產芯片占比可能接近 90%
中國發電量與電力裝機容量相對美國之倍數
特高壓輸電與儲能全球領先

第四個數字需要特別說明。它不是「中國贏了」的證據,而是「瓶頸已經轉移」的證據。當晶片是瓶頸時,美國的優勢是決定性的;當電力成為瓶頸時,中國的優勢是決定性的。而 2026 年的具體證據顯示瓶頸正在轉移:美國有高達 50% 的資料中心建案因電力而延遲或取消,而中國的「東數西算」工程已形成覆蓋 14 個省份的 8 大樞紐節點與 10 個資料中心集群。

「算力中心當前深陷電力配置瓶頸,電網老化、併網滯後且長時儲能配套不足,大量算力芯片因缺電閒置。」
——這段話描述的是美國,出自中國產業經濟資訊網的分析。 同一份分析指出:中國一度電可產生約 550 萬詞元,創造約 ¥11 價值(直接售電的 22 倍);若按 OpenAI 定價,可達約 ¥385(785 倍)

SECTION 11.4為什麼這對本報告的核心論點至關重要

回到第 01 章的結構:美國 AI 資本循環能否持續,取決於一個假設——終端使用者最終會以足夠高的價格,買下這些算力所產出的詞元。整個 $5,000 億至 $5.5 兆的資本支出,最終都要由這個假設來償付。

中國的存在,直接攻擊的就是這個假設的價格部分:

表 11-1:中國因素對本報告核心論點的影響路徑
本報告論點中國因素的影響強化或削弱
循環交易創造了不可持續的營收成長價格通縮使循環的終點(終端變現)更難達到強化
Run-Rate 是斜率指標,將在成長減速時崩塌開源與低價競爭是造成成長減速的最可能原因強化
資本密集化將壓縮 ROIC 至 WACC 以下全球價格下行使分子(營收)更難成長強化
信貸市場將率先反應中國因素使終端現金流預測的不確定性上升強化
「並非全面毀滅,而是結構性重構」重構的贏家將包含:能取得低成本算力的應用層、以及電力與電網資產重新定義
AI 技術的生產力價值是真實的低成本使技術擴散更快,社會層面的淨效益可能高於美國業者所能捕獲的私人報酬強化(社會面)
削弱(企業面)

SECTION 11.5分章導讀

第 12 章:電力 vs 芯片——成本曲線的正面對撞

把兩條成本曲線放在同一張圖上:中國的電力成本優勢 vs 美國的晶片性能優勢。含詞元成本的完整拆解、東數西算的會計本質、以及一個關鍵問題——當電力是瓶頸時,誰的成本曲線會贏?

第 13 章:國產替代與出口管制的反效果

出口管制原本的目的是限制中國取得算力。結果是:它為華為創造了一個「輝達無法服務的 captive market」,並促使中國建立從記憶體介面到叢集架構的完整替代堆疊。管制沒有減少中國的算力,它只是把中國的算力訂單從輝達轉給了華為。

第 14 章:智算中心、詞元出海與中式循環交易

中國正在以國家級規模建設智算中心,而其制度形式(地方政府平台、算力券、國資持股)創造了一種不同於美國、但同樣具有循環性質的資本結構。本章同時處理「詞元出海」這個全新的數字貿易型態,以及它的會計本質。

本章與其他章節的交叉引用

第 01 章(合併沖銷)· 第 04 章(資本密集度,含中國業者對照)· 第 07 章(Run-Rate 與開源通縮)· 第 09 章(電力與詞元成本)· 第 18 章(贏家與輸家)· 第 19 章(多維度總結)。

SECTION 11.6中國的三種定價權

「中國會影響 AI 價格」是一個模糊的說法。本報告將其拆解為三種性質不同、作用機制不同、且時間尺度也不同的定價權:

表 11-2:中國對全球 AI 市場之三種定價權
類型機制作用對象時間尺度可逆性
① 價格地板權
(最強、最快)
開源模型以 MIT/Community 授權釋出,任何人都可自行部署,其成本即為「邊際成本」。這為全球詞元價格設定了一個理論地板——任何高於此的專有模型,都必須證明其溢價的合理性所有專有模型之定價立即(已生效)極低
② 開源標準權
(最深、最慢)
當開發者的工具鏈、微調方法與部署慣例建立在某個開源生態上,該生態就成為事實標準。馬來西亞與新加坡的選擇是具體證據全球開發者生態與採購決策3–7 年低
③ 供應鏈替代權
(對輝達最致命)
國產芯片從記憶體介面到叢集架構的完整堆疊一旦成熟,中國對輝達的需求就結構性消失;且該堆疊可出口至全球南方輝達與美國晶片商之長期需求曲線5–10 年中

這三種定價權的關鍵差異在於可逆性。價格地板權已經生效且幾乎不可逆;開源標準權正在形成,一旦形成則具有極強的路徑依賴;供應鏈替代權仍在早期,是三者中唯一可能被政策或技術突破逆轉的。

這個框架對投資的含意

市場目前對三種定價權的定價程度是:① 幾乎完全未定價;② 部分定價(反映在輝達中國份額的下修);③ 完全未定價。
這意味著,即使你同意本報告的全部看空論點,最大的認知落差也不在「循環交易」(市場已開始討論),而在「中國的價格地板權」——因為它直接攻擊的是這個產業最樂觀的那個假設:終端使用者最終會以足夠高的價格買下這些算力。

SECTION 11.7時程:中國因素何時成為主導變數

表 11-3:中國因素的三階段影響時程(本報告推估)
階段時點主要表現對美國 AI 基建之影響主觀機率
第一階段:價格壓力2026–2027API 價格戰加劇;專有模型被迫跟進降價;企業開始混合部署(專有+開源)模型層毛利壓縮 → Run-Rate 增速放緩80%
第二階段:生態分流2027–2029全球南方與部分歐洲市場以中國堆疊為預設;企業內部部署成為主流選項雲端 AI 收入成長低於預期;積壓訂單轉化率下降65%
第三階段:供應鏈重組2029–2032中國堆疊出口至全球;輝達在中國及部分第三國市場之份額不可逆流失輝達長期需求曲線下移;估值框架重設50%

請注意這個時程與第 17 章情境推演的對應關係:第一階段(2026–2027)恰好落在信貸市場發出訊號到股價見頂的區間,這不是巧合——中國的價格壓力,正是造成模型層現金流惡化、進而觸發信貸重定價的實際機制之一。換言之,中國不是一條獨立的故事線,它是本報告「第一張骨牌」論點的價格面機制。

SECTION 11.8附:2026 年 10 月的四次躍遷

前面七節把中國當成一個成本結構來分析。2026 年 10 月,這個成本結構出現四次可觀測的位移,每一次都把「智能的邊際價格」再往下壓一格。它們不構成新的論點,但把它從推估變成當期事實,因此單獨記在這裡。

表 11-4:2026 年 10 月的四次躍遷與其定價含意
事件可觀測事實對閉源定價的壓力
① Kimi K3.1 Pro
月之暗面,10 月 24 日
2.8 兆總參數、1,040 億激活、100 萬詞元上下文;Code Arena 代碼榜 1,692 分,高於 Claude Opus 5(Max)與 GPT-6 Sol(Max)的 1,681 分;Artificial Analysis 智能指數 55 分、全球第 4;權重承諾 11 月 4 日前開放;定價每百萬輸入/輸出 $2/$10代碼與代理任務是閉源模型最賺錢的兩塊。公開實測裡,同一任務的完成成本約為旗艦閉源模型的五分之一到十分之一
② DeepSeek V4.1 Flash 1017
10 月 17 日
552B 混合專家、16B 激活、100 萬上下文;KV 快取每詞元 890 bytes(HBM 用量減至前版四分之一、SSD 八分之一);MIT 授權、權重可自架;谷時價每百萬輸入/輸出 $0.15/$0.60;Terminal-Bench 4.0 由 31.2 升至 42.3、ProgramBench 由 20.3 升至 29.1(官方口徑)把「夠用的代理能力」錨定在 $0.15/百萬詞元。任何按詞元計價的閉源方案,都得解釋自己貴二十倍的理由
③ Qwen3.8-27B 下沉到家用
2026 年下半年
27B 稠密多模態;量化後 8GB 顯存可跑、12–16GB 為甜點區;Hugging Face 趨勢榜首位(約 1.6 萬票);GGUF 版本月下載約 3,960 萬次,約為 Llama 的五倍;同月更低比特量化+分層卸載,已把 120B 級模型推上 12GB 顯存+64GB 記憶體的門檻推理從雲端移到桌邊。邊緣端一旦跑得動,雲端按調用量計費就少了最穩定的一層需求
④ 微調基座遷移
2026 年內
Hugging Face:基於 Qwen 的衍生模型 151,448 個,為 Meta 系 2.6 倍、Llama 系 4.7 倍;中國開源模型占平台下載 41%、美國 36.5%;178 個 20B 以上中國模型中 59% 採 Apache 2.0、22% 採 MIT,無一限制商用;論文單模型家族使用率 Qwen 22.0%,Llama 由 12.0% 降至 8.6%「預設基座」的移轉比跑分更難逆轉。企業一旦在 Qwen 上微調,下一代採購名單就已寫定

第 ③ 項值得多寫兩句,因為它的機制比「小模型跑得動」更關鍵。真正把大模型推進家用機的是低比特量化+分層卸載這一組合:權重壓到 2–4 位元,模型按層切開,只把當前計算的層留在顯存,其餘放在系統記憶體、必要時再退到固態硬碟;KV 快取也納入同一套調度,長上下文才不會一開始就把顯存吃光。2026 年 9 月下旬釋出的 GSQ-RCO 量化配上 Strata 這類推理引擎,讓 120B 級模型在 12GB 顯存+64GB 記憶體的桌機上跑出可用速度(社群實測約 20–95 tok/s,隨量化位元與輸入長度大幅變動);同一條路線推到極端,是把 V4.1 Flash 放進單張 96GB 卡加上約 280GB 系統記憶體,單用戶約 63 tok/s。

但「跑得動」與「跑得好」必須分開講。同一批實測裡,2 位元量化後 HumanEval 由 0.982 降至 0.890、GSM8K 由 0.960 降至 0.927;12GB 顯存的配置還需要約 32–64GB 記憶體與 80GB 硬碟,速度對量化位元與上下文長度極度敏感。另外,社群目錄把 V4.1 Flash 列為 763B 參數,官方模型卡寫的是 552B——本報告並列兩者,不擇一採用(可能是視覺編碼器或不同變體的計數口徑)。Strata 的程式碼來源在社群中有爭議,本報告只採用它公開的資源需求與可複現的測速,不採用其效能上限的宣稱;至於平台上出現的免費試用與未經安全對齊的社群版本,來源單一,僅記錄現象、不採計數字。

這四件事要合起來讀。單看任何一件,都可以被解釋成「又一次刷新跑分」;合起來看,是一條完整的替代路徑:能力追平(①)→ 成本錨定(②)→ 部署下沉(③)→ 生態鎖定(④)。前兩步決定「別人能不能不買你」,後兩步決定「別人還需不需要你」。

份額比跑分更能說明第 ④ 項。OpenRouter 的週詞元流量按「模型實驗室所在國」重排後,2024 年美國約占 86%、中國約 9%;到 2026 年 9 月,中國約 66%、美國約 32%。這條曲線不是能力排名,而是誰的權重被下載、被部署、被微調——也就是本章所說「預設基座」的實際分布。

對本報告的論點,這裡有一個方向相反的修正。第 11.6 節把中國的定價權分成三種(電力、國產算力、詞元出海);這四件事的作用機制不同——它不是從中國往外壓價,而是把價格的形成過程搬到開源社群裡。當最強的開源模型與最強閉源模型只差一個基準點、價格差五倍以上,閉源實驗室的租金就不再來自能力,而只剩兩項:可靠性與合規。前者可以靠工程補,後者可以靠採購補,兩者都會壓縮毛利。

這正好落在第 21、22 章的估值模型上。附錄 A 與附錄 B 的反向 DCF 問的是「要相信什麼才能支撐 $2 兆與 $1 兆」,其中的 ARR 假設等於用量 × 每詞元價格。用量這一項,本報告一向看得比市場樂觀——推論需求確實是超線性的;但價格這一項現在由開源設定,而且是一年下調一次的節奏。讀那兩章時請把這條曲線一起放進去。附錄 A與附錄 B的估值錨沒有因為本節而改動:它們是「需要相信什麼」的命題,不是市場報價;兩家公司 IPO 的傳聞細節(Anthropic 的遞表時程、OpenAI 投前估值下修)只記錄在兩份附錄的補記裡,本章不重複。

同樣的邏輯也往回打到第 17 章的供給側算術。第 17.10 節引用 Gartner 的門檻(2030 年前需要 $8.5 兆營收),其分母是「全球 AI 營收」。如果每詞元價格由開源決定,這個分母就很難只靠用量補回來——用量可以翻十倍,價格也可以掉一個數量級。這不是預測,是一個必須被納入的算術約束。

反面證據同樣要寫下來。開源模型的弱點不在跑分,在可靠性:Artificial Analysis 的 Omniscience 測試中,DeepSeek V4.1 Flash 1017 在「不知道」的情況下仍有 67% 機率給出錯誤答案,主指數僅 5 分(對比 Kimi K3-max 的 20 分、前沿閉源模型的 42 分以上)。金融、醫療、法務等事實密集場景仍會為可靠性付費;8GB 顯存能跑,也不等於能承擔生產負載。本節的結論因此是「租金基礎變窄」,不是「閉源會消失」。

  1. 詞元定價:高盛 2026 年 3 月研報——中國新一代 AI 模型與美國模型之性能差距顯著縮小,詞元定價僅為美國旗艦模型的 5%–10%;RAND(2026 年初)估中國模型成本約為美國同級系統之 1/6 至 1/4。
  2. OpenRouter 詞元呼叫量:2026 年 2 月中國代表性模型首次超過美國,全球前五占四席;平台用戶中中國開發者占 6.01%、美國開發者占 47.17%(中國產業經濟資訊網引述)。
  3. 輝達在中國份額:由 2025 年約 40% 降至 2026 年預估約 8%;TrendForce 預估 2026 年中國國產 AI 芯片占比可能接近 90%(FrontierNews,2026)。
  4. 電力:中國發電量與裝機容量均為美國兩倍以上;東數西算涵蓋 14 省份、8 大樞紐節點、10 個資料中心集群;貴州/雲南綠電上網電價約 ¥0.30/度。
  5. 演算法效率:DeepSeek V4 之混合稀疏注意力使長上下文推論運算量較 V3.2 減少 73–90%、KV 快取記憶體減少約 90–93%(Goldman Sachs 引述)。
  6. Kimi K3.1 Pro:月之暗面 2026/10/24 凌晨發布;2.8 兆總參數、1,040 億激活、100 萬詞元上下文;Code Arena 代碼榜 1,692 分(Claude Opus 5 Max 1,681、GPT-6 Sol Max 1,681);Artificial Analysis 智能指數 55 分、全球第 4;定價每百萬輸入/輸出 $2/$10,約為 GPT-6 Astra 的五分之一;完整權重承諾 11 月 4 日前開放(北京日報、錢江晚報 2026/10/24)。
  7. DeepSeek V4.1 Flash 1017:2026/10/17 發布;552B 混合專家、輸入 8B/輸出 16B 激活;100 萬上下文、最大輸出 384K;KV 快取每詞元 890 bytes;MIT 授權、權重約 510GB;谷時每百萬輸入/輸出 $0.15/$0.60(峰時翻倍);Terminal-Bench 4.0 42.3(前版 31.2)、ProgramBench 29.1(前版 20.3);Artificial Analysis 開放權重組第 2、45 分(Claude Opus 5.5 為 58 分);Omniscience 主指數 5 分、非回答時 67% 幻覺(DeepSeek 發布說明、Reuters、Tom's Hardware,2026/10)。
  8. Qwen3.8-27B:27B 稠密多模態;量化後 2bit 約 8GB、3bit 約 12GB、Q4_K_M 約 16–17GB 可跑;Hugging Face 趨勢榜首約 15,978 票;GGUF 版本月下載約 3,960 萬次(Hugging Face,2026)。
  9. 生態數據:Hugging Face《State of Open Models》(2026/08/14):基於 Qwen 的衍生模型 151,448 個,為 Meta 系 2.6 倍、Llama 系 4.7 倍;2025/02–2026/02 中國模型占平台下載 41%、美國 36.5%;178 個 20B 以上中國模型中 59% 採 Apache 2.0、22% 採 MIT、無一限制非商用;Qwen 在論文單模型家族占比 22.0%、多模型家族 62.1%,Llama 由 2025 年 12.0% 降至 2026 年 8.6%。
  10. 授權條款:MIT 全文不到 200 詞,只要求保留著作權與許可聲明,不限制商用、修改與閉源分發,但沒有明文專利授權。Apache 2.0 條款長得多,除同樣允許商用,還要求保留 NOTICE 檔、標註修改過的檔案,並附專利授權與專利報復條款,同時不授予商標權。對企業選基座的實務差異:MIT 整合最省事,Apache 2.0 在專利風險上較有保障;兩者都不要求公開微調成果,這也是它們能在企業內部快速擴散的原因(Apache Software Foundation、Open Source Initiative 之條款全文)。
  11. 本地推理:Strata 引擎 v0.1.0 於 2026/09/24 釋出,支援 GSQ-RCO(Q2_0/IQ2_XS/IQ3_XXS/IQ3_S)與 Unsloth UD-IQ4_XS 等格式;需求為 12GB 以上顯存、32–64GB 記憶體(含完整專家集者需 48–64GB)、約 80GB 硬碟。社群測速(4K 輸出/32K 輸入):RTX 5070 12GB+64GB 約 94 tok/s、RTX 5060 Ti 16GB 約 70.7 tok/s、Quadro RTX 4000 雙卡約 18–23 tok/s(Hacker News 2026/10/04「100 tok/s on an RTX 4090」、GIGAZINE 2026/10/05、GitHub 約 2.2 萬星 2026/10/12)。單卡方案:`deepseek-one-gpu` 於 RTX PRO 6000 Blackwell(96GB)上單用戶 63.11 tok/s、八用戶合計 152.53 tok/s,需約 280GB 系統記憶體;品質 GSM8K 0.927、IFEval 0.800、HumanEval 0.890(完整模型 API 為 0.960/0.853/0.982,落差來自 2 位元量化而非卸載)。參數量:社群目錄列 763.2B、官方模型卡列 552B,本報告並列不擇一。
  12. 詞元份額:OpenRouter 週詞元流量按模型實驗室所在國分類,2024/01 至 2026/09;美國由約 86% 降至約 32%、中國由約 9% 升至約 66%(2026 年 9 月)。經 Alberto Romero《Something has gone terribly wrong at Anthropic》(Medium,2026/10/07)整理。樣本為單一聚合平台之詞元量,非營收或企業部署份額。