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易发生故障，而是超大规模AI集群的竞争，不只是芯片数量和峰值算力的竞争，更是故障检测、任务恢复、网络调度和系统运维能力的竞争，随着集群规模不断扩大，这些系统工程能力对整体训练效率的影响也会越来越明显。而这恰恰是国产算力从“可用”走向“好用”需要补齐的环节。

事实是，近年来，国产芯片在硬件性能、软件工具链和集群建设方面持续取得进展。

以华为昇腾系列为例，部分分析人士认为，华为昇腾950系列在某些指标上已接近英伟达H200，但具体表现仍需结合测试条件、模型类型和实际应用场景判断，不能笼统地理解为整体性能已经达到同一水平。例如芯片能否适配主流模型，软件工具链能否支持开发者高效使用，数千卡乃至万卡集群能否长期稳定运行，以及企业能否以合理的成本完成迁移，都是衡量国产算力成熟度的重要指标。

因此，真正需要比较的不是某一款芯片在某个参数上的高低，而是在特定模型、特定集群规模和特定训练任务下，整个系统能够提供多少有效算力，以及完成任务所需要的时间、成本和能耗。

这里我们假设使用某套国产算力训练一个模型需要两个月，而成熟的英伟达集群只需要一个月，那么即使前者采购价格更低，企业也可能选择后者。毕竟在竞争激烈的AI市场，训练周期本身就是成本，模型迭代速度也可能直接影响产品竞争力（这只是用于说明企业决策逻辑的假设，并不意味着所有国产芯片在所有任务中都存在这样的效率差距）。而这也解释了国家目标与企业选择之间的张力，即国家推动算力自主化，着眼于长期产业安全、技术能力和供应链韧性；企业则必须面对当下的市场竞争，优先考虑研发效率、产品进度和投入产出。

需要说明的是，两者并非天然对立，但在技术过渡阶段，如果国产算力在部分关键场景中还不能提供与成熟海外体系相当的综合效率，企业自然会倾向于选择当前更成熟的方案。

因此，国产算力发展的关键，已经不只是继续扩大芯片出货量和市场份额，而是如何缩短从“可用”到“好用”的距离。这个过程中，市场份额的提升仅是国产替代的重要起点，唯有当芯片性能、软件生态、集群工程和商业应用形成合力，国产算力才能真正转化为企业愿意长期使用的竞争力。

走出过渡期，市场检验国产算力而非堵或绕

既然知道了产生张力的原因，那么破局的关键不是设法获得更多英伟达GPU，而是建立一套即使无法持续获得最先进海外芯片，也能够支撑前沿研发和大规模应用的算力体系。这之中，海外算力在过渡阶段可以发挥补充作用，但不能成为中国AI产业长期发展的基础。

从前述我们可以看到，出口管制与企业绕道需求之间，正在形成一种相互强化的关系：管制越严，部分企业寻找替代渠道的动力越强；绕道行为越多，供应链和合规风险也越高。与此同时，国产算力的系统成熟度又决定了企业是否愿意主动完成迁移。几种力量交织在一起，最终都指向同一个问题，即国产算力何时能够真正承担起关键任务，也是破解张力的核心。

为此，我们首先需要看到海外依赖本身的风险。前述我们提到，美国正在考虑通过立法和规则调整，进一步规范海外数据中心向特定国家用户提供先进算力服务。一旦相关规则落地，今天可以通过海外租赁获得的算力资源，未来也可能受到限制。而企业提前预订海外算力，或许能够缓解短期供给压力，却无法消除政策变化带来的不确定性

与此同时，上游供应链同样存在风险。例如Megaspeed已经受到美国和新加坡方面的调查，相关调查涉及服务器采购、出口和最终用户等问题。而据海外媒体报道，新加坡方面对Megaspeed及相关人员的调查仍在继续。对于企业而言，这意味着通过海外中间商和数据中心获得算力，除了要考虑价格和性能，还必须评估供应商的合规状况、服务持续性以及潜在的法律风险。

另一方面，国产算力绝对不能靠回避竞争性成长。一款国产AI芯片从推出到真正成熟，至少要经历硬件验证、软件适配、集群验证和商业验证等环节。例如硬件性能需要在真实任务中检验，软件工具链需要在不同模型和框架中持续优化，集群系统需要经受大规模训练和长期运行的考验，最终还要通过企业实际采购和持续使用，证明其性能、成本与可靠性具有竞争力。而这些环节都离不开真实应用的反馈。

基于此，如果企业长期优先使用英伟达，国产芯片就可能缺少在复杂场景中发现问题、打磨软件和优化系统的机会；如果不考虑业务差异，强制所有场景都迁移到国产算力，企业又可能承担过高的迁移成本，影响模型研发和业务进度。所以，我们真正需要建立的，是让国产算力在真实市场竞争中持续改进的环境，而不是简单地把英伟达排除在外。而国务院2025年发布的《关于深入实施“人工智能+”行动的意见》，也体现了这种系统性思路。

该文件不仅强调人工智能芯片攻关，还涉及软件生态培育、超大规模智算集群建设和全国一体化算力网等内容。其政策着眼点并非单一芯片替代，而是从基础硬件、软件生态到算力基础设施的整体能力建设。

在此基础上，我们认为更可行的路径是分层使用，并把更多投入放在软件和集群工程能力上。

例如推理和成熟业务场景可以优先推动国产化。毕竟这类任务相对标准化，业务边界和性能要求也更容易明确，通常更适合作为国产算力积累实际应用经验的切入点。当然，是否适合迁移仍需根据模型规模、业务负载和适配成本具体判断。

至于前沿模型训练，在合法合规的前提下，可以保留多元化算力来源，避免因单一供应渠道变化而影响研发进度。同时，应有意识地将国产集群纳入真实训练任务，而不是只进行测试或展示性运行，让其在复杂任务中持续接受检验。

此外，投入重点从单纯“买卡”转向编译器、算子库、框架适配、通信网络和集群运维等软件与工程能力。因为芯片性能只有通过软件和系统才能转化为实际生产力。对于国产算力而言，补齐这些环节，往往比单纯追求某一项硬件指标更为重要。

最后是建立可量化的评价标准。这里，国产算力是否取得实质进步，不应只看出货量、装机量和适配数量，还要看能否在主流模型上高效训练和推理，万卡级集群能否长期稳定运行，迁移成本是否持续下降，性能、成本、能耗和可靠性是否形成综合竞争力。尤其重要的是，在没有额外政策补贴和行政要求的情况下，企业是否仍愿意持续采购和使用。

综上，无论相关调查最终如何认定，该风波都说明，单纯依靠物理管制很难完全隔断全球算力需求，而依靠海外渠道获取算力也无法带来长期安全。为此，中国AI产业真正需要解决的是在外部供应存在不确定性的情况下，仍然拥有一套能够支撑前沿模型研发和大规模应用的算力体系。

在此过程中，海外英伟达算力可以是现阶段的资源补充，但不应成为长期发展的基础条件。国产算力自主化的真正标志也不只是国内企业生产和采购了多少国产芯片，而是当企业面对复杂的AI训练和推理任务时，能够在不依赖受限海外算力的情况下，依然获得具有竞争力的性能、成本和稳定性。

由此，国产算力能否从政策驱动走向市场驱动、真正从“可用”走向“好用”，才是中国AI产业走出这场算力张力之辩的关键。