周鸿祎谈中美大模型差距：算力短板下该不该放开H200进口？
近日，360创始人周鸿祎在接受媒体访谈时提出了一个颇值得重视的观点：当前中美顶尖大模型之间的差距，主要不在算法，而在算力。他认为，美国头部AI企业已经能够动用规模庞大的计算集群，而中国大模型企业能够获得的先进算力相对有限。 DeepSeek虽然通过算法创新和工程优化取得了令人瞩目的成绩，但这些创新在很大程度上也是...
360创始人周鸿祎日前接受媒体访谈时给出一个判断：中美顶尖大模型之间，差距主要出在算力上，不在算法。他的理由是，美国头部AI企业能调动规模庞大的计算集群，中国大模型企业拿到的先进算力则相对有限。
DeepSeek靠算法创新和工程优化做出了亮眼成绩，可这些创新在相当程度上是被算力约束逼出来的。周鸿祎由此建议，美国既然已经有条件允许H200芯片出口，中国就应适度放开购买限制，让国产芯片多承担推理任务，前沿模型训练不妨借助进口先进芯片。他甚至认为，若DeepSeek拥有与OpenAI等美国头部企业相当的算力，凭现有团队的能力，一年内就有可能实现超越。
图片来源：视觉中国
一年内能不能超越，当然不好判断。中美大模型竞争牵扯算法、算力、数据、人才和工程体系等多项因素，没法归到某一个变量上。不过周鸿祎的观点抛出了一个值得认真对待的问题：中国企业已经证明，在算力受限的条件下也能做出有国际竞争力的大模型，那为什么不尽量给这些研发团队配上更先进的计算资源？算力约束确实可能刺激算法创新，可这是否说明算力约束本身就有利于技术进步？换个说法，我们是不是把资源稀缺带来的创新激励，和资源充裕提供的创新条件混为一谈了？
在这之前，美国汽车工业长期享受相对廉价的汽油，大排量、大尺寸车型占据重要市场地位。日本车企受本国市场规模、资源条件和制造业发展路径等因素影响，更看重汽车小型化、燃油经济性以及生产环节的资源节约。国际油价突然上涨之后，原本不占市场主导地位的日本小型车，竞争优势越来越明显。
变化不只发生在销售环节，日本车企的技术发展方向也被推着走。
根据
经济学上不难解释。1932年，经济学家约翰·希克斯就提出了诱致性技术创新理论（Induced Innovation Theory）：生产要素相对价格一变，技术发明的方向就跟着变，企业会去找节约相对昂贵要素的办法。技术创新并非完全独立于经济条件，企业研发什么技术、选哪种生产方式，很大程度上取决于它面对的相对成本和市场激励。
拿这套理论看今天的中国AI产业，会发现一个挺相似的现象。美国头部AI企业能拿到大量先进计算资源，因而有条件靠扩大计算规模、增加实验次数、探索不同技术架构来提升模型能力。中国企业面对的算力约束更强，寻找节约计算资源的技术路径的动力也就更大。
DeepSeek用的混合专家架构、注意力机制优化、低精度训练以及通信优化等技术，并非全部由它首创，但它通过有效组合与工程实现，把计算资源的使用效率提了上去。这和日本车企设法提高每升汽油能跑的里程，经济逻辑是相似的。
不过，诱致性技术创新理论首先揭示的是技术创新的方向，而不是技术进步的全部条件，更不能据此推出资源越稀缺、技术进步就越快。资源价格上升会增加节约资源的创新收益，可资源本身也是生产活动不可缺少的投入。日本车企能靠技术创新降低单位行驶里程的燃油消耗，却没法因此摆脱对石油的需求。假如日本政府因为石油短缺促进了节能技术创新，就认定应当继续限制石油进口、以维持企业节约能源的动力，那日本汽车工业的生产规模、技术试验和国际市场扩张，反而可能受到严重制约。
这里有个容易被忽视的区别：资源约束与技术创新之间不只有替代关系，互补关系同样重要。技术进步能提高单位资源的产出，但资源投入也决定着技术能发挥多大作用。对AI来说，这种互补性更明显。算力不只是模型运行消耗的生产要素，也是开展算法研究、验证技术方案、探索前沿能力所必需的研发投入。算力不足固然能促使企业改进算法效率，可计算资源不够，许多潜在技术方案就得不到检验，更谈不上变成实际的技术突破。
所以，日本汽车工业那段历史真正说明的，不是资源短缺本身有竞争优势，而是资源短缺可能诱导企业形成某种技术能力。这种能力一旦形成，增加资源供给反而可能进一步放大它的价值。日本车企没有因为石油供应趋于稳定就放弃节能技术，DeepSeek也不会因为多拿到先进GPU就突然丢掉算法优化能力。恰恰相反，高效率算法与更充足的算力结合，中国企业就可能以更低的单位计算成本做更多研发实验，把模型能力再往上推。
“杰文斯悖论”（Jevons Paradox）是经济学里的一个说法：算力用起来效率越高，算力总需求反倒可能涨上去，而不是往下掉。单位推理成本一旦降了，那些原本算不过账的AI应用就有了商业可行性，市场需求跟着放大，到头来反而要吃掉更多计算资源。至于需求反弹的幅度会不会盖过一开始省下来的效率，得看需求弹性这些具体条件。不过有一点能确定：把算力使用效率提上去，和把算力供给做大，两者之间没有必然的冲突。
美国长期限制先进AI芯片对华出口，是中国算力供给受限的重要原因。但2026年以来，美国开始有条件许可H200芯片出口，中国方面也批准了部分企业采购。今年9月《金融时报》报道，中国已经开始有限度地放宽H200进口限制，但采购数量和审批仍然受到约束。这意味着，部分先进芯片已经可以通过合法渠道获得，是否进一步限制国内企业采购，就不再只是外部技术封锁的问题，还涉及国内不同产业发展目标之间的权衡。
自主先进芯片当然要搞，可搞国产芯片和搞有国际竞争力的大模型，本就是两码事。拿DeepSeek这类模型公司来说，它眼下要拼的对手，是
这个矛盾，产业经济学里早就有一个经典问法：上游产业还没长结实，为了把它扶起来，值不值得让已经能在国际上打一打的下游产业多背一份成本？
传统幼稚产业保护理论确实给过一些经济学依据。后起产业刚起步时，规模上不去、技术底子薄、学习成本又高，跟成熟国际企业正面竞争很难。要是扩大产量能带来明显的“干中学”效应，产量和经验攒起来后成本跟着往下走，那适当的政策扶持，就可能帮本土企业长出一种原本长不出来的竞争力。技术学习还有外溢性，一家企业投了钱，社会收益它自己拿不全，市场给的研发和生产投入就容易偏少，政府出手也就有了说得通的理由。
不过，幼稚产业保护理论从来不是无条件保护。它要成立，得有一个关键前提：保护期里付出的效率损失，必须能被未来的学习收益和技术外溢补回来。经济学家马克·梅利茨研究幼稚产业保护时就讲过，就算一个产业真有动态学习外部性，贸易保护也未必是最优解，还得看产业学习能力、成本下降路径，以及国内外产品之间能不能互相替代。换句话说，光凭被保护企业现在没竞争力，不足以证明保护站得住脚，还得证明这种保护能造出足够大的未来社会收益。把这个理论套到AI产业上，问题就更绕了。国产芯片企业拿到订单、扩大部署，技术能力确实可能往上走，学习效应也有价值。可下游大模型企业同样在技术快速迭代的节奏里，研发活动的外溢效应也很明显。一家模型公司的算法突破，不光改善自家产品，还可能通过开源模型、工程技术和人才流动，把整个产业的生产率往上抬。所以，保护国产芯片带来的动态收益，不能单算，得拿去和下游模型企业可能丢掉的动态创新收益比一比。国产芯片要是暂时没法用差不多的成本提供同等水平的有效算力，那限制进口芯片的代价，就不只是下游多掏的采购费。模型训练特别依赖连续实验和快速迭代，算力不够，训练周期可能拉长，试验机会可能变少，一些本来能做的研究项目只能放弃。跟一般制造业的生产成本不一样，这些机会成本高度不确定，而且不可逆。一项没做的实验到底能不能带来突破，永远没法直接看到；可对手要是先突破了，由此攒下的用户规模、技术生态和研发经验优势，却可能持续很久。更值得盯住的是，这种保护的收益和成本，并不落在同一个主体身上。国产芯片企业拿到市场订单，销售收入增加，份额和规模的变化相对好统计；模型企业因算力受限丢掉的技术机会，却很难准确量出来。这不只是产业链上下游怎么分利益的问题，还是产业政策评估里的信息不对称。政策制定者看得到被保护产业拿到的现实收益，却不容易看到其他产业因此没实现的潜在收益。只看国产芯片市场份额涨了多少来衡量政策成效，不把下游产业竞争力的变化算进去，净收益就很容易被高估。从整体经济效率看，上游芯片和下游模型也不是各过各的。芯片是模型研发和运行的重要中间投入，成本和性能会顺着产业链往下传，影响下游企业的技术选择和市场竞争。保护上游，如果抬高了下游拿到有效算力的成本，那就可能在扶强上游企业的同时，把下游企业的竞争力往下压。也就是说，某个产业份额涨了，未必等于整个产业体系的生产率涨了。对中国大模型产业这种已经有一定国际竞争力的板块来说，这笔取舍更得慎重。当然，不能据此就断定国产芯片保护一定得不偿失。先进芯片的外部供应有不确定性，自主算力体系带来的供应链韧性和战略选择空间，也有当前市场价格量不出来的价值。可就算把这些都算上，政策评估还是得回答一个基本问题：为了未来的技术自主，当下要付多少技术进步的成本？这些成本有没有代价更低的替代办法？答不上来，只拿国产替代当保护的理由，相关政策的经济合理性就很难说充分。
有两种能力尤其要分开看：一种是市场上能买到的生产工具，另一种是靠自己研发和知识积累才能长出来的核心创新能力。两者有联系，可不能搅成一锅。
算力是现成的，可以拿来；思维（推理）是自己的，需要自主。这话不是讲先进算力就能随便买，更不是讲国产芯片不用搞，它说的是生产工具从哪来，和技术创新能力从哪来，未必是一回事。中国大模型企业在条件允许时买国际先进芯片，不等于就放弃了自主算法研发。反过来说，好算法得有足够算力去验证、去落地，先进算力也只有配上好算法，价值才出得来。
自主创新的要害，不在拒不用外部生产工具，而在能不能自己提出问题、自己选技术路线，并且持续把问题解决掉。手里已经有优秀的研发团队，却因为生产工具的来源卡住他们用先进技术，这种限制削掉的，可能恰恰就是我们想培育的自主创新能力。
产业政策理论里有个常识：同一个目标，可用的工具不止一种。想扶持国产芯片，补贴研发、建公共算力平台、完善软硬件生态、拿政府采购拉早期需求，这几条路都能走；而一刀切限制下游企业买先进进口芯片，效果或许相似，但对整体经济效率的冲击差别很大。政策若意在补偿国产芯片研发中的知识外部性，研发补贴和公共技术基础设施这类工具通常更对路；政策若意在压低外部供应风险，那发展多元化供应体系、建立自主算力储备，也未必非要把所有企业获取先进计算资源的路都堵上。
产业政策站不站得住脚，一看目标正不正当，二看手段有没有经济效率，三看有没有更便宜的替代方案。
还有一层：中国AI产业的竞争力，不等于国产芯片企业加模型企业各自竞争力的简单加总，关键在整个技术体系里各环节能不能协同起来。模型产业强了，训练和推理需求就更广，国产芯片的应用市场随之持续扩大；国产芯片产业不断进步，算力供给条件改善，模型企业未来的技术和供应链风险也就降下来。两者真正有价值的关系，是在技术进步中互相促进、形成正向循环，而不是靠限制一方的发展空间，给另一方造一个受保护的市场。从动态比较优势看，下游已经形成的创新能力，同样可能成为培育上游产业竞争力的重要条件。
从这个意义上讲，
说到底，产业政策要回答的问题，不是某项技术的国产替代比例做到了多高，而是整个产业体系能不能用更低的成本、更快的速度持续创新。国产芯片的市场占有率，只是衡量自主技术能力的一个中间指标，并非产业发展的最终目的。真正要紧的是，中国企业能不能靠自主研发加上有效利用外部先进技术，不断提高生产率，把技术进步的可能性边界往外推。要是为了拔高某个中间指标，反倒压住了整个产业的创新能力，那这个指标再好看，也很难说达成了产业政策的初衷。
日本汽车工业能成功，不是因为日本一直缺石油，而是日本企业在资源约束下练出了出色的节能技术，又把这份技术优势变成了持续的国际竞争力。今天中国大模型企业的突破同样如此：不是因为中国缺算力，而是中国企业即便面对算力约束，仍拿出了过硬的算法创新和工程能力。资源约束逼出来的技术能力，本该成为进一步扩大生产可能性边界的基础，而不该成为继续维持资源约束的理由。
眼下，中国已经有一批能参与全球前沿竞争的大模型研发团队。能力既然已经形成，产业政策就该琢磨怎么把它们的创新潜力充分释放出来，同时给国产芯片建立可持续的技术积累机制。为追求未来的竞争优势而牺牲已经到手的竞争优势，只有未来收益足以弥补当前损失时才站得住脚；而这种收益，不能光凭产业保护的初衷就推断出来。
实现技术自主的手段，不能反过来变成限制技术进步的目的。（财富中文网）
《财富》最新榜单
