編者按：當美國掌握領先模型與高端晶片、中國擁有更豐裕的電力和更強的成本約束時，全球 AI 競爭究竟會沿著怎樣的路徑展開？

Dimension 的內部信試圖回答這個問題。作者將競爭拆解為算力、能源、開源生態、應用收入與資本市場定價等多個相互連動的層次。

作者的關鍵判斷是，出口管制並未簡單切斷中美 AI 產業的聯繫，反而推動中國實驗室形成更強調工程效率和開放權重的技術路線。美國模型、英偉達算力、中國開源模型與跨境數據服務已經嵌入同一條產業鏈：技術能力可以跨境流動，但收入、成本和議價權未必同步轉移。未來的勝負因此可能不僅取決於模型性能，還取決於誰能解決自身最稀缺的要素，並建立更可持續的商業閉環。

這也解釋了為何文章同時討論美國的電力瓶頸與中國 AI 公司的高估值。兩地面臨的結構性問題恰好相反：美國擁有更成熟的商業化能力，卻受制於能源和基礎設施；中國擁有快速擴張的電力供給與開放生態，卻仍面臨先進晶片短缺、付費意願有限和收入規模偏小等約束。技術能力、商業收入和市場估值由此出現明顯錯位。

需要說明的是，這封信帶有鮮明的投資機構視角，其中部分收入、模型來源和行業滲透率數據仍需進一步驗證。但它提供了一個值得關注的分析框架：中美 AI 競爭已難以用單純的技術領先或政策封鎖來解釋，真正決定產業格局的，可能是算力、能源、開源擴散與資本配置之間不斷變化的平衡。

以下為原文：

尊敬的各位合夥人：

Dimension 的一個小團隊上週前往中國，拜訪了多家領先實驗室，並與當地投資者、創業者和技術專家進行了交流。這次行程很大程度上是一次重訪，也是對我們 2025 年上海之行後形成的判斷進行重新檢驗。當時，我們曾寫過並談到，中國日益崛起的重要性已經超越了硬體領域。如今，在總結此行收獲之際，我們認為有必要重新審視這場跨太平洋的 AI 棋局。下面分享的是我們目前的一些思考。需要提醒的是，這些觀點仍在不斷演變，隨著新數據出現，甚至明天就可能發生變化。

1、稀缺會催生進化

出口管制的初衷，是減緩中國 AI 的發展。但結果卻是，它們製造了一種進化壓力，促使中國誕生了別具一格的實驗室。

在算力受限的情況下，中國團隊經常在更底層的抽象層面開展工程優化，而美國實驗室往往可以忽略這些環節。DeepSeek 在 3 月發布 V3 時，曾在一塊英偉達 H800 GPU 上通過 PTX 層級的 CUDA 編程，將能耗最高的歸一化運算從 GPU 計算核心轉移至 20 個專門用於串行互連的核心。¹

我們認為，這與其說反映了美國人才不足，不如說是一種激勵機制上的差異：美國實驗室的邊際收益來自增加更多算力，而中國實驗室的邊際收益，則來自為編譯器和晶片尋找優化空間。

最終，中國實驗室形成了一種全棧效率文化，覆蓋內核、優化器、服務系統乃至晶片設計。這種文化帶來的複合效應，遠遠超出了單點優化本身的作用。稀缺——誰能想到呢？——竟然成了發明之母；在這裡，它更孕育了系統、匯編和編譯器工程。

2、中國軟體的現況，已經超出兩年前西方企業軟體能夠做到的程度：滲透西方生產技術棧

中國供應商已經從不足 18 個月前的零滲透，發展到目前為超過 25% 的 OpenRouter token 量提供支持。²

Qwen 在盲測競技場中超越了 Llama，並繼續頻繁發布新模型。在不到兩年的時間裡，中國模型已從「全球第五好的開源模型」發展為「美國至少 80% 的 AI 初創公司在生產環境中使用至少一個中國開源模型」。³ 開放權重繞開了採購壁壘——免費軟體不存在需要審核的供應商。

從本質上說，中國正在快速獲取西方的工作負載，而非西方的收入。和過去一樣，推理利潤暫時流向了實際提供 token 的服務商。

無論是有意為之，還是一種複雜系統在全球尺度下自然湧現的結果，中國前沿實驗室都在將美國競爭對手依賴的收入層商品化，而且主要發生在開源端。這在我們看來並非偶然，也並非僅僅是一種古怪的實驗。

這些公司的目標，是建設大規模、穩定、低收入的運營體系。因此，我們的中期判斷是：中國正在推動形成一個依賴開放權重模型、快速跟進的生態，擠壓美國領先實驗室的收入；與此同時，又把收入導向超大規模雲服務商和新型推理基礎設施。我們認為，這種趨勢正在放緩，甚至阻礙具有實質意義的先進技術進入當前的棋局。

3、中國前沿實驗室內部的競爭，遠比西方通常意識到的更加激烈

我們的判斷是，當前競爭前沿包括 DeepSeek、阿里巴巴的 Qwen、月之暗面 Kimi、字節跳動豆包和智譜 GLM，彼此之間的差距大約只有一個季度的排名波動。值得注意的是，騰訊雖然擁有龐大的既有使用者群，卻在生態之外；這本身就是值得關注的問題。

這些實驗室彼此正面競爭研發速度和模型能力，同時又將模型權重開放出來，形成了與美國兩家封閉式實驗室截然不同的競爭生態。

再次強調，我們認為，未來一兩年的競爭重點，與其說是國家之間的競爭，不如說是不同激勵機制之間的較量。我們接觸到的中國實驗室，往往更關注彼此之間的競爭，而非西方媒體熱衷渲染的跨國競爭。

4、如今，模型能力可以在跨越太平洋的過程中往返兩次，最終抵達終端客戶

具體路徑是：美國前沿實驗室發布性能更強的模型；中國實驗室對其進行蒸餾，並發布模型權重；美國應用公司隨後利用這些開源的中國模型構建產品，再將其賣回美國企業客戶。

Cursor 自主開發的 Composer 2，據稱是在 Kimi K2.5 的基礎上構建；Cognition 的 SWE-1.5 似乎是在經過定製的 GLM 上構建。簡言之，正如我們聽到一位中國前沿實驗室代表所說的那樣，美國的迭代速度快，中國的發布速度快。

大約一年前，這些公司若能達到 Llama、甚至 Mistral 的水準就已算不錯。如今，美國前沿 AI 已經融入中國的開放權重體系，而美國前沿智能也潛藏在其中。

5、數據層似乎也在重複類似的軌跡

美國的數據供應商——Mercor、AfterQuery、Turing——與 Anthropic、OpenAI 等公司建立了商業合作關係。與此同時，在中國，一批初創公司開始建設評估和驗證基礎設施，為註釋服務提供支撐。

例如，UniPat 由一名北京大學博士生創立，並獲得奔馳支持。該公司於 2025 年 12 月在西雅圖開設辦公室，據稱使用來自中國的博士標註員，通過直接的美國中西部轉機路線為這些項目工作。

中國實驗室提出了一個簡單但重要的問題：**他們如何確保對計算過程的人工監督質量，在計算受限、不得超過某個閾值的環境中，也能與擁有自適應能力、近乎無限資源的模型保持一致？**⁴

我們觀察到，生態中已有數支團隊開始構建相應產品；其中至少有兩家，收入正在迅速邁向 1 億美元以上。

6、美國和中國面臨著性質不同、方向相反的約束

中國在 2024 年新增發電裝機約 429GW，而美國僅增加約 51GW。到 2030 年，中國現有在建電力項目可能還將帶來超過 400GW 的新增供給。相比之下，在美國，數據中心擴張預計將占未來新增電力需求的五分之一以上。⁵

正如我們此前所寫，中國的約束來自計算底座不足。一個例子是，月之暗面的 K3 新模型雖然在能力上處於前沿，但發布時間卻因推理容量不足而被推遲。

美國晶片資源豐富、算力日益受限於電力；中國電力資源豐富、算力日益受限於晶片。

我們的判斷是——這也是業內普遍共識——未來將由當前最短缺的要素決定：美國取決於數據中心用地、輸配電和輸電線路能以多快速度建成；中國則取決於中芯國際和華為的良率及封裝能力。

7、美國與中國 AI 收入之間的差距非常大，接近兩個數量級

截至 7 月底，Anthropic 的年化收入已超過 65 億美元；截至 8 月，OpenAI 的年化收入達到 400 億美元。⁶

相比之下，中國最強的模型收入是字節跳動，其視頻模型的年化收入約為 2 億至 3 億美元；收入第二高的是月之暗面，約為 1 億美元。DeepSeek 據稱年化收入低於 5000 萬美元。

在消費端，豆包每月擁有 3.45 億用戶，是 DeepSeek 的三倍多。二者均提供包括商業傭金在內的多種收入來源，按我們的測算，人民幣月均變現收入約為 1 元。

從歷史上看，中國消費者並不習慣為軟件付費。我們也不認為中國經濟學已經中立到中產階級願意迅速改變這一習慣的程度。公司內部人士表示，他們正在部署相應的資源，試圖實現商業化；中國消費者的互聯網使用習慣也確實在十年前發生過變化。

當然，中國實驗室最終也可能通過商業廣告實現變現，正如美國實驗室一直不願做的那樣。

這裡還有一個毫無顧忌的實用主義因素：創業者通常並不擔心自己會因為錯誤的詞語或被認為帶有污名的表達而遭到審查或圍攻。我們走在香港九龍街頭時，這一點非常明顯：攤販們聽著 Ben Thompson 對美國實驗室非理性迴避廣告和商業模式的分析。⁷

順便一提，這是 Ben 第一次聽說這件事——Ben 是史上最出色的分析師之一。

8、硬體正在與半導體層、軟體層和數據層脫鉤，其相互交織的速度快到任何政府都來不及應對

美國的應用運行在中國模型之上；中國的實驗室則在馬來西亞和泰國租用的英偉達算力上訓練，同時將美國模型的輸出進行蒸餾；專家數據也在雙向流動。⁸

我們發現，「誰正在寫問題」這個問題本身已不再可靠。

同樣，系統如今也深度相互依存，這既符合「修辭上的民族國家至上主義」的想像，也在實際運行中實現了真正的跨國主義——除非遞歸式自我改進，即 RSI，實質性改變了當前的遊戲結構。

9、我們發現，一些中國頂尖研究人員相信，他們已經掌握了較弱形式的 RSI

寬泛地說，RSI 可以分為三種類型：時間、算力和邊界式 RSI。最早期的 RSI，可以理解為研究人員讓模型介入自身迭代，手動協助模型加速原本需要消耗研究人員算力或時間的環節，或者兩者兼而有之。這裡需要注意，這一階段的「起飛」很可能並不會呈現為數十年至 2100 年之類漫長時間尺度上的指數曲線；也不會是人類合力超過任何單個人或機器所能達到的能力。

10、一個關鍵分岔點

假設一階自我改進確實存在，那麼在算力方面，美國的優勢似乎十分穩固：到 2030 年，兩家實驗室各自運營約 2GW 的算力，並且分別還有超過 5GW 的簽約項目。

理論上，這些項目都由可觀的收入和強勁資本市場提供資金支持；規模化計算、橫向思考、「自我改進」循環，以及學習如何有效使用這些能力，似乎也沒有盡頭。

但反過來看，如果真正的約束在於驗證品質，或者時間進度超過了曲線應有的範圍，那麼「產能優化和國內晶片冗餘」這種說法——聽起來可能有些熟悉——可能會在未來 18 個月持續加速：

美國前沿模型能力加速商品化；

中國開放權重模型所使用的獨特模型能力增加；

推理層的競價式 AI 公司掌握更高議價權；

算力服務商因外國產權權重被納入，而獲得更大的交易量與利潤；

最終，這些影響也會傳導至推理服務商，例如超大規模雲服務商和新型雲廠商。

這意味著，電力基礎設施的投入將出現巨大的錯配。

我們需要強調的是：我們對美國和中國基礎設施的分析，可能是我們所做過的所有分析中，潛在回報率最高的一類。

關於未來

11、未來可能出現這樣的世界

未來，美國前沿實驗室可能不再向下一代最先進模型開放 API。實際上，對於絕大多數程序化企業應用而言，現有技術水平已經足夠。未來的高端模型將按價值而非用量定價，同時也將越來越多地推動中國從前沿能力中獲益。

因此，美國實驗室可能會提高 API 收入的優先級，以支撐更高價格、更低用量的模型；這反過來將切斷一條從美國東海岸橫跨太平洋的重要競爭管道。

至少，這將迫使更多數據在中國境內使用預訓練模型進行處理，從而增加現有算力瓶頸上的壓力。

從我們了解到的情況看，一些規模可觀的美國跨國公司正在進行試點，將工程和數學等任務遷往中國處理。

12、中美 AI 格局

我們認為，AI 已經讓美國與中國的技術體系深度交織，到了監管措施僅僅切斷其中一條跨太平洋鏈路，似乎最多隻能起到暫時作用的程度

美國和中國的技術人員，在某種意義上是在彼此對話；這種交流可能出現在模型蒸餾、開放權重、數據標註、推理等多個層面，而軟體正在越來越多地利用智能體式搜尋基礎設施。

直接禁止貨幣流通、實體上市、託管禁令和採購禁令等做法，幾乎必然會壓制美國創新，並將相關領域的領導地位拱手讓出，最終反而會促使資金流向中國競爭對手。

儘管西方關於 AI 估值泡沫的討論甚囂塵上，中國市場的氛圍卻明顯更加火熱

如果看收入倍數，中國實驗室的交易估值是美國前沿實驗室的 5 至 10 倍；按收入規模計算，中美差距則接近兩個數量級。

月之暗面最近一輪融資的估值為 35 億美元，而其 7 月年化收入約為 1 億美元，估值約為收入的 35 倍；新一輪融資據稱將以 50 億美元投前估值進行，相當於約 50 倍收入。

智譜今年 1 月在香港上市時的市值約為 100 億美元，約相當於 Anthropic 估值倍數的 20 倍。該公司早期公開市場股價波動劇烈：從上市時約 13 億美元的市值，一度升至今年 1 月約 100 億美元。

Kong AI Knowledge Atlas Technology HK（2613）也從今年 1 月約 13 億美元的市值，上漲至約 100 億美元；Luna AI（HKG:100）則從約 150 億美元一路漲至 330 億美元，隨後又回落至約 100 億美元。

這兩只股票都在限售期結束前大幅下跌。我們的判斷是，這主要源於市場結構尚不成熟：數十年的消費軟件投資經驗，直到現在才逐漸積累起圍繞企業財務披露和開源框架進行謹慎評估的能力。

這與我們在生物科技領域看到的情況並無明顯不同：在香港公開市場中，幾乎不存在因為交叉投資者或專業科技與生物科技投資者而產生的監管風險。

對於合適的投資者而言，這提供了一個巨大的機會：他們可以進入市場，並在這些類別的早期公開市場投資中建立領先地位。

你們的合夥人，

Nan、Adam、Zivain

註釋

DeepSeek V3 技術報告：採用 2048 張 H800 GPU；PTX 層級編程；約 3000 萬條專用於跨節點通信的消息。

2026 年 3 月，OpenRouter 每週 token 份額約為 42%，上下浮動約 5%；Qwen 佔比約 18%。值得注意的是，Hugging Face 的模型下載量僅佔中國開放權重模型使用量約 80%，另外約 20% 通過其他途徑分發。

Anthropic 曾正式指控月之暗面、DeepSeek 和 MiniMax 收集數百萬條 Claude 對話數據；這一說法隨後遭到多家公司否認並反駁。

關於不同運行率方法之間會計處理差異的評論，本文暫且按下不表。

阿里巴巴和字節跳動在東南亞的數據中心訓練，在 2026 年 4 月 20 日出臺限制後有所加速；這些公司通過在泰國、馬來西亞和日本的非中國所有設施租用算力。美國白宮 2026 年 3 月的 OSTP 指令已將英偉達出口級 GB300 伺服器引入泰國開展 K3 訓練；目前出口管制更看重晶片的所有權，而非遠程訪問。泰國、馬來西亞和印尼的算力租賃成本高出約 30%，而運營成本則低約 10%。

限售期滿之前，持股比例超過 5% 的機構無法套現；普通持股者在限售期結束前也無法出售。

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。