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被算力约束逼出来的。周鸿祎因此建议，既然美国已经有条件允许H200芯片出口，中国就应当适度放开购买限制，国产芯片可以更多承担推理任务，前沿模型训练则不妨借助进口先进芯片。他甚至判断，如果DeepSeek拥有与OpenAI等美国头部企业相当的算力，凭借现有团队的能力，一年内就有可能实现超越。

一年内能否超越，当然很难判断。中美大模型的竞争涉及算法、算力、数据、人才和工程体系等诸多因素，不可能归结为单一变量。但周鸿祎的观点提出了一个值得认真思考的问题：既然中国企业已经证明自己能够在算力受限的条件下开发出具有国际竞争力的大模型，为什么不尽可能为这些优秀的研发团队提供更先进的计算资源？算力约束确实可能刺激算法创新，但这是否意味着算力约束本身就有利于技术进步？换句话说，我们是否混淆了资源稀缺所产生的创新激励，与资源充裕所提供的创新条件？

资源约束如何塑造技术创新

日本是一个高度依赖进口石油的国家。1973年第一次石油危机爆发，国际油价急剧上涨，不仅使日本经济受到严重冲击，也改变了全球汽车市场的竞争条件。

此前，美国汽车工业长期受益于相对廉价的汽油，大排量、大尺寸汽车占据重要市场地位。日本汽车企业则受本国市场规模、资源条件以及制造业发展路径等因素影响，更加重视汽车的小型化、燃油经济性和生产过程中的资源节约。当国际油价突然上涨，原本并不占据市场主导地位的日本小型汽车，开始获得越来越明显的竞争优势。

这一变化并不是简单地发生在市场销售环节，也推动了日本汽车企业的技术发展方向。

根据丰田公司的官方历史记载，1973年石油危机之后，丰田于1974年开始开发Tercel和Corsa车型，目标就是制造重量更轻、燃油效率更高，同时保持必要乘坐空间的汽车。本田的CVCC发动机虽然研发早于石油危机，最初主要受到美国排放法规的推动，但其较高的燃油经济性，在油价上涨后获得了更大的市场价值。日本汽车工业由此形成的竞争优势，当然不能全部归因于石油短缺，却充分说明了资源条件及其相对价格如何影响企业的技术选择。

这在经济学上并不难理解。早在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）：生产要素相对价格的变化，会影响技术发明的方向，促使企业寻找节约相对昂贵要素的方法。技术创新并不是一个完全独立于经济条件的过程，企业研发什么技术、选择什么生产方式，在很大程度上取决于其所面对的相对成本和市场激励。

如果把这一理论用于理解今天的中国AI产业，就会发现一个颇为相似的现象。美国头部AI企业能够获得大量先进计算资源，因而有条件通过扩大计算规模、增加实验次数和探索不同技术架构来推动模型能力提升。中国企业则面临更强的算力约束，因此有更大动力寻找能够节约计算资源的技术路径。

DeepSeek采用的混合专家架构、注意力机制优化、低精度训练以及通信优化等技术，虽然并非全部由其首创，却通过有效组合与工程实现，提高了计算资源的使用效率。这与日本汽车企业努力提高每升汽油能够提供的行驶里程，具有相似的经济逻辑。

但诱致性技术创新理论所揭示的，首先是技术创新的方向，而不是技术进步的全部条件，更不能据此推导出资源越稀缺，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，但资源本身也是生产活动不可缺少的投入。日本汽车企业可以通过技术创新降低单位行驶里程的燃油消耗，却不能因此摆脱对石油的需求。如果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，那么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。

这里涉及一个容易被忽视的区别：资源约束与技术创新之间并非只有替代关系，还存在重要的互补关系。技术进步可以提高单位资源的产出，但资源投入同样决定着技术能够发挥多大的作用。对于人工智能而言，这种互补性更加明显。算力不仅是模型运行所消耗的生产要素，也是开展算法研究、验证技术方案和探索前沿能力所必需的研发投入。算力不足固然能够促使企业改进算法效率，但如果缺乏足够的计算资源，许多潜在的技术方案就无法得到检验，更谈不上转化为实际的技术突破。

因此，日本汽车工业的历史真正说明的，并不是资源短缺本身具有竞争优势，而是资源短缺可能诱导企业形成某种技术能力。一旦这种能力形成，增加资源供给反而可能进一步放大它的价值。日本汽车企业并没有因为石油供应趋于稳定而放弃节能技术，DeepSeek也不会因为拥有更多先进GPU，就突然丧失算法优化能力。恰恰相反，如果高效率算法与更加充足的算力结合，中国企业就可能以更低的单位计算成本开展更多研发实验，进一步提高模型能力。

根据经济学上的“杰文斯悖论”（Jevons Paradox），算力使用效率的提高，很可能导致算力总需求增加，而非减少。随着单位推理成本降低，原本不具备商业可行性的AI应用可能变得经济可行，市场需求随之扩大，最终需要更多计算资源。当然，这种总需求反弹是否超过初始的效率节约，取决于需求弹性等具体条件。但至少可以肯定，提高算力使用效率与扩大算力供给之间，并不存在必然的矛盾。

保护上游产业的成本由谁承担？

与日本汽车工业当年面临的能源约束有所不同，中国大模型企业今天面临的先进算力约束，不仅来自技术和市场，还受到国际出口管制及国内产业政策的共同影响。

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。根据今年9月《金融时报》的报道，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，在部分先进芯片已经可以通过合法渠道获得的情况下，是否进一步限制国内企业采购，就不再只是一个外部技术封锁问题，也涉及国内不同产业发展目标之间的权衡。

中国当然需要发展自主先进芯片，但发展国产芯片与发展具有国际竞争力的大模型，是两个不同的产业目标。对于DeepSeek这样的模型企业而言，其直接竞争对手是OpenAI、Anthropic和Google，企业需要以尽可能低的成本获得高质量算力，以便加快研发速度、提高模型能力。而对于国产AI芯片企业而言，英伟达才是直接竞争对手。国产芯片企业需要通过商业订单扩大生产规模，积累工程经验，改善软件生态，逐步缩小与国际先进水平的差距。两个产业在长期具有明显的互补性，但在国产芯片尚未充分成熟的阶段，它们对先进进口芯片的态度可能存在差异。

这种矛盾其实是产业经济学中的一个经典问题：为了培育尚未形成充分竞争力的上游产业，是否值得让已经具备一定国际竞争力的下游产业承担额外成本？

从传统的幼稚产业保护理论来看，对后起产业给予一定时期的政策支持，并非没有经济学依据。某些产业在发展初期面临规模不足、技术积累薄弱和学习成本较高等困难，暂时无法与已经成熟的国际企业竞争。如果扩大生产能够产生显著的“干中学”

效应，使企业随着产量和经验积累逐步降低成本，那么适当的政策扶持，就可能帮助本土企业建立原本难以形成的竞争能力。尤其是当技术学习具有外部性、单个企业无法完全获得其投资所创造的社会收益时，市场本身可能提供不足的研发和生产投入，政府干预因而具有一定的合理性。

但幼稚产业保护理论从来不是无条件的保护主张。其成立需要一个关键前提：保护带来的未来学习收益和技术外溢效应，必须足以补偿保护期间发生的效率损失。经济学家马克·梅利茨关于幼稚产业保护的研究就指出，即使一个产业确实存在动态学习外部性，贸易保护也不一定是最优政策，其合理性还取决于产业学习能力、成本下降路径以及国内外产品之间的替代关系。换言之，产业保护的正当性不能仅仅建立在被保护企业目前不具备竞争力这一事实之上，而必须证明这种保护能够创造足够大的未来社会收益。

把这一理论应用到AI产业，问题就变得更加复杂。国产芯片企业通过获得订单、扩大部署，确实可能积累技术能力，形成有价值的学习效应。但是，下游大模型企业同样处于技术快速进步的过程中，其研发活动也具有显著的知识外溢效应。一家模型企业的算法突破，不仅能够改善自身产品，还可能通过开源模型、工程技术和人才流动，提高整个产业的生产率。因此，保护国产芯片所产生的动态收益，不能孤立地计算，而必须与下游模型企业可能损失的动态创新收益进行比较。

如果国产芯片暂时无法以相近成本提供同等水平的有效算力，那么限制进口芯片所产生的成本，就不只是下游企业多支付的采购费用。模型训练是一个高度依赖连续实验与快速迭代的过程，计算资源不足可能意味着更长的训练周期、更少的试验机会，以及某些原本可以开展的研究项目被迫放弃。与一般制造业的生产成本不同，这些机会成本具有高度的不确定性和不可逆性。一项没有开展的实验究竟能否带来技术突破，我们永远无法直接观察；但如果竞争对手率先取得突破，由此形成的用户规模、技术生态与研发经验优势，却可能持续相当长的时间。

更值得注意的是，这种产业保护的收益和成本，并不是由同一主体承担的。国产芯片企业获得了市场订单，增加了销售收入，其市场份额和生产规模的变化相对容易统计；但模型企业因为算力受限而失去的技术机会，却很难被准确衡量。这不仅是产业链上下游之间的利益分配问题，更是产业政策评估中的信息不对称问题。政策制定者能够看到被保护产业获得的现实收益，却难以观察其他产业因此未能实现的潜在收益。如果只用国产芯片市场份额的增加来衡量政策成效，而不计入下游产业竞争力的变化，就很容易高估保护政策的净收益。

从整体经济效率的角度看，上游芯片和下游模型并不是相互独立的产业。芯片是模型研发与运行的重要中间投入，其成本和性能会通过产业链传递，影响下游企业的技术选择与市场竞争。对上游产业实施保护，如果抬高了下游企业获得有效算力的成本，就可能在增强上游企业市场地位的同时，削弱下游企业的竞争能力。这意味着，某个产业市场份额的增加，未必等于整个产业体系生产率的提高。对于已经形成一定国际竞争力的中国大模型产业而言，这种取舍尤其需要慎重。

我们当然不能据此断言，国产芯片保护一定得不偿失。先进芯片的外部供应存在不确定性，自主算力体系所提供的供应链韧性和战略选择空间，也具有不能完全由当前市场价格衡量的价值。但即使考虑这些因素，政策评估仍然必须回答一个基本问题：为了实现未来的技术自主，我们究竟需要付出多少当下的技术进步成本？这些成本是否存在更低代价的替代方案？如果不能回答这些问题，仅仅以国产替代作为保护的理由，就很难证明相关政策具有充分的经济合理性。

技术自主应当服务于技术进步

讨论至此，需要重新认识技术自主与技术进步之间的关系。发展国产先进芯片当然具有重要意义，尤其是在外部供应可能受到国际政治因素影响的情况下，一个国家有必要建立自己的基础技术能力，避免关键产业的发展完全取决于外部供应者的决策。但技术自主本质上是一种能力建设，其经济价值在于扩大企业未来的技术选择空间，而不是限制当前能够利用的技术资源。

我们尤其需要区分两种不同性质的能力：一种是可以通过市场交易获得的生产工具，另一种是必须依靠自身研发和知识积累形成的核心创新能力。两者相互联系，却不能混为一谈。

算力是现成的，可以拿来；思维（推理）是自己的，需要自主。这句话当然不是说先进算力可以不受限制地获得，更不是说国产芯片无须发展，而是强调生产工具的来源与技术创新能力的来源，并不必然是同一回事。对于中国大模型企业而言，在条件允许时购买国际先进芯片，并不意味着放弃自主算法研发。恰恰相反，优秀的算法需要充足的算力来验证和实现，而先进的算力只有与优秀的算法相结合，才能充分发挥其价值。

自主创新的核心，不在于拒绝使用外部生产工具，而在于能否独立提出问题、选择技术路线，并形成持续解决问题的能力。如果已经拥有优秀的研发团队，却因为生产工具的来源而限制其使用先进技术，那么这种限制可能削弱的，恰恰是我们希望培育的自主创新能力。

从产业政策理论看，实现同一个目标，往往存在多种政策工具。支持国产芯片研发、建设公共算力平台、改善软硬件生态、通过政府采购创造早期市场需求，与普遍限制下游企业购买先进进口芯片，可能都具有扶持国产产业的效果，但对整体经济效率的影响并不相同。如果政策目标是补偿国产芯片研发中的知识外部性，那么研发补贴、公共技术基础设施等工具通常更有针对性；如果政策目标是降低外部供应风险，那么发展多元化供应体系和建立自主算力储备，也未必需要限制所有企业获取先进计算资源的机会。

产业政策的合理性，不仅取决于目标是否正当，还取决于实现目标的手段是否具有经济效率，以及是否存在成本更低的替代方案。

更重要的是，中国AI产业的竞争能力，并不是国产芯片企业与模型企业竞争力的简单相加，而取决于整个技术体系中不同环节能否有效协同。一个更强大的模型产业，可以创造更加广泛的训练和推理需求，为国产芯片提供持续扩大的应用市场；一个不断进步的国产芯片产业，则可以通过改善算力供给条件，降低模型企业未来面临的技术和供应链风险。两者真正有价值的关系，是在技术进步中形成相互促进的正向循环，而不是通过限制其中一个产业的选择空间，为另一个产业创造受到保护的市场。从动态比较优势的角度看，已经形成的下游创新能力，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，周鸿祎提出的训练与推理适度分工，虽然并非唯一可行的路径，却具有一定的现实意义。对于技术迭代迅速、对计算资源要求极高的前沿模型训练，在条件允许时充分利用国际先进芯片，有助于保持中国模型企业参与全球技术竞争的能力；对于已经具备商业应用条件的大量推理任务，则可以通过技术适配、市场竞争和规模化部署，为国产芯片创造更多成长机会。当然，这种分工也不应成为永久安排。随着国产芯片性能、集群能力和软件生态的改善，其应用范围理应由实际竞争力决定，而不是由预先设定的产业边界决定。

归根到底，产业政策需要回答的不是某一项技术究竟有多大比例实现了国产替代，而是整个产业体系能否以更低的成本、更快的速度实现持续创新。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，而不是产业发展的最终目的。真正重要的是，通过自主研发与有效利用外部先进技术，中国企业能否不断提高生产率，拓展技术进步的可能性边界。如果为了提高某个中间指标，反而限制了整个产业的创新能力，那么即使这一指标取得了显著改善，也很难说实现了产业政策的初衷。

日本汽车工业的成功，并不是因为日本一直缺少石油，而是因为日本企业在资源约束下形成了优秀的节能技术，并将这种技术优势转化为持续的国际竞争力。今天中国大模型企业的突破，也不是因为中国缺少算力，而是因为中国企业即使面对算力约束，仍然表现出了出色的算法创新和工程能力。资源约束所诱导出的技术能力，应该成为进一步扩大生产可能性边界的基础，而不应当成为继续维持资源约束的理由。

现在，中国已经拥有一批能够参与全球前沿竞争的大模型研发团队。既然这种能力已经形成，产业政策就应当考虑如何充分释放其创新潜力，同时为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形成的竞争优势，只有在未来收益足以弥补当前损失时才具有经济合理性；而这种收益不能仅凭产业保护的初衷来推定。

我们不能把实现技术自主的手段，变成限制技术进步的目的。（财富中文网）