美媒納悶：缺芯少錢，中國AI為何還追得這麼快？
正當外界普遍認為，中國AI產業會因先進芯片管制趨嚴與融資環境明顯收緊而被迫放緩腳步之際，多家美國媒體卻注意到一個令人意外的矛盾現象：中國的頂尖人工智能模型非但沒有被甩開，反而在持續縮小與美國之間的差距。這個發展態勢，讓不少原先篤定「缺芯少錢」必然拖慢中國AI步伐的觀察家大感意外，也讓美國科技圈不禁納悶：中國AI為何還能追得這麼快？據中美兩國多位行業人士觀察，中國目前最出色的AI模型，與美國最先進模型之間的能力差距，已經從過去動輒以年為單位的鴻溝，縮小到僅剩數個月的距離。這樣的判斷，顛覆了許多人的直覺，也讓外界重新思考資源限制與技術創新之間的複雜關係。
過去幾年，美國對先進半導體出口實施多輪管制，中國AI新創企業在籌資上也面臨更大挑戰，按理說這些條件都會嚴重壓縮中國AI的發展空間，但實際結果卻並非如此單純。報道分析指出，中國AI公司之所以能在資源受限的條件下實現快速追趕，是多重因素疊加之後的結果。首先，美國AI公司在架構設計與演算法上的技術進展，往往會以極快的速度被中國團隊吸收與借鑑，形成一股強勁的擴散效應。這種擴散不僅來自論文發表與開源社群，也來自產業鏈上下游頻繁的技術交流，使得新方法、新架構一出爐，很快就能在中國的研究圈子裡找到落地實驗的場域。其次，近年來海外人才加速回流，也為中國本土團隊帶來了扎實的研發經驗。
許多曾在矽谷頂尖實驗室或大型科技公司歷練過的工程師與研究員，帶回了先進的訓練方法、系統設計思維以及大規模模型部署的實務知識。這些人才的加入，直接提升了中國AI團隊從理論構想到實際產品之間轉換的效率與成熟度。再加上中國境內長期累積的研究網絡與工程協作機制，使得新想法從論文到模型落地的轉換速度，遠比外界想像中更快。研究機構、大學實驗室、大型科技公司與新創團隊之間，形成了一套高度緊密且運作流暢的協作體系。論文發表之後，往往短短數月內就能看到相關技術被整合進新模型或應用產品中，這種快速迭代的能力，成為中國AI在逆境中持續前進的重要支撐。
這些條件共同構築出一條以「開源技術」與「算力效率」為核心的追趕路徑。在無法取得充裕高階芯片的情況下，中國團隊轉而將大量精力投入演算法優化、訓練流程改良以及硬體資源調度效率的提升。透過更精細的模型架構設計、更聰明的資料運用方式，以及更高效的分散式訓練技術，中國團隊在資源劣勢下仍能擠出令人驚豔的成果。這種以軟體智慧補硬體不足的策略，也在國際AI社群中引發了不少討論。不過，算力依然是中國AI企業眼前最現實的瓶頸。DeepSeek創辦人梁文鋒今年5月就曾直言，芯片才是中美AI公司之間最關鍵的差距，而非人才。
這句話點出了中國AI產業當前的微妙處境：一方面，中國團隊靠著演算法優化與工程能力，將有限算力的效益發揮到極致；另一方面，高階芯片的取得難度並未消失，先進製程的封鎖依然牢牢卡在供應鏈的關鍵環節上。即便中國團隊透過各種手段拉近了與美國模型的距離，但要維持這種追趕節奏，仍需要持續在硬體資源的取得與運用上找到新的突破口。部分專家認為，中國AI的下一步，關鍵在於能否在更嚴苛的硬體條件下發展出更具創意的訓練方法，或者能否在芯片替代方案與異構計算架構上取得實質進展。這些問題的答案，將決定中美AI競賽下一階段的走向。就現階段而言，中國AI產業展現出的韌性，已經讓國際社會對「算力決定論」產生新的思考。
資源受限固然會增加發展難度，但並未直接等於技術落後。中國團隊在開源生態中的積極參與、在演算法效率上的持續鑽研，以及在人才培育與回流上的累積，都是支撐這股追趕動能的重要力量。美國媒體的納悶，某種程度上也反映出過去對中國AI競爭力的評估，可能忽略了一些看不見的軟性因素。展望未來，中美AI之間的競爭，恐怕不會因為芯片禁令而迅速明朗化。相反地，在資源差異依然存在的背景下，雙方在演算法創新、工程效率、人才流動與開源生態上的較量，反而會變得更加細緻且多層次。中國AI究竟能在這條受限的路上走多遠，仍值得持續觀察。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.