摘要
近期輿論常將美中人工智慧（AI）競爭簡化為一種對比：美國追求前沿的通用人工智慧（AGI），而中國則側重實用 AI 應用的大規模擴散。然而，DSET經濟安保組報告認為，中國的 AI 菁英將這場競爭視為涵蓋整個 AI 生態系的多次元角力，而非在前沿創新與廣泛部署之間作抉擇。
DSET《四兩撥千斤：分析中國 AI 菁英在美中人工智慧競爭中取勝的策略》報告主張，面對美國出口管制與限制的壓力，北京正採取類似太極拳中「四兩撥千斤」的策略：中國的戰略，並非在資金或晶片數量上與美國逐一對標，而是盡其所能在供應鏈的各個環節與之全面競爭。這些手段共同支撐了中國的「節儉型 AI 堆疊（frugal AI stack）」戰略——一個旨在取得競爭優勢的生態系，而不強求在每個技術領域都須達至與美國對等的大戰略。
本報告從中國 AI 菁英的視角分析相關戰略，並特別聚焦於私部門產業與技術領袖的觀點。DSET 指出，西方分析者往往忽視了中國內部關於 AI 辯論的微妙之處，尤其是這些菁英也坦承中國面臨挑戰的領域。儘管西方輿論愈來愈傾向宣告中國即將贏得 AI 競賽，但中國產業領袖對其自身常被忽視的弱點，卻有著清醒的認知。同時，在 AI 堆疊的六大層面——市場應用、模型、算力、基礎設施、人才與融資——中國的參與者也正盡可能地在每個管道展開個別競爭，以抵銷美國出口管制帶來的種種發展制約。
然而，這並不意味著中國作為 AI 競爭者的威脅有所減弱；相反地，DSET 指出，因應中國的諸多優勢，美國與盟友國家須在中國 AI 完整堆疊上採取聯合行動，以因應中國 AI 的擴散態勢，並與中國展開競爭。DSET 報告指出，這需要一套經濟安保戰略，不能僅聚焦於最先進的運算晶片與前沿模型，也必須涵蓋 AI 競爭的所有發展領域。
圖 1：中國橫跨整個 AI 堆疊的戰略包含六個面向
一、市場應用：中國在消費型與工業型 AI 具備優勢，但在企業採用相對落後
中國正積極拓展消費端 AI 與工業應用 AI 市場，但其在說服企業用戶採用企業級 AI 解決方案時面臨困難。憑藉阿里巴巴、騰訊與字節跳動等主要科技巨頭的龐大用戶基礎，中國消費端 AI 的使用率在全球持續提升。在企業與工業應用領域，中國企業對於投資以硬體為基礎的「具身智能（embodied intelligence）」則展現出更高的意願；然而，中國產業慣於極力壓縮成本的文化，卻降低了企業用戶對軟體驅動型企業 AI 解決方案的需求。
DSET 報告分析，在使用者體驗比頂規算力發展更重要的消費端 AI 領域，中國目前佔有相當優勢。但中國產業領袖認為，中國整體 AI 產業的長期發展，仍取決於其 B2B（企業對企業）市場能否持續成長。
表 1：中國 AI 的部分工業應用案例
二、模型：以開放權重降低成本並建立生態系
中國在模型方面的策略包含兩大要素：首先，致力於發展開放權重模型，以此作為加速開發與擴散中國模型的戰略之一；其次，在算力限制下，中國利用模型訓練最佳化與知識蒸餾，快速達成模型的領先發展。然 DSET 報告指出，中國菁英們也於公開論述中坦承，上述兩種路線皆有其缺點與侷限性。
首先，在資源限制下，追求開權模型已成為中國 AI 業界加速發展的共識。開權模型讓企業能快速收集使用者社群的意見，並建立依賴中國模型平台的開發者生態系。能夠自由下載與微調開放模型，是中國 AI 足以在全球擴散的一大優勢，而低廉的 API 價格也推波助瀾：字節跳動的企業級模型定價約為每 1,000 個 token 0.00011 美元，價格幾乎遠低於業界平均水準近 100%。
截至 2025 年底，中國的開放模型已拿下 30% 的全球 AI 市場份額。然而，百度執行長李彥宏與月之暗面（Moonshot）創辦人楊植麟皆認為，中國必須同步發展閉源與開放模型，因為閉源企業在吸引頂尖人才與資本方面具備不可替代的優勢，且從長遠來看，閉源技術是更好的商業模式。
DSET 分析，中國模型策略的第二部分是「降本增效」：透過模型訓練的創新，打造更高效、更具成本效益的模型。但在缺乏最先進算力的條件下，諸如 DeepSeek 與 MiniMax 等部分廠商，仍依賴對 OpenAI 和 Anthropic 等美國市場領導者發動「蒸餾攻擊」等較不正當的手段。
三、高階訓練算力：以量補質
儘管國產晶片取得了一些突破，算力至今仍是中國最顯著的弱點，如其依然高度依賴 Nvidia 晶片與 CUDA 平行運算框架。針對國產 GPU，中國也採取了「以量補質」的策略，同時試圖快速建立用於訓練 AI 模型的本土 AI 軟硬體生態系，並取得了不同程度的進展。
在硬體方面，中國持續受制於諸多瓶頸，包含國內晶圓代工能力的侷限以及缺乏先進曝光機。為此，華為正專注於堆疊大量晶片，以達到所需的算力。其中，華為預計於 2026 年推出的 CloudMatrix 384，據傳其聚合密集算力（aggregate dense compute），在某些指標上已能媲美、甚至超越 Nvidia GB200 NVL72。
在軟體方面，中國半導體行業協會副理事長魏少軍曾指出，中國對 Nvidia CUDA 架構的依賴是致命的，中國必須建立本土的晶片設計生態系。例如，華為的 CANN 與摩爾線程（Moore Threads）的 MUSA 都被宣傳為 CUDA 的替代方案。儘管如此，中國廠商至今仍嚴重依賴 Nvidia 晶片。DSET 經濟安保組報告《共築誰的命運共同體？中馬經濟合作與資料中心的經濟安全挑戰》也分析，中國 AI 產業利用包括位於新加坡和馬來西亞的海外資料中心，獲取受美國管制的高階算力。
表 3：華為與 Nvidia AI 算力堆疊比較
四、基礎設施：儘管擁有全球最大電網，仍面臨挑戰
若說算力是中國最顯著的劣勢，則中國的能源規模也具備成為顯著優勢的潛力。2024 年，中國的發電量是美國的兩倍多，DSET 報告分析，這或能讓中國得以推行過去被認為在經濟上不可行的「以量補質」算力策略。為了在全國範圍內統一調度算力資源，中國工業和信息化部（工信部）建立了一個「全國算力互聯網服務平台」，讓使用者能發布需求，並尋找算力、模型、數據和應用。
然而，中國雲端與基礎設施相關人士指出，將大規模發電能力轉化為實際 AI 應用的可用優勢，仍面臨相當挑戰，如物流、技術與結構性問題等，皆阻礙了中國 AI 基礎設施的有效配置。
五、人才：本土 AI 人才受限於「刷題式學習」文化
人才培育的典範已從「招募海歸」轉向「自主培養」。中國每年產出約 140 萬名 STEM 畢業生，是美國的六倍以上。同時，北京也建立了人才培育的機構基礎設施，例如北京智源人工智慧研究院（BAAI），將頂尖大學（清華、北大）與產業界（華為、智譜 AI）緊密結合。
然而，中國 AI 菁英擔憂，關鍵問題不在於缺乏人才，而在於創新文化中長期存在的限制。騰訊首席 AI 科學家姚順雨憂心，中國人更傾向於做安穩的事情，而非探索未知。北京意識到這項限制，已開始改革評估體系，淡化對排行榜名次的過度重視，並透過「K 簽證」計畫吸引全球前沿研究人員，期望藉此促進中國的創新文化。
六、融資：耐心國家資本與務實市場機制
圖 4：中國 AI 公共融資結構
為使投資回報最大化，中國的創投公司積極協助 AI 企業對接上下游產業鏈。然而，中國 AI 投資仍面臨挑戰，即可動用的資金規模明顯不足：2024 年美國私部門對 AI 的投資高達 1091 億美元，是中國 93 億美元的近 12 倍。為了鼓勵私部門投資具戰略意義的 AI 新創公司，中國正運用其國家融資的劇本——以「政府引導基金」將私人投資引導至優先領域。
中國財政部於 2025 年底設立了規模達人民幣 1,000 億元的「國家創業投資引導基金」，重點扶持具備長期發展潛力的早期硬科技企業。私人資金在 AI 堆疊的下游最為活躍，近期推動了晶片設計與 AI 模型的首次公開發行（IPO）。DSET 分析，中國菁英們認為，創投體制仍有待大幅改革，以更有效地管理金融風險。
政策建議
- 市場應用：盟友國家決策者必須超越「前沿 AI 領導地位」的路徑思維，以確保在全球 AI 生態系中的主導權。為達成此目標，應推廣採用與美國結盟的模型，並加強數據治理以防範跨境風險。
- 模型：盟友國家政府應限制在敏感領域中使用中國的開放權重模型，同時在全球推廣值得信賴的替代方案。此外，應使教育產業界了解使用中國開源模型的風險，但避免採取全面禁令以免阻礙創新。
- 算力：決策者必須維持現有的出口管制，並持續更新受管制的商品與實體清單。為了防止中國透過堆疊及其他變通策略提升晶片效能，這些管制應聚焦於關鍵技術瓶頸，包含先進製程 GPU、高頻寬記憶體（HBM）、高速互連技術以及相關製造設備。此外，美國及其盟友應加強對全球 AI 基礎設施的監管與透明度，防止中國透過第三國資料中心獲取算力。
- 基礎設施：美國在大規模部署能源與 AI 基礎設施時，也面臨著類似的能源限制與效率不彰問題。盟友國家決策者應加碼投資新能源 AI 基礎設施，並提供稅賦優惠與補貼以促進資料中心的發展。同時，應深化盟邦算力生態系的整合，以維持長期的競爭力。
- 人才：美國應優先透過正面激勵措施留住全球 STEM 人才；同時，美國工業和安全局（BIS）應限制美國人員參與中國敏感的 AI 開發，並加強《出口管理條例》（EAR）的執行力度。
- 融資：為了在 AI 競爭中保持領先，美國及其盟友應透過公共資金與夥伴關係發展類似的資本機制，為長期 AI 研發建立耐心資本機制。此外，應透過對外投資限制，以及「非 SDN 中國軍工複合體企業名單」等工具，防止資金流入中國的 AI 產業。
