DeepSeek V4 宣布棄用輝達！中國 AI「算力獨立」突圍戰走到哪了？

DeepSeek 宣布新一代 V4 模型將全面採用國產晶片方案，不再依賴輝達 GPU。從中興事件到三輪晶片禁令，中國 AI 產業正以演算法優化、國產替代和 Token 出海三條路線同步突圍。 （前情提要：老高談 DeepSeek：絕對沒抄襲 ChatGPT，透過底層技術繞過輝達 CUDA 平台） （背景補充：FBI、白宮出手調查！美懷疑：DeepSeek 藉新加坡白手套取得輝達晶片）   八年前，中興心臟驟停。2018 年 4 月 16 日，美國商務部工業與安全域性的一紙禁令，讓中興通訊這家擁有 8 萬名員工、年營收超千億的全球第四大通訊裝置商，在一夜之間停擺。禁令內容很簡單，未來七年，禁止任何美國公司向中興出售零部件、商品、軟體和技術。 沒有了高通的晶片，基站停產。沒有了谷歌的安卓授權，手機也沒有能用的系統了。23 天后，中興發布公告，稱公司主要經營活動已無法進行。 不過中興最終活了下來，但代價是 14 億美元。 10 億美元罰款，一次性付清；4 億美元保證金，存入美國銀行的託管賬戶。此外，全部高管換血，接受美方合規監督團隊進駐。2018 年全年，中興淨虧損 70 億元人民幣，營收同比暴跌 21.4%。 時任中興董事長殷一民在內部信中寫道：「我們身處在一個複雜的、高度依賴全球供應鏈的產業中。」這句話，在當時聽來，是反思，也是無奈。 八年後，2026 年 2 月 26 日，中國 AI 獨角獸 DeepSeek 宣布，其即將發布的 V4 多模態大模型，將優先與國產晶片廠商深度合作，首次實現從預訓練到精調的全流程非英偉達方案。 翻譯一下就是：我們不用英偉達了。 訊息一出，市場的第一反應是質疑。英偉達在全球 AI 訓練晶片市場的份額超過 90%，放棄它，這在商業上合理嗎？ 但 DeepSeek 的選擇背後，藏著一個比商業邏輯更大的問題：中國 AI，到底需要一場怎樣的算力獨立？ 很多人以為，晶片禁令卡住的是硬體。但真正讓中國 AI 公司感到窒息的，是一個叫 CUDA 的東西。 CUDA，全稱 Compute Unified Device Architecture，是英偉達在 2006 年推出的一套平行計算平臺和程式設計模型。它允許開發者直接呼叫英偉達 GPU 的算力，來加速各種複雜的計算任務。 在 AI 時代到來之前，這只是一個屬於少數極客的工具。但當深度學習的浪潮襲來，CUDA 變成了整個 AI 產業的地基。 AI 大模型的訓練，本質上就是海量的矩陣運算。而這恰恰是 GPU 最擅長的工作。 英偉達憑藉提前十幾年的布局，用 CUDA 為全球的 AI 開發者搭建了一整套從底層硬體到上層應用的完整工具鏈。今天，全球所有主流的 AI 框架，從谷歌的 TensorFlow 到 Meta 的 PyTorch，底層都與 CUDA 深度繫結。 一個 AI 專業的博士生，從入學第一天起，就是在 CUDA 的環境裡學習、程式設計、做實驗。他寫的每一行程式碼，都在加固英偉達的護城河。 截至 2025 年，CUDA 生態已經擁有超過 450 萬開發者，覆蓋了 3000 多個 GPU 加速應用，全球超過 4 萬家公司在使用 CUDA。這個數字意味著全球 90% 以上的 AI 開發者，都被繫結在英偉達的生態裡。 CUDA 的可怕之處在於，它是一個飛輪。越多的開發者使用，就會產生越多的工具、庫和程式碼，生態就越繁榮；生態越繁榮，就越能吸引更多的開發者加入。這個飛輪一旦轉起來，就幾乎無法被撼動。 結果就是，英偉達賣給你最貴的鏟子，還定義了唯一的挖礦姿勢。你想換一把鏟子？可以。但你得先把過去十幾年裡，全球幾十萬最聰明的大腦在這個姿勢下積累的所有經驗、工具和程式碼，全部重寫一遍。 這個成本，誰來付？ 所以，當 2022 年 10 月 7 日，BIS 第一輪管制落地，限制英偉達 A100 和 H100 對華出口時，中國的 AI 公司們，第一次集體感受到了中興式的窒息感。英偉達隨後推出了「中國特供版」A800 和 H800，降低了晶片間的互聯頻寬，勉強維持供應。 但僅僅一年後，2023 年 10 月 17 日，第二輪管制再次收緊，A800 和 H800 也被禁，13 家中國公司被列入實體清單。英偉達不得不再推出進一步閹割的 H20。到 2024 年 12 月，拜登政府任期內的最後一輪管制落地，連 H20 的出口都被嚴格限制。 三輪管制，層層加碼。 但這一次，故事的走向，和當年的中興完全不同。 禁令之下，所有人都以為，中國 AI 的大模型之夢會就此終結。 他們都錯了。面對封鎖，中國公司並沒有選擇正面硬剛，而是開始了一場突圍。這場突圍的第一個戰場，不在晶片，而在演演算法。 2024 年底到 2025 年，中國的 AI 公司們集體轉向了一個技術方向：混合專家模型。 簡單來說，就是把一個巨大的模型拆分成很多個小專家，處理任務時只啟用其中最相關的幾個，而不是讓整個模型都動起來。 DeepSeek 的 V3 就是這個思路的典型代表。它擁有 6710 億個引數，但每次推理只啟用其中的 370 億個，僅佔總量的 5.5%。訓練成本方面，它使用了 2048 塊英偉達 H800 GPU，訓練 58 天，總花費 557.6 萬美元。作為對比，外界對 GPT-4 訓練成本的估算，大約在 7800 萬美元。一個量級的差距。 演演算法上的極致最佳化，直接反映到了價格上。DeepSeek 的 API 價格，輸入每百萬 Token 僅 0.028 到 0.28 美元，輸出 0.42 美元。而 GPT-4o 的輸入價格是 5 美元，輸出 15 美元。Claude Opus 更貴，輸入 15 美元，輸出 75 美元。換算下來，DeepSeek 比 Claude 便宜了 25 到 75 倍。 這個價格差，在全球開發者市場上反響巨大。2026 年 2 月，全球最大的 AI 模型 API 聚合平臺 OpenRouter 上，中國 AI 模型的周呼叫量在三週內暴漲 127%，首次超越美...