中美AI算力差距：别夸大，也别粉饰

客观来看，当前格局是美国在前沿训练算力、超大规模集群、资本开支上保持结构性领先；中国在国产替代、推理侧部署、电力与场景落地上加速补课，但单卡代际、HBM、软件生态仍是最短木板。

一、差距是真实的，但要分清口径

常被引用的Plotset/Epoch AI数据显示，截至2025年8月，美国在全球已运行AI超算集群算力中约占68.9%，中国约14.5%。这一数字能说明问题，但不能被误读。

首先，它统计的是已登记超算/GPU集群的FP16/BF16理论峰值，并非模型实际能力，也不等于最终交付给用户的可用算力。其次，美国的高份额主要来自微软、谷歌、Meta、AWS、OpenAI等少数巨头的资本开支堆叠，属于“头部效应”极强的结构性优势。再者，中国占比的回落，主因并非国内算力绝对萎缩，而是全球总盘子随着北美万卡、十亿瓦级园区的暴增被迅速摊薄。

伯恩斯坦的同期测算提供了另一视角：2025年，美国及其盟友新增AI加速算力约25 ZFLOPS量级，而中国新增不到1 ZFLOPS。这一差距的核心瓶颈在于先进芯片供给，而非电力——事实上，中国新增电力容量远高于美国，但芯片受限，算力只能停留在规划端。这两组口径合起来看，比单看“五倍差距”更接近现实。

二、美国的领先，到底领先在哪？

美国的优势并非单一环节，而是一整套系统工程能力：

1. 高端芯片供给：H100/B200/GB200等旗舰芯片不受限供给，Blackwell架构大规模铺货，头部云厂商单园区部署数万至十万卡同代集群已成常态。
2. 集群与互联：超节点架构、InfiniBand/专用后端网络、万卡级稳定训练工程经验成熟，长周期大模型训练的故障率、Checkpoint机制、算子库都已形成商业化沉淀。
3. 资本强度：微软、谷歌、Meta、AWS四大云厂，加上OpenAI、Anthropic、xAI等AI独角兽，其资本开支与融资节奏，在全球范围内没有对称对手。
4. 出口管制工具：通过A100/H100/H20逐级收紧管制，2025年4月H20被纳入许可管制，英伟达计提约55亿美元相关损失，7月虽有条件恢复，但特供版性能仍显著低于同期旗舰。

当然，美国也并非毫无约束。电网接入、变压器交付、园区审批、电力PPA价格，已经开始拖累部分超大规模项目的落地节奏——这也是“美国有芯片缺电”叙事的现实基础。

三、中国的底牌与短板，要分开看

真实进展不能被抹杀：

- 国产芯片份额抬升：伯恩斯坦等多家机构跟踪显示，华为昇腾与英伟达在华AI芯片份额已接近交叉点，2026—2027年国产占比有望继续上修。
- 产品迭代加速：昇腾910B/910C已进入多家大厂适配，950DT、超节点、SuperCluster方案在推进，但量产节奏、HBM自供、CANN算子覆盖、大规模长稳训练仍需逐季验证。
- 算法效率突围：DeepSeek等模型通过MoE、蒸馏、推理优化，证明单位算力产出可以大幅压缩，但这不等于训练底座已经完全平替。
- 基础设施优势：电力、土地、政企场景、工业数据闭环是国内结构性优势，东数西算与省市级智算招标仍在放量。

但短板也不能靠情绪来补：

- 训练侧仍依赖存量卡：最重负载的大模型训练，仍大量依赖存量英伟达卡与灰色渠道供给。彭博报道的DeepSeek16万颗昇腾950DT订单，目前仍是知情人士口径、双方未官宣、主要用于推理、交付周期可能长达一年以上——不能简化为“国产全面替代已落地”。
- 关键环节未打通：HBM、先进封装、EUV禁运、EDA高端环节仍是明显短板。
- 软件生态落差：框架算子、通信库、分布式调度、调试工具链与NV生态的工程差距，比纸面TFLOPS更难在短期内抹平。

四、判断框架：不要用“一张图”定胜负

对这场竞赛，更稳妥的判断框架应是三层：

- 当下（2025—2026）：美国在前沿训练算力、闭源模型底座、超节点工程上，拥有约数倍到一代半的结构性领先；中国在推理国产化、行业落地、二线训练替代上追得最快，但全栈大规模可用度仍滞后。
- 中期（2027—2029）：观察点在于昇腾/海光/寒武纪的量产爬坡、国产HBM与先进封装的导入、超节点万卡长稳训练能否跑通。若这几项兑现，中美新增可用算力差距会明显收窄，但存量累计差距不会一夜归零。
- 长周期变量：胜负手不在“谁先喊出无卡脖”，而在电力转化效率、模型算法红利、国产软硬件生态留存率、应用侧付费闭环。AI算力最终要折算成模型能力、Agent应用、工业渗透和生产力曲线，而不是只比GPU吨位。