多次公開肯定中國科技實力的 NVIDIA 行政總裁黃仁勳近日表示，中國在 AI 發展上具有「更快部署算力基礎設施」的能力，部分原因是電力成本較低，且監管環境相對歐美更具彈性。他過去受訪亦談到，中國建大型算力園區與資料中心的速度明顯快於美國。上述觀點背後的假設，是只要堆得起算力、供得起電、撐得起規模，就能在 AI 競賽中佔上風。然而，這樣的看法忽略了兩個關鍵：第一，生成式 AI 本質是「燒錢型技術」，衡量點在於能否長期養得起；第二，即使算力堆到極致，若無法形成可盈利的商業模式，最終亦會被成本壓力反噬。

生成式 AI 被形容「燒錢型技術」，甚至「食電怪獸」，並非誇張。以 GPT-4 等級的大模型為例，外界對其訓練耗電的估計雖有差異，但「以十數至數十 GWh 等級」的用電是合理量級；有權威媒體甚至以「足以支撐美國數十戶家庭上百年用電」作比喻，反映其能源密度之高。而訓練之後，真正持久而昂貴的其實是上線後持續不斷的推理（inference）。

國際能源署（IEA）最新預測更指出，資料中心與AI系統的用電量未來數年翻倍，佔全球電力消耗約3%，相當於整個日本的用電規模，顯示AI的成本壓力已從晶片與伺服器，延伸到能源與電網層面，能源效率正成為新一輪技術競爭的焦點。生成式AI愈受歡迎愈燒錢

生成式AI愈受歡迎愈燒錢

傳統平台經濟是「使用者愈多、邊際成本愈低」，但在生成式AI，每一次提問、生成、推理背後都是真金白銀的GPU運算與電力支出。正所謂「人愈多、算愈多、電愈貴」，這就是行內常說的「旺丁不旺財」。多家主流財經媒體統計，OpenAI雖然今年營收有望達約130億美元（1,010億港元），但同時承受巨額的研發、行銷與算力開支；另有報道指出，OpenAI為未來資料中心與算力擴張規模洽談的投資達1.5萬億美元（11.66萬億港元），完全凸顯資金壓力與產能擴建的張力。問題不是「模型做不做得出來」，而是「長期維持的成本撐不撐得住」。

有人或會反駁：晶片效能會不斷提升，成本自然下滑。的確，硬體與軟體效率在進步；但需求擴張往往快過效率改善：更長上下文、更強推理、更密集多模態，都會立刻吞噬節能收益。就像理髮師剪髮手勢愈來愈快，但同時開了10間分店。單位效率雖提升，但總成本仍上升。國際能源署也提醒，未來數年資料中心用電將明顯增加，而且多集中於少數地區，對局部電網形成衝擊；能耗管理、冷卻技術與電網擴容，將決定 AI 能否「做大又做久」。

中國成本優勢把算力「堆出來」

這個前提下，中國確實有不可忽視的優勢：面對美國技術管制，中國以規格相對較低但可大量供應的晶片為主力，配合較低電價、政策支持、大型算力園區集群與成熟伺服器供應鏈，把AI的部署與運行成本壓低，並以「先試後管」的模式快速鋪入醫療、工業視覺、物流調度、城市管理等場景，形成高密度且節奏迅速的應用生態。近期亦可見對使用「國產晶片」的超大資料中心給予電費減免等做法，進一步放大成本優勢。

然而，能追得快，不等於站得穩；能堆得起，不等於撐得住。結構性門檻在研發與商業兩端：決定下一代 AI 形態的模型架構、關鍵算子、低功耗晶片與推理加速軟硬整合，仍多由美國與少數企業主導；堆算力能放大能力，但取代不了原理層的突破。同時，補貼與低電價屬「推動期紅利」，若依賴過久，反而可能弱化效率與節能投資動機，使企業偏向「有電就多堆GPU」，而非加碼低功耗架構、模型壓縮、冷卻創新等長期研發。中國多個算力樞紐近年出現電網負載緊張、節奏調整的討論，主管部門也在規劃統籌算力、抑制低效重複建設的機制，以免「堆量取代提效」。

「不能輸」驅動科技追趕美國

雖然如此，但近年每當美國每次有 AI 新突破，中國幾乎都會在數周內公佈對標產品：大型語言模型方面有DeepSeek對標 GPT，而在人形機器人領域，小鵬的「車端 + 家庭場景融合」明確對標Tesla Optimus，宇樹則以低成本可量產策略對標 Figure 01；模型、落地場景、資源投入節奏都緊貼同步。這種「不領先但不允許被甩開」的策略非常明顯，屬於典型的跟跑式追近，重點是保持戰略同步，而非定義前沿。

這種追趕模式更多是由政治層面的「不能輸」驅動，而非由市場或需求本身決定。結果是，技術展示往往優先於技術成熟，場面效果優先於商業價值，滿足的是中共高層的科技信心敘事，而非產業自發的創新。

尚未形成「自我造血」商業體系

更嚴重的「致命傷」是中國的AI，在商業層面上存在極大的樽頸。面向消費者市場產品同質化嚴重，價格競爭將大模型服務壓低到接近免費；而面向企業的：市場雖有需求，但場景分散、導入需要大量客製化、回款周期長，難以標準化複製。簡而言之，面向企業的賺不到錢，t面向消費者的賺得太慢。 模型跑得愈多，算力與電力成本愈高，收入卻無法同步跟上，尚未形成可「自我造血」的商業體系。

至於將中美 AI 差異簡化為「美國規管多、中國規管少」，也是一種常見誤解。美國的確對高階晶片出口與AI大模型部署採取更嚴格審查，但中國的AI 管控亦非「放任式自由」。尤其在政治內容、輿情分析與公共資訊等領域，中國的演算法審查與安全評估要求反而更高、更細。真正的不同，在於兩國監管的優先次序與價值取向：美國強調市場競爭、公民隱私與風險防範，因此傾向「先規管、再擴張」；中國則聚焦產業競爭力與應用落地速度，採取「先試行、再調整」的模式，雖能快速推進，但也承受更高的倫理風險與責任邊界不清的挑戰。

黃仁勳立場決定其視角

這樣的背景下，黃仁勳提出「中國可能追上甚至超越美國」的說法，自然帶有其產業立場。作為全球最大GPU供應商的掌舵者，他對出口限制與政策干預持保留態度。畢竟只要全球仍以「堆算力」為主，NVIDIA就能穩居核心位置。這並非錯誤，而是立場所決定的視角。但若僅憑此推論美中AI誰勝誰負，便忽略了一個更根本的現實：算力與投資可以短期追上，真正拉開差距的，是底層技術方向、核心研發能力，以及能否形成能自我造血的商業模式，而這些都不是單靠砸錢就能買到的。

未來AI的國力競爭，關鍵不再是誰的模型參數最大、誰的GPU 最先進，而是誰能用同樣的電，算出更多的智能——也就是Performance per Watt（每瓦效能）。這不是單一工程問題，更牽涉能源政策、電網承載、冷卻技術、模型壓縮與推理效率的系統整合。中美之爭並非短跑，而是一場技術、能源、成本控制與落地能力並行的長跑：起跑可以靠補貼，長跑必須靠效率；政策能推動起勢，市場才能撐住終局。最終勝負，不在誰衝得快，而在誰不會被自己的電費與成本拖垮。

作者：求其