拼單一模型已過時！中美 AI 巨頭洗牌戰：從算力軍備賽升級為體系終極對決

重點摘要

• 2026 年 1 月，美國商務部工業與安全局將輝達 H200、AMD MI325X 等晶片改為逐案審查，算力管制持續在安全考量、產業利益和市場需求之間調整，推動中國 AI 企業強化演算法效率和開放路線。
• 美中經濟與安全評估委員會（USCC）2026 年 3 月統計，阿里 Qwen 已形成超過 10 萬個衍生模型，數位世界與實體產業的雙循環讓基礎模型從單一產品逐漸轉為技術底座。
• 2026 年 7 月，輝達、微軟、Meta、IBM 等多家美國科技公司公開支持開放權重，顯示美方立場與產業鏈位置高度相關，不是鐵板一塊。

幾年前，評斷中美 AI 競爭誰強誰弱，主要看 GPU 數量和模型排行榜。到了 2026 年，這套標準開始失效。2026 年 1 月，美國商務部工業與安全局對輝達 H200、AMD MI325X 及類似產品調整出口許可政策，改為滿足條件後的逐案審查，延續自 2022 年以來對中國先進 AI 晶片的管制態勢。這套政策並非單向收緊，而是在安全考量、產業利益和市場需求之間不斷校準。正是在這樣的背景下，DeepSeek、Qwen 等模型的擴散方式說明了一個更根本的結構轉變：真正決定一套技術路線能否持續擴張，已不只是模型能力本身，而是推理成本、開發者生態、企業部署能力和規則制定籌碼的總和。

開放權重和開源是同一件事嗎？

業界經常把「開源」和「開放權重」混用，但兩者有實質差異，這個混用直接影響商業判斷。嚴格意義上的開源，不只是模型參數可以下載，訓練資料、完整訓練流程和工具鏈也要一起公開。開放權重則不同：使用者可以拿到模型參數、進行微調和私有化部署，但訓練資料和部分工具鏈仍由原廠持有。這個差異影響的不只是技術可重現性，也影響企業能否完整稽核模型的來源和行為。

這個差異在商業擴散路徑上很明顯。閉源模型通常以雲端 API 和訂閱方式交付，供應商能持續管理模型版本、存取權限和收費標準；開放權重模型則能進入企業本地資料中心、邊緣設備和專屬業務系統。對資料合規要求高、希望減少對外部 API 依賴的企業客戶，這是實質的選擇差異。理論上，越是大型企業、越是敏感產業，就越可能偏向部署本地可控的模型，而不是把每次推理請求都送到外部雲端服務。算力管制加強了這種傾向：當先進晶片的取得管道受限，能在較低算力下高效運作的開放權重模型就多了一層吸引力，DeepSeek 和 Qwen 的擴散之所以不只靠某一次基準測試，「能力接近前沿、成本更低、可以下載和二次開發」這個組合本身才是關鍵。

為什麼開放權重在中國形成了更強的生態擴散？

算力受限是起點，但不是全部解釋。USCC 在 2026 年 3 月的報告中，把中國開放模型的擴散概括為兩個相互強化的循環：一條發生在數位世界，模型發布後開發者下載、微調、再迭代；另一條發生在實體產業，模型進入製造、物流、機器人等場景，累積真實運行資料，這些資料再反過來推動模型改進。這是 USCC 對中國 AI 路徑的分析框架，不代表所有企業都走同一條路，但它點出了為什麼生態擴散在這套路線下有內生動力，而不只是靠補貼驅動。

USCC 統計，截至 2026 年 3 月，阿里 Qwen 已形成超過 10 萬個衍生模型，Hugging Face 此後披露的資料還在繼續成長。一個基礎模型一旦被大量開發者用於程式碼、視覺、語音、行業知識和邊緣部署，就不再只是一個「產品」，而是逐漸成為開發者生態裡的技術底座。基礎模型本身未必是利潤最高的點，但它能帶動雲端運算、推理服務、企業部署、工具鏈和硬體需求。10 萬個衍生模型，意味著阿里的算力和企業服務管道都多了大量潛在工作負載，而這些收益不在模型授權費裡，在其他環節。

這也解釋了為什麼擁有雲端平台、企業客戶和產業場景的大型科技公司，比純模型新創更容易接受「模型低價甚至免費、在其他環節收費」的邏輯。對這類公司，模型是進入企業的入口，不是唯一的收費點。反過來說，對只有前沿模型、缺乏雲端平台和應用入口的新創公司，持續開放模型會帶來更直接的商業壓力。「開放路線」本身並不統一：不同公司的收益結構，決定了他們能不能在這條路上走得長久。

美國科技業對開放模型的立場有分歧嗎？

把中美 AI 競爭概括為「中國開源、美國閉源」，越來越難描述現實。2026 年 7 月，輝達、微軟、Meta、IBM 等多家美國科技公司公開表態支持開放權重，理由是過早限制開放模型可能壓制創新和競爭。同一時期，部分前沿模型實驗室更強調模型能力擴散後的安全風險、知識產權保護和可控性。這個分歧背後不是技術觀點的差異，更根本上是商業利益結構的差異。

晶片公司希望模型越多、應用越廣，算力需求就越大；雲端廠商需要大量不同模型進入企業工作負載；下游軟體公司也希望降低對單一模型供應商的依賴。前沿模型實驗室則投入大量資本進行訓練，商業回報更依賴模型能力保持一定稀缺性，以及客戶透過 API 和訂閱持續付費。對開放權重的態度，跟各家公司位在產業鏈哪個位置高度相關，這也說明了為什麼即使在美國國內，這個問題也沒有單一答案。

開放與閉源的安全邏輯也不是單向的。閉源系統讓供應商能統一設置護欄、限制存取並持續更新，但企業同時面對供應商鎖定和資料控制集中的問題；開放權重模型可以本地部署和稽核，但模型一旦發布就很難完全收回，對能力濫用的控制更困難。這兩組邏輯各有成立的條件，更像兩組不同的風險與收益組合，而不是先進與落後的對立。

蒸餾爭議把競爭帶到哪裡了？

模型能力差距縮小之後，競爭的摩擦面開始往訓練方法和規則層移動。蒸餾是機器學習裡常見的技術：用能力更強的「教師模型」生成資料，再訓練成本更低的「學生模型」。真正引發爭議的，是企業是否未經授權、大規模利用競爭對手模型的輸出作為訓練素材，以及是否繞過存取限制取得這些資料。

2026 年，美國政府和 Anthropic 先後公開指控部分中國 AI 企業存在未經授權的「工業規模蒸餾」。中方否認相關指控，並強調蒸餾本身是中性的通用技術。就目前公開資訊來看，技術方法本身是否中性，和具體行為是否違反合約或知識產權，是兩個需要分開討論的問題，一個成立不代表另一個也成立。

這場爭議更深的意義是：競爭已不只是誰能訓練出更強的模型，也在爭什麼樣的訓練行為可以被接受、開放模型應該承擔何種安全義務，以及跨境 AI 服務如何適用現有法律。規則的不確定性會反過來影響產業結構：閉源模型若進一步加強身分驗證、存取頻率控制和異常呼叫識別，後訓練資料的取得成本就會升高；各國若對開放模型設置更嚴格的部署或出口要求，開放生態的擴散速度也可能受到影響。模型能力快速商品化的同時，資料來源、授權關係和合規能力，看起來可能反過來成為新的競爭差異點。

從目前格局看，開放與閉源並沒有哪條路線明確勝出的跡象。前沿閉源模型靠高強度資本投入和集中研發持續推進能力上限；開放權重模型在成本、私有化部署和開發者擴散上更靈活。真正值得追蹤的問題，不是「誰的模型更強」，而是誰在規則制定、資料合規和實體產業落地這幾個算力跑不快的環節，先拉開難以快速複製的差距。