大模型赛道上，中美的路径差异正越发清晰。
7月底，DeepSeek V4 Flash正式版发布——284B总参数、13B激活参数，它在多项基准测试中的得分，已经逼近目前最强的Claude Opus 4.8，API价格却只有其他头部厂商的几十分之一，甚至百分之一。
美国仍在用更大的闭源模型、先进制程芯片和更高的资本支出，不断推高智能天花板；中国则选择了一条更务实的路径：以开源模型降低门槛，用国产算力筑牢底座，靠集群工程与能源基础设施的深度协同，系统性压降整个智能生产体系的成本。
一边竞争单点技术的最高峰，一边寻找全系统的成本最优。两条路线最终都要回答同一个问题：谁能以更低的成本、更快的速度、更稳定的供给，持续生产出海量Token，从而在AI时代掌握主动权？
而这条效率竞赛的链条，远比大多数人想象的长。它从模型开始，穿过芯片和系统，一路延伸到最底层——电力与基础设施。
开源大模型，让算力喷涌而来
如果只谈“便宜”，那还是小看了DeepSeek。
它的真正杀伤力，不只是便宜，而是不断提高单位计算资源能够产出的有效智能。秘诀之一是MoE架构——模型每次处理任务，只"叫醒"一小部分参数，而不是全员出动，这对传统路径是降维打击。
V4 Flash总参数2840亿，每次推理只激活130亿，算力消耗锐减；V4系列把KV缓存占用压到V3的10%，长上下文场景成本骤降；在需要反复调用工具、多轮推理的Agent任务上，已跑出接近甚至超越1.6万亿参数旗舰模型的成绩。
这意味着，参数军备竞赛的规则正在被改写。
与美国头部厂商以闭源模型、前沿芯片和大规模资本投入持续推高能力边界不同，DeepSeek代表的中国路线更强调：在有限计算资源下，提高单位算力的智能产出。
这并不意味着美国模型不重视效率，而是两者当前的约束条件和商业选择不同。美国更容易获得最先进芯片和巨额资本，因此可以优先探索能力上限；中国面临更强的算力约束，效率创新更早成为生存问题。
DeepSeek用更小的算力跑出了不输更大参数模型的效果——这是工程效率的胜利，是“单位算力能产生多少智能”的比拼。
但效率革命并不意味着算力需求会就此退潮。
有人曾期待，Token便宜了，算力就会像宽带一样，变成一种价格可控、相对恒定的基础设施。
这个期待落空了。恰恰相反，Token越便宜，被AI处理的任务就越多，整体算力需求反而呈指数级上升。更长的思考链、更大的上下文、更多的工具调用与复核环节，使得单次任务的总成本不降反升。
19世纪，经济学家杰文斯发现：蒸汽机越省煤，英国的煤炭总消耗反而越大——效率的提升，反而刺激了需求的扩张。这就是"杰文斯悖论"，而它正在AI时代重演：Token单价越低，用量越大，对底层算力基础设施的压力就越重。我们由此进入了一个“良性循环”——或者也可以说是越省越要花的“梁性循环”。
（虎嗅注：网友曾打趣DeepSeek用量化赚的钱升级模型，再用更强的模型做量化赚钱，循环往复。此处借喻Token单价无论高低波动，用户花的总价却可能还在增加。）
于是，一个无法回避的问题浮出水面：当低价Token释放出更大的算力需求，谁能用更低成本、更短时间，把这些需求转化为真实可用的计算能力？
单卡之外，中国开始向集群要效率
在国产芯片先进制程受限的现实下，承接这股汹涌需求的答案，是将竞争从单卡性能的“加法”拉升到系统效率的“乘法”——让芯片集群释放出远超单卡线性叠加的算力价值。
今年7月的世界人工智能大会上，规模化超节点集群成为全场焦点，正是这一趋势的集中体现。
道理并不复杂。在单块GPU的算力天花板短期内难以突破的背景下，自然要从“单卡跑分”转向“集群制霸”，用系统效率换取整体算力。这也是对现实约束的务实回应。
超节点并非简单的并行计算或分布式集群。它的核心逻辑在于，将大量AI芯片通过高速互联、统一内存和软硬件协同，整合为逻辑上“一台计算机”的超级算力池。
具备跨物理节点统一内存的编址能力，意味着万卡到十万卡，甚至百万卡可以共享同一个内存地址空间，数据在节点间直接流动，不再经过复杂的软件协议栈。
过去，联结的芯片越多，联结效率越低。超节点要打破的，正是这个魔咒——用超节点的系统效率，把单卡的差距找回来。
超节点的价值不止于算力本身，它还在拉动整条国产算力产业链的闭环成熟：从高速互联芯片、先进封装技术，到高端交换机、液冷散热方案，再到集群调度软件系统，都在集群规模化落地中快速迭代。
但超节点解决了一个问题，也制造了一个新的物理极限。
当数十万张芯片被组织成一台“超级计算机”，百兆瓦乃至吉瓦级的功率被塞进同一栋建筑，供电与散热就不再是配套工程，而是决定集群能否存活的命门。计算系统越集中，能源系统就越不能停留在“外部配套”的旧角色里。超节点走到最后，必然要与一种能承载极限功率密度的新型基础设施汇合。
这正是“超级单体”出现的逻辑：它不仅仅是更大一号的数据中心，更是为百万卡集群量身定制的能源与计算共生体。
在这个共生体内，AI电力系统不再是机房之外的管线，而是与芯片集群深度耦合的神经中枢——让每一度电都精准地转化为Token，让每一瓦热量都被高效地带走。
这一理念的最新实践，是远景科技集团刚刚宣布投产的“乌兰察布星河基地”，全球最大的AI算力超级单体同步亮相。
“远景乌兰察布星河基地”点亮投产
如同戈壁草原上拔地而起的超级算力枢纽，这座超级单体试图回答的正是超节点时代的基础设施命题：当芯片集群化成为确定趋势，谁来为这支“集团军”提供够大的部署基地、充足的电力粮草和畅通的能源补给线？
这片数据中心集群未来还可拓展至百万P算力规模，支持百万卡并行。
正如远景科技集团AIDC总经理郑子浩所说，“中国芯片正在走一条集群化突围的道路，‘远景星河基地’正以超级单体承载国产算力集群的规模化部署，为中国算力的大爆发提供最强助攻。”
当算力的天花板从芯片本身转移到芯片的电力管理与热管理，超节点、超级单体与AI电力系统的汇合，就成了必由之路。
百万卡之后，AI需要一套自己的电力系统
据IEA预测，到2030年，美国数据中心新增电力需求将占全美电力增长的一半；到本世纪末，其耗电量将超过铝、钢铁、水泥等所有传统高耗能行业的总和。
算力，正成为人类历史上能源消耗最密集的领域。
当一座AIDC的用电量对标一座小型城市，AI竞赛的底层逻辑已被改写。面对这场电力饥渴，中美日不同的企业给出了三种截然不同的解法。
马斯克的“星舰式”突围，靠的是硬核自救。 2024年，Colossus I超算集群仅用19天完成10万块英伟达H200部署，靠的就是自备临时燃气发电设备。但戏剧性的是，今年8月初，这69台燃气轮机因缺运营许可、排放超标、诉讼缠身，又不得不分批拆除。以企业的极限执行力对抗基础设施的慢性病，单点突破可以极致，规模化复制却如同星舰登陆火星，充满不确定性。 孙正义的“星际之门”，走的则是资本铺路的逻辑。 软银联合OpenAI宣称投入5000亿美元建设全球GW级算力中心，愿景不可谓不宏大。但纯市场逻辑在国家级能源基建前屡屡碰壁，完善的电网不是单纯靠资本就能买来的。
而第三种解法，出现在乌兰察布的戈壁草原上。
远景“乌兰察布星河基地”与前两者不同——远景选择了一条基于中国“算电协同”国家战略的路径，在风光资源丰富的戈壁滩建设全国最大的AI算力园区——乌兰察布星河基地，总规划容量超2GW。
“远景乌兰察布星河基地”AI算力超级单体外观
先看规模。仅单体数据中心的建筑面积就超12万平方米——作为对比，“星际之门”的单体约5万平方米——基地总容量可扩展至GW级，支撑百万卡并行。但真正的难点不在面积，而在高功率密度下的供电、散热与动态功率调配。
再看电从哪来。基地自建风场、专线直供，全年80%以上的绿电直达机房，从源头降低碳排放，并提升长期能源成本的可控性。对GW级AIDC而言，真正稀缺的不是一时的低电价，而是能够长期、稳定、规模化获得的电力。
更关键的是，如何让波动的绿电跟上波动的算力负荷。以“远景天机”气象大模型预测风光出力，以“远景天枢”能源大模型优化发电、储能与算力负荷调度，再由EnOS连接和执行，形成“预测—决策—执行”的闭环。
而超节点带来的挑战，不只是电够不够。数十万乃至百万张芯片集中部署后，供电密度和热流密度都会被同时放大，任何转换损耗、功率波动或散热瓶颈，都会直接影响芯片持续满载运行。
“远景乌兰察布星河基地”风冷机房
远景AI算力中心的核心能力，是把墙外能源供给、墙内芯片供电和热管理放进同一套AI电力系统中协同设计：墙外通过风场、专线、储能和构网控制提供稳定绿电；墙内通过SST、800V直流和负荷侧储能缩短供电链路、响应动态负荷；同时结合液冷和自然冷源降低非算力能耗。
因此，远景解决的不是某一台设备或某一段供电链路，而是完整回答三个问题：电从哪里来，如何高效送到芯片，以及如何把热持续带走。
超节点解决芯片如何协同，AI电力系统解决这些芯片如何持续、高效运行。两者结合，才构成百万卡时代真正的AI基础设施。
中国为什么走了不同路径？
中美路线的差异，是各自在不同禀赋下选择了不同的优化顺序。回头来看，中国AI正在形成一条清晰的“系统效率”路线。
这不是某一项技术的领先，而是系统效率的整体创新。开源大模型，提高的是单位算力转化为智能的效率；超节点，提高的是芯片集群生产算力的效率；而AI基础设施——超级单体加AI电力系统——从根本上提高的是从电力到Token的生产效率。
开源模型、超节点和AI基础设施，看似分别优化软件、计算和能源，最终都在解决同一个问题：用更少资源、更短时间，生产更多有效Token。
成本不只是电价和设备价格，时间，也是一种需要考量的成本。并网等待、建设延期、芯片闲置和训练中断，同样会转化为Token成本。
谁能更快地建成、更快地通电、更快地产出Token，谁就能抢到下一程的先手。
而放眼全球，美国德州电网孤岛运行，欧盟电力市场一国一价，日本甚至连电网频率都分东西两套。而中国同时拥有三样东西：统一大电网的调度能力、新能源富集区的规模化开发能力，以及"东数西算""算电协同"的国家战略。三重叠加，构成了全球独一无二的系统优势。
中国AI正在形成的，不是一条“用更多卡弥补芯片”的路线，而是一条追求系统最优的路线。
开源大模型提高单位计算资源的智能产出；超节点提高芯片与集群的协同效率；超级单体与AI电力系统提高单位能源和基础设施能够承载的算力规模。
三者共同降低的，是从能源、芯片到Token的综合生产成本。
远景走的，恰好是一条最符合中国技术禀赋的路线。换言之，远景的AI算力超级单体，正是国家基础设施能力、产业战略与企业创新深度耦合下的技术产物。
结语
过去几年，AI竞争主要围绕模型能力和芯片性能展开。
下一阶段，竞争将延伸到一个更完整的生产体系：电力如何进入数据中心，芯片如何组成集群，算力如何生成Token，Token又如何转化为真实应用。
在这条链条上，任何一个环节的等待、损耗和波动，最终都会反映在每一个Token的生产效率中。
而随着AI进入十万卡、百万卡时代，能源正在成为影响系统效率的关键瓶颈之一。DeepSeek之后，中国AI开始做的，正是把对效率的追求从模型层，一路延伸到芯片、集群、能源与基础设施。
真正的竞争，不是谁拥有最多的卡，而是谁能以更低的综合成本、更短的建设周期，持续生产更多有效智能。
正如远景科技集团董事长张雷所说，"电力系统不是人工智能的配套系统，而是人工智能的主体工程"。AI的下一场效率战争，不只发生在模型里，也发生在每一度电抵达芯片之前。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4881456.html?f=wyxwapp
热门跟贴