依照「硬體 → 模型 → 應用 → 專利 → 算力（含 EFLOPS 解釋） → 成本 → 短板 → 總評」的原始架構，逐一檢視中國貼近美國的 6 條戰線

1. 背景：黃仁勳的警訊

4 月底在華盛頓國會山受訪時，NVIDIA 執行長黃仁勳直言：「中國就在我們身後，差距非常、非常小。」並警告過度出口管制恐反噬美國半導體優勢。Business Insider

2. 硬體競爭：自研晶片 + 超大叢集

系統規模／峰值算力關鍵訊息意義
華為 CloudMatrix 384384 × Ascend 910C；BF16 300 PFLOPS光互聯「超節點」串接 16 櫃；總記憶體 3.6 PB，比 NVIDIA NVL72 高 67% 算力，能效略差禁令下的頂規國產替代
百度 Kunlun P800 叢集30 000 顆 P800；支援百億～千億參數模型已在銀行、互聯網場域上線；目標訓練 DeepSeek 級模型大規模部署驗證晶片可用性

雖單顆晶片效率仍落後 H100/GB200，但中國已在「系統級可用算力」與美國頂規方案短兵相接。

3. 模型競爭：公開基準「榜一」與多模態

模型規模近期成績
DeepSeek Janus‑Pro‑7B7 BGenEval 得分 0.80，超越 DALL‑E 3 (0.67) 與 SDXL (0.74)Analytics Vidhya
阿里 Qwen 2.5‑Omni3‑72 B 系列4 月初登頂 Hugging Face 開源模型榜TechNode

演算法＋資料工程優化，讓中國模型在 MMLU、GSM8K 等指標逼近甚至超車同級美國模型。

4. 生態飛輪：億級用戶與開發者

2025 年 1 月全球 AI App MAU 排行：ChatGPT 349 M；中國 Doubao 78 M、DeepSeek 34 M 佔兩席前五。Backlinko
巨量 C 端流量 → 更多對話數據 → 模型／插件迭代更快，形成正向飛輪。

5. 原創專利：量能壓倒性領先

WIPO 報告：2014–2023 年間中國提交 38 000 件 GenAI 專利家族，為美國 6 倍。WIPO
高專利密度 ＋ 國家補貼，使中國團隊能快速試錯並商品化。

6. 算力基建：國家級「300 EFLOPS」計畫（EFLOPS 是什麼？）

  • EFLOPS = Exa‑FLOPS，1 Exa = 10<sup>18</sup>；也就是 1 EFLOPS = 1 百萬兆次浮點運算／秒。當前美國 Frontier 超算實測 1.1 EFLOPS，屬於「億億次」級別。Wikipediatop500.org
  • 中國工信部等六部委 2023 年《算力高品質發展行動計畫》：2025 年全國總算力 ≥ 300 EFLOPS，智慧算力占比 35%。截至 2023 年已達 197 EFLOPS。english.www.gov.cn數據中心動態

解讀：若目標達成，中國公有＋企業雲將擁有 3 × 10<sup>20</sup> FLOPS 的持續算力，相當於同時運行近 300 台 Frontier 級超算，為大模型提供「電廠級」動力。

7. 成本效率：DeepSeek‑V3 的 560 萬美元衝擊

DeepSeek 技術報告：2.788 M H800 GPU‑hours（57 天）≈ 5.6 M USD 訓練出 671 B MoE，顯著低於 GPT‑4 級別「十億美金」估算。arXivThe Verge
即便該數字僅計「最後一次完整訓練」，仍刷新「大模型＝燒錢」既定印象。

8. 尚未解決的短板

面向主要挑戰
先進製程Ascend 910C 停留 7 nm，能效差距擴大
軟體棧CANN／MindSpore 等生態成熟度不足，開發者遷移成本高
頂尖人才高階研究員仍集中於美企，長期人才流動具不確定性

9. 綜合評估

  1. 硬體堆疊 + 光互聯 讓中國在「系統級可用算力」快速補位。
  2. 開源打法 使模型基準分數與應用滲透同步追平。
  3. 政策＋資本 提供「電價、土地、融資」三重槓桿，推動 300 EFLOPS 計畫。

結論：美中 AI 競賽已從「世代差距」進入「貼身肉搏」。 真正分水嶺將決定於 先進製程取得、能效優化 與 出口管制博弈。對企業與投資人而言，重點已不再是誰領先，而是如何在雙中心格局下靈活配置風險並整合資源。