算力主权：开放模型与封闭晶圆厂之间的张力

过去两年，公开权重与开放推理框架显著降低了"能用上大模型"的门槛，但训练与大规模部署仍高度依赖特定地区的资源。本刊认为，算力主权的讨论需要更完整的框架。

现象分析

开源模型的进步

过去两年开源模型的显著进步：

| 维度 | 2025年 | 2027年 | 改善 | |------|--------|--------|------| | 主流开源模型参数 | 70B | 7B（量化） | 10倍效率提升 | | 推理成本（/token） | 0.1美分 | 0.003美分 | 97%下降 | | 部署门槛 | A100×8 | RTX 4090 | 消费级可运行 |

软件侧的开源运动确实降低了AI使用门槛。

但硬件侧的集中化

然而，硬件侧的反向集中化趋势：

| 资源 | 集中地区 | 风险 | |------|---------|------| | 先进制程（3nm以下） | 台湾（~60%）、韩国（~30%） | 地缘风险 | | GPU产能 | NVIDIA（~80%） | 供应链风险 | | 能源成本 | 北美（页岩气）、中东 | 能源安全 | | 数据中心用地 | 北欧（土地）、新加坡（网络枢纽） | 资源稀缺 |

剪刀差正在扩大，而非缩小。

政策工具的局限性

当前政策倾向

主要经济体的AI政策倾向于：

1. 补贴模型开源：降低AI使用门槛
2. 算力补贴：补贴企业使用算力
3. 人才培养：支持AI教育

政策盲点

但这些政策忽视了：

1. 能源投资周期长：一个数据中心从审批到投产需要3-5年
2. 先进制程稀缺：全球能生产3nm芯片的晶圆厂不超过5家
3. 电网冗余不足：AI算力需求增长超过电网扩容速度

厂房与能源的锁定效应：

• 数据中心建设需要土地、水资源、电力
• 先进封装产能集中于台湾
• 设备维护依赖原厂工程师（响应周期长）

更完整的分析框架

本刊建议，算力主权讨论应包含：

1. 能源维度

| 评估维度 | 关键指标 | |---------|---------| | 能源自给率 | 本地可再生能源比例 | | 电网冗余 | N+1或N+2备用 | | 能源成本 | $/kWh（含碳成本） |

2. 制造维度

| 评估维度 | 关键指标 | |---------|---------| | 制程分散度 | 各地区产能占比 | | 设备可维护性 | 工程师响应时间 | | 关键材料 | 稀有气体、靶材国产化率 |

3. 韧性维度

| 评估维度 | 关键指标 | |---------|---------| | 供应链冗余 | 单一来源依赖比例 | | 库存缓冲 | 安全库存周数 | | 替代方案 | 备用供应商验证 |

政策建议

若政策目标是真的"算力自主"，需要：

1. 能源侧：加速可再生能源基础设施投资
2. 制造侧：支持成熟制程多元化，而非仅押注最先进节点
3. 技术侧：发展功耗效率优化，降低绝对算力需求

结论

开源模型确实是降低门槛的好工具，但政策若仅聚焦软件侧，可能形成"接口开放、底座仍受制"的局面。

算力主权需要能源、制造、韧性三位一体的政策框架。

---

本文基于公开行业数据与本刊对供应链访谈，不构成投资建议。