晶片戰爭的本質不是零和競爭，而是關於「誰能定義下一代的運算模式」
過去：管制方式的演變和技術較量
美國限制對中國的科技出口，最早是從冷戰時期的《瓦聖納協定》開始，但真的開始有完整戰略是從 2018 年中美貿易戰才開始的。2022 年 10 月拜登政府提出了「有史以來最嚴格的禁令」，限制出口先進製程的晶片製造設備和高效能的 AI 晶片。不過當時的規定有很明顯的漏洞，NVIDIA 馬上就推出了特別為中國市場設計的 H800 晶片，把晶片的連接頻寬從 H100 的 600GB/s 降到 400GB/s 來符合美國的規定，但還是保有 90% 的運算效能。
這種「鑽漏洞」的情況說明了早期管制的問題：想要壓制中國的尖端科技發展，卻又想要顧及美國企業的商業利益。像是 DeepSeek 這些中國的 AI 公司就是利用這段政策還不完整的時期，用 H800 來建立他們的運算基礎。這種「你來我往」的情況一直到 2023 年 10 月新規定出來才有改變，美國開始直接對 AI 晶片的運算密度（TeraFLOPs）和連接效能設定明確的限制，逼得 NVIDIA 只能推出功能被削減的 H20 晶片。
現在：效能差距和生態系統的壓力
目前的管制形成了三個層面的差距：
- 運算能力的系統性差距：H20 在訓練效能只有 H100 的 15%，但還保留了 80% 的推理能力。這種「訓練和推理不對稱的管制」是故意讓中國可以維持現有的 AI 服務，但阻止他們訓練新一代的大模型。
- 記憶體技術的時間差：2024 年 12 月生效的高頻寬記憶體（HBM）出口限制，會讓技術差距更大。現在的 H20 還在用『SK 海力士（也有資訊說是美光）』的 HBM3e，但下一代的 HBM4 可能就完全不能出口了，這對需要處理長文本推理（像是超過 32k Tokens）的 AI 應用會造成很大的限制。
- 雲端服務的迂迴方式：雖然實體晶片的管制越來越嚴格，但中國企業還是可以透過 AWS、Azure 這些西方的雲端平台間接取得運算能力。這種「租用運算能力」的方式正在產生新型態的規避方法，根據路透社的調查，2023 年中國企業在海外雲端的 AI 支出比去年增加了 47%。
值得注意的是，現在中國還享有「管制優惠期」：現有的資料中心大約有 5 萬顆 A100/H800 晶片，足夠訓練參數量 1.7 兆以下的模型（GPT-4 是 1.8 兆）。但當業界進入 10 兆參數的時代，這些存貨的效益會快速下降。就像 DeepSeek 創辦人梁文峰說的：「我們需要 4 倍的運算能力才能達到相同的效果」，這種效率的劣勢在模型更新時會造成越來越大的差距。
DeepSeek API 推理模型最高 32k CoT Token 限制及其背後的硬體瓶頸（？）
DeepSeek API 推理模型的 CoT（Chain of Thought）token 限制設定為 32k，這背後可能存在多重因素的考量，其中最主要的可能是當前硬體條件，尤其是高頻寬記憶體（HBM）的容量和頻寬限制。而 2024 年 12 月生效的 HBM 出口限制，將進一步加劇技術差距，對需要處理長文本推理（例如超過 32k Tokens）的 AI 應用造成顯著的負面影響。
硬體限制的物理傳導鏈：從「記憶體牆」到 HBM 堆疊
- 「記憶體牆」效應與長序列推理瓶頸： 處理 32k tokens 的上下文窗口，需在單次推理中暫存大量參數數據，包括模型權重、Activations 以及梯度（gradients）。以一個 7B 參數量的模型為例，在 FP16 精度下，僅僅是模型權重就需佔用 14GB 記憶體空間 (7B * 2 bytes)。此外，還需考慮 KV Cache 以及推理過程中的中間計算結果。雖然這部分數據量不易精確計算，但可以推測，僅僅是某一組件所需的暫存數據就可能超過 1.2GB。這還是在忽略了 CoT 中間步驟所帶來的額外儲存開銷的前提下。當序列長度超過 32k 時，由於 CoT 需要維護更長的推理鏈，所需暫存的數據量將進一步攀升，記憶體延遲 (latency) 會隨之指數級上升，導致計算單元利用率 (utilization rate) 驟降，可能從 75% 降至 30% 以下。這種「記憶體饑荒」現象迫使開發者必須在模型設計階段設置硬性的 token 上限，以避免災難性的性能下降。
- HBM 堆疊限制與容量瓶頸： 當前用於 AI 加速的晶片，例如輝達為中國市場特供的 H20，雖然其具體使用的 HBM 型號尚有爭議（有報導稱其使用 SK 海力士的 HBM3，也以人說是美光的 HBM3e），但這並不影響我們探討其受到的容量限制。以普遍的認知來說，6 層 HBM3(e) 堆疊技術能夠提供約 24GB 的容量。這個容量恰好可以勉強容納 32k tokens 的完整計算圖（computation graph），這也解釋了為何 32k 成為一個常見的 token 限制。若欲擴展至 64k tokens，至少需要 48GB 的 HBM 容量，而這必須依賴下一代 HBM4 的 12 層堆疊技術。然而，該技術已被列入 2024 年美國出口管制清單，這將嚴重阻礙中國獲取最先進的 HBM 技術。
未來：管制影響的長期效應和全球AI權力的重組
展望2025年後的科技地緣較量，有三個重要趨勢：
- 合成數據競賽：當實體晶片取得受限時，中國可能會轉向「運算能力替代策略』，透過合成數據生成（synthetic data）來減少訓練需求。但這種策略會受到「自我限制效應」的影響：合成數據的品質取決於現有模型的能力，可能會讓技術進步陷入局部最佳的困境。
- 分散式運算網絡：中國正在加速布局「全國產化 AI 鏈」，把華為昇騰 910B 晶片（效能大約是 A100 的 80%）和長鑫存儲的 HBM 技術整合在一起。如果這種「去中心化運算池」能突破連接技術的瓶頸，可能會形成一個和西方平行的 AI 生態系統。
- 演算法軍備競賽：美國企業採取技術保密（像是 OpenAI 把模型變成黑盒子）和中國企業採取開源策略（像是 DeepSeek 公開模型參數），正在重塑 AI 競爭的模式。前者是鞏固技術障礙，後者則是想透過社群合作來突破硬體限制，這種「不對稱競爭」可能會產生新的創新路徑。
但管制真正厲害的地方在於「生態系統窒息」：當中國企業因為晶片效能差距而增加 30% 的部署成本，會直接影響他們商業化的能力。例如要維持和 ChatGPT 一樣規模的用戶量級服務，中國企業需要部署 3 倍的推理叢集，這對電力基礎設施和營運資金都是很大的負擔。更重要的是，部署運算能力不只是用來服務終端用戶，還是用來產生對抗訓練數據、建立 AI 能力回饋循環的關鍵資源 – 這正是美國管制想要切斷的「AI 發展根基」。
管制不是結束，而是新競賽的開始
從歷史角度來看，科技管制從來都不能完全阻止技術擴散，但能重塑競爭的時空條件。目前美國的策略本質上是「用空間換取時間」：透過3-5年的運算能力差距期，完成兩個布局：
- 建立以 Chip 4 聯盟為核心的半導體防線。
- 加速軍民結合的AI技術突破（像是 OpenAI 和國防部的深度合作）。
對中國來說，這場較量正在測試「自主創新」的極限：就算中芯國際達到 7nm 製程的突破，如果沒有 EUV 光刻機和先進封裝技術，還是很難突破 3D 晶片堆疊的物理限制。而 DeepSeek 的例子更說明了殘酷的現實，在演算法方面，中國團隊已經展現出可以追上西方的效率（他們的 MoE 模型參數使用率達到 85%），但當硬體基礎出現 4 倍效率差距時，這種局部優勢最終會被系統性差距吞噬。
未來真正會改變戰略的因素，可能是量子運算和神經形態晶片等顛覆性技術的突破時間點。當現有的矽基半導體體系被新模式取代，現在精心建立的管制防線可能會立刻消失。這提醒我們：晶片戰爭的本質不是零和競爭，而是關於「誰能定義下一代的運算模式」
在這場重新定義物理法則的競賽中，真正的開始才剛剛起步。
