2025年8月27日，Nvidia再次公佈一份非常亮麗的財報。但在財報中，專為中國市場設計的H20晶片，銷售收入為零。
每次看完FOMO的文章都總能引起更多思考，實在是讀者之福。有幾個問題希望和各位有緣人討教一下。
1. 為什麼晶片研發需要如此重視製程之間的差異。事實上，雖然更先進的制程可以容許更有效率的運算（能源效益、空間效益和時間效益），但假如在中國能大量採用再生能源，而土地空間並非一個問題，採用上一代甚至幾代的制程對阿里巴巴這種並非以開發AI為核心的運算是否影響有限？反之在未來是否可以有潛力輸出這種雲端算力？
2. 事實上中國一直都在走一個相對西方更不同的路線。Deepseek的出現再一次展示了中國全方位整合供應鏈的優勢。撇除是否在ChatGPT釣魚學習等因素，單純以結果論，Deepseek可以說是「利用三分一的資源做到別人80%的效果」。而這種小型、以效率為先的AI模型在日常應用中可以發揮很大功效，甚至可能比需要龐大算力的GPT模型更受中小企業和發展中國家青睞。承上第一點，中國在未來的全球AI市場是否依然可以有一席位？還是你認為像NVDA這種公司終歸較容易透過壟斷市場+超深的護城河而雄霸全球市場（當中包括將部分低端技術透過以廉價輸出到發展中國家以搶佔市佔率和更重要的：防止他們採用中國規格的軟硬體）？
3. 像阿里巴巴這種追求「垂直整合」的公司越來越多，失敗的有Tesla，相對成功的有Google的Tensor。文中提及的「技術分岔」推演我也是十分認同的。在我看來也算是這時代因地緣政治問題而被迫妥協的一種做法吧。科技發展到這個地步也是相當可惜。
4. 好奇一問，會否考慮從中芯科技這一所公司開首，深入探討一下整個中國晶片產業鏈的未來（其實我就是懶哈哈）。
謝謝你的詳細問題，全部都是很好的問題
1. 為何非要先進製程？
理論上，算力可以透過堆疊數量來實現。但在商業現實中，這會遇到一個致命的障礙：總體擁有成本 (Total Cost of Ownership, TCO)。
能源效率是核心關鍵： 這不只是環保問題，更是電費問題。先進製程（如5奈米、3奈米）和成熟製程（如28奈米）之間最大的差異在於「每瓦效能」。一顆先進製程晶片完成同樣的運算，可能只需要成熟製程晶片幾分之一的電力。
除非電力不是一個問題，不然成熟製程始終會有更大的問題。而明顯，缺電是各國現在其中一個大問題。
空間效益與互連瓶頸： 要用成熟製程晶片堆出與先進製程匹敵的算力，需要的晶片數量、伺服器機架、乃至資料中心廠房的面積都會大上好幾倍。
更重要的是，當數萬顆晶片需要像一個大腦一樣協同工作時，它們之間的「通訊延遲」是致命的。
晶片分得越散，訊號傳輸的物理距離越長，延遲就越高，整個AI叢集的「團隊合作效率」會急遽下降，最終無法有效訓練頂尖的大型模型。
所以其實效能上也不可能比得上先進製程，無論堆疊多少芯片也好。「三個臭皮匠」，在芯片中勝不過一個諸葛亮。
成熟製程可以滿足中國國內一部分對成本不敏感、對性能要求不極致的需求，但它無法成為在全球高階AI算力市場上競爭的基礎。
2. 中國的AI市場定位：能否在「效率賽道」上彎道超車？
其實DeepSeek正正代表了中國在全球AI市場上最可能的突破路徑：高效能、低成本的應用型AI。
我認為全球AI市場將會走向兩極化：
第一極：金字塔頂端的「能力競賽」 (Nvidia的護城河)
這個市場追求的是最強的性能，用於訓練千億、兆級參數的基礎大模型和尖端科學研究。這裡的玩家不在乎多花幾百萬美元，只在乎能否早一個月完成訓練。
Nvidia的真正護城河不僅是晶片，而是它經營了近20年的 CUDA生態系統。CUDA就像是AI界的「Windows作業系統」，絕大多數AI框架、函式庫和開發者都基於它來建構。轉換平台的成本極高，這形成了強大的用戶黏性。
第二極：金字塔中下層的「效率競賽」 (中國的機會)
這個市場更廣大，包含了中小企業、日常應用、邊緣運算等。它們不需要最強的GPT-5，而是需要「夠用、便宜、好用」的AI來解決特定問題，例如客服、翻譯、內容生成等。
這正是Deepseek這類模型切入的甜點區。中國的優勢在於：
1. 龐大的國內市場： 足以養活和迭代這些AI應用。
2. 全方位的供應鏈整合： 快速將模型落地到各種硬體和場景中。
3. 成本優勢： 「用三分之一的資源做到別人80%的效果」極具吸引力。
我認為中國未來在全球AI市場絕對能佔有一席之地，但應該不可能在與Nvidia正面對決的「算力之巔」，而是在廣闊的「AI應用平原」。
中國向來創新不算出色，但應用層面卻經常可以青出於藍，最近期的例子就是EV電動車。
我相信未來中國的AI可以參考電動車的發展，讓AI技術大眾化、普及化，特別是在對價格敏感的發展中國家市場，這將對美國的技術影響力構成挑戰。
3. 垂直整合與技術分岔
我認為技術分岔是地緣政治下的必然結果，而美中玩家的做法是有所不同的。
垂直整合的雙重動機：
西方巨頭（Google, Apple, Amazon）： 他們的動機是「優化」。為了讓自己的軟體（搜尋、雲端服務、作業系統）跑得更順、成本更低，所以自己設計晶片（TPU, Graviton, M系列）。這是主動的戰略選擇。
中國巨頭（華為, 阿里, 騰訊）： 他們的動機是「生存」。在買不到最先進晶片的情況下，他們被迫走上自研的道路。這是被動的應對策略，也是唯一的出路。
短期來看，這會造成巨大的資源浪費、創新減速和標準不相容。
但從投資的角度看，這意味著風險和機會的重新分配。過去投資科技股，我們只需要問「誰的技術最好？」。
現在，我們還必須問「誰的生態圈在哪個市場佔主導地位？」。這將成為未來十年評估全球科技公司的核心框架。
4. 中芯國際的想法
到時再想想哈哈，寫中國始終反應沒寫美國好，再看看再看看哈哈哈。
很感謝你這麼快就給出了如此詳盡的回覆，也讓我對文章內容多了一層思考。期待下一次我們再交流 (:
看完長文，只覺得這是可以免費看的嗎，感謝分享!
哈哈哈 謝謝啦！
冇得彈💯
😊😊😊 多謝你
我哋多謝你至真👍
感謝分享🙏關於性能密度的公式，總算力 ÷ 互連頻寬，是否應該是乘法？才能體現出此消彼長的限制邏輯
太感謝了, 你的問題太好了, 我發現自己之前對半導體管制的理解有點錯誤, 太過膚淺了
我剛剛從新寫過了這一部份，可以再看一次，謝謝你
了解中國市場的發展 真的對投資思考蠻有幫助 謝謝好文
好文！ 分析形勢得好好及深入。
有冇機會及時間寫一篇AI發展史？ （如nvda 掘起及業務領域， 硬件軟件其對手的發展）等等？ 🙏🏾
呢個都係好建議，等冇乜idea嗰陣可以寫哈哈，暫時通常寫住啲最近有話題嘅
讚讚！
謝謝！
優質文章👍🏻
謝謝你 🙏
深度好文，感謝分享
謝謝支持 👍
每次看完FOMO的文章都總能引起更多思考，實在是讀者之福。有幾個問題希望和各位有緣人討教一下。
1. 為什麼晶片研發需要如此重視製程之間的差異。事實上，雖然更先進的制程可以容許更有效率的運算（能源效益、空間效益和時間效益），但假如在中國能大量採用再生能源，而土地空間並非一個問題，採用上一代甚至幾代的制程對阿里巴巴這種並非以開發AI為核心的運算是否影響有限？反之在未來是否可以有潛力輸出這種雲端算力？
2. 事實上中國一直都在走一個相對西方更不同的路線。Deepseek的出現再一次展示了中國全方位整合供應鏈的優勢。撇除是否在ChatGPT釣魚學習等因素，單純以結果論，Deepseek可以說是「利用三分一的資源做到別人80%的效果」。而這種小型、以效率為先的AI模型在日常應用中可以發揮很大功效，甚至可能比需要龐大算力的GPT模型更受中小企業和發展中國家青睞。承上第一點，中國在未來的全球AI市場是否依然可以有一席位？還是你認為像NVDA這種公司終歸較容易透過壟斷市場+超深的護城河而雄霸全球市場（當中包括將部分低端技術透過以廉價輸出到發展中國家以搶佔市佔率和更重要的：防止他們採用中國規格的軟硬體）？
3. 像阿里巴巴這種追求「垂直整合」的公司越來越多，失敗的有Tesla，相對成功的有Google的Tensor。文中提及的「技術分岔」推演我也是十分認同的。在我看來也算是這時代因地緣政治問題而被迫妥協的一種做法吧。科技發展到這個地步也是相當可惜。
4. 好奇一問，會否考慮從中芯科技這一所公司開首，深入探討一下整個中國晶片產業鏈的未來（其實我就是懶哈哈）。
謝謝你的詳細問題，全部都是很好的問題
1. 為何非要先進製程？
理論上，算力可以透過堆疊數量來實現。但在商業現實中，這會遇到一個致命的障礙：總體擁有成本 (Total Cost of Ownership, TCO)。
能源效率是核心關鍵： 這不只是環保問題，更是電費問題。先進製程（如5奈米、3奈米）和成熟製程（如28奈米）之間最大的差異在於「每瓦效能」。一顆先進製程晶片完成同樣的運算，可能只需要成熟製程晶片幾分之一的電力。
除非電力不是一個問題，不然成熟製程始終會有更大的問題。而明顯，缺電是各國現在其中一個大問題。
空間效益與互連瓶頸： 要用成熟製程晶片堆出與先進製程匹敵的算力，需要的晶片數量、伺服器機架、乃至資料中心廠房的面積都會大上好幾倍。
更重要的是，當數萬顆晶片需要像一個大腦一樣協同工作時，它們之間的「通訊延遲」是致命的。
晶片分得越散，訊號傳輸的物理距離越長，延遲就越高，整個AI叢集的「團隊合作效率」會急遽下降，最終無法有效訓練頂尖的大型模型。
所以其實效能上也不可能比得上先進製程，無論堆疊多少芯片也好。「三個臭皮匠」，在芯片中勝不過一個諸葛亮。
成熟製程可以滿足中國國內一部分對成本不敏感、對性能要求不極致的需求，但它無法成為在全球高階AI算力市場上競爭的基礎。
2. 中國的AI市場定位：能否在「效率賽道」上彎道超車？
其實DeepSeek正正代表了中國在全球AI市場上最可能的突破路徑：高效能、低成本的應用型AI。
我認為全球AI市場將會走向兩極化：
第一極：金字塔頂端的「能力競賽」 (Nvidia的護城河)
這個市場追求的是最強的性能，用於訓練千億、兆級參數的基礎大模型和尖端科學研究。這裡的玩家不在乎多花幾百萬美元，只在乎能否早一個月完成訓練。
Nvidia的真正護城河不僅是晶片，而是它經營了近20年的 CUDA生態系統。CUDA就像是AI界的「Windows作業系統」，絕大多數AI框架、函式庫和開發者都基於它來建構。轉換平台的成本極高，這形成了強大的用戶黏性。
第二極：金字塔中下層的「效率競賽」 (中國的機會)
這個市場更廣大，包含了中小企業、日常應用、邊緣運算等。它們不需要最強的GPT-5，而是需要「夠用、便宜、好用」的AI來解決特定問題，例如客服、翻譯、內容生成等。
這正是Deepseek這類模型切入的甜點區。中國的優勢在於：
1. 龐大的國內市場： 足以養活和迭代這些AI應用。
2. 全方位的供應鏈整合： 快速將模型落地到各種硬體和場景中。
3. 成本優勢： 「用三分之一的資源做到別人80%的效果」極具吸引力。
我認為中國未來在全球AI市場絕對能佔有一席之地，但應該不可能在與Nvidia正面對決的「算力之巔」，而是在廣闊的「AI應用平原」。
中國向來創新不算出色，但應用層面卻經常可以青出於藍，最近期的例子就是EV電動車。
我相信未來中國的AI可以參考電動車的發展，讓AI技術大眾化、普及化，特別是在對價格敏感的發展中國家市場，這將對美國的技術影響力構成挑戰。
3. 垂直整合與技術分岔
我認為技術分岔是地緣政治下的必然結果，而美中玩家的做法是有所不同的。
垂直整合的雙重動機：
西方巨頭（Google, Apple, Amazon）： 他們的動機是「優化」。為了讓自己的軟體（搜尋、雲端服務、作業系統）跑得更順、成本更低，所以自己設計晶片（TPU, Graviton, M系列）。這是主動的戰略選擇。
中國巨頭（華為, 阿里, 騰訊）： 他們的動機是「生存」。在買不到最先進晶片的情況下，他們被迫走上自研的道路。這是被動的應對策略，也是唯一的出路。
短期來看，這會造成巨大的資源浪費、創新減速和標準不相容。
但從投資的角度看，這意味著風險和機會的重新分配。過去投資科技股，我們只需要問「誰的技術最好？」。
現在，我們還必須問「誰的生態圈在哪個市場佔主導地位？」。這將成為未來十年評估全球科技公司的核心框架。
4. 中芯國際的想法
到時再想想哈哈，寫中國始終反應沒寫美國好，再看看再看看哈哈哈。
很感謝你這麼快就給出了如此詳盡的回覆，也讓我對文章內容多了一層思考。期待下一次我們再交流 (:
看完長文，只覺得這是可以免費看的嗎，感謝分享!
哈哈哈 謝謝啦！
冇得彈💯
😊😊😊 多謝你
我哋多謝你至真👍
感謝分享🙏關於性能密度的公式，總算力 ÷ 互連頻寬，是否應該是乘法？才能體現出此消彼長的限制邏輯
太感謝了, 你的問題太好了, 我發現自己之前對半導體管制的理解有點錯誤, 太過膚淺了
我剛剛從新寫過了這一部份，可以再看一次，謝謝你
了解中國市場的發展 真的對投資思考蠻有幫助 謝謝好文
好文！ 分析形勢得好好及深入。
有冇機會及時間寫一篇AI發展史？ （如nvda 掘起及業務領域， 硬件軟件其對手的發展）等等？ 🙏🏾
呢個都係好建議，等冇乜idea嗰陣可以寫哈哈，暫時通常寫住啲最近有話題嘅
讚讚！
謝謝！
優質文章👍🏻
謝謝你 🙏
深度好文，感謝分享
謝謝支持 👍