为什么中国能比美国便宜 40% 运行 AI

所有人都在讨论，谁的 AI 模型更强。 蔡崇信在谈另一件事：谁能以最低成本运行 AI。

这位阿里巴巴董事长在香港大学的一次演讲，几乎把整个 AI 对话框架彻底翻转了。当别人还在纠结基准测试和模型性能时，他关注的是：当你把这些模型真正大规模部署出去时，背后的经济账到底怎么打。 而他揭示了一点：在没人认真讨论的地方，中国已经拥有巨大的基础设施优势。

我不会简单说“中国已经赢下 AI 竞赛”（这太粗暴了）。我也不会说“模型质量不重要”（它当然重要）。我想做的是：解释为什么真正的 AI 竞赛，从来不是谁训练出最聪明的模型，而是谁能把推理成本压到最低。 这是我从这位全球顶尖科技企业家身上学到的：为什么在 AI 时代，基础设施的经济学，可能比模型架构本身更重要。

I. 60% 的建设成本优势

先从一个足以让美国 AI 公司后背发凉的数字说起。

在中国建设一个数据中心，成本大约比美国低 60%。 不是低 10%。不是低 20%。是低 60%。

（而且这里还不包括芯片和服务器，只算物理基础设施。） 想想这意味着什么。

如果你是一家美国公司，搭一个数据中心要花 1 亿美元。你的中国竞争对手，用同样的钱，只要花 4000 万美元就能建出同等容量。 这不是“小优势”。这是结构性护城河。

能源成本差距

更糟的是电费。

中国的工业用电价格大约比美国低 40%。 这不是短期波动，而是过去 15 年大规模电网现代化投入的结果。

所以你不仅在建设数据中心时多花了 60% 的钱，在后续运营中，每天还要多付大约 40% 的电费。 每。天。都。是。这样。

这意味着什么？中国企业在扩展训练和推理设施时，拥有更长的“跑道”。他们能负担得起更多实验，训练更多模型，服务更多用户。 而同一时间，美国公司则一直在盯着自己的烧钱速度发愁。

II. 被“逼”出来的系统级创新

接下来这点就有意思了。

直觉上你可能会觉得：GPU 限制会让中国 AI 发展严重受挫，对吧？ 错。

蔡崇信描述了一种非常有意思的现象：当你拿不到最新最强的硬件时，你被迫在“系统级”去优化。 算力“饥荒”迫使他们在软硬件协同上做出更高程度的优化。

想想看。 美国公司几乎无限量地拿到 H100、Blackwell 之类的顶级 GPU，于是他们的直觉反应是：再多堆点算力上去。

中国公司没这个奢侈条件，只能另辟蹊径。 他们去优化模型架构，改进算法设计，从调度、编译、并行、存储到通信，把现有硬件的每一分性能都“挤”出来。

这就是“约束的悖论”：有时候，资源更少，反而会逼你变得更好。

III. 开源模型的商业逻辑

现在来说说，为什么阿里会把重心放在开源模型上。 （真正有意思的地方，是这里的商业逻辑。）

很多人以为，开源就等于“把竞争优势拱手送人”。但蔡崇信的解释是这样的：

主权 AI（Sovereign AI）

企业希望在私有云，甚至本地机房里运行模型——为了数据安全、合规性和可控性。 如果你的模型是闭源的，他们做不到这一点。它们只能依赖你的 API，你的基础设施，你制定的价格。

但如果你的模型是开源的，他们可以在任何地方运行。 关键在这里：真正的变现点，不在“模型本身”，而在于“运行这些模型所需的云服务”。

你把模型开源“送出去”，但你卖的是让这些模型稳定高效跑起来的基础设施。 你免费给出“发动机设计图”，但你收费提供“工厂和赛道”。

这门生意怎么算账

从商业模式角度看，是这样的：

你花钱训练一个模型，然后把它开源。世界上任何公司都可以用它。 但要在生产环境中、在大规模用户量下运行它，他们离不开云基础设施：算力、存储、网络。

而谁来提供这些？是阿里云。 你赚的不是“模型授权费”，而是“运行模型的平台费用”。

这套逻辑，相当聪明。

IV. 人才优势

还有一点蔡崇信提到，却常常被忽略。 全球 AI 研究人才中，有相当大一部分，在中国受过教育。

这造就了一批“学术双语”的人：他们同时熟悉中西方的学术体系。 他们能读斯坦福的论文，也能读清华的论文；能和美国团队合作，也能和中国团队深入交流；能把两边的成果和思路综合在一起。

这绝不是小事。 尤其是，当这种人才优势，和更便宜的基础设施成本、以及被逼出来的系统级优化结合在一起时。

V. 游戏规则的变化

那结论是什么？

焦点正在从“谁训练出最聪明的模型”，转移到“谁能以最低成本运行推理”。 为什么这点至关重要？

训练一次大模型很贵，但你不会每天都训练（顶多定期更新）。 推理则不同——每一次用户调用、每一个问题、每一条回复，都是一次推理。

当你服务的是几百万、几千万用户时，推理成本会远远超过训练成本。 所以，最后胜出的，并不一定是“模型最聪明”的公司，而是“模型跑得最便宜”的公司。

应用层会发生什么

这就是未来十年真正有趣的地方。

如果中国企业能以比美国企业低 40–60% 的成本运行同一等级的 AI 推理，那应用层会出现什么情况？ 他们可以用更低的价格提供同等服务；可以触达更多用户；可以更大胆地做产品实验和新场景尝试。

而美国公司如果主要在“性能指标”上死磕，而忽视“成本效率”，那么在一个逐渐商品化的市场里，后者几乎必然会输。 因为在商品化竞争中，成本效率往往是最终胜负手。

这对你意味着什么

你可能会说：“我又不建数据中心，这跟我有什么关系？”

关系大了。 只要你在做任何依赖 AI 的产品或服务，你的基础设施成本，都会直接决定你的单用户经济模型。

如果你的竞争对手能以比你低 40% 的成本，运行同样能力的模型，他就可以选择： 比你便宜地卖同样的服务（抢走你的客户）

维持同样的价格（但拿走更高的利润率） 把省下来的钱投入到产品开发（做出比你更好的功能）

这三种结果，对你来说都是坏消息。

战略层面的含义

这不仅仅是“中美之争”。 更重要的是，它提醒你：真正的竞争优势，到底从哪里来？

所有人都在看模型架构、训练技巧、榜单成绩。 而蔡崇信盯着的是另一件更底层的事情：这些玩意儿在现实世界里长期跑起来，账本到底是怎么算的。

而这，很可能才是最难被复制的“护城河”。

前进的方向

那你该怎么处理这些信息？ 第一： 别再只盯着模型基准成绩看，开始把“推理成本”当成一等公民指标。

第二： 认识到基础设施优势是可以按指数积累的。今天 40% 的成本差距，十几年后，可能演变成数量级上的优势。 第三： 认真考虑“开源 + 基础设施”的路线。有时候，免费开放模型、收费提供运行环境，可能比死守闭源、单卖模型更有商业逻辑。

第四： 重视系统级优化。当你没法靠“继续堆算力”解决问题时，你反而被迫去设计更巧妙的系统。 第五： 想清楚自己的优势到底在哪里：是在模型本身，还是在“以规模化、低成本方式运行模型”的能力上？

真正的赛跑

听完这场演讲，我意识到一件事：

大多数人都在看错“赛道”。 他们盯着的是：谁能训练更大的模型，谁的指标更好，谁的论文更炫。

而真正的比赛，却在基础设施层进行。 谁能以最低成本建数据中心，谁能拿到最便宜的能源，谁能把整个系统调到最高效。

这才是决定谁能在 AI 时代笑到最后的那场比赛。 而在这条赛道上，中国已经占据了不小的领先优势。

不是因为他们模型一定更好，而是因为他们的“经济账”更漂亮。 而在长期竞争中，经济规律，几乎总是最后的赢家。

阿里巴巴董事长蔡崇信在 2025 年“陈经纬杰出领袖演讲系列”（Edward K Y Chen Distinguished Lecture）上发表了上述演讲。