美国持续加码对华晶片围堵，却未如预期遏阻中国技术发展，反而激发北京加快自主研发，出现“越管制、越提速”的反效果。美国寄望出台政策干预来拖慢中国技术发展，以保持自身优势是否失策？究竟是谁在“拖慢”谁，谁又真正握有主动权？
美国于2018年起逐步在半导体和晶片领域围堵中国，通过限制晶片与制造晶片所需的极紫外光刻机出口，阻挠中国掌握先进人工智能（AI）。美国官员多次强调，人工智能对国家经济掌握竞争优势起着重要作用，进而对保障国家安全至关重要。
但这个策略的可持续性正受到挑战。今年1月13日，拜登政府出台所谓的“AI扩散规则”，将全球各国和地区分为三个等级，施予不同程度的晶片出口限制，而中国可想而知，落入限制最严苛的组别。可是就当舆论还在探讨这会如何冲击中国科技发展之际，中国AI企业深度求索（DeepSeek）于一周后发布大语言模型R1，直面挑战美国主导全球生成式AI技术的地位。
美晶片巨头英伟达（Nvidia）首席执行长黄仁勋4月30日在华盛顿一场科技峰会上，被追问中美科技实力差距有多大时直言：“中国并不落后……中国紧跟着我们。双方非常、非常接近。”
推动AI发展的五大核心要素分别为人才、算力、模型、数据和电力，而中国在其中四项有着很好的基础。
分析：美国管制晶片出口 压制中国来守住算力优势
新加坡优势研究咨询公司创始人兼执行长张帆接受《联合早报》采访时指出，中国AI专才人数自2016年起便超越美国，多出约1万5000人，且领先优势持续扩大。在模型层面，DeepSeek凭借开源策略迅速缩小差距，技术实力逼近美AI公司OpenAI所代表的全球主流前沿。中国对数据的掌控能力也不断扩大，握有更大自主权。
此外，AI训练所需的大规模算力得依赖大量稳定的能源支撑，而中国电力基础设施已领先美国一两代，为中国AI生态提供稳固的增长条件。
反观美国，只在算力上占有优势。算力依赖高端晶片，因此要守住这一优势，美国只能限制晶片出口，以在短期内压制中方技术发展节奏，争取战略缓冲期。
从中国科技发展至今紧跟美国之后不难看出，限制晶片出口的措施成效有限，但美国似乎无意停手。
张帆指出，美国的选项并不多。“与其说美国的晶片管制措施是战略误判，不如说是不得不为的现实选择……因为在五大AI核心发展要素中，美国目前能掌控的只有算力。”
中国半导体咨询机构芯谋研究首席分析师顾文军则认为，美国的对华科技围堵存在盲区。他告诉《联合早报》：“我不确定美方是否真的反思过，为何多年制裁却未能遏制中国，反促使中国半导体产业持续发展。他们或许是低估了制裁的反向激励效应，仍倾向通过加码制裁压制中国。”
美国学界：拖慢中国会牺牲美企创新能力
美国学界不断有呼声，敦促政府投入更多精力扶持美国科技业争取技术突破，认为把重点都放在“拖慢中国”只会牺牲美企创新能力。
乔治敦大学安全与新兴技术中心的研究员多门（Hanna Dohmen）与费尔德盖斯（Jacob Feldgoise），和国际关系学教授库普昌（Charles Kupchan）去年7月在《外交事务》期刊发表联名文章，建议美国政府把握有限的时机，强化美国创新体系，在下一阶段关键技术领域建立真正不可逆的领先优势。
他们指出，美国当前的对华晶片限制“存在结构性缺陷”。管制措施短期内能令中国在高端晶片等关键领域的发展放缓，但长期而言，代价高昂——不仅削弱美企及盟友企业在华营收，也会限制持续投入研发的能力，反噬美国自身的创新能力。
以美商务部4月宣布的最新出口管制为例，美国企业料因此蒙受巨额损失。新规定将英伟达H20与超微（AMD）MI308等专为中国市场设计的“降级版”晶片纳入出口管制清单。英伟达预计，这会令公司损失55亿美元。
黄仁勋曾透露，英伟达每代晶片的研发成本可超过200亿美元，而据媒体报道，中国市场去年就为英伟达贡献了170亿美元收入，占公司总销售额的13%。若失去来自中国市场的营收，料冲击英伟达维持高强度研发投入、保持技术领先优势的能力。
卡内基国际和平基金会2022年4月发布报告，提醒美国须从整体战略层面规划技术脱钩的方式与节奏。若缺乏管理与战略克制，“美国可能无意间引发一场疯狂、持续加剧的脱钩循环，发展速度与代价远超国家所能承受的上限”。
报告建议，美国应先厘清国家安全、经济竞争力与技术话语权等不同目标之间的关系，并据此设计有侧重、可评估的政策工具组合。
报告认为，限制性措施不应成为主轴，重点应该在于通过战略投资构建自身技术生态的抗压能力，使脱钩过程保持可控，避免在执行时走向战略失衡。
国际战略研究中心（CSIS）高级顾问兼中国商务和经济董事项目主任肯尼迪（Scott Kennedy）去年底在《外交事务》发表文章，认为美国应先确立政策优先工作并评估代价，然后加强与盟友合作，重塑全球经济规则，避免陷入逐底竞争与技术孤立。若美方试图全面阻断与中国的技术往来，不仅可能被对手绕开，还会削弱自身创新能力，陷入越防越弱的困境。
特朗普再次入主白宫后，对半导体的管制政策尚未有太多表态。除了周四（5月8日）有知情人士透露，特朗普政府计划撤销拜登的“AI扩散规则”、简化监管框架外，特朗普已公布的AI相关政策，只有对半导体产品加征关税。
张帆指出，特朗普政府目前的重心主要放在贸易关税上，因为AI政策属长期技术治理范畴，短期内难以转化为选票红利，也不具快速兑现的成效。相比之下，加征关税更具政治动员力，可作为中期选举向选民展示的政绩。
不过，五年前启动对华晶片围堵的正是特朗普，他相信不会轻易放弃这个重要的杠杆。
可是寄望用“高墙”守住AI技术优势的同时，如果政策边界缺乏清晰设计、节奏失衡，脱钩或将反噬自身。如何在维护安全与保持开放之间取得平衡，或成下一阶段美中科技博弈的真正分水岭。
中企自主研发高端晶片 加速迈向自给自足生态
中国晶片技术在过去五年悄然提速，部分领域甚至加快了替代步伐。
CSIS美国创新振兴项目副主任兼研究员科斯滕（Alexander Kersten）告诉《联合早报》，中国企业在北京政府的全力支持下，本就具备挑战西方企业的能力，而中国近期接连取得技术突破揭示了美出口管制的根本局限：一旦中国不再依赖西方的高端技术，管制便失去效力。
虽然无法获取最先进的西方技术，但利用旧有的晶片，以及绕过制裁获取的晶片，中国依然能取得科技发展，包括军事现代化。更何况，中企通过自主研发和替代方案，也能打造在性能上可比肩的产品。
例如，最新进入量产的华为昇腾910C晶片，不仅性能据称接近英伟达旗舰晶片H100与A100，甚至在部分指标上超越降级版晶片H20，显示中企设计实力正快速逼近。
全球战略咨询公司DGA合伙人、亚洲学会政策研究所中国分析中心技术政策高级研究员崔洛（Paul Triolo）受访时指出：“美国严重低估华为、深度求索、腾讯等中国科企持续推进AI替代技术与自主创新的能力，而这些企业正是美国出口管制的主要打击对象。”
崔洛举例，美国的管制措施倒逼中国半导体设备制造商与中芯国际（SMIC）等晶圆代工企业展开更深层次的技术合作，推动半导体供应链的创新。此外，华为成为这种反向激励的典型个案：出口封锁促使华为扩展布局，从电信设备转向重建本土AI与晶片生态，“实质上在中国境内重建可自给自足的半导体供应链”。
中企推进科技设备国产化
在制造方面，中企正推进设备国产化，虽尚未完全实现自主，但“设计先行、制造追赶”的路径已逐步清晰。
通过创新的方案，例如采用小芯粒（Chiplet），中国企业也正逐步突破限制。以多个功能模块化的芯粒组合成单一高性能系统，在一定程度上能降低对单个高端晶片的依赖。此外，中国研发人员也在推动小模型应用，使AI算力需求下降，也为晶片国产化赢得时间。
这些中国生产的晶片或许在效率和盈利上略逊一筹，但已足以满足国内市场需求。至于晶片的制造效率与精度，虽然仍明显落后台积电等国际先进代工厂，未能完全稳定替代，但在国家大力投入资源的情况下，相信也会逐步提升。
重要的是，随着中国晶片持续扩大市场份额，并由此反哺后续研发，中国将构建起一个自我强化的晶片创新循环。
美电子行业咨询公司International Business Strategies半导体顾问琼斯（Handel Jones）就预测，到2030年，中国企业将在本土所有主要晶片领域占据过半市场份额。数据显示，去年前三季度，中国半导体市场销售额已达1358亿美元，占全球销售总额近三成。
AI工厂 中美新战场？
黄仁勋4月30日在论坛上指出，“AI工厂”正成为推动生成式AI落地的核心基础设施，对产业结构的重塑效应堪比19世纪的电力革命。
若要守住领先地位，AI工厂料将成为各大国竞相推进的项目。
AI工厂并非传统意义上的工厂，而是一种专为AI打造的基础设施系统，覆盖数据采集、模型训练、微调（Fine-tuning）和大规模推理等环节。它的产品不是实物，而是“智能”本身——以AI每秒生成的令牌（Token）数量作为衡量标准。
这些令牌是AI用来“读懂”现实世界的基本单位，它可以是一种内容碎片、图像的一块或一个词，是支撑生成式AI进行内容生产与决策推理的原材料。
与传统数据中心主要负责储存与运算不同，AI工厂更像一条实时运行的智能生产线，能够主动生成文本、图像、决策及自动化指令，可被广泛应用于医疗、教育和交通等领域。
三层面可掀AI革命
据黄仁勋介绍，AI革命可分三个层面：技术层、制造层与基础设施层，而AI工厂处于这三层联动的枢纽位置。
技术层：传统的软件靠程序员逐行编码构建，功能固定。AI则是透过海量数据与算力训练出的模型，具备自主学习与生成能力。
制造层：AI的训练与生成流程，类似实体工厂的自动化生产线。由超级计算机接入电力与数据，通过高强度运算持续产出令牌，最终组合成各类智能产品。
基础设施层：AI工厂不仅服务于科技企业，也将成为各产业的“第二个工厂”。如汽车制造商除了组装车壳与引擎，也须建构“AI驾驶大脑”来支撑自动驾驶系统。
生成式AI的模型越大、任务越复杂，所需算力呈指数上升。尤其在微调和多轮推理阶段，算力需求或分别是前期训练的30倍与100倍。
这些发展趋势使传统数据中心愈发难以支撑AI模型的日常运行。AI工厂的设计正是为了应对相关挑战——通过硬件、高速网络与自动化软件，构建一套端到端的智能生产流水线。这不仅能提高效率，也降低了AI技术从原型走向大规模落地的门槛，让企业能更快获得商业回报。
