Dimension Capital 写给 LP 的信：重新审视中美 AI 棋局

DimensionCapital 2026-10-24 12:47 美国

同一颗 AI 大脑，两套供血系统

👦🏻 作者: Dimension Capital

🥷 编译: Simon

「十字路口」编者按（Koji）
我们一直在关注美国如何看待中国。对我来说，外部视角有时特别有价值：我们习以为常的事，到了别人眼里，可能恰恰是最值得追问的变化。
“不识庐山真面目，只缘身在此山中。”身在其中，我们熟悉细节，也容易忽略全貌。换一双眼睛看自己，常常能发现一些被日常经验遮住的东西。
此前，我们编译过一位美国工程师的中国11天。这次，我想再推荐一篇来自美国投资人的中国观察。
这是一封 Dimension Capital 在 8 月写给 LP（基金出资人）的内部信。团队来中国走访 AI Lab，与投资人、创业者和技术专家交流后，重新梳理了自己的判断。这封信后来也在公开网络上流传。

《重新审视跨太平洋的 AI 棋局》

尊敬的各位 LP：

Dimension 的一个小团队上周去了中国，拜访多家领先大模型 AI Lab，并与当地投资人、创业者和技术专家进行了交流。这趟行程很大程度上是一次重访，也是对我们在 2025 年上海之行后形成的判断进行重新评估。

当时，我们曾写过、也讨论过：中国日益上升的重要性，已经超出了硬件领域。如今，在梳理这次旅行的收获时，我们认为有必要重新审视这场跨太平洋的 AI 棋局。

下面分享我们目前的一些思考。需要提醒的是，这些观点仍在不断演变；随着新数据出现，它们甚至可能明天就发生变化。

稀缺推动进化

出口管制原本是为了放慢中国 AI 的发展。然而，它最终形成了一种独特的进化压力，催生出具有鲜明特点的中国 AI Lab。

在算力有限的情况下，中国团队往往着眼于更底层抽象层级的工程优化，而美国 AI Lab 容易忽略这些工作。DeepSeek 在 3 月发布 V3 时，已经在英伟达 H800 GPU 上，深入到 CUDA 编程的 PTX 层开展工程优化，把最耗能的归一化运算从 GPU 计算核心转移到 20 个专门负责串行互连的核心上。¹

我们认为，这反映的与其说是美国缺少人才，不如说是激励机制不同：美国 AI Lab 的边际收益来自增加算力，而中国 AI Lab 的边际收益来自寻找编译器和芯片的优化空间。

最终，中国 AI Lab 形成了一种贯穿内核、优化器、服务系统，乃至芯片设计的全栈效率文化。这种文化的复合效应，远远超过单点优化的影响。

稀缺竟然成了发明之母；在这里，它孕育了系统、汇编和编译器工程。

中国模型进入西方生产技术栈

中国软件目前的发展，已经超出了西方企业软件两年前所能达到的水平：它正在进入西方的生产技术栈。

不到 18 个月前，中国供应商的渗透率还是零；如今，它们已支撑 OpenRouter 超过 25% 的 token 供应。²

Qwen 在盲测基准中超过了 Llama，并继续频繁发布新模型。不到两年，中国模型就从“全球第五好的开源模型”，发展到“至少 80% 的美国 AI 初创公司在生产环境中使用至少一款中国开源模型”。³

开放权重绕过了采购壁垒——免费软件没有一个需要接受审查的供应商。

本质上，中国正在迅速获得西方的工作负载，却没有获得西方的收入。 与之前一样，推理利润暂时流向了真正交付 token 的服务商。

无论这是有意为之，还是全球复杂系统自发涌现的结果，中国的前沿 AI Lab 正在把美国竞争对手赖以获取收入的业务层变成大宗商品，这主要发生在开源一端。在我们看来，这既不是巧合，也不只是某种古怪的实验。

这些公司希望构建规模庞大、运行稳定、收入较低的运营体系。因此，我们的中期判断是：中国正在推动一个依靠开放权重模型和快速跟进的生态形成，挤压美国头部 AI Lab 的收入；与此同时，收入流向了超大规模云服务商和新兴推理基础设施。

我们认为，这一趋势正在放慢、甚至阻碍真正先进的技术进入当前的竞争场域。

中国 AI Lab 之间的竞争

中国前沿 AI Lab 内部的竞争，远比西方通常认识到的激烈。

我们的判断是，目前参与前沿竞争的包括 DeepSeek、阿里的 Qwen、月之暗面的 Kimi、字节跳动的豆包，以及智谱的 GLM，它们的排名差距大约会在一个季度的尺度上发生变化。值得注意的是，腾讯虽然拥有庞大的现有用户群，却处在这一生态之外；这本身就是一个值得关注的问题。

这些 AI Lab 一面在研发速度和模型能力上正面竞争，一面开放模型权重，形成了一种与美国两家闭源 AI Lab 截然不同的竞争生态。

我们再次强调：未来一到两年的竞争，与其说发生在国家之间，不如说更多发生在不同的激励机制之间。我们接触到的中国 AI Lab，往往更在意彼此之间的竞争，而不是西方媒体渲染的跨国竞争。

模型能力横跨太平洋

如今，模型能力可以在太平洋两岸往返两次，最终仍然抵达终端用户。

具体路径是：一家美国前沿 AI Lab 发布性能更强的模型；一家中国 AI Lab 对其进行蒸馏，并发布模型权重；美国应用公司再利用这些中国开源模型构建产品，卖给美国企业客户。

据说，Cursor 内部开发的 Composer 2 建立在 Kimi K2.5 之上；Cognition 的 SWE-1.5 似乎建立在一个定制版 GLM 之上。简而言之，正如我们交谈过的一位中国前沿 AI Lab 代表所说，美国迭代更快，而中国发布更快。

大约一年前，这些公司如果能达到 Llama、甚至 Mistral 的水平，就已经很不错了。如今，美国的前沿 AI 已经融入中国的开放权重体系，其中也蕴藏着来自美国的前沿智能。

数据层也在走相似的路

美国数据供应商 Mercor、AfterQuery、Turing，已经与 Anthropic、OpenAI 等公司建立商业合作。与此同时，在中国，一批初创公司正开始搭建评估和验证基础设施，为数据标注服务提供支持。

例如，由一位北京大学博士生创立、获得梅赛德斯支持的 UniPat，于 2025 年 12 月在西雅图设立了办公室。据报道，它使用来自中国的博士级标注人员，通过一条来自美国中西部的直接通道参与这些项目。

一家中国 AI Lab 提出了一个简单却重要的问题：

在计算量被限制在某个阈值以内的环境中，如何确保人类对计算过程的监督质量，同时又与一个具有自适应能力、资源近乎无限的模型保持一致？ ⁴

我们观察到，生态中的几个团队已经开始构建相应产品，其中至少两个团队的收入正迅速接近 1 亿美元。

美国缺电，中国缺芯

中美面对的约束不同，甚至彼此相反。

2024 年，中国新增发电装机容量约为 429GW，美国则只有约 51GW。到 2030 年，中国目前在建的电力项目可能带来超过 400GW 的额外供给。相比之下，在美国，数据中心扩张预计将占未来新增电力需求的五分之一以上。⁵

正如我们此前写过的，中国的约束来自计算基础设施不足。例如，月之暗面的新模型 K3，虽然能力处在前沿，却因为推理容量不足而推迟部署。

美国芯片资源丰富，却越来越受制于电力；中国电力资源丰富，却越来越受制于芯片。

我们的判断，也是行业内广泛认同的看法，是未来将由当前最稀缺的要素决定：美国取决于数据中心空间、配电设施和输电线路能建得多快；中国则取决于中芯国际和华为的良率与封装能力。

收入差距接近两个数量级

中美 AI 收入差距巨大，接近两个数量级。

截至 7 月底，Anthropic 的年化收入已超过 650 亿美元；截至 8 月，OpenAI 的年化收入达到 400 亿美元。⁶

相比之下，中国收入最高的 AI 模型由字节跳动运营，其视频模型的年化收入约为 2 亿至 3 亿美元；收入排名第二的是月之暗面，收入约为 10 亿美元。据报道，DeepSeek 的年化收入不到 5,000 万美元。

在消费端，豆包的月活用户超过 3.45 亿，是 DeepSeek 的三倍多。两者都有包括商业佣金在内的多种收入来源；按照我们的计算，平均每月变现收入约为人民币 1 元。

从历史上看，中国消费者并不习惯为软件付费。我们也不认为，中国经济已经发展到中产阶级愿意迅速改变这一习惯的阶段。企业内部人士表示，他们正在投入资源推进商业化，尝试改变这一趋势；中国消费互联网用户的习惯，确实曾在十年前发生过变化。

当然，中国 AI Lab 最终可能通过商业广告变现，而美国 AI Lab 一直不太愿意这样做。

这里还体现出一种毫不避讳的实用主义：创业者往往并不在意用错术语，或采用带有污名的表达，也涉及对审查或反弹的担忧。我们走在香港九龙街头时，就看到了这一点：商贩们在听 Ben Thompson 分析美国 AI Lab 对广告和商业模式那种非理性的排斥。⁷

顺便一提，这是 Ben 第一次听说这件事——Ben 是有史以来最出色的分析师之一。

脱钩与交织同时发生

硬件在半导体层面脱钩，软件层和数据层则以一种交织的速度发展，快到任何政府都跟不上。

美国应用运行在中国模型之上；中国 AI Lab 则使用在马来西亚和泰国租用的英伟达算力进行训练，同时蒸馏美国模型的输出；专家数据也在双向流动。⁸

我们发现，“谁在编写问题”这个问题，已经不再可靠。

同样，各个系统如今已经深度相互依赖，体现出的不仅是“口头上的民族主义”，也在实践中实现了真正的跨国协作——除非 RSI（递归自我改进，Recursive Self-Improvement）从根本上改变当前的博弈结构。

较弱形式的自我改进

我们发现，一些中国顶尖研究者认为，他们已经实现了某种较弱形式的 RSI。

一般来说，RSI 可以分成三类：基于时间的、基于算力的，以及边界型的。最早期的形式，可以理解为研究者让模型参与自身的迭代，并通过人工协助，让模型加快完成原本会消耗研究者算力、时间，或同时消耗两者的部分工作。

需要强调的是，这一阶段的“起飞”，未必会表现为一条在延伸至 2100 年、横跨数十年的时间尺度上的指数曲线，也未必会表现为一种超越任何个体或机器能力的人类合力。

AI 能否加快自身进步，将决定谁更有优势

接下来的竞争，有一个关键问题：AI 能否帮助研究者更快地开发下一代 AI？

例如，模型可以参与研究、编写代码、分析实验结果。如果这些工作能持续加快模型研发，就可能形成一个循环：更强的 AI 帮助开发出更强的 AI。

这个循环能否有效运转，会把竞争带向两条不同的路。

第一种情况：AI 确实能持续加快研发，增加算力也能带来明显进步。

在这种情况下，美国的优势可能更大。美国 AI Lab 有较强的收入能力，也更容易从资本市场获得资金，可以继续建设大型计算设施。

我们预计，到 2030 年，每家美国前沿 AI Lab 运行的计算设施规模约为 2GW，另有超过 5GW 的已签约项目。这里的 GW 指电力功率规模，用来描述这些设施有多大，并不是直接衡量模型有多聪明。

如果更多算力可以支持更快的研发，美国就有机会把资金和基础设施优势，进一步转化为模型能力优势。

第二种情况：AI 的自我改进比预期慢，增加算力也无法解决最关键的问题。

例如，AI 可以提出很多新方案，但研究者仍然难以判断哪些方案真正有效。这时，限制进步的就可能是验证能力，而不是计算量。

在这种情况下，提高现有算力的使用效率、扩大国产芯片供给，就可能在未来 18 个月变得更加重要。

中美可能继续形成这样的分工：美国 AI Lab 推进前沿模型及其商业化；中国团队持续提供开放权重模型；应用企业利用这些模型开发产品。

随着可选择的模型增多，使用模型的企业可能获得更大的议价空间。负责运行模型、向客户提供推理服务的公司，也可能获得更多业务和利润，包括大型云服务商和新兴云厂商。

这两种情况，对基础设施的需求并不相同。如果投资人判断错了发展路径，建设的计算设施及配套电力设施，就可能与实际需求不匹配。

因此，研究中美各自缺什么、哪些设施真正需要扩建，可能带来很有价值的投资机会。我们对中美基础设施的分析，或许是我们做过的所有分析中，潜在回报最高的一项。

关于未来：一种可能的情景

未来，美国前沿 AI Lab 可能不再为下一代前沿模型开放 API。事实上，对于绝大多数通过程序调用的企业应用，当前的技术水平已经足够。

未来的高端模型将按照价值、而不是用量定价，同时中国也将越来越多地受益于前沿能力。

因此，美国 AI Lab 可能优先考虑 API 收入，以支持价格更高、调用量更低的模型；这反过来会切断一条从美国东海岸横跨太平洋的重要竞争通道。

至少，这将迫使更多数据使用预训练模型在中国境内处理，进一步加剧现有算力瓶颈的压力。

据我们了解，一些规模较大的美国跨国企业，正在试点把工程和数学任务转移到中国。

中美 AI 格局与资本市场

我们认为，AI 已经让中美两国的技术体系深度交织，以至于只切断某一条跨太平洋联系的监管措施，似乎最多只能产生暂时效果。

从某种意义上说，中美技术人员正在彼此对话。这种交流可能发生在多个层面：模型蒸馏、开放权重、数据标注、推理，以及越来越多地利用智能体搜索基础设施的软件。

直接禁止资金流通、列入实体清单、禁止托管和禁止采购等做法，几乎不可避免地会抑制美国创新，让出相关领域的领先位置，并最终推动资金流向中国竞争者。

尽管西方在讨论 AI 估值泡沫，中国市场的气氛却明显更加热烈。

按收入倍数计算，中国 AI Lab 的交易估值倍数是美国前沿 AI Lab 的 5 至 10 倍；而在收入规模上，中美之间的差距接近两个数量级。

月之暗面最近一轮融资的估值为 35 亿美元，7 月的年化收入约为 1 亿美元，估值约为收入的 35 倍；据说即将进行的一轮融资，投前估值将定为 50 亿美元，相当于收入的约 50 倍。

智谱（此处原文写作 Intelligence Spectrum）今年 1 月在香港上市时，市值约为 100 亿美元，对应的估值倍数约为 Anthropic 的 20 倍。这家公司在公开市场的早期交易中波动较大：从上市时约 13 亿美元的市值起步，在今年 1 月一度升至约 100 亿美元。

原文另称，Kong AI Knowledge Atlas Technology HK（2613）的市值也从今年 1 月约 13 亿美元升至约 100 亿美元；Luna AI（HKG:100）同样从约 150 亿美元一路升至 330 亿美元，之后又回落到约 100 亿美元。

这两只股票都在锁定期结束之前出现大幅下跌。我们的判断是，这主要源于市场结构尚不成熟：市场拥有数十年的消费软件投资经验，却直到现在才逐步积累围绕企业财务披露和开源框架进行审慎评估的能力。

这与我们在生物技术领域看到的情况并无显著不同：在香港公开市场，几乎不存在由跨领域投资人或专业科技、生物技术投资人带来的监管风险。

对于合适的投资人，这是一个巨大的机会：他们可以进入市场，在这些类别的早期公开市场投资中建立领先地位。

你们的合伙人，

Nan、Adam、Zivain

原文脚注

1.《DeepSeek V3 技术报告》：使用 2,048 块 H800 GPU；在 PTX 层编程；约 3,000 万条消息专门用于节点间通信。

2.2026 年 3 月，OpenRouter 的每周 token 份额约为 42%，上下波动约 5%；Qwen 约占 18%。值得注意的是，Hugging Face 的模型下载只代表中国开放权重模型使用量的约 80%，其余 20% 通过其他渠道分发。

3.Anthropic 此前曾指控月之暗面、DeepSeek 和 MiniMax 收集了数百万条 Claude 对话数据；不过，这一说法后来遭到多家公司的否认和反驳。

4.关于不同吞吐方式在会计处理上的差异，本文暂且不展开讨论。

5.2026 年 4 月 20 日的限制措施出台后，阿里巴巴和字节跳动加快了在东南亚数据中心的训练活动；这些公司租用了中国境外位于泰国、马来西亚和日本的设施中的算力。

6.在锁定期结束前，持股超过 5% 的机构不能套现；普通股东同样无法在锁定期结束前出售股票。

本文作者：Dimension Capital（信末署名：Nan、Adam、Zivain）原文：Dimension Research on China's AI: Open Models, Compute Bottleneck, and Commercialization Gap (Full Article)^[2]

参考资料

[1]一位美国工程师的中国11天：https://mp.weixin.qq.com/s/h23dzzfXFEH4hZ2E1ZbTgw

[2]Dimension Research on China's AI: Open Models, Compute Bottleneck, and Commercialization Gap (Full Article)：https://en.theblockbeats.news/news/63565