中国AI的算力到底从哪儿来的？
中国AI算力获取仍依赖海外中转租赁，模型进展引发对底层硬件来源的讨论。
关键信息与渠道分析
- 租赁模式成为主流：针对高端芯片获取难的问题，用户指出实际运作中更多采用“马来租”（马来西亚租赁）的模式，而非直接购买硬件 #48；此前提到的海外租用算力作为替代方案的观点得到进一步印证。
- 供应流向集中化：有观点指出，NVIDIA销往海外的芯片中，除留存在美国的部分外，其余主要流向了中美两地，暗示其他地区的AI公司实力不足以消化如此大规模的算力供应 #50；这侧面反映了中国通过非传统渠道获取算力的规模之大。
- 既有渠道保留：此前总结中提到的新加坡、马来西亚、阿联酋等中转节点，以及阿里、字节等大厂的多元化硬件获取能力依然有效 #31 #26 #30。
最新动态与争议
- 模型进展与硬件关联：近期GLM 5.2模型表现引发关注，有观点认为其性能接近主流水平，并推测清华大学等机构在训练该模型时可能仍使用了NVIDIA显卡 #52；这反映了即便在受限环境下，顶级科研团队对高性能算力的潜在依赖或过往积累。
- 算力成本与价值认知差异：针对美国巨额算力投入，有观点认为这是由美国工业体系决定的“市场价”（类比快销品定价），并不完全代表其实际技术价值或效率，暗示这种高投入可能存在泡沫或非理性成分 #49。
- 禁运效果质疑深化：结合供应流向的讨论，用户进一步质疑美国限制政策的实际效果，认为大量高端芯片最终仍通过复杂渠道流入中国，导致“砸自己的脚”的局面持续存在 #30 #50。
风险/限制/注意事项
- 合规与供应链风险：虽然“租赁”模式看似规避了直接购买禁令，但依赖海外（如马来西亚）基础设施仍存在地缘政治和长臂管辖的风险；且随着中转节点增多，供应链的透明度和稳定性进一步降低 #43 #48。
- 性能瓶颈依旧：尽管获取渠道多样化，但国产芯片在Pre-train阶段的性能短板及生态壁垒仍未根本解决，大规模训练对高端算力的依赖并未因租赁模式而完全消除 #27 #41。