2026年7月，中國模型Kimi K3發布，在Artificial Analysis的獨立評測中排到第三。若只看綜合成績，中國模型與美國前沿模型（台灣稱先進模型）之間似乎只剩幾個月，甚至已經局部追平。

但同一套評測還留下另一個不那麼耀眼的數字：K3跑完全部任務，生成了約一億三千萬個輸出Token，接近同類模型中位數的兩倍。它願意反覆搜索、調用工具、返工和自我檢查，以更長的推理過程換取最後的準確率，但過度思考卻讓其失去了Token效率和經濟性。雖然這樣的策略使它在法律文件、銀行後台與長流程任務上表現出色。

同一個模型，於是給出了兩個相反答案。只看結果，中國已經逼近美國；查看它抵達結果的方式，晶片、算力與基礎軟體的約束仍然非常明顯。

然而，就在這篇文章將要完成時，另一件事發生了。

7月30日，OpenAI將GPT-5.6 Luna的API（應用程式介面）價格一次下調八成。每百萬輸入Token由1美元降至20美分，輸出由6美元降至1.2美元；中階的Terra降價兩成，旗艦Sol則維持不變。Sol沒有降價，反而使這次行動的戰略含義更加清楚——OpenAI並未放棄昂貴的前沿（先進）市場，而是用Luna直接向下攻入中國模型原本佔據的價格帶。

這場降價，改變了中美AI賽局的問題。

過去最流行的分法是：美國模型更強、更貴，中國模型略弱，卻異常便宜。中國只要把「夠用而且便宜」推向全世界，即使沒有奪取前沿模型的王冠，也能以價格和開放權重改變全球市場。

現在，這條界線開始消失。

OpenAI直接殺進DeepSeek價格帶

中國DeepSeek目前的V4-Flash模型，官方API價格是每百萬輸入Token 14美分、輸出28美分；V4-Pro則是輸入43.5美分、輸出87美分。美國OpenAI降價後的Luna為輸入20美分、輸出1.2美元。換言之，Luna的輸入價格已低於V4-Pro的一半，輸出只高出約三成八；它仍比V4-Flash昂貴，卻已不再和中國模型存在一個數量級的價差。

在AA的測評上，GPT5.6 Luna全面領先DeepSeekV4的兩個版本，即便和Flash比，它的Token效率也高出一倍。這進一步將它與Flash的價差縮小一半。

這正好把開篇K3的問題重新推回來。單價低，不等於任務成本低；榜單得分高，也不等於抵達答案的效率相同。當Luna將單價降低八成後，只要它在某類工作中少走幾輪、少生成一些無效內容，就可能比名義上更便宜的中國模型擁有更低的總任務成本。

至於排名領先的模型，中國的K3在考慮Token效率後，成本其實和美國的GPT5.6 Sol類似。大量企業並不需要每個請求都調用排行榜第一名，客服分類、資料抽取、內容整理、常規程式修改與文件處理，購買的是「足夠的智能」，而不是最高的智能。現在OpenAI在最尖端和便宜又好用兩個領域，都提供了幾乎最有優勢的產品。

更值得注意的是，DeepSeek官方文件同時表示，未來將採用峰谷定價，高峰時段的所有計費項目會提高至平時的兩倍，具體實施日期尚未公布。這未必代表DeepSeek無法維持低價，卻說明推理服務並不是一項沒有容量、電力與現金流約束的免費商品。

於是，一個新的問題出現了：

如果美國前沿公司也能提供接近中國價格的模型，中國AI最容易理解的低價護城河，還剩下多少？

「落後幾個月」是一把過度簡化的尺

東西方媒體一直在追問，中國AI究竟落後美國幾個月。答案可以是三個月、七個月、十二個月，也可以是某些任務已經追平。

2026年5月20日，DeepSeek創辦人梁文鋒據稱與己方投資人進行了一場近四小時的閉門交流，談算力、商業模式與組織。文字稿後來流出。從其中大量工程細節，以及後續輿論與企業未公開否認來看，它有很強的真實性；DeepSeek也從未否定這份材料。梁文鋒的內部口徑對中美AI差距的預測反而最大，只是原話本身也前後打架：「所以我們跟美國的差距可能是落後十二個月，可能十二到十八個月，或者六到十二個月。反正簡單說，就是落後美國兩年。」

這些數字各有各的買家。希望放鬆晶片管制的人需要一個較小的數字：既然中國只落後幾個月，管制便沒有意義。希望擴大預算與出口限制的人需要一個較大的數字：差距仍然明顯，因此不能鬆手。中國官方與企業需要「已經追平」，美國政府與前沿公司需要「仍然領先」。數字在這裡不只測量技術，也在服務政策、估值與企業敘事。

更根本的問題是，中美並不是只在打一場比賽。

第一場是前沿能力之戰，爭奪下一次模型能力躍遷。這裡需要最先進的晶片、巨量算力、頂尖研究者與長期基礎研究，美國仍然佔據優勢。

第二場是有效算力與工具鏈之戰。帳面上建成多少資料中心並不重要，重要的是有多少高階晶片真正投入訓練，利用率多高，工程師能否快速除錯，以及模型能否穩定部署。這裡還會涉及到電力問題。

第三場是擴散之戰。模型是否足夠便宜，是否提供開放權重，能否被企業、政府與開發者快速採用。中國在這一層的進展，一度比前沿能力更加驚人。在全球最大的模型路由平台OpenRouter上，使用中國模型的Token份額曾由2024年末不足2%，升到2026年初一度過半；十八個月內，美系模型的份額由約七成降至約三成，DeepSeek也曾以16.3%成為單一最大供應商。當然，OpenRouter只是一個特定平台的調用統計，不能拿來充當中國AI全球市占率。但它至少說明，價格敏感的開發者正在快速轉向中國模型。

第四場則是秩序之戰。不同國家最終依賴誰的模型、雲、資料格式、人才培訓和治理語言，將決定誰來定義「正常的AI治理」。

「落後七個月」或「落後兩年」至多描述第一場比賽的一部分，卻無法解釋後面三場。當然，第一場比賽依然是最重要的，尤其是站在AGI（通用人工智慧）的前景下，第一個到達AGI的國家將有無可比擬的優勢。

因此，中國可能仍然落後於美國的能力上限，卻已經在價格和開放權重上改變市場；美國則可能繼續維持前沿優勢，同時透過Luna的降價重新進入擴散市場。中美AI競爭由此不再是領先者與追趕者沿著同一條道路前進，而是幾種能力、商業模式與國家組織方式彼此纏繞的競爭。

美國自由市場集中 vs 中國舉國體制分散

美國和中國是兩個截然不同的系統，在資源配置上最容易看見。美國由企業和資本推動，Amazon、Microsoft、Alphabet與Meta把2026年資本開支指引推到合計約6950億至7250億美元，最高估值比上一年實際支出增加約七成。中國則把算力當作準公共基礎設施。到2026年6月底，全國智能算力總規模達2185 EFLOPS（FP16），同比增長177%；到2025年末已建成42個萬卡級智算集群，近兩年又鋪出70餘條國家算力大通道。

中國網路巨企如字節跳動與阿里巴巴拿出的當然是企業資金：字節2026年資本開支上限約700億美元；阿里則宣稱，未來五年投入將「遠超」此前三年的3800億人民幣。但這些錢買什麼晶片、落在哪個樞紐、優先服務什麼場景，都不能脫離國家配置的邊界。公開資料已能確認阿里的採購正在明顯向自研與國產晶片傾斜，市場材料甚至給出約七成的估計；只是這個比例並非阿里正式披露。企業仍在出錢，國家卻在決定這些錢通往哪裡。

晶片這一層，國家工程的痕跡更加直接。華為、中芯國際等企業都與國家機關保持緊密關係。路透社披露，由國務院副總理丁薛祥親自統籌、華為協調企業與研究機構的半導體攻關，被知情者形容為中國版的「曼哈頓計劃」。這足以說明國家意志的強度。只是現狀可以概括為：基本可用，談不上自主。摩根士丹利估計，中國GPU自給率可能由2024年的34%升到2027年的82%。但天花板仍在產能與良率。中芯國際的N+2工藝沒有極紫外光刻機，華為950PR面向Prefill的低成本內存方案，在訪存帶寬（台灣稱記憶體頻寬）上仍明顯落後NVIDIA的H200；推理可以夠用，拿來訓練前沿模型就吃力得多。

但在最關鍵基礎模型產業，現實卻很有意思。

美國前沿AI高度集中。巨額資本、晶片、研究人才、雲端服務與企業客戶，聚集在少數模型公司和大型平台之中。Amazon、Microsoft、Alphabet與Meta的2026年資本支出規劃，合計達到約6950億至7250億美元。這種集中帶來市場壟斷、定價權與封閉生態，也使少數企業可以承擔極高的固定成本。

中國則並非由中央政府指定一家企業，集中所有資源訓練一個「國家模型」。中央宣布AI是戰略產業後，地方政府、國有資本、網路平台、創業企業與高校同時湧入。每個地方都想建設智算中心，每家大型企業都希望擁有基礎模型，每個投資者都擔心錯過新的政治與產業風口。

流傳的DeepSeek投資人會議紀要中，梁文鋒因此提出一個反常識的判斷：美國才是集中體制，只有少數公司投入基礎模型；中國則「做得太多了，資源分得很散，某種程度上浪費」，終局可能只剩三四家。這一判斷，確實與中國模型企業正在發生的出清相互印證。

百川轉向醫療，部分模型公司收縮預訓練，改做行業智能體（台灣稱AI代理人）；更多企業依靠降價、免費額度與開放權重爭奪開發者。這種「舉國體制」復現的未必是井然有序的集中攻堅，反而更像光電、新能源車與電池走過的道路：政治訊號驅動大量主體進入，重複投資，價格戰，利潤率消失，最後由市場與行政力量共同完成出清。

AI與實體產能仍有一個重要差別。光電板與汽車的過剩，至少還要經過工廠、倉庫、港口與海外經銷商；模型權重與API的邊際複製成本接近於零，一次降價就能立即傳到全球。中國AI的「產能過剩」，表現為大量相似模型、免費權重，以及不斷下降的推理價格。

但OpenAI這次降價也揭示了另一面：在價格戰中，私人資本的高度集中反而可以成為優勢。一家擁有全球客戶、雲端合作、開發工具與巨額融資能力的美國公司，只需一次調整，便能重新劃定整個市場的價格區間。中國眾多模型公司則必須各自承擔收入下降，卻沒有任何一家能單獨決定全球價格。

美國模式的風險是壟斷；中國模式的風險是過度進入。前者可能利用集中力量維持高價，也可以在受到挑戰時迅速降價；後者可以用激烈競爭迫使全世界降價，卻未必能讓自己的企業從中獲利。

美中都卡在自己最不擅治理的地方

兩國的資源限制形成一組頗為諷刺的鏡像。

美國不缺高階晶片，私人投資也極為充足，卻受到電力、土地、輸電網路與併網程序限制。新電源與資料中心要等候數年，地方審批和電網改造逐漸成為前沿AI的物理天花板。

中國可以迅速劃地、建設電站與智算中心，電力供應也較為充裕，卻被高階晶片、記憶體頻寬、先進封裝與良率限制。更麻煩的是，中國同時存在高端算力短缺與低端算力過剩：頭部平台可以維持很高利用率，大量地方智算中心卻在較低的實際使用率上掙扎。兩國都卡在自己最不擅長治理的那個環節。

中國可以集中力量建設大量設施，但集中力量若投向錯誤的地方，浪費也會被一同集中。美國企業能精確計算昂貴晶片的回報，卻難以命令地方電網和社區迅速配合。這不是簡單的國家能力高低，而是兩種制度各自把哪些問題交給市場、企業、地方政府和中央權力的結果。

不過，晶片還不是最難替代的部分。

NVIDIA生態不只是一張顯示卡，也不只是一種算子語言。它包括數學與神經網路函式庫、PyTorch後端、編譯器、效能分析、除錯工具、推理框架、文件、課程，以及全球程式設計師多年共同積累的使用經驗。中國可以要求國企採購華為的昇騰晶片，也可以補貼企業適配CANN，卻很難用行政命令創造一個由開發者自願參與、彼此除錯和分享知識的全球社群。

最難國產替代的，不只是一張晶片，而是那些自願使用這張晶片的人。洩漏文件中梁文鋒的看法是，能買多少NVIDIA就買多少，願意支付溢價，甚至「可以買一些不合規的卡」。買入1.6萬張華為昇騰950，被他定性為「幫華為做生態，意義不是很大」；按內部換算，只相當於約4000張NVIDIA的B系列。該文件對華為的工程評價也毫不客氣：四比一、落後兩年、費電、三年折舊、產能卡死。但DeepSeek仍在四月的公開發佈會上，宣佈新模型全面擁抱華為昇騰。官方語境裡的國產替代成就，落到採購單上，首先是一筆政治投資。

行政採購可以快速創造市場，卻可能掩蓋真實偏好。若開發者主要因為合規要求，而不是因為工具更好而使用國產平台，第三方套件、錯誤回報與社群創新的增長就會較慢。這是中國全棧自主中最不容易透過投資額和國產化率呈現的短板（台灣稱弱點）。

「偏科」戰略反映成本結構限制

K3因此不只是一個新模型，也是中國AI政治經濟的一個解剖標本。

它在需要工具調用、文件交付、多輪搜索與長流程執行的任務中很強。這些工作有清楚的成果，可以反覆驗證，也可以用更多推理Token和工具調用補償模型內部知識的不足。

一旦任務不允許搜索，不提供參考文件，要求模型依靠權重中的知識直接作答，差距便開始出現。若問題進一步要求模型生成新的科學推導，或準確判斷自己不知道什麼，差距又會進一步擴大。

創造K3的月之暗面團隊說得很直白：「我們的GPU數量確實不如美國同行，但把每張卡的性能都壓榨到了極致。」偏科當然也是戰略，只是另一家中國模型公司智譜也在走相似路線，偏科方向甚至落在同一生態位。這不是一家公司的口味，而是一類成本約束留下的形狀。

問題在於，工程效率的優勢通常不像晶片供應那樣具有排他性。混合專家、注意力壓縮、低精度計算、推理快取與後訓練方法一旦發表，很快便會被整個產業吸收。追趕者可以率先找到「以一當十」的方法，但這對領先者OpenAI等卻沒有制度障礙，他們可以很快使用同樣的方法。

OpenAI對Luna的降價，正是這場吸收過程的一個展示。OpenAI稱，降價部分來自GPT-5.6服務效率的提高，包括模型協助優化內部程式與效能。中國模型率先施加價格壓力，美國公司則將效率改進、規模採購、雲端基礎設施和既有客戶整合起來，把價格壓力重新送回中國。

中國的效率紅利是真的，卻未必是永久專利。

中國輸出AI通縮  反過來壓迫自己

DeepSeek在2025年初建立的核心敘事，是中國可以用遠少於美國的資源，做出「夠用而且極便宜」的模型。隨後Qwen、GLM、Kimi等模型快速進入市場，OpenRouter上的中國模型Token份額一度由不足百分之二升至超過一半。

中國AI由此向全球輸出一種通縮壓力。模型愈來愈強，價格卻愈來愈低，企業很難再依靠單純的API服務獲得高額利潤。原本只有中國企業彼此進行的價格戰，逐漸迫使美國公司參與。

但AI通縮並不天然有利於中國。

價格下降首先有利於使用模型的企業、政府與消費者。至於模型公司，則必須以更大的調用量彌補更低的單價。擁有全球分發平台、企業客戶、雲端合作與高價旗艦美國模型的公司，可以用高階收入支撐低階價格；缺乏穩定商業模式、又同時面對十幾家本土競爭者的中國創業公司，承受的壓力可能更大。

OpenAI此次並沒有降低Sol的價格，而是保留每百萬輸入5美元、輸出30美元的旗艦層，再用Terra與Luna覆蓋中階和低階工作。這是一種完整的價格階梯：最困難、最有價值的任務留在Sol；大量高頻、成本敏感的工作轉到Luna；企業不需要更換供應商，便可以在同一套帳戶、工具與介面中分配工作。

DeepSeek也有V4-Pro與V4-Flash的分層，開放權重又提供了本地部署的選擇。但如果競爭只剩API價格，OpenAI已經證明自己可以把價格快速降到同一區間。DeepSeek要維持差異，只能依賴其他優勢：開放權重、本地部署、中文能力、國內合規、特殊架構，以及與中國產業和政府場景的連接。但現在的問題是，V4-Pro和V4-Flash不管在能力和價格上，都沒有形成梯度，V4-Pro在很多任務上甚至比Flash還差。

因此，中國AI的全球影響，未必以中國公司贏得大量利潤的形式出現。它也可能以OpenAI被迫將Luna降價八成的形式出現。

這仍然是一場「中國衝擊」，只是和光電、電池與新能源車一樣，衝擊的第一個結果往往是全球價格下降，第二個結果才是產業重新集中。中國企業可能製造通縮，最終獲得最大收益的卻可能是掌握客戶、雲端、晶片與開發者生態的其他公司。

也就是說，中國依照緊迫需求配置資源，企業在國家意志和市場競爭之間求生，模型則按照算力約束長出偏科的骨骼；這套體系對外輸出的，可能不是立即登頂，而是全行業的利潤通縮。而通縮一旦形成，就不再受中國控制。

依賴中國模型已不只因為便宜

這並不意味著中國AI的全球外溢就此失敗。

Luna是閉源API，DeepSeek V4則提供可下載並自行部署的模型權重，採用MIT授權。對許多國家、企業與研究機構而言，能否把模型放在自己的伺服器上，能否微調、審計和控制資料，比每百萬Token相差幾角美元更加重要。這也是中國模型「主權AI」敘事仍然成立的基礎。

全球南方國家採用中國模型，也不只是因為便宜。它們可能希望減少對美國雲端的依賴，要求資料在地保存，需要本地語言模型，又缺乏自行訓練基礎模型的資本。中國可以把開放權重、伺服器、雲端、智慧城市、融資與人才培訓打包提供，讓模型成為整套基礎設施的入口。

依賴並不會在採用模型的第一天突然形成。它沿著資料格式、開發工具、人才培訓、採購關係和治理語言逐步累積。開始時只是因為中國方案便宜，後來要退出時，卻需要重新訓練人員、轉換資料、替換伺服器並重建行政系統。中國真正爭奪的，從來不只是某一季的Token市占率，而是哪些技術會成為各國未來建設AI時的默認基座。

不過，Luna降價八成也為其他國家打開了一個新的否決點。若美國與民主陣營能同時提供較低價格、在地資料處理、可審計服務與可信供應鏈，許多國家便不必在昂貴的西方閉源模型和便宜的中國方案之間二選一。

所以，價格競爭的逆轉並未終結秩序競爭，反而使後者更加清楚。當不同模型的價格逐漸接近，資料控制、開放程度、法律責任、供應鏈安全、語言能力與退出成本，會取代單純的API報價，成為真正的分界線。

台灣的機會不只是替美國製造晶片

對台灣而言，這場變化同樣重要。

若中國模型永遠比美國模型便宜一個量級，台灣與民主陣營面對的是一場困難的防守：安全、隱私與制度信任，都很難長期抵抗巨大的成本差距。

Luna進入DeepSeek的價格帶後，這個困境有所緩解。但讓美國閉源API變便宜仍不是完整答案。台灣需要的不是只在中國模型與OpenAI之間選邊，而是把自己的半導體與伺服器優勢向上延伸，參與建立一套價格可負擔、資料可以在地保存、模型和更新通道可以審計、使用者可以轉換與退出的可信AI體系。

這套能力包括伺服器、資安、模型部署、MLOps、資料治理、高品質繁體中文語料，以及對政府和關鍵基礎設施的完整資料路徑審查。台灣也可以與日本、美國、歐洲和東南亞夥伴合作，提供多語開放模型、可信雲端與治理培訓，讓缺乏算力的國家不必只能接受中國整套方案。

所謂「非紅AI」，若要成為有意義的政策概念，就不能只是排斥中國產品。它應當指一套不受中國司法與黨國更新通道控制、資料流向透明、供應鏈可追查、模型可以審計，並容許使用者自由退出的AI基礎設施。

這套方案還必須便宜。若民主陣營只有可信卻昂貴的選項，就仍然會把大部分市場讓給中國；若只有廉價卻完全封閉的API，也無法回答許多國家對資料主權和本地部署的需求。

台灣真正可以提供的，不只是一張晶片，而是把晶片、伺服器、資安、語言、制度信任與區域合作接成一套可採用的方案。

中國不必獲勝也能造成衝擊

中美AI賽局的終局，現在比「誰先到達AGI」更加複雜。

美國仍然擁有最先進的晶片、最大的私人資本、最密集的頂尖人才，以及最完整的開發者生態。若AI開始自我學習，穩定地加速自主研究，這些優勢可能形成複利，使幾個月的差距逐步擴大。但持續學習、自動研究與遞迴式自我改進仍未成為已被證明的穩定路徑，不能把這種可能性直接寫成必然的歷史終局。

中國則擁有另一組能力：巨大的工程師供給、製造業、電力、國家採購、激烈的企業競爭、開放權重，以及將技術快速塞進大量場景的意願。這套體系可以浪費很多資源，也可以在浪費中產生驚人的擴散速度。

此前較合理的判斷是：美國可能繼續贏得前沿，中國則可能贏得擴散。Luna降價八成後，這條分工也不再穩定。美國的前沿公司開始向低價市場下沉，中國企業則被迫在更低的利潤率中證明，開放權重、本地部署和產業整合究竟值多少錢。這是中國帶來的衝擊。

但造成衝擊，不等於贏得衝擊。

中國AI也許最先摧毀了高價模型的市場，卻未必能取得價格戰之後的利潤、標準與客戶。它推動的效率方法會被對手吸收，它製造的通縮會反過來壓縮自己的企業，它培養的價格敏感用戶也會在其他模型降價後迅速離開。

所以，GPT-5.6 Luna降價八成，不只是OpenAI的一次定價調整。它標誌著中國AI競爭進入下一階段：中國模型不再只需追趕美國的能力，也必須抵抗美國的價格。

中國不必追平，也能改變世界；只是世界被它改變之後，首先消失的，可能恰恰是中國模型最容易依賴的低價護城河。現在是需要中國證明自己可以拿出最先進模型的時候了，當然這背後，還有晶片軟體生態等很多問題需要回答。

這些問題都會一路回到中國的國家制度上，找到一個終極的答案。