【2026-07-14】Linux 基金會 AI 技術長：中國 AI 實驗室正「反向輸出」美國　Qwen 部署超 Llama 西方框架失靈

8 天考察 10 個實驗室：從追隨到領先的結構性翻轉

Matt White 此次考察具體走訪 DeepSeek（深度求索）、月之暗面（Moonshot）、智譜 AI、阿里 Qwen、、字節跳動 Seed Research、騰訊混元、商湯（SenseTime）、百川智能（Baichuan）、 等 10 個中國主要 AI 實驗室，並與各實驗室 CTO/Chief Scientist 進行深度技術交流。White 在後續演講中明確表示：「我過去 8 年一直假設『中國 AI 是西方的追隨者』，但這次實地考察讓我必須徹底修正這個觀點——中國 AI 實驗室在前沿研究、開源生態、應用落地三個層面都已進入『反向輸出』的階段。」

Qwen 部署全球下載超 Llama：標誌性里程碑

最具標誌性的指標是 Qwen（通義千問）系列模型成為全球部署最廣泛的開源 LLM。Matt White 引用 Hugging Face 截至 2026 年 7 月的數據指出，Qwen 系列累計下載量達 4.8 億次、超越 Llama 系列（4.1 億次）、ChatGLM 系列（1.5 億次）、DeepSeek 系列（2.2 億次）；同期發布企業版（Qwen 3 Enterprise）的阿里雲 Qwen 企業用戶達 18 萬家，較去年同期成長 220%。美國本土有至少 32% 的 AI 創業公司使用 Qwen 作為基礎模型，包括 Anthropic 競爭對位 Imbue、xAI 部分實驗團隊都在評估或直接使用 Qwen 作為預訓練起點。

訓練成本結構：1/8~1/12 仍是核心競爭力

另一個關鍵指標是 訓練與推論成本結構。Matt White 在技術交流中發現：DeepSeek-V3.5 訓練成本約 580 萬美元，對照 GPT-5 訓練成本約 6,500 萬美元、Claude 4 訓練成本約 4,200 萬美元，DeepSeek 訓練成本僅約 GPT-5 的 1/11；Qwen 3 Max 推論成本約 0.42 美元/百萬 token，對照 GPT-5 推論成本約 5.2 美元/百萬 token、Gemini 2.5 Pro 推論成本約 3.8 美元/百萬 token，Qwen 推論成本僅約 GPT-5 的 1/12。這種成本結構差異使得 Qwen 在中低階應用場景（如客服、文件摘要、編碼輔助）已經完全超越美國同級模型。

DeepMind 執行長哈薩比斯：僅落後數月

值得注意的是，Google DeepMind 執行長 Demis Hassabis 1 月 15 日接受 BBC 訪問時表示：「中國 AI 模型與美國及西方頂尖技術的差距可能已縮小至僅剩數月」，並直言「關鍵在於原創突破」——不是中國是否能 copy 美國，而是中國 AI 實驗室能否在「多模態推論、AI Agent、原生多語言理解、長上下文」等關鍵維度產生原創突破。Matt White 認為，DeepSeek-R2 的多模態推論、Moonshot Kimi K3 的 100 萬 token 長上下文、智譜 GLM-5 的 AI Agent 框架 都已達到「原創突破」的水準，西方 AI 框架（Cathedral Mode）的假設——「中國 AI 一定依賴西方研究成果」——已經失效。

美國出口管制的反效果：意外加速中國創新

美國商務部 2024 年起對中國實施的 AI 晶片出口管制（H100/H200/B100/B200）意外加速了中國 AI 實驗室的創新速度。Matt White 在考察中多次聽到中國 AI 實驗室表示：「晶片管制反而迫使我們建立更有效的訓練與推論算法」。DeepSeek 透過 Flash Attention 反向工程 + 自研 MLA（Multi-head Latent Attention）+ DeepGEMM 等技術組合，將訓練效率提升 4.2 倍；Qwen 透過自研 FP8 混合精度 + 動態 Loss Scaling + Megatron-LM 中文化改造，使千億級模型的訓練能耗降低 58%。「制裁 = 創新加速」的因果鏈已在多個中國 AI 實驗室成立。

西方應對方案：開源框架協作 + 模型分流

面對中國 AI 實驗室的「反向輸出」趨勢，Matt White 認為西方 AI 社群需要在三個方向做出應對。第一是 開源框架協作：Linux 基金會旗下的 PyTorch Foundation、CNCF 應透過「中性社群」角色推動跨國 AI 框架協作，避免「開源 AI 陣營」碎片化為「美國陣營」與「中國陣營」。第二是 模型分流（Model Triage）：企業用戶應根據應用場景挑選模型，簡單任務（客服、摘要）使用 Qwen/DeepSeek 等中國開源模型，複雜任務（推理、AI Agent）使用 GPT-5/Claude 4/Gemini 等美國頂級閉源模型，實現「東西分工」。第三是 人才雙向流動：透過美國與中國 AI 研究人員的雙向交流（包括實習、訪問學者、國際會議），避免「脫鉤」導致雙方創新速度減緩。第四是 建立聯合研究機制：在 AI 安全、AI for Science（前沿科學探索）、AI 治理等議題上建立跨國研究計畫，避免 AI 競賽陷入軍備對抗的零和思維。DIGITIMES 也提醒，「東西分工」並不等於「技術隔離」，如何在中美各自建立可互通的標準介面與資料格式，將是未來五年全球 AI 治理的核心議題。