本文从韩国9500亿美元AI投名状切入，梳理AI与硬件底座的深层关系，剖析中国在国际制裁下的技术瓶颈与突围路径，并展望软硬件协同的终极形态——当大模型开始自举，底座的定义正在被重写。
引子：旧金山的9500亿，与一个国家的选择
2026年7月，旧金山AI峰会。韩国总统李在明站在台上，身后是三星、SK两大财阀的掌门人。他宣布的数字让在场所有人倒吸一口凉气：未来五年，韩国将向美国AI企业供应价值9500亿美元的HBM高带宽内存及相关芯片产品——其中SK海力士7500亿，三星2000亿。
这是什么概念？接近韩国全年GDP的一半。这不是普通的商业合同，是有法律约束力的刚性长约：只要韩企稳定量产，美方必须足额采购，不得单方面撕毁。韩国《中央日报》评论说，这是"把国家经济的半壁江山，押注在了黄仁勋的物理AI蓝图上"。
李在明的表述很直白：韩国要做"不可替代的全球AI合作平台"，要在全球AI供应链中占据核心位置。一个月后，韩国产业通商资源部公布数据：7月半导体出口410亿美元，同比暴涨179%，占全国出口总额的40%。SK海力士单季营业利润率冲到72%，超过了英伟达的65%。
韩国赢麻了？至少在这一刻，看起来是的。
但站在更长的时间尺度上，这一幕提出了一个更本质的问题：AI这场革命，究竟是谁的革命？当大模型的参数每三个月翻一倍，当"万物皆瓶颈"成为行业共识，硬件底座在其中扮演什么角色？而像中国这样体量的大国，又该以怎样的姿态，参与这场硅基上的国运博弈？
一、历史的回响：每一次计算革命，都是底座先赢
回看过去半个世纪的计算史，有一条被反复验证的铁律：定义了硬件底座的人，才真正定义了上层建筑的高度。
PC时代，英特尔定义了x86指令集，微软定义了操作系统，二者合谋的"Wintel"联盟统治了三十年。你可以做出更便宜的整机、更漂亮的机箱，但只要芯片还是x86、系统还是Windows，你就永远在别人划定的赛道里奔跑。
移动时代换了主角。ARM定义了低功耗指令集架构，苹果和谷歌分别用iOS和Android圈住了生态。你可以做出性价比更高的手机，但只要芯片还是ARM授权、应用还是从两大商店下载，你就还是生态里的参与者，不是规则制定者。
AI时代的底座是什么？是GPU+HBM构成的算力集群，是CUDA这样的软件栈，是Transformer这样的底层架构，是定义了"智能如何被制造出来"的整套技术范式。而这一次，底座的分量比以往任何时候都重——因为AI不是一个产品，而是一种新的生产资料，它要渗透到每一个行业、每一个流程、每一次决策中。
这就解释了为什么韩国要把国运押在HBM上。HBM不是普通的内存，它是AI算力的"咽喉"：一颗英伟达B200 GPU要配8颗HBM3E，没有高带宽内存喂数据，再强的计算核心也是摆设。全球能量产HBM3E/HBM4的只有三家——SK海力士、三星、美光，前两家都是韩国企业。这不是韩国选了AI，是AI的物理规律选中了韩国在存储芯片上三十年的积累。
但韩国的定位也很清晰：它不追求成为AI革命的定义者，它要做AI革命的"关键零部件供应商"。就像中东国家拥有石油，韩国拥有AI时代的"新石油"——HBM。这是小国的生存智慧：不做全能选手，做不可替代的节点。
二、AI的饕餮胃口：当"万物皆瓶颈"成为常态
要理解硬件底座对AI的重要性，只需要看一组数字：
- 训练一个GPT-4级别的大模型，需要约25000颗A100 GPU，耗电相当于一个小城市；
- 下一代前沿模型（GPT-5级别）的训练算力需求，是GPT-4的10-100倍；
- 2026年全球AI数据中心的电力需求，已经超过了整个英国的总用电量；
- HBM的缺口超过30%，200G EML光芯片缺口60-70%，CoWoS先进封装产能排到2027年。
AI对硬件的需求不是线性增长，是指数级爆炸。这就造成了一个奇特的局面：AI产业链上的每一个环节，几乎都在成为瓶颈。
最上游是EUV光刻机——没有它就没有3nm/5nm芯片，没有先进制程就没有高密度算力。然后是GPU本身——单芯片的算力密度、能效比、互联带宽，决定了训练效率的上限。GPU旁边是HBM——决定了数据喂得够不够快。GPU和HBM要靠CoWoS先进封装"拼"在一起——台积电的产能被英伟达全包了。芯片之间要靠高速光模块通信——200G EML激光芯片被美国两家公司垄断90%。再往下是PCIe交换芯片、服务器电源、液冷系统、甚至铜缆和光纤——每一个环节缺货，整个集群就转不起来。
这就是为什么韩国7月芯片出口能暴涨179%。不是因为韩国突然变厉害了，是AI这头饕餮太能吃了，而韩国恰好垄断了它最馋的那道菜。
但这里有一个更深的规律：AI对硬件的需求，正在倒逼整个半导体产业链重新洗牌。过去摩尔定律是"每年性能提升、价格下降"，现在是"性能提升、价格暴涨、还买不到"。HBM的价格是同容量普通内存的5-10倍，毛利率超过70%；一颗高端GPU的价格从1万美元涨到3万、4万，还供不应求。这不是正常的市场周期，是一场由需求爆炸引发的供给侧革命——谁能在这个周期里把产能、技术、供应链抓在手里，谁就能吃到AI时代最大的红利。
三、韩国模式的启示：小国搭车，大国造车
韩国的选择，对中国有参照意义，但没有复制价值。
韩国模式的本质是"嵌入式枢纽"：深度绑定美国主导的AI供应链，用自己在存储芯片、先进制造、物理AI上的优势，成为这个体系里"大到不能倒"的关键节点。好处是显而易见的——技术上和最前沿同步，经济上赚得盆满钵满，安全上有美国兜底。李在明说的"不可替代"，翻译过来就是：你离不开我，所以你不会抛弃我。
但代价同样明显。9500亿美元的长约，锁死了韩国未来五年的产能分配。当三星和SK的HBM产能都被英伟达、博通包圆的时候，韩国本土的AI企业、其他国家的客户，就只能排队等剩下的。更重要的是，韩国放弃了成为"独立一极"的可能——它的AI产业再发达，也是美国体系的一部分，标准是别人定的，生态是别人建的，最赚钱的环节（GPU设计、云服务、大模型）是别人的。
这是小国的理性选择。4000万人口、没有独立的互联网生态、军事主权不完整，韩国没有条件、也没有必要去建一套完整的AI体系。搭最猛的那趟车，做最值钱的那个零件，就是最优解。
但中国不行。
不是中国不想搭车，是车不让你上。从2022年的芯片管制到2026年的全球AI许可制，美国的策略很明确：最先进的GPU、最先进的EDA、最先进的制程设备，不仅不卖给你，还不允许其他国家卖给你；最前沿的闭源模型，不仅不让你用，还不允许你的公司调用。2026年6月，Anthropic的Fable 5模型上线3天就被强制下架，非美国公民无法访问；OpenAI的GPT-5 API对中国用户全面关闭——这已经不是技术竞争，是技术封锁。
而且就算车让你上，中国的体量也决定了你不能只当乘客。14亿人口、全球第二大经济体、完整的工业体系、全球最大的互联网市场，这些条件决定了中国不可能像韩国那样，把自己的AI产业建立在别人的底座上。别人的底座再先进，哪天给你断了，整个数字经济就瘫痪了。这不是愿不愿意开放的问题，是生存问题。
核心判断：韩国模式是"在别人的房子里装修最好的房间"，中国必须是"自己盖一栋房子"。装修可以请人，图纸可以参考，但地基必须是自己的。这不是意识形态选择，是体量和安全环境决定的必然。
四、中国的十道关：被卡脖子的真实图景
自己盖房子，就得清楚自己缺什么。从硬件到软件到基础研究，中国AI产业面前摆着十道必须跨过的坎。
第一道：EUV光刻机与先进制程
这是整个链条最硬的骨头。上海微电子28nm干式DUV已经量产，中芯国际N+2（约7nm等效）在风险量产，但良率只有20-30%，而台积电同节点是70-90%。3nm/2nm GAA工艺完全空白，和台积电、三星有2-3代差距。ASML的EUV光刻机100%禁运，连高端DUV的维保都开始受限。这一项的追赶周期，是以5年甚至10年计的。
第二道：EDA软件
这是比光刻机更隐蔽的杀手。芯片不是人画出来的，是用EDA软件设计出来的。全球EDA被Synopsys、Cadence、Siemens EDA三巨头垄断90%，7nm以下全流程工具国内没有完整替代。国产EDA在28nm以上可用，但数字电路的综合、布局布线、时序签核，国产化率不到5%。美国已经把7nm以下EDA列入管制——这意味着，就算你有光刻机，没有EDA也设计不出新芯片。
第三道：HBM高带宽内存
长鑫存储已经量产HBM2，HBM3工程样品送华为验证，HBM3E目标2027年量产。但和海外有2-3年代差：海外2026年量产HBM4，我们2027年才到HBM3E。更麻烦的是产能锁死——韩厂未来5年的高端HBM产能全被美国公司包了，拿着钱也买不到现货。
第四道：CUDA软件生态
英伟达真正的护城河不是GPU硬件，是20年积累的CUDA生态。全球600万AI开发者，几百万个优化算子，PyTorch/TensorFlow第一适配，这些构成了比单芯片性能难破10倍的壁垒。国产CANN、MUSA等生态的开发者还在百万级，成熟度差距10年以上。一个大模型从CUDA迁移到国产芯片，不是重新编译就行，要重写大量底层算子。
第五道：高端AI训练GPU
华为昇腾910C在特定任务性能达H20的2.87倍，但和英伟达B200/GB300比仍有1-2代差距。国产芯片在推理场景已经大规模替代，但万卡级训练的稳定性、能效比、互联带宽还在追赶。2026年国产AI芯片市占率已到52%，但这主要是推理和中低端训练——最前沿的大模型训练，还是需要最顶尖的芯片。
第六道：CoWoS级先进封装
台积电CoWoS产能占全球90%，全被英伟达、AMD包圆。国内长电、通富、华天已具备2.5D封装能力，但大尺寸、高良率的CoWoS-S还有差距。好消息是这一项没有不可逾越的物理鸿沟，靠工程投入和产能建设能追。
第七道：基础算法原创
这是最容易被忽视、但长期最致命的。Transformer、注意力机制、扩散模型、RLHF——这些定义了AI时代的底层范式，全是美国机构提出来的。国内强在工程优化（MoE、蒸馏、低成本训练），但还没有出现Transformer级别的"开宗立派"式创新。DeepMind哈萨比斯说得直白："中国证明了能追上前沿，但还没证明能突破前沿。"
第八道：高速光互联芯片
万卡集群训练时，芯片之间的通信速度比单芯片算力更重要。200G EML（1.6T光模块的核心）被美国Lumentum、Coherent垄断90%，国产化率不到5%。海外产能被英伟达锁到2028年，国内光模块厂"有模块无芯片"。PCIe 5.0/6.0交换芯片被博通独家垄断，国产化率不到3%。
第九道：高端工业软件
AI要赋能制造业，需要和CAD/CAE等设计软件结合。但三维CAD国产化率约10%，CAE仿真不到5%——达索、西门子、ANSYS在这些领域统治了几十年，软件里内嵌了整个工业文明的Know-how。AI for Science是换道机会，但底层几何引擎、求解器还是别人的。
第十道：关键材料与量测设备
这是产业链最上游的"毛细血管"。EUV掩模版国产化率不到1%，ArF浸没式光刻胶国产化率3-5%，KLA垄断80%的晶圆缺陷检测设备，高端电子特气国产化率不足5%。每一项单看市场不大，但缺了哪一个，整条产线都转不起来。
五、铁幕下的突围：另一条道路正在成型
十道关横在面前，但中国没有坐以待毙。事实上，过去三年的突围路径，已经走出了一套和韩国"搭车"完全不同的逻辑。
第一招：用工程换代差——"超节点"路线
单芯片性能不如你，那就用系统工程补。中国走出了一条"十万张卡连成一个AI大脑"的路线：不用最先进的EUV工艺，用成熟制程量产芯片；不追求单卡算力天下第一，靠高速互联把几万、十几万张卡组成一个超级集群；不靠硬件蛮力，靠软件栈优化、靠调度算法、靠分布式训练效率，把整体有效算力提上去。
DeepSeek的判断很有代表性："4张华为卡等于1张英伟达卡，但GB300能做的所有任务，华为超节点都能做，延迟一样。"这不是嘴硬——2026年智谱AI落地了1GW级纯国产算力数据中心，全部用国产芯片训练大模型，效果已经接近国际一流水平。单芯片有代差，但系统级可以追平。
第二招：用开源破高墙——公共产品路线
美国走"小院高墙"，把最前沿的模型当国家资产管起来；中国反其道而行之，把模型当公共产品撒向全世界。
全球前10开源大模型，8个来自中国。OpenRouter数据显示，中国模型的周Token调用量是美国模型的4.27倍，占全球54.1%；编程场景中国模型占比高达67.6%。连美国企业都在大规模切换：Coinbase把中国大模型设为工程师默认工具，美国初创公司Lindy因为"API账单高过全员工资"全面转用DeepSeek。
这招的逻辑是：你越封锁，我越开放；你越贵，我越便宜；你越限制用户，我越让全球开发者随便用。当全世界的开发者都在用你的模型、基于你的模型二次开发、你的模型成为事实标准的时候，"被孤立"的就不是你了。2026年7月在上海成立的WAICO（世界人工智能合作组织），29个国家参与，核心就是开源模型共享、统一发展中国家AI标准——这是在建一个平行于美国体系的、更普惠的生态。
第三招：用应用抢市场——Token出海路线
底层硬件有差距，但应用层中国已经打出去了。快手可灵AI海外收入占75%，Q1营收6.5亿同比增300%；字节Seedance 2.0上线72小时就进入美国、巴西、印尼的内容生产流程；剪映/CapCut全球月活超过10亿，AI功能是核心增长引擎；AI短剧通过TikTok席卷东南亚和中东，一套国内爆款可以一键生成多语言版本。
更重要的是"Token出海"——以API服务的形式，把中国大模型的能力卖给全球企业。中国模型的价格是美国模型的1/10甚至1/50，性能差距却在快速缩小。当AI真正进入企业生产系统，成本就不是财务问题，是生存问题。这就是为什么连美国公司都在偷偷用中国模型——不是不爱国，是真便宜、真好用。
第四招：用开放标准建生态——RISC-V路线
在芯片架构层，中国没有另起炉灶搞一套完全封闭的指令集，而是全力押注RISC-V——一个全球开放的、不属于任何国家的指令集架构。2026年WAIC上，多款基于RISC-V的国产AI服务器大规模商用。这是在全球开放标准上建自己的能力，而不是关起门来造轮子。你可以把这理解为：在AI时代，中国要做"开源世界的领导者"，而不是"封闭世界的追赶者"。
六、软硬协同的终极形态：当大模型开始自举
说到这里，我们可以触及一个更根本的问题：软硬件协同的终极形态是什么？大模型在这个图景里扮演什么角色？
过去的软硬件关系是"硬件定义软件"——先有什么样的芯片，再为它写什么样的操作系统和应用。Wintel如此，ARM+安卓如此，CUDA+AI也是如此。英伟达定义了GPU的计算结构，CUDA是为这个结构服务的软件层，所有AI模型都在这个框架内运行。
但AI正在改变这个关系。
第一个变化是软件定义硬件。大模型对算力的需求太特殊了——大规模并行、高带宽、低精度计算、稀疏化访问——通用GPU已经不是最优解。谷歌做TPU、亚马逊做Trainium、特斯拉做Dojo，都是为自己的模型定制芯片。未来的AI芯片，不是"先造芯片再找场景"，而是"先有模型，再为模型设计芯片"。硬件不再是固定的平台，是软件需求的投影。
第二个变化更激进：AI开始自己设计硬件。2026年，已经有研究用大模型来完成芯片布局布线、生成Verilog代码、甚至设计新的计算架构。英伟达的下一代GPU里，有一部分模块是AI辅助设计的。当AI能写芯片设计代码、能做验证、能优化布局布线，硬件迭代的速度就不再受限于人类工程师的数量——它会像软件一样快速迭代。
第三个变化，也是最深远的：AI自举（AI Bootstrapping）。当AI足够聪明，它可以写自己的驱动程序、优化自己的算子库、改进自己的训练算法、甚至设计下一代自己的芯片。DeepSeek的梁文锋在2026年7月有一个判断："AI自己写驱动和算子，会在1-2年内成熟。到那时候，CUDA的护城河就不是被人攻破的，是被AI填平的。"
这意味着什么？意味着我们今天讨论的"硬件卡脖子"，可能在AI自举的时代被重新定义。EUV光刻机当然还是硬约束，但如果AI能设计出对先进制程依赖更低的新架构、能在成熟制程上实现接近先进制程的有效算力、能自动完成从算法到芯片的全流程优化，那今天的代差就不是不可逾越的鸿沟。
这就是大模型愿景真正激动人心的地方：它不只是一个应用，不只是一个工具，它是一个能自我迭代的引擎。当大模型开始参与设计自己运行的硬件、优化自己训练的算法、定义下一代自己的架构，软硬件的边界就消融了。不再是"硬件决定软件能跑多远"，也不是"软件决定硬件该怎么造"，而是一个闭环——AI用自己的智能，改进自己运行的底座，底座的改进又让AI变得更智能，循环往复，加速向上。
在这个图景里，真正的竞争不是谁有更好的GPU、谁有更先进的制程，而是谁先建成这个"智能自迭代"的闭环。你有EUV当然好，但如果我的AI能在成熟制程上用算法和架构创新追平你的有效算力，那代差就不是决定性的；你有CUDA当然好，但如果AI能自动把代码迁移到任何芯片上，那生态壁垒就不是不可破的。
结语：硅基上的国运，最终是人的竞争
回到开头的问题：中国该继续融入世界，还是闭门造车？
答案是：这个二元选项已经不存在了。
最先进的硬件买不到，最前沿的闭源模型用不了，最高端的EDA不让卖——"老老实实融入"的前提是别人让你融入，而现在别人明确不让。但"闭门造车"也是死路——AI是全球性的技术革命，关起门来只会越来越落后，失去全球开发者、失去市场反馈、失去人才流动。
中国实际在走的，是第三条路：在被封锁的地方死磕自主，在有优势的地方全面开放，在标准层面另建生态，在应用层面全球出击。这不是非黑即白的选择，是一种"双循环"——内循环保安全底线，外循环争创新高度。
韩国把国运押在了HBM上，这是小国的精明；中国必须把国运押在"建成自主可控且开放创新的AI全栈能力"上，这是大国的宿命。十道关横在面前，每一道都不好过，但过去三年的进展证明，没有一道是过不去的。国产芯片市占率从5%到52%只用了三年，HBM从0到工程样品只用了两年，开源模型从追赶到并跑只用了一年半。
而真正决定终局的，可能不是某一项技术、某一款芯片、某一个模型。是当AI开始自举、当软硬件边界消融、当智能开始自我迭代的那一刻，哪个国家拥有最多的人才、最活跃的生态、最大的应用场景、最强的工程组织能力——哪个国家就能最先冲进那个闭环。
硅基上的国运，归根结底是人的竞争。底座是硅做的，但建底座的、用底座的、改底座的，是人。
这一点，从来没有变过。