大陸AI進入「全域模型」時代 本土晶片落地將支撐商業化應用
2026-02-09 01:45 經濟日報／ 記者
謝守真
／專題報導
農曆春節前夕，大陸已有多款人工智慧（AI）大模型密集推出，而年後亦有多款待發。專家認為，大陸AI正進入「全域模型」時代，從語言模型拓至物理智能、世界模型與科學智能，快速滲透教育、金融與製造領域；算力與硬體仍是瓶頸，但本土晶片性價比與落地能力提升，將支撐大模型持續迭代與商業化應用。
AI全域模型指在多個領域或整個系統範圍內整合人工智慧技術，實現跨域協同、智慧決策和持續進化的綜合性技術架構。
上海市人工智能行業協會副秘書長徐琦接受本報訪問時指，今年的大模型趨勢正從單純語言模型向「全域模型」轉型，更強調與行業場景結合，並將逐步提升行業決策與數據處理能力。
他認為，春節前後已推出或將推出的基礎通用模型，不僅是技術展示，也藉助企業春晚及紅包活動，讓一般民眾感受AI對日常生活的影響。阿里巴巴、騰訊及百度均在春節前後推出新模型或更新現有大模型，以搶占用戶注意力。算力需求仍是大模型應用的重要瓶頸。徐琦指，訓練與推理算力正快速轉向分布式與碎片化，尤其在多AI代理協作及超級創業者模式中，小規模推理算力已成日常，但整體量級仍大幅提升。
特斯拉創辦人馬斯克也預估，未來幾年全球電力可能仍不足以滿足算力需求，凸顯電力與硬體供應挑戰。他指出，大陸在AI算力上將遠超世界其他地區，關鍵在於大規模電力供應，預計2026年發電量可達美國三倍，支撐高能耗AI資料中心建設。
此外，一名不願具名的半導體學者認為，部分國際大模型能力已達「博士級水準」，但仍在成長期。隨著使用者增多，對記憶體及運算需求同步上升，算力需求逐步成為AI發展核心制約，也將取代部分簡易文書工作。
徐琦認為，AI大模型正逐步從基礎模型向行業應用及AI代理協作方向邁進。今年AI代理經濟及多AI代理自主協同將成核心賽道，其中一個新趨勢是「OPC」（One Person Company，一人公司），徐琦用以形容在多AI代理支撐下，個人可完成過去需由團隊分工執行的工作，也被稱為「超級創業者」模式。
他指出，多AI代理可分別負責數據分析、內容生成、決策輔助與執行回饋，形成低成本、高效率的運作模式，並將率先應用於創業、內容產業及數位服務領域，同時也能與自動駕駛、智能終端等場景緊密結合。他也提到，開源的AI代理Clawbot等，已在國際及中國大陸市場展開相關試驗。
瑞銀證券中國互聯網研究分析師熊瑋日前指出，2025年大陸AI產業已逐步建立全球關注度，2026年仍將保持全產業鏈積極發展。大陸大廠及創業公司在模型快速迭代上進展顯著，平均智能水準與美國最先進模型差距縮小；同時，大陸模型性價比具全球競爭力，使落地應用更可負擔，也可能推動更多大模型出海。
至於在算力基礎設施上，熊瑋認為，大陸國產算力表現穩健，單卡（單顆AI晶片）性能及超節點技術提升，大廠資本支出策略務實，落地成本更低，有利模型普及與商業化應用。
徐琦還指，春節已成大模型集中發布重要時間點，除行銷考量外，也因使用者規模快速擴張。包括阿里、騰訊等企業，透過紅包、節目合作等方式加大推廣力度，讓AI從企業內部技術轉為全民可感知的服務。應用擴張下，算力需求結構轉向推理與後訓練階段，呈分散化特徵，部分應用對單顆晶片極致性能依賴下降，更重視能效比與系統整合能力，為大陸國產GPU提供實際應用空間。
隨著應用需求放大，大陸國產GPU研發、算力供應體系與相關企業資本動向，將成為年後產業關注焦點。上述不願具名的半導體學者指，多家企業仍處於調整與驗證階段，市場存在，但工程能力與成本控制仍是關鍵挑戰。
個人積分：1946分
文章編號：92776639
個人積分：3004分
文章編號：92778367
Q: AI投資熱潮中，有人說電力基建將是瓶頸?
⚠️ 結論：是的，電力基建確實被認為是 AI 擴張的最大瓶頸之一。
全球能源研究機構、企業諮詢公司、智庫與媒體都持續警告：
「AI 的成長速度已經遠快於電網與發電建設的速度。」
以下從國際資料、數據中心、電網壓力、美國與中國差異、以及投資風險等角度詳細整理。
🔋 1. IEA（國際能源署）明確警告：AI 將急遽拉高電力需求，遠超當前基建負荷
IEA 在 2025 年 4 月發布的分析指出：
- 2024：全球資料中心耗電量約 415 TWh（1.5% 全球電力）
- 2030：可能飆升到 945 TWh（超過日本目前的全部用電量）
- 甚至在更極端情境可達 1,720 TWh [datacentre…gazine.com]
IEA 指出：
AI 與資料中心的用電成長，是數位化時代最急迫的能源挑戰之一。 [datacentre…gazine.com]
⚡ 2. 美國電網已經來不及：AI 可能吃掉整個國家的新增電力
McKinsey（麥肯錫）2024 分析指出：
- 美國資料中心用電需求將在 2030 年前 增加 3 倍
- 從目前占全美用電 3–4%
- 飆到 11–12%
這代表什麼？
美國在 6 年內要再建出 50 GW（相當於 50 座大型電廠） 的供應量才能滿足需求。 [mckinsey.com]
而目前電力建設速度遠遠落後。
CNBC 2024 的報導也指出：
- 美國資料中心到 2030 年可能需要 400 TWh 的電力
- 與整個英國一年的發電量接近 [cnbc.com]
此外，電網營運商（如 PJM）已警告：
- 煤電退役速度 > 新電廠與電網建設速度
- 某些區域無法再支撐新資料中心需求 [cnbc.com]
🏭 3. Tech Giants 被迫「自己蓋電廠」
The Outpost 的報導指出：
- Elon Musk 已開始 直接購買或自建電廠
- 微軟、Google、Amazon、Oracle、Nvidia 都投入核能技術研究 [theoutpost.ai]
這證明：
電力不足已嚴重到科技巨頭不再依賴公用事業公司，而是自己尋求能源來源。
🇨🇳 4. 中國被視為少數不受 AI 電力壓力影響的國家
原因包括：
- 擁有 80–100% 的電力備用容量
- 大量核能、水力、煤電彈性切換
- 能每年新增電力供應量 > 德國全年用電量 [theoutpost.ai]
研究者指出：
中國的 AI 擴張不會卡在電力，反而「歡迎資料中心提高利用率」。 [theoutpost.ai]
這種中美差異也讓電力限制變成國家級競爭議題。
🌡️ 5. 電力與電網之外，「冷卻」也是實體瓶頸
Defiance Investments（2025）的產業報告指出：
- 2023 美國資料中心已用掉 4.4% 的全國電力
- 2028 可能飆升至 6.7–12%
- 電力成本在資料中心聚集區 上漲 267% [linkedin.com]
並指出：
現在的瓶頸已從 GPU 不足，轉變為「電力不足與冷卻能力不足」。
🛑 6. AI 投資的真正風險：不是技術，而是「缺電」
整體來看，各大機構一致指出：
AI 的最大限制，不是算力，而是電力。
- IEA：資料中心耗電翻倍、翻三倍
- McKinsey：美國電力建設遠落後需求
- CNBC：美國電網恐在 2030 面臨供電危機
- The Outpost：科技巨頭開始自己蓋電廠
- Defiance：能源與冷卻成本成 AI 成長的首要限制
📉 7. 這將帶來幾個重大市場後果
（1）AI growth will decouple from GPU supply（成長不再取決於 GPU，而是電力）
即便有 Nvidia Blackwell 等新 GPU，如果沒有電力也無法運轉。
（2）新建資料中心 Lead Time 已被電力拖到 3 年以上
電力建設速度將限制資料中心擴張速度。 [mckinsey.com]
（3）電力成為國家競爭優勢（美 vs 中）
中國因電力盈餘而在 AI infrastructure 具優勢。 [theoutpost.ai]
（4）電力與電網投資（公用事業）成為下一波投資亮點
例如：
- 高壓變電設備
- 輸電線路
- 核能、小型模組化反應爐（SMR）
- 綠能與儲能
⭐ 總結（重點一句話）
是的，電力基礎建設已被國際能源署、McKinsey、CNBC 等機構點名為 AI 時代最關鍵瓶頸，甚至比晶片短缺更致命。
Q: AI這樣擴張電力需求，會不利於氣候暖化?
以下是根據 IEA（國際能源署）、McKinsey、CNBC 等最新資料，以科學與能源系統角度完整回答你的問題：
🌍 結論：AI 用電需求的急速擴張，若沒有對應的「乾淨電力」成長，確實會加劇氣候暖化的風險。
AI 本身不是問題，但 AI 需要的龐大資料中心電力 若仍來自化石燃料，會直接推升全球電力排放。
🔋 1. AI 正快速推高全球電力需求（已超過許多國家的用電量）
國際能源署 IEA 指出：
- 2024 世界資料中心用電 ≈ 415 TWh（占全球 1.5%）
- 2030 可能上升到 945 TWh，甚至在某些情境下 達 1,720 TWh（比日本全國目前用電還高） [ourworldindata.org]
AI 是其中最大推動者之一，因為大型語言模型與生成式 AI 所需的加速器（GPU/TPU）極度耗電。
➡ 資料中心越多 → 電力需求越高 → 若電力仍以化石為主，排放一定上升。
⚡ 2. 美國電網正被 AI 需求推到極限，若由化石電補缺更會增加排放
McKinsey 指出：
- 2030 年美國資料中心用電會是現在的 3 倍
- 占全國用電從 3–4% → 11–12%
- 需要 50 GW 新的電力容量（相當於 50 座大型電廠） [visualizin…energy.org]
CNBC 也警告：
- AI 資料中心到 2030 可能需要 400 TWh，接近英國全年發電量
- 這發生在「大量燃煤電廠退役、但綠能來不及補上」的情況下 [ourworldindata.org]
➡ 結果會發生什麼？
若綠電不夠、核能又來不及蓋，電網就會拉回天然氣與煤作為供應來源 → 增加碳排放。
🏭 3. AI 的成長速度 > 芯片效率提升速度 → 用電會進一步攀升
加速器（GPU）雖然計算速度翻倍，但「能耗效率」提升變慢（以前 2 年翻倍、現在接近 3 年）。
IEA 也指出，AI 驅動的伺服器（如 H100、B100）每台耗電是一般伺服器 3–10 倍以上。 [visualizin…energy.org]
➡ 代表：AI 的耗電成長速度比效率提升還快 → 總用電仍大幅上升。
🔥 4. AI 資料中心高峰耗電會迫使電網啟動更「碳密集」的電力來源
IEA 指出：
- AI 會增加電力尖峰負載（peak load）
- 引發電網調度困難
- 某些地區會需要以天然氣或煤來「補缺」供電 [ourworldindata.org]
CNBC 報導也顯示：
- 美國最大電網營運商（PJM）已警告未來供電可靠性下降
- 因為資料中心成長速度「指數級」超過電力建設 [ourworldindata.org]
➡ 當電網吃不消 → 就會使用更碳密集、可快速調度的電力（尤其是天然氣）。
➡ 除非綠電爆發性成長，否則排放會提高。
🇨🇳 5. 對照中國：因電力過剩 → AI 擴張反而不一定增加排放？
TheOutpost 報導指出：
- 中國有 80–100% 電力備用容量
- 大量水電、核電快速擴張
- 若需要，也能快速啟動煤電補缺（雖然碳排更高） [iea.org]
如果中國用「水電／核電」支撐 AI，用電不一定等於排放。
但若以「煤電」支撐，排放仍會增加。
➡ AI 對氣候是否有害，取決於電力結構是否乾淨。
🌱 6. AI 也有可能幫助減排（但需要電力先綠化）
IEA 同時指出 AI 可：
- 提升電網效率
- 優化再生能源併網
- 加強能源系統預測能力（風、光） [ourworldindata.org]
➡ AI 能讓能源更節能，但它本身也需要大量能源。
➡ 若沒有低碳電力，效果會被自身排放抵銷。
🧩 整體結論（非常重要）
| 問題 | 答案 |
|---|---|
| AI 會增加電力需求嗎？ | 會，而且速度極快（2030 前可能翻倍、甚至三倍）。 |
| 這會讓排放增加嗎？ | 若增加的電力來自化石能源 → 一定會。 |
| 是否必然加劇暖化？ | 不是必然，但取決於一件事：新增電力是否為低碳來源。 |
🌍 AI 擴張是否加劇暖化 = 電網能否快速低碳化的函數
- 若由天然氣/煤電供應 → 排放上升 → 氣候更糟
- 若由核電/水電/太陽能/風電供應 → 排放維持或下降
- 若能源效率改善不及 AI 耗電 → 排放仍上升
全球目前的狀況（美國與歐洲）偏向：
AI 用電成長 > 再生能源建置速度 → 增加排放風險極高
未來美國那些AI巨頭會不會因為缺電，而把資料中心建置在中國?[^++^][冷笑]
個人積分：4180分
文章編號：92788412
SmartHey2月12日消息，智譜正式上線並開源新一代大語言模型 GLM-5。 該模型在代碼生成（Coding）與智慧體（Agent）任務能力上實現重大突破，斬獲多項開源模型SOTA（State-of-the-Art）成績，在真實程式設計場景中的使用體驗已逼近 Claude Opus 4.5，尤其擅長複雜系統工程構建與長週期、多步驟的Agent任務執行。
在全球權威AI評估機構 Artificial Analysis 的最新榜單中，GLM-5 綜合排名全球第四、開源模型第一。
Coding能力：全面對標Claude Opus 4.5
GLM-5 在主流程式設計基準測試中刷新開源模型紀錄：SWE-bench-Verified 得分77.8、Terminal Bench 2.0 得分56.2，雙雙位居開源第一，性能超越 Gemini 3 Pro。
Agent能力：開源SOTA級長程任務執行者
GLM-5 在智慧體核心能力維度全面領跑開源陣營：在 BrowseComp（聯網檢索與語義理解）、MCP-Atlas（多工具調用與流程編排）及 τ²-Bench（高複雜度多工具協同規劃）三大權威評測中均位列開源第一。
全面適配國產晶元，支撐線上高併發推理
目前，GLM-5已完成與華為昇騰、摩爾線程、寒武紀、崑崙芯、沐曦、燧原、海光等主流國產AI加速晶元的深度推理適配。 通過定製化算子融合與硬體級加速優化，已在國產集群上達成高吞吐、低延遲、高可用的工業級推理性能。
Agentic Engineering四大典型應用場景
場景一：端到端可交付應用開發
自OpenRouter平臺匿名（Pony）版本上線以來，開發者已基於GLM-5成功構建多款可運行、可交互、可上架的真實應用，包括橫版解謎遊戲、Agent驅動的虛擬交互世界、論文版「抖音」等內容平臺。 相關案例均已開放下載或進入應用商店審核流程，詳情請訪問GLM-5官方案例庫（showcase.z.ai），直觀展現其端到端交付生產級產品的工程實力。
場景二：通用智慧Agent助手
憑藉領先的多工具調用與長程任務編排能力，GLM-5已成為構建通用型AI助手的理想基座。
場景三：Z Code全流程程式設計引擎
當模型能力覆蓋完整開發閉環，程式設計工具也需隨之重構。 為此，智譜推出全新程式設計範式 Z Code：使用者僅需清晰描述需求，GLM-5即自動拆解任務，調度多個專業化智慧體並行完成編碼、命令執行、自動化調試、實時預覽與版本提交等全流程操作。
借助Z Code，使用者甚至可通過手機遠端指揮桌面端Agent，高效解決傳統需數小時的人工工程任務。
值得一提的是，Z Code整套系統亦由GLM系列模型全程參與研發完成，實現“用AI造AI”的正向飛輪。
場景四：辦公文檔直出能力
依託增強的系統工程與長程Agent能力，GLM-5支援將自然語言指令或原始素材直接生成結構化辦公文檔，輸出格式涵蓋 .docx、. pdf 和 .xlsx。
在 Z.ai 與智譜清言平臺，用戶可一鍵生成產品需求文檔（PRD）、教學教案、標準化試卷、財務分析報表、業務流程圖、餐廳功能表等專業文檔，大幅提升知識工作者內容生產力。
