DeepSeek是一款基于AI技术的智能搜索引擎，结合深度学习与自然语言处理，提供精准、高效的搜索体验。探索DeepSeek，感受未来智能搜索的无限可能！的多模态模型Janus-Pro-7B时，这位硅谷精英的破防姿态彻底暴露了美国AI霸权的脆弱性。
Dario 的核心逻辑堪称「强盗公式」：中国的突破=曲线移动，美国的停滞=范式创新。
「DeepSeek-V3只是工程效率的微小改进，性能仅相当于美国7-10个月前的模型，训练成本差距被严重夸大。至于R1模型？那不过是OpenAI玩剩下的强化学习技巧。」
「DeepSeek-V3只是工程效率的微小改进，性能仅相当于美国7-10个月前的模型，训练成本差距被严重夸大。至于R1模型？那不过是OpenAI玩剩下的强化学习技巧。」
这种双标操作引发技术圈群嘲——当中国公司开源MIT协议模型时，硅谷巨头们却在用「国家安全」当遮羞布。
看看这满屏的自我安慰！如果DeepSeek真如你所说这般平庸，为何要连夜游说政府加码芯片禁令？美国科技领袖什么时候沦落到要靠政客续命？
看看这满屏的自我安慰！如果DeepSeek真如你所说这般平庸，为何要连夜游说政府加码芯片禁令？美国科技领袖什么时候沦落到要靠政客续命？
刻意忽略DeepSeek-V3的KV缓存管理革命——这项让算力需求骤降90%的技术，在Anthropic的论文库中从未出现过
将R1的多模态推理能力污名化为「界面设计把戏」，却对OpenAI闭源模型的黑箱训练避而不谈
用「2026年需要百万芯片」的恐吓话术，掩盖Anthropic烧掉数亿美元却造不出强大模型的尴尬事实
刻意忽略DeepSeek-V3的KV缓存管理革命——这项让算力需求骤降90%的技术，在Anthropic的论文库中从未出现过
将R1的多模态推理能力污名化为「界面设计把戏」，却对OpenAI闭源模型的黑箱训练避而不谈
用「2026年需要百万芯片」的恐吓话术，掩盖Anthropic烧掉数亿美元却造不出强大模型的尴尬事实
当评论区质问「为何不敢开源」时，Dario 却选择了沉默：我瞎了，没看见。
享受完开源社区的红利就转身锁死代码库，现在反咬中国开发者「可能抄袭」？这就像偷了别人的火种还要诅咒普罗米修斯！
享受完开源社区的红利就转身锁死代码库，现在反咬中国开发者「可能抄袭」？这就像偷了别人的火种还要诅咒普罗米修斯！
更为讽刺的是，Dario 一边吹嘘「美国模型更擅长现实编程」，一边对GitHub趋势榜视而不见——DeepSeek-R1的代码生成准确率已在73%的开发者实测中碾压Claude 3.5。
投资人会议录音曝光：「中国算法突破让我们的H100采购计划变成财务灾难」
深扒Anthropic供应链发现：其40%的「合规芯片」实际通过印度中间商转口
投资人会议录音曝光：「中国算法突破让我们的H100采购计划变成财务灾难」
深扒Anthropic供应链发现：其40%的「合规芯片」实际通过印度中间商转口
看看这些AI教主！嘴上喊着「防止军事应用」，手里攥着五角大楼的机密合同。当中国用大模型改良水稻时，他们却在给无人机编写杀戮算法！
看看这些AI教主！嘴上喊着「防止军事应用」，手里攥着五角大楼的机密合同。当中国用大模型改良水稻时，他们却在给无人机编写杀戮算法！
而历史总是惊人相似——当TikTok威胁好莱坞时，他们谈「数据安全」；当华为领跑5G时，他们谈「网络安全」；如今DeepSeek撕开算力神话，他们又开始谈「芯片安全」。
硅谷的创新能力早已转移到华尔街的做空交易室。与其说他们在研发AI，不如说在精心维护资本泡沫——DeepSeek的每一行开源代码，都是扎向这个泡沫的钢针！
硅谷的创新能力早已转移到华尔街的做空交易室。与其说他们在研发AI，不如说在精心维护资本泡沫——DeepSeek的每一行开源代码，都是扎向这个泡沫的钢针！
这场闹剧唯一的价值，是让世界看清一个事实：当美国科技领袖开始用国会听证取代代码提交时，创新的火炬或将要移交给东方。
有趣的是，有网友让ChatGPT 总结Dario 的文章时，ChatGPT 残忍地拒绝了这个请求
几周前，我曾主张美国应对向中国出口芯片实施更严格的管制。自那以后，中国的AI公司DeepSeek在某些方面接近了美国前沿AI模型的性能，且成本更低。
在此，我不打算讨论DeepSeek是否对美国AI公司（如Anthropic）构成威胁（尽管我认为关于其对美国AI领导地位威胁的许多说法被严重夸大了。相反，我将关注DeepSeek的发布是否削弱了对芯片实施出口管制政策的理由。我认为并没有。事实上，我认为这使得出口管制政策比一周前更加至关重要。
出口管制的关键目的是：保持民主国家在AI开发方面的领先地位。需要明确的是，这并不是为了回避美国与中国之间的竞争。最终，如果我们希望取得胜利，美国及其他民主国家的AI公司必须拥有比中国更好的模型。但我们不应在不必要的情况下给予中国技术优势。
在阐述我的政策观点之前，我将描述AI系统的三个基本动态，这是理解问题的关键：
规模定律。AI的一个特性是，在其他条件相同的情况下，扩大AI系统的训练规模会在各种认知任务上带来平滑的性能提升。例如，一个耗资100万美元的模型可能解决20%的重要编码任务，耗资1000万美元的模型可能解决40%，而耗资1亿美元的模型可能解决60%，依此类推。这些差异在实践中往往具有巨大的影响——再增加10倍可能对应于本科生和博士水平之间的差异——因此公司正在大量投资于训练这些模型。
曲线的转移。该领域不断提出各种大大小小的想法，使事物更有效或更高效：这可能是对模型架构的改进（对所有当今模型使用的基本Transformer架构的调整），或者只是更有效地在底层硬件上运行模型的方法。新一代硬件也有同样的效果。通常，这会转移曲线倍的“计算倍增器”（CM），那么它允许你以500万美元而不是1000万美元的成本在编码任务上获得40%的成绩；或者以5000万美元而不是1亿美元的成本获得60%，等等。每个前沿AI公司定期发现许多这样的CM：通常是小的（约1.2倍），有时是中等大小的（约2倍），偶尔是非常大的（约10倍）。由于拥有更智能系统的价值如此之高，这种曲线的转移通常会导致公司在训练模型上花费更多，而不是更少：成本效率的提高完全用于训练更智能的模型，仅受公司财务资源的限制。人们自然会被“首先某物很昂贵，然后它变得更便宜”的想法所吸引——仿佛AI是一个质量恒定的单一事物，当它变得更便宜时，我们将使用更少的芯片来训练它。但重要的是扩展曲线：当它转移时，我们只是更快地遍历它，因为曲线年，我的团队发表了一篇论文，建议由于算法进步，曲线倍。自那以后，这可能显著加速；它也没有考虑效率和硬件。我猜今天的数字可能是每年约4倍。另一个估计在这里。训练曲线的转移也会转移推理曲线，因此，在保持模型质量不变的情况下，价格的大幅下降已经持续了多年。例如，Claude 3.5 Sonnet在最初的GPT-4发布15个月后发布，在几乎所有基准测试中都优于GPT-4，同时API价格降低了约10倍。
范式的转变。偶尔，正在扩展的基础事物会发生一些变化，或者在训练过程中添加一种新的扩展类型。从2020年到2023年，主要扩展的是预训练模型：在越来越多的互联网文本上训练的模型，顶部只有一点其他训练。2024年，使用强化学习（RL）训练模型以生成思维链的想法成为扩展的新焦点。Anthropic、DeepSeek和许多其他公司（也许最值得注意的是OpenAI，他们在9月发布了他们的o1-preview模型）发现，这种训练大大提高了在某些特定、客观可测量任务上的性能，如数学、编码竞赛，以及类似这些任务的推理。这种新范式涉及从普通类型的预训练模型开始，然后作为第二阶段使用RL添加推理技能。重要的是，由于这种类型的RL是新的，我们仍然处于扩展曲线的早期阶段：所有参与者在第二阶段使用的花费都很小。花费100万美元而不是10万美元就足以获得巨大的收益。公司现在正在非常迅速地将第二阶段扩展到数亿和数十亿美元，但必须理解的是，我们正处于一个独特的“交叉点”，在那里有一个强大的新范式，处于扩展曲线的早期阶段，因此可以快速获得巨大的收益。
规模定律。AI的一个特性是，在其他条件相同的情况下，扩大AI系统的训练规模会在各种认知任务上带来平滑的性能提升。例如，一个耗资100万美元的模型可能解决20%的重要编码任务，耗资1000万美元的模型可能解决40%，而耗资1亿美元的模型可能解决60%，依此类推。这些差异在实践中往往具有巨大的影响——再增加10倍可能对应于本科生和博士水平之间的差异——因此公司正在大量投资于训练这些模型。
曲线的转移。该领域不断提出各种大大小小的想法，使事物更有效或更高效：这可能是对模型架构的改进（对所有当今模型使用的基本Transformer架构的调整），或者只是更有效地在底层硬件上运行模型的方法。新一代硬件也有同样的效果。通常，这会转移曲线倍的“计算倍增器”（CM），那么它允许你以500万美元而不是1000万美元的成本在编码任务上获得40%的成绩；或者以5000万美元而不是1亿美元的成本获得60%，等等。每个前沿AI公司定期发现许多这样的CM：通常是小的（约1.2倍），有时是中等大小的（约2倍），偶尔是非常大的（约10倍）。由于拥有更智能系统的价值如此之高，这种曲线的转移通常会导致公司在训练模型上花费更多，而不是更少：成本效率的提高完全用于训练更智能的模型，仅受公司财务资源的限制。人们自然会被“首先某物很昂贵，然后它变得更便宜”的想法所吸引——仿佛AI是一个质量恒定的单一事物，当它变得更便宜时，我们将使用更少的芯片来训练它。但重要的是扩展曲线：当它转移时，我们只是更快地遍历它，因为曲线年，我的团队发表了一篇论文，建议由于算法进步，曲线倍。自那以后，这可能显著加速；它也没有考虑效率和硬件。我猜今天的数字可能是每年约4倍。另一个估计在这里。训练曲线的转移也会转移推理曲线，因此，在保持模型质量不变的情况下，价格的大幅下降已经持续了多年。例如，Claude 3.5 Sonnet在最初的GPT-4发布15个月后发布，在几乎所有基准测试中都优于GPT-4，同时API价格降低了约10倍。
偶尔，正在扩展的基础事物会发生一些变化，或者在训练过程中添加一种新的扩展类型。从2020年到2023年，主要扩展的是预训练模型：在越来越多的互联网文本上训练的模型，顶部只有一点其他训练。2024年，使用强化学习（RL）训练模型以生成思维链的想法成为扩展的新焦点。Anthropic、DeepSeek和许多其他公司（也许最值得注意的是OpenAI，他们在9月发布了他们的o1-preview模型）发现，这种训练大大提高了在某些特定、客观可测量任务上的性能，如数学、编码竞赛，以及类似这些任务的推理。这种新范式涉及从普通类型的预训练模型开始，然后作为第二阶段使用RL添加推理技能。重要的是，由于这种类型的RL是新的，我们仍然处于扩展曲线的早期阶段：所有参与者在第二阶段使用的花费都很小。花费100万美元而不是10万美元就足以获得巨大的收益。公司现在正在非常迅速地将第二阶段扩展到数亿和数十亿美元，但必须理解的是，我们正处于一个独特的“交叉点”，在那里有一个强大的新范式，处于扩展曲线的早期阶段，因此可以快速获得巨大的收益。上述三大动态可帮助我们理解DeepSeek最近的模型发布。大约一个月前，DeepSeek发布了一款名为DeepSeek-V3的模型，该模型是
（即上文提到的第一阶段）。而在上周，他们又发布了DeepSeek-R1，增加了第二阶段训练。虽然我们无法完全从外部判断这些模型的一切细节，但以下是我对这两个版本的最佳理解：DeepSeek-V3
其实才是真正的创新，其影响早在一个月前就应该引起注意（我们确实注意到了）。作为一个预训练模型，它在某些重要任务上的表现接近美国最先进模型[^4]，但训练成本大幅降低（尽管在许多关键任务上，Claude 3.5 Sonnet仍明显更胜一筹，尤其是真实世界的编程能力）。DeepSeek团队的成功主要依赖于真正令人印象深刻的工程优化，尤其是在“键值缓存（Key-Value Cache）管理”和优化专家混合模型（MoE, Mixture of Experts）方面的创新，使其比以往应用得更极致。然而，需要深入分析以下几点：
就Anthropic而言，Claude 3.5 Sonnet属于中等规模的模型，其训练成本大约在数千万美元（具体数额我不会透露）。此外，Claude 3.5 Sonnet的训练并未依赖更大或更昂贵的模型（与某些传闻相反）。Claude 3.5 Sonnet的训练完成时间约在9-12个月前，而DeepSeek-V3的训练时间是2023年11月至12月。目前，Claude 3.5 Sonnet在许多内部和外部评测中仍然领先。因此，更合理的描述是：
如果过去成本下降曲线倍，那么在正常趋势下，我们本就预计如今会出现比Claude 3.5 Sonnet/GPT-4o便宜3-4倍的模型。而DeepSeek-V3比这些前沿模型性能稍逊（可能约为2倍的差距，按DeepSeek-V3的最优表现估算）。这样计算下来，一个比当前美国前沿模型落后一年、训练成本低8倍的模型，完全符合预期的下降趋势。也就是说，DeepSeek-V3的出现并非某种突破性进展，而是符合AI模型训练成本下降的既定路径。唯一不同的是，这次首先展示这一趋势的是一家中国公司。这在地缘政治层面意义重大，但美国公司很快会追赶上来——而他们并不会通过抄袭DeepSeek，而是因为他们本来也在实现同样的成本下降趋势。
研发（开发模型的底层技术）以及训练更大的实验性模型（有些最终可能不会发布，或者需要多次尝试才能优化）。有报道称，DeepSeek实际拥有50,000张Nvidia Hopper架构芯片，这与美国主要AI公司拥有的计算资源相差2-3倍（例如，xAI的Colossus集群的规模比DeepSeek高2-3倍）。这些50,000张芯片的成本接近10亿美元。因此，DeepSeek的整体支出（而不仅仅是单个模型的训练成本）与美国AI实验室的投入相差并不悬殊。
编程能力、用户交互体验等方面表现极为突出（许多人用于个人建议或支持），这些领域与DeepSeek相比完全不在一个层面。这些因素并未直接反映在扩展曲线的数值中。
中等规模的模型，其训练成本大约在数千万美元（具体数额我不会透露）。此外，Claude 3.5 Sonnet的训练并未依赖更大或更昂贵的模型（与某些传闻相反）。Claude 3.5 Sonnet的训练完成时间约在9-12个月前，而DeepSeek-V3的训练时间是2023年11月至12月。目前，Claude 3.5 Sonnet在许多内部和外部评测中仍然领先。因此，更合理的描述是：
7-10个月前的美国前沿模型的系统。从历史趋势看，DeepSeek-V3的训练成本并未突破既定成本下降曲线。
，那么在正常趋势下，我们本就预计如今会出现比Claude 3.5 Sonnet/GPT-4o便宜3-4倍的模型。而DeepSeek-V3比这些前沿模型性能稍逊（可能约为2倍的差距，按DeepSeek-V3的最优表现估算）。这样计算下来，一个比当前美国前沿模型落后一年、训练成本低8倍的模型，完全符合预期的下降趋势。也就是说，DeepSeek-V3的出现并非某种突破性进展，而是符合AI模型训练成本下降的既定路径。唯一不同的是，这次首先展示这一趋势的是一家中国公司。这在地缘政治层面意义重大，但美国公司很快会追赶上来——而他们并不会通过抄袭DeepSeek，而是因为他们本来也在实现同样的成本下降趋势。DeepSeek以及美国AI公司如今拥有比训练其旗舰模型时更多的计算资源。这些额外的计算能力被用于
（开发模型的底层技术）以及训练更大的实验性模型（有些最终可能不会发布，或者需要多次尝试才能优化）。有报道称，DeepSeek实际拥有50,000张Nvidia Hopper架构芯片，这与美国主要AI公司拥有的计算资源相差2-3倍（例如，xAI的Colossus集群的规模比DeepSeek高2-3倍）。这些50,000张芯片的成本接近10亿美元。因此，DeepSeek的整体支出（而不仅仅是单个模型的训练成本）与美国AI实验室的投入相差并不悬殊。AI模型的“扩展曲线”分析有所简化，实际情况更复杂。不同模型在不同领域表现各异，扩展曲线只是一个粗略的平均值。就Anthropic而言，Claude在
、用户交互体验等方面表现极为突出（许多人用于个人建议或支持），这些领域与DeepSeek相比完全不在一个层面。这些因素并未直接反映在扩展曲线的数值中。DeepSeek-R1 是上周发布的模型，引发了巨大关注（甚至导致英伟达股价下跌约17%）。但从创新或工程角度来看，R1比V3的意义要小得多。它只是
，基本复制了OpenAI的o1模型（两者规模和表现相似[^8]）。然而，由于我们仍处于强化学习扩展的早期阶段，多家公司都能利用这一机会生产类似的推理模型。一旦扩展曲线推进，这种情况很快就会发生变化。接下来，我将重点讨论出口管制对这一切的影响。
，因为更智能的模型的经济价值极高，成本节省反而会被重新投入到训练更强大的模型之中。这意味着，即便 DeepSeek 的优化让单个模型的训练成本降低，美国与中国的 AI 实验室仍会花费数十亿美元训练下一代 AI，而这些模型的表现将远超现有水平。这种趋势不会停止，直到 AI在几乎所有领域都超越人类智能。超越人类智能的 AI 可能会在 2026-2027 年出现，需要
。DeepSeek 的模型并没有改变这一大趋势，因为它们的成本下降仍然符合既定的曲线。
。AI 发展将引发极端快速的科技进步，类似于我在《机器的温柔拥抱》（Machines of Loving Grace）中描述的“数据中心里的天才国家”局面。但问题在于，即便 AI 水平相当，中国可能比美国更快地将 AI 技术应用于军事，加上其庞大的工业基础和战略优势，中国可能最终在全球取得主导地位，不仅仅是在 AI 领域，而是在整个科技、军事和经济层面。
如果中国无法获得足够的芯片，那么 AI 领先地位可能暂时由美国及其盟友独占。更重要的是，
。因此，他们的创新并不是因为缺乏芯片被迫优化，而是因为他们本身就是优秀的工程师。这也表明，中国的 AI 研发能力已经十分成熟，并非单纯依赖西方技术。
芯片——因为10 亿美元的交易可以隐藏，但 100 亿或 1000 亿美元的交易则很难隐藏。此外，物理层面的难度也是一个因素——要偷偷走私一百万张芯片，比偷偷走私一千张芯片要难得多。由此可见，DeepSeek 的芯片
、仍未被禁的、以及可能通过走私获取的。但正是因为出口管制政策不断加强，DeepSeek 无法获得大量最新一代 H100，证明管制正在发挥作用。如果未来能够及时堵住漏洞，那么阻止中国获得百万级芯片，仍然是完全可能的。
获得的（但 Nvidia 已表示 DeepSeek 使用的芯片“完全符合出口管制”）。
，因为更智能的模型的经济价值极高，成本节省反而会被重新投入到训练更强大的模型之中。这意味着，即便 DeepSeek 的优化让单个模型的训练成本降低，美国与中国的 AI 实验室仍会花费数十亿美元训练下一代 AI，而这些模型的表现将远超现有水平。这种趋势不会停止，直到 AI在几乎所有领域都超越人类智能。超越人类智能的 AI 可能会在 2026-2027 年出现，需要数百万张高性能芯片，成本至少
。DeepSeek 的模型并没有改变这一大趋势，因为它们的成本下降仍然符合既定的曲线 年的全球 AI 发展可能走向两种截然不同的局面：
美国和中国将在 AI 领域并驾齐驱。AI 发展将引发极端快速的科技进步，类似于我在《机器的温柔拥抱》（Machines of Loving Grace）中描述的“数据中心里的天才国家
即便 AI 水平相当，中国可能比美国更快地将 AI 技术应用于军事，加上其庞大的工业基础和战略优势，中国可能最终在全球取得主导地位，不仅仅是在 AI 领域，而是在整个科技、军事和经济层面。单极世界（Unipolar World）：
由于 AI 具有自我增强的能力（更强的 AI 能够帮助研发更先进的 AI），一个暂时的领先可能会转化为长期的主导地位。这种情况下，美国及其盟友可能获得全球性的长期优势。
美国和中国将在 AI 领域并驾齐驱。AI 发展将引发极端快速的科技进步，类似于我在《机器的温柔拥抱》（Machines of Loving Grace）中描述的“数据中心里的天才国家
即便 AI 水平相当，中国可能比美国更快地将 AI 技术应用于军事，加上其庞大的工业基础和战略优势，中国可能最终在全球取得主导地位，不仅仅是在 AI 领域，而是在整个科技、军事和经济层面。单极世界（Unipolar World）：如果中国无法获得足够的芯片，那么 AI 领先地位可能暂时
由于 AI 具有自我增强的能力（更强的 AI 能够帮助研发更先进的 AI），一个暂时的领先可能会转化为长期的主导地位。这种情况下，美国及其盟友可能获得全球性的长期优势。
严格的出口管制是阻止中国获得数百万张芯片的唯一手段，也是决定全球 AI 发展是否会进入“单极世界”或“双极世界”的关键因素。DeepSeek 的成功并不意味着出口管制失败。
与美国主要 AI 公司的计算资源相差并不悬殊。因此，他们的创新并不是因为缺乏芯片被迫优化，而是因为他们本身就是优秀的工程师
DeepSeek 的例子并不意味着中国可以随时通过走私获得 AI 芯片，或绕过出口管制。出口管制从来没有试图阻止中国获得几万张芯片——因为10 亿美元的交易可以隐藏，但 100 亿或 1000 亿美元的交易则很难隐藏
要偷偷走私一百万张芯片，比偷偷走私一千张芯片要难得多。由此可见，DeepSeek 的芯片主要来自三种渠道：出口禁令生效前购入的、仍未被禁的
可能通过走私获取的。但正是因为出口管制政策不断加强，DeepSeek 无法获得大量最新一代 H100，证明管制正在发挥作用。如果未来能够及时堵住漏洞，那么阻止中国获得百万级芯片，仍然是完全可能的。H100（被禁）：如果 DeepSeek 线，那它们肯定是通过非法走私
H800（曾开放，但已禁）：H800 最初并未受 2022 年出口管制影响，但在 2023 年 10 月被列入禁止出口名单
H20（仍可出口）：H20 适用于推理任务，而非训练任务，目前仍然允许出口（但我认为它应该被禁止）。
H800（曾开放，但已禁）：H800 最初并未受 2022 年出口管制影响，但在 2023 年 10 月被列入禁止出口名单，所以 DeepSeek 可能是在禁令生效前获得的。
H20（仍可出口）：H20 适用于推理任务，而非训练任务，目前仍然允许出口（但我认为它应该被禁止）。目前，美国的出口管制已经在一定程度上限制了中国获取最先进的 AI 训练芯片，但仍然存在漏洞。为了确保中国无法在 AI 竞赛中追上美国，必须采取更严格的措施
即使中国无法获得足够的实体芯片，他们仍然可以租赁海外云计算资源来训练 AI 模型。
所有云计算平台禁止中国 IP 访问 AI 训练服务，或者设立更严格的审核机制。
AI 训练不仅需要芯片，还需要高度优化的软件和算法，如CUDA、PyTorch、TensorFlow等。
例如，可以要求NVIDIA 禁止中国用户访问 CUDA 的最新版本，或者对 AI 框架的国际分发进行更严格的审查。
所有云计算平台禁止中国 IP 访问 AI 训练服务，或者设立更严格的审核机制。
例如，可以要求NVIDIA 禁止中国用户访问 CUDA 的最新版本，或者对 AI 框架的国际分发进行更严格的审查。
NVIDIA 禁止中国用户访问 CUDA 的最新版本，或者对 AI 框架的国际分发进行更严格的审查。在讨论出口管制和美国国家安全时，我想明确一点：我并不认为 DeepSeek 本身是敌人，也不认为应该针对它们进行打压。
从 DeepSeek 研究人员的访谈来看，他们是聪明、好奇的工程师，希望创造有用的技术
展现出越来越强的进攻性，如果它能在 AI 领域追赶甚至超越美国，那么这种行为只会变本加厉
出口管制是我们阻止这种情况发生的最强有力工具之一。有些人认为，随着 AI 变得更强、更高效，我们应该放松管制——但这种观点完全站不住脚。恰恰相反，AI 越强大，出口管制越需要加强。
返回搜狐，查看更多平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。