中国讲效率，日本讲指挥，韩国……800万亿

开篇

订阅者朋友，在过去两期新闻简报里，我向两个国家提出了同一个问题。

在日本篇（带着9千亿离开的研究者，留在东京的138人）里，我问的是“AI是资本的游戏，还是方法论的游戏”。Sakana AI用一个仅7B大小的编排器（orchestrator）指挥前沿模型，从而拔出了前沿级的性能。这是“不做得更大也能赢”这一假设的第一个可运行证据。

带着9千亿离开的研究者，留在东京的138人选择改善（Kaizen）而非算力战争的实验室oztalking.com

在韩国篇（向聊天机器人问生辰八字的国家，要成为AI第三大国需要什么？）里，我问的是“要成为制造的国家，还是最会使用的国家”。热情是世界第一，但模型差距是40%，人才正以OECD第35名的排名流失，而对“独立自研模型”“从零开始”的执念，可能是加拉帕戈斯化的重演。

向聊天机器人问生辰八字的国家，要成为AI第三大国需要什么？热情世界第一，模型差距却是40%oztalking.com

写这两篇的时候，我把一件事推迟了。韩国将握着怎样的牌进入这场游戏，当时还未确定。而就在6月29日，青瓦台迎宾馆公开了这副牌。这是产业通商部联合相关部委举办的“大韩民国大跃升三大超级项目国民报告会”。半导体800万亿、AI数据中心550万亿、物理AI国家战略产业化。单看数字，令人震撼。

所以今天是这个三部曲的收尾。我会把中国、日本、韩国各自押注在哪一层并排放在一起，看看昨天公开的韩国这副牌里有什么、又缺了什么。先说结论：韩国的这次押注，比想象中要聪明，但恰恰缺了最重要的一格。

同一场比赛，三个不同的赛场

先用一张图把三个国家把钱和人才押在了哪里说清楚。核心在于，它们其实是在不同的层面作战。虽然都被归为同一个“AI竞争”，但实际上是不同的项目。

🇨🇳 中国，将规模化转为效率化

中国延续了美式的规模化路线，但在制裁的制约下，把它重新定义为“效率”。DeepSeek就是这一象征。2024年底，R1用2,048块H800达到了ChatGPT o1级别的性能；到2026年4月，又发布了V4，凭借百万级token上下文和稀疏注意力再次搅动了牌局。6月，DeepSeek宣布通过DSpark框架，将响应速度提升最多85%，同时降低了对更大规模芯片基础设施的依赖。¹

**有意思的是，在中国内部，重心其实已经从“训练”转向了“推理”，从“造模型”转向了“用好模型”。**有报道甚至称，在ChatGPT热潮之后如雨后春笋般建起的500多个数据中心中，最多80%处于闲置状态。²规模化仍在继续，但方向不是照搬美国的方式，而是直接压低成本曲线本身。Qwen、GLM、DeepSeek正以开放权重加超低价API迅速提高全球采用率。事实上，中国的模型正凭借极高的性价比，跨越地缘政治因素，赢得美国企业的青睐。

[安光涉 AI 综合] 美国企业为什么向中国AI企业付钱Uber今年的AI编程工具预算，仅用4个月就全部耗尽。约5000名工程师使用了智能体编程工具，每位工程师每月使用费从150美元起，最高……zdnet.co.kr

🇯🇵 日本，编排

日本在直接造模型这场竞争中退了一步。Sakana AI自己明确宣称：“像日本这样资源受限的国家，模型开发的重心应放在后训练（post-training）上。”³6月22日，他们用一款产品证明了这套哲学。那就是Sakana Fugu。

一个仅7B参数的小型编排器，向GPT-5.5、Claude、Gemini等前沿模型下达指令，指示“谁负责哪一部分”，验证结果，并在必要时递归调用自身。在SWE-Pro、GPQA-D、LiveCodeBench等主要基准测试中，Fugu Ultra超过了Opus 4.8、Gemini 3.1 Pro、GPT-5.5。更犀利的是，因出口管制而无法接入的Fable 5或Mythos Preview，甚至根本没有被纳入这个智能体池中，Fugu依然拿出了同等级别的性能。⁴

从主权AI（Sovereign AI）的角度看，这一点至关重要。即便某个特定的前沿模型因出口管制而无法使用，Fugu也能动态地只组合可获取的模型（可替换池，Swappable Pool），重新构建出同等级别的性能。就像河豚（Fugu）精准剔除毒素、化为珍馐一样，这是一套绕开外部管制这剂“毒药”、守住AI主权的结构。这是一种不拥有模型、却掌握模型之上“指挥权”的策略。

🇰🇷 韩国，物理层

而昨天，韩国的这副牌揭晓了。重心非常明确。半导体、物理AI、AI数据中心。押注的不是AI的“软件”，而是AI将要搭载其上的“物理身体与心脏”。

• 半导体：在西南地区（全罗南道、光州）投资800万亿，建设4座存储器晶圆厂。5年内DRAM产能翻倍。目的是进一步拉大凭借HBM已经握有的供应链优势。
• 物理AI：AI机器人跻身全球三强，物理AI跻身全球第一强（至2030年）。面向10大行业的专用人形机器人，推动制造业AI转型
• AI数据中心：第一阶段8.4GW（SK、GS、Naver，约550万亿），到第二阶段合计18.4GW。到2030年成为亚太最大的AI基础设施枢纽。

我曾在韩国篇里写道，“要把AI与半导体制程优化、电池品质管理这类韩国已具备全球竞争力的领域最深度地结合起来”，而昨天发布的M.AX与制造数据工厂，恰恰就是这个方向。这可以说是“最会使用的国家”这一战略的国家版本。

韩国的这次押注，一半是对的

先说值得称赞的部分。这次押注比我在韩国篇中所担心的要聪明。

在基础模型竞争中正面击败美国和中国是不现实的。仅美国民间AI投资就高达2,859亿美元，是韩国全国AI预算（67亿美元）的42倍。想靠模型性能追上这一差距，近乎是自我安慰。但昨天的发布回避了这场正面较量，把重心放在了韩国真正领先的领域（HBM、制造密度、机器人密度）上。

尤其是物理AI，是个聪明的选择。它与文本LLM竞争完全是不同的游戏。在这里，韩国拥有的制造数据、工艺运营经验（know-how），以及每万名工人1,220台机器人的全球第一密度，成了真正的资产。这是美国大型科技公司既没有数据、也缺乏兴趣的领域，竞争格局本身就不同。“大脑（基础模型）可以借用，但身体和心脏由我们自己来造”这个定位，坦白说，比“用独立研发的基础模型击败GPT”要现实一百倍。

到这里是一半。问题在剩下的另一半。

但是，没有指挥者

我把昨天的发布从头到尾重读了一遍，有一件事始终让我耿耿于怀。有半导体，有机器人，也有数据中心。但“如何组合并指挥这种智能”这一层，整个是空白的。

日本用Fugu填上了这一格。韩国的文件里，这一格根本不存在。取而代之的，是“摆脱对外国依赖的K模型”、“确保世界最高水平的通用智能模型”、“3年内开发出世界最高水平的独立物理AI基础模型”这类表述。

为什么这是个问题，得再拿出韩国篇里讲过的那个案例。今年1月，在政府的独立AI基础模型项目中，Naver Cloud被淘汰了。原因是它使用了海外开源编码器，未能满足“从零开始（from scratch）”这一标准⁵。这一事件暴露出，就连韩国投入AI最久、最多的企业，也拿不出一个“从头开始造的模型”。

目前该独立基础模型项目正在LG、SKT、Upstage、Motif Technologies四方之间进行，将于8月进行第二轮评估、淘汰1家，明年2月最终确定2家⁶。而昨天的这一超级项目，把这套“从零开始的独立基础模型”DNA原样复制到了物理AI版本上。一场在通用LLM上没能赢下的游戏，仅仅换了个舞台，用物理AI基础模型的名义重新开局。

这里显现出与日本的决定性差异。

日本拥有Sakana这样一家“真正让方法论运转起来的民间前沿实验室”，因此能在AIST、Swallow、Stockmark组成的联合体之上，叠加自我改进引擎和编排层。即便不亲手造出全部模型，也握着指挥模型的智能。

而韩国，这个位置是空的。谁来承担编排层，是否有经过验证的民间物理AI实验室，都不明确。Naver的出局，恰恰暴露了这种缺位。政府试图用“跨部门大规模研发项目”来填补这一空缺，但联合体式国家课题能否运转出Sakana式的改善循环，完全是另一个问题。当国家投入800万亿去建造身体的同时，驱动这具身体的指挥者，很可能仍将是外国的前沿模型。

这才是昨天发布真正的漏洞。在往物理层投入800万亿之前，本应先确定架设在其上的智能的架构。类似Fugu那样的编排方案，在任何地方都找不到一行。

Oswarld视角

坦白说吧。昨天的发布把重心转向物理层，这一判断是对的。也就到此为止了。在这个聪明的判断之上，我看到的是韩国AI政策最古老的顽疾原封不动地叠加了上去。

这个顽疾的名字叫“必须自己造出来的执念”。

在做技术管理、制定GTM战略的过程中，**我见过无数次的败局模式：资源不足的一方，偏偏在“我们无论如何都要自己全部造出来”这一刻固执己见。昨天文件里的“摆脱对外国的依赖”、“世界最高水平的独立模型”、“3年内独立的物理AI基础模型”这些表述，与其说是战略，不如说是自尊心。**而自尊心是要付出昂贵代价的。这场在通用LLM上已经被40%的差距证明了结果的游戏，只是换了个舞台变成物理AI，却要以同样的方式再输一次。1月份让Naver出局的那套“从零开始”标准，这次在机器人身上又复活了。

更让人郁闷的是，这并不是因为没看见日本。日本就在旁边，用一个仅7B的小模型，以一款产品证明了“不用全部自己造也能赢”。它选择的不是拥有模型，而是指挥模型的道路。韩国明明把这份答案摆在眼前，却仍然固守着“我们要从头全部自己造”的旧语法。不去研究改善（Kaizen），却要去建一座更大的工厂。

冷静地看看这种不对称。中国用效率解开了规模化的难题，日本用编排解开了这道题。两者都对“如何驾驭智能”给出了自己的答案。韩国呢？有身体（半导体），也有心脏（数据中心），但把两者连接起来的神经系统设计图，一张也没有。在这份价值800万亿的解剖图里，大脑和脊髓是空的。这个位置被“独立模型开发研发”这样的口号填补着，但那不是设计图，只是一种期望。

我真正害怕的场景是这样的：五年后，韩国完成了世界上最精密的AI身体。HBM第一，机器人量产第一，数据中心亚太最大。但驱动这一切身体的智能，却是GPT，或Gemini，或Fugu。我在韩国篇里写下的那句话——“这属于代工的范畴，而不是拥有属于我们自己的东西”——在物理AI这里，一字不差地重演了一遍。一个造出最昂贵的容器，却把别人的大脑借来装进其中的国家。

最终谁是赢家，我也不知道。也许掌握物理层的一方会赢家通吃。但那个场景成立的前提只有一个：我们必须能够驾驭那些将搭载在身体之上的智能。缺了这个条件的800万亿，可能不是一记胜负手，而是全世界最昂贵的代工设备投资。我认为，韩国现在抓住了半导体这个千载难逢的机会。而正因为韩国同时拥有世界屈指可数的高级劳动力、设备与基础设施，又在自然灾害与地缘政治上都占据要冲位置，我才认为这项政策正是因此而出台的。

也就是说，成为数据中心和一切电力基地的佩特拉（Petra）式据点，这会不会才是韩国最理想的图景？而我们是不是应该准备好能够整体指挥这一切的模型，以及能够真正配备并运用这些基础设施的能力？——这虽然不够完整，却是我自己得出的结论。

结语

总结一下。

贯穿这三部曲的问题，归根到底只有一个：“在AI竞争中，真正应该争夺的层面在哪里？”中国用规模化的效率化来回答，日本用编排来回答。而昨天，韩国用物理层来回答。我认为这三者都是各自根据自身条件做出的聪明选择。此前一直只围绕基础模型高唱赞歌，让人感到郁闷，这次的发布着实令人畅快。我认为基础模型可以作为基础体能来保留，但不应成为我们的主攻方向。而且，我们也不可能立刻追上前沿级别。更进一步说，我认为也该停止用基准测试来玩花招了。

但韩国的这份答卷上有一格空白。在这份耗资800万亿的“身体”建造计划书中，缺失了驱动这具身体的智能架构。**日本用一个7B编排器证明了的那一层，韩国仍然试图用“从零开始的独立模型”这种旧语法来解决。最近据说有韩国国内的初创企业及若干公司用自研基准测试拿下了全球第一，如果属实，那确实很了不起，但一篇发在Arxiv上的论文，引用数还是个位数，在Github上也毫无关注，这样的项目却公开宣称击败了NVIDIA、拿下了全球第一的世界模型，这中间的落差，未免有点……当然，也可能是那些不谙世事的外国媒体，压根没能识别出这个位于东方一隅的小小韩国所拥有的技术……这怎么可能呢。**清醒一点吧。

下次再看到韩国的AI政策发布时，请不要只盯着投资金额（800万亿、550万亿），而是问一句：“在这套基础设施之上，是谁的什么东西在驾驭智能？”如果这一格始终填不上，韩国可能会造出世界上最精密的AI身体，却成为那个把别人的大脑租来装进去的国家。

正如Cyworld曾以世界最快的速度造出社交网络，却错过了移动化转型一样，我希望韩国不要在以世界最快速度造出AI身体的同时，却错失了它之上的那份智能。

---

💬 订阅者朋友怎么看？AI竞争的胜负，最终会在“身体（物理层）”上分出，还是在“指挥（编排）”上分出？欢迎在评论区分享你的看法。

---

参考资料与延伸阅读

核心来源

• 产业通商部，〈大韩民国大跃升三大超级项目国民报告会〉报道参考资料及附件报告，2026.06.29。：昨天发布的原文。其中整理了半导体3S+1F、物理AI 3M、AIDC 18.4GW计划。
• Sakana AI，“Sakana Fugu: One Model to Command Them All”，2026。：日本编排战略的产品证据，也是日本篇的核心信息来源。
• 科学技术信息通信部，〈独立AI基础模型项目第一轮评估结果〉，2026.01.15。：Naver Cloud出局及“从零开始”标准争议的原始出处。

背景知识

• The New York Times，“The Real A.I. Race Isn’t America vs. China”，2026。：AI竞争真正的分界线不是中美，而是“国家权力对民间企业”的观点，与本三部曲的问题意识相通。
• ZDNet Korea，〈[Yumi’s Pick] 会见黄仁勋的LG、SKT、Upstage……会成为独立AI第二轮竞争的变数吗〉，2026.06.09。：介绍了独立基础模型四方竞争现状及8月第二轮评估日程。
• South China Morning Post / IndexBox，“DeepSeek upgrades V4 with DSpark”，2026.06。：中国“规模化效率化”战略的最新案例。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. DSpark：DeepSeek在V4中引入的推理加速框架。它不是逐个token生成，而是以小批量为单位生成（准自回归生成），并动态调节验证量，宣称可将响应速度提升最多85%。核心在于降低对更大芯片的依赖。 ↩

2. 数据中心闲置：据《麻省理工科技评论》等报道，中国在2023至2024年间宣布建设的500多个数据中心中，实际投入运营的只是一部分，即便是运营中的，最多也有80%的算力资源处于闲置状态。这是需求结构从以训练为主转向以推理为主的结果。 ↩

3. 后训练（Post-training）：指不从零开始预训练模型，而是在已训练好的模型基础上叠加额外训练、对齐、工具连接等步骤。Sakana认为资源受限国家应把战略重心放在这一层。 ↩

4. 可替换池（Swappable Pool）：Fugu用于协调的一组前沿模型。即便某个特定模型因出口管制等原因而无法使用，也能动态地用其他可获取的模型重新组合，维持性能。目标是实现不受供应商锁定的前沿级性能。 ↩

5. 从零开始（From scratch）：指不重复使用现有模型或权重，而是从权重初始化开始，自主完成数据收集、架构设计直到训练的全过程。这是政府用来界定“独立模型”的标准，Naver正因借用了海外编码器而在这一标准下出局。 ↩

6. 独立基础模型四方竞争：截至2026年6月，LG AI研究院、SK电讯、Upstage、Motif Technologies四支团队正在竞争。8月第二轮评估将淘汰1家，2027年2月最终确定2家。 ↩