記憶體LTA協議—鎖住利潤還是鎖住未來？

記憶體行業正在做一件歷史上從未做過的事：把未來幾年的產能和價格，寫進合同裡。三星推動3-5年長約，美光簽下16份戰略客戶協議，SK海力士與輝達簽下覆蓋至2030年、規模數千億美元的超級長約。2027年DRAM與HBM產能，已經提前售罄。這是本周期最具結構性的變化——記憶體行業正在用合同鎖住未來。但鎖住的，究竟是利潤，還是風險？

開篇：一場用合同鎖住未來的實驗

記憶體行業的歷史，是一部"周期史"——需求爆發、價格暴漲、瘋狂擴產、產能過剩、價格崩盤。但2026年，三巨頭正在嘗試打破這個"周期魔咒"：長期協議（LTA：Long-Term Agreement），即鎖量鎖價的長期供貨框架協議。

三星推動3-5年長約，將60-70%產能分配給長期協議；美光簽署16份SCA，鎖定約1000億美元保底營收；SK海力士與輝達簽下覆蓋至2030年、規模數千億美元的超級長約。更驚人的是：三巨頭的2027年DRAM與HBM產能已全部售罄，買家甚至"秘而不宣"，只怕買不夠。

這是本輪記憶體周期最具結構性的變化。記憶體行業正在從"強周期業務"轉化為"擁有剛性保障的長臂現金流"。但這究竟是周期的終結，還是周期的變形？

第一章 什麼是LTA：一種全新的記憶體合同

期限更長—合約周期一般3-5年，常見"2+3"（2年固定+3年浮動）或"3+2"模式，而過去幾乎沒有超過一年的供應合約。

量價雙鎖—不僅鎖定採購量，還鎖定價格機制，包含最低採購量和最低協議定價。

前置定金—客戶支付合同總額10%-40%的預付款或保證金，美光的客戶押上了220億美元保證金。

圖1：新一代LTA協議的三大核心特徵

過去，記憶體行業是"現貨博弈"——客戶按市場價隨買隨用。LTA的本質，是把這種"博弈"變成"鎖定"。對供應商，鎖定了未來收入、降低了擴產風險；對客戶，鎖定了供應保障、降低了斷供風險。看起來是"雙贏"。

第二章 海外記憶體三巨頭的LTA佈局

三星是LTA最激進的推動者，推動三年或五年的多年度供應合約，計畫將60-70%的產能分配給長期協議——這在記憶體行業歷史上從未有過。邏輯很清晰：與其讓產能暴露在現貨波動中，不如用合同鎖定長期收入。

美光是LTA的"制度創新者"，已簽署16份戰略客戶協議（SCA），其中包含首份五年期協議。第三財季剩餘履約義務超50億美元，對應保底營收約1000億美元——這不是業績預測，而是最低採購量和最低協議定價的保守測算。客戶押上的220億美元保證金，是這場"合同鎖定"最硬核的註腳。

2.3 SK海力士：與輝達簽下超級長約

2026年7月，SK集團與輝達等全球科技企業達成總價值數千億美元（相關報導稱5000億-7500億美元）、期限覆蓋至2030年的長期供應合作。這份超級長約，把SK海力士與輝達的繫結關係，從"合作"升級為"命運共同體"。

圖2：海外記憶體三巨頭的LTA佈局

第三章 LTA的雙刃劍：鎖住收入，也鎖住風險

當市場進入下行周期、現貨價格暴跌時，簽了LTA的廠商依然可以按合同價格供貨——收入不受現貨崩盤影響。更深遠的意義在於：LTA把記憶體行業從"強周期業務"變成了"擁有剛性保障的長臂現金流"，投資者可以基於合同收入估值。瑞銀上調美光目標價至1625美元，邏輯正是"長協抹平周期波動"。

風險一：價格重設——如果現貨價格暴跌，客戶續約時必然要求重設價格，甚至重新談判現有合約。

風險二：機會成本——如果現貨價格繼續暴漲，簽了LTA的廠商只能按合同價供貨，眼睜睜看著對手按市場價"撿錢"。SK海力士早期HBM長約在漲價周期中就成了拖累。

風險三：產能鎖定——產能"焊死"在特定客戶上，無法靈活調配。

3.3 "鎖住利潤還是鎖住未來"的本質

LTA的雙刃劍，本質上是一個"時間維度"的問題：短期看，鎖住了利潤；長期看，可能鎖住了未來。鎖住的究竟是利潤還是風險，取決於一個問題：周期何時反轉。如果周期長期上行，LTA是"撿便宜"；如果周期在合同期內反轉，LTA就是"套牢"。

圖4：LTA的雙刃劍——鎖住利潤，也鎖住風險

第四章 周期的終結，還是周期的變形？

LTA鎖定了50%以上的產能，下游需求的波動被合同從制度上"鎖死"，供需錯配的人為放大效應大幅削弱。2027年DRAM與HBM產能提前售罄，就是"周期終結"的證據——市場進入"價格高位常態化"的新常態。

LTA並沒有消除供需失衡，只是把失衡"推遲"和"隱藏"了。2027-2028年新增產能集中釋放時，如果AI需求增速放緩，現貨價格依然會暴跌——只是衝擊會以"合同違約"和"價格重設"的形式出現。當現貨價格跌破合同價時，客戶要求重設價格的衝動，會把合同價"拉向"現貨價——周期的力量終究會穿透合同的屏障。

記憶體行業的周期，既不會因為LTA而終結，也不會完全按老劇本變形。更可能的情況是：LTA讓周期變得更平、更久，但沒有消滅周期。"量價雙鎖"削弱了周期的"振幅"；但"3-5年期限"意味著合同到期時的集中重談，可能成為下一個周期轉折的"引爆點"——延長了周期的"波長"。周期還在，只是以更慢、更隱蔽的方式運轉。

結語：鎖住利潤，還是鎖住未來？

三巨頭用LTA鎖住了未來幾年的收入，也把記憶體行業的命運，押在了合同的執行上。

當2027年產能提前售罄時，LTA看起來是"鎖住了利潤"—收入確定、風險降低、估值提升。但當2028年新增產能集中釋放、當AI需求增速放緩、當現貨價格開始鬆動時，LTA的"鎖住"就可能變成"鎖住未來"——合同價與市場價的倒掛，將成為三巨頭最棘手的難題。

LTA的終極悖論在於：它試圖用"確定性"對抗"不確定性"，但合同本身，恰恰是"不確定性"的另一種形式。鎖住的是利潤還是未來，取決於一個誰也無法預測的變數——周期的拐點。記憶體行業正在用合同鎖住未來，但未來，從來不是靠合同鎖住的。

資料來源與口徑說明：SK海力士與輝達長期協議規模（5000億-7500億美元，覆蓋至2030年）來自多家媒體報導，口徑略有差異；三星60-70%產能分給長期協議、美光16份SCA及1000億美元保底營收、2027年產能售罄等資訊來自財報電話會及DIGITIMES等供應鏈報導。LTA對記憶體周期的影響分析屬於研究性內容，存在不同觀點，不構成投資建議。   (EconoBytes)

Seedance拼工業化、可靈拼可控，Vidu生成自由表達自由。

中國國慶前後，Seedance、可靈和Vidu的連續動作，讓中國視訊模型的競爭除了一如既往全球遙遙領先，還以三足鼎立之勢走出幾條路徑：

有人把重點放在內容生產的工業化效率，有人押注專業製作所需要的控制力，也有人試圖把人物、鏡頭、視效的表現力，和更低的試錯成本放進同一件產品裡。

這種路徑分化，很快體現在具體產品發佈上。

9月28日，可靈AI官宣新一代視訊生成模型Kling 4.0；10月8日，生數發佈新一代視訊生成旗艦模型首個預覽版本Vidu Q4 Preview，0.09元/秒起，進一步把生成效果和性價比推到極致。

模型發佈之後，不少專業的視訊導演進行了深度體驗。例如內容創造者森海螢光，用Vidu Q4 Preview製作短片《青山》，講述了一位守城老將用自己的生命與攻城將軍換取城中百姓平安的故事。

AI視訊過去最容易出現兩種錯位：角色看似精緻，卻沒有情緒推進；場面看似熱鬧，鏡頭卻沒有敘事目的。

這個短片《青山》就提供了一個很好的觀察樣本，片中老將的白髮、皺紋、鬍鬚等強特徵，給連續人物一致性提供了視覺錨點；

片中的大場面，如山谷行軍、長城關隘、軍帳夜營等美術風格統一，低飽和影調和局部燭光處理十分有電影感。

這部由Vidu Q4 Preview製作的短片，不僅證明AI已經會拍電影，也恰好說明了我們該怎樣衡量視訊模型的能力：人物、場景、鏡頭和情緒，能否一起帶著故事往前走。

而這正是“傳神”比“清晰”更難的地方。一個眼神的停頓、一次轉身後的拉遠、一次爆炸前短暫的安靜，都在決定觀眾能否理解：這個人為什麼要這樣做。

除了模型效果外，更值得關注的是價格與效率訊號：旗艦視訊生成模型的呼叫成本，正在進入普通創作者和小團隊可以更高頻使用的區間。

這說明，在中國視訊模型從技術競賽走向生產競賽的處理程序中，模型和工程效率正在轉化為更低的創作成本。

視訊生成模型的“DeepSeek時刻”，真的要來了嗎？

01.  賽道競爭白熱化  生數躋身頭部軍團

中國AI視訊生成模型賽道的“火”，正在熊熊燃燒。

頭豹研究院資料顯示，2020年至2025年間，市場規模年複合增長率達965%。進入2026年，市場規模約36.6億元。預計到2030年，這一數字將躍升至近1497億元，年均複合增長率達152.9%。

烈火之上，行業格局正從“百花齊放”加速走向“頭部聚團”。字節跳動Seedance、快手可靈、生數科技等玩家聚攏成團，構成了賽道的“決賽圈”陣容。

“決賽圈”這個詞，本身就帶著同場競技的味道，倒是讓我聯想到了中國游泳隊。

Sora關停之後，國產模型在窗口期裡接連打破曾被國際巨頭長期把持的“塵封紀錄”，泳姿各異，卻都在同一片泳池裡游出了世界級成績，共同把行業水位推高。

Seedance的核心優勢，背靠字節跳動完整的內容生態。

2025年6月上線的Seedance 1.0，曾拿下Artificial Analysis文生視訊、圖生視訊雙榜單第一，Seedance 2.0的發佈還引起了破圈討論，足以證明模型底子過硬。目前以絕對優勢遙遙領先，並且向全世界驗證了視訊是coding之後第二個大規模商業落地的賽道。

可靈的優勢，在於深耕垂直場景以及快速商業化。快手將可靈深度繫結短劇、電商、直播這些自身優勢業務，尤其在電影領域深耕。這些場景既是產品打磨場，也是收入來源。

在“決賽圈”陣容中，生數科技是少數的創業公司玩家。並且是不容小覷的技術高地型AI Native玩家，尤其考慮到其在AGI發展中的智能儲備後勁。畢竟，在AI視訊領域的發展中，一些里程碑式的發展就是這支團隊開創出來的。

從發佈之初主打的長時間、高一致性生成，到後來在業內較早推出參考生視訊——上傳幾張參考圖，模型就能保持人物和物體的一致性去生成新畫面——再到動漫這類更吃審美的題材，Vidu一直在證明一件事：比生成質量，創業公司也能站上第一梯隊。

這次，新Q4的預覽版本已經在AA榜單超越Seedance 2.0, 位列全球第三。此前的 Vidu Q3曾以1241分位列中國第一、全球第二，一舉超越Runway Gen-4.5、Google Veo 3.1與OpenAI Sora 2，Q4正式版相信也十分值得期待。

工業級的表現力，試拍進入分時代、超清進入角時代，旗艦級視訊模型的產業普惠推動力，讓Vidu在Seedance的生態壁壘與可靈的場景深耕之外，拓寬了屬於自己的競爭空間。

Vidu Q4 Preview的發佈，正是對這一差異化定位的進一步強化。

02.  Vidu Q4 Preview  把“傳神表現力”做出來了

Vidu Q4 Preview是生數全新一代高表現力全能旗艦生成模型，主打“傳神表現力”，具體圍繞人物演繹、鏡頭語言、複雜視效三項核心能力升級。

在人物演繹上，其所生成的人物在表情、情緒和肢體動作上的表現都更進一步。當角色聽到一句話、看到一件事或做出決定時，情緒從面部傳遞到全身，整個過程連貫自然。

例如，在這個例子中，男主角對女主角的去世呈現明顯的情緒遞進，眼淚奪眶而出，情緒從恐慌、哀求、悲痛逐漸升級到徹底失控，十分有代入感。

鏡頭語言上，Vidu Q4 Preview可以生成跟拍、環繞、推進、拉遠、升降、旋轉等動態鏡頭效果。在高速運動、人物轉身、遮擋、視角切換時，鏡頭和人物動作配合自然，幾乎沒有跳變和空間錯亂。

在複雜視效上，Vidu Q4 Preview可以生成爆炸、火焰、煙霧、煙花、粒子、能量衝擊等效果。特效發生之後，周圍光影，煙霧和粒子隨著運動擴散，角色動作和特效過程保持同步，十分“入戲”。

例如在季節快速切換鏡頭中，模型可實現春之花瓣、夏之流螢、秋之落葉、冬之落雪的順滑過渡；各類元素還能跟隨環境光動態變色，節奏統一，轉換效果不會顯得生硬割裂。

此外，Vidu Q4 Preview最高支援4K輸出，單次最長可生成16秒，連續動作、鏡頭推進和情緒變化有足夠的展開空間。

同時，其最多支援15張參考圖、3段參考音訊，創作者可以把人物、場景、商品等視覺資訊組合起來，再用文字描述明確它們之間的關係，補充更多細節。

例如，使用者可以將人物聲音、人物設定圖以及分鏡圖發給Vidu Q4 Preview。

Vidu Q4 Preview就可以根據參考圖和音訊生成完整的漫劇短片：

03.  Vidu味兒遇上國漫崛起  一場歷史性機遇

傳神新Q4的發佈，又引發了廣大使用者對獨特Vidu味兒的討論——

所謂“Vidu味兒”，就是動漫感、速度感、爆發力，用體驗使用者的原話講，就像“是把想像力點燃，直接推上天。”

這種味道首先體現在動作與鏡頭上。角色轉身，髮絲順勢甩開；金幣飛散，粒子有方向、有層次；鏡頭追著人衝出去，又懂得在一個眼神上停住。它不只要拍出動作的形，還想拍到動作背後的神。

這種表現吸引了一些原本在Vidu創作者計畫（CPP）中做抽象藝術的創作者，也開始嘗試自己並不熟悉的動漫敘事；日本AI動漫創作者也在持續使用Vidu。橫向對比裡，大家反覆談到的，都是Vidu“好燃”。

但“好燃”只是表面。在這一輪視訊模型競爭裡，動漫其實並不只是一個順手補上的“風格包”，而是值得單獨爭奪的主戰場。

之所以是主戰場，是因為它背後連著更大的文化機會。《那吒》《黑神話：悟空》等成功作品的崛起，共同提醒行業：中國神話、歷史和美學可以通過新的視覺語言抵達全球觀眾。接下來的難題，是如何讓更多原創角色和故事持續生長。

日本動漫的國際傳播提供了一個參照：真正帶來文化影響力的，其實是角色、連載、電影、遊戲、音樂和衍生消費相互支撐的長期IP經營。

中國其實並不需要複製日漫，只需要讓地方傳說、科幻想像與當代生活，有機會從一個設定、一支短片，進化成有人願意追看和分享的作品。

要拿下這個主戰場，最終還要看模型能力。但同時動漫場景恰恰也可以反過來把Q4 Preview主打的能力一次考全：文戲裡，一個角色能不能用細微表情接住上一句台詞；武戲裡，格擋、追逐和轉身能不能連貫；切鏡之後，人物與空間關係還在不在；煙火和能量效果，是在放大情緒，還是在遮住動作。

同時，多次生成的可用率、鏡頭銜接和後期修正也擺上檯面，創作者才看得到差別究竟在那裡。

如果模型能讓小團隊用更低成本測試角色、分鏡和高光動作，它幫助的就不只是“更快出片”，也可能是讓更多有潛力的中國原創IP跨過第一輪試拍門檻。

文化建設不會被一個模型包辦，但創作者得到更多可負擔的表達機會，這是這條產業鏈真實的一步。

04.  從能力突破到創作普惠  生數站在臨界點上

技術的飛速發展，是否就可以說明視訊生成已經迎來“DeepSeek時刻”了？要回答這個問題，我們得先理清“DeepSeek時刻”究竟意味著什麼。

2025年1月，DeepSeek-R1面世即爆火。它把最前沿的模型能力以近乎免費的方式開放出來，推動了真正的技術平權。拆解開來看，這個“時刻”意味著的，是三件事的同時發生：前沿性能、系統效率、大眾可用性。

如今，視訊生成模型正在逐漸逼近這一刻。

生數科技同時鋪了面向開發者的MaaS和面向創作者的SaaS兩條路，讓不同的人都能用得上。

Vidu Q4 Preview把門檻壓到了0.09元/秒起：MaaS圖生視訊720P價格為0.59元/秒、1080P的價格為0.75元/秒、4K的價格為2.43元/秒，均為全網最低。SaaS側在Preview階段還有兩個月限時優惠，部分使用成本降到每秒幾分錢。

對於行業而言，每秒幾分錢與每秒幾塊錢之間的差距，是能不能規模化落地的分水嶺。

漫劇行業拼產能，依靠高頻日更、長篇連載的模式，單集製作成本，直接決定項目能否跑通；短劇行業則依賴海量素材測試，在投流邏輯下，同一套劇情需要產出多個版本投放測試，爆款靠試跑篩選。測試的邊際成本越低，團隊敢於投放的素材版本就越多。

廣告行業的痛點則在反覆改稿，客戶提出調整需求，往往意味著成片推翻重做。過去每迭代一版都要額外付出成本，如今提案階段就能一次性產出多套完整成片；影視行業則受益於前期預演，概念預覽、特效預演向來是預算消耗大戶。如果成本可以降到每秒幾分錢，劇組在正式開拍前，就能提前預覽鏡頭效果。

用“價格戰”來概括這一現象難免會有些偷懶，透過現象看本質，這其實是一次創作權力的下放。

效率提升直接壓低了單次生成的算力成本與時間成本，為價格下探鋪平了路。定價則直接降低了單次嘗試的成本門檻，讓多輪迭代成為日常，真正打開了創意的試錯空間。

當創意的邊際成本趨近於零，個人創作者、工作室和企業團隊，第一次站到了同一條成本起跑線上。

視訊模型的“DeepSeek時刻”，核心正在於此：讓前沿能力走向更多創作者。

05.  結語：視訊模型的“DeepSeek時刻”  讓前沿能力走向更多創作者

一切技術的發展，最終目標都不只是亮眼的參數，而在於讓能力不再被預算和資源壟斷。

過去，一段有表現力的視訊需要團隊、裝置和時間堆出來；現在，一個創作者加一台電腦，就能觸及過去只有專業製作才能完成的畫面。Vidu Q4 Preview以傳神表現力和極致性價比，讓這種平權有了落地的支點。

當更多人擁有表達的能力，讓創作回歸想法本身時，視訊模型的DeepSeek時刻，或許才真正到來。   (智東西)

中文線上公佈過一組資料，美國約58%的Token算力花在程式碼生成和企業自動化流程上，中國55%的Token投向AI微短劇和短影片生成，24%給了電商帶貨和行銷圖文，真正用在軟體開發上的只有15%。

這個對比足夠刺眼了。一方面是AI寫程式碼，另外的一個方面則是AI在進行短劇的製作。中國算力消耗看起來有些不務正業，但是如果往下去看的話，就能夠發現到，兩邊都精確踩在各自市場的錢脈上。

一、中國Token流向：短劇裡的經濟帳

先來看看中國這一側的情況。2026年前八個月，國內生產約43萬部微短劇，這個數字是前一年全年產量的13倍之多，並且超過九成的劇集裡都有AI的參與。中國的網民數量已經突破了11億的大關，其中約8億人是短影片和微短劇重度使用者。在2024年的時候微短劇市場的規模大約處在500億元的量級，在後續是有望去衝擊千億規模的。

成本結構的變化更有解釋力。傳統的網劇是需要有二三十個人的團隊、幾十萬的製作方面的成本、以及兩三周起步的製作周期的。而AI視訊生成模型把單幀成本壓到幾分錢，小規模的團隊在幾天的時間裡就能夠產出上百集的微短劇，總成本降到幾千甚至幾百元。業內甚至喊出過一毛錢生成一個短影片的口號。當內容生產的邊際成本降低到了這個程度的時候，流量平台上的每一次投放測試、每一輪的結算流水以及ROI的復盤工作，都會轉化成為大量的Token消耗。這並非是屬於一種浪費，而是依靠幾百萬次的商業驗證所篩選出來的結果。換一個說法來講，中國的Token流向了短劇，因為這條鏈路已跑通付費解鎖和轉化的經濟帳，平台、商家以及服務商都可以從這個裡面分到確定的收益。中國C端流量的利用效率在全世界上都是很少見的，AI只是在沿著這條道路把成本給繼續打低。

二、美國Token流向：寫程式碼背後的帳本

而美國Token流向了寫程式碼的領域，這同樣是一筆清楚的經濟帳。美國資深軟體工程師年收入普遍在30萬到50萬美元，北美企業IT預算中軟體、SaaS和雲服務佔六七成。一個主流的AI程式設計Agent是可以把上百萬行程式碼的工程給處理好的，能夠完成程式碼的遷移、依賴的修改、單元的測試以及Bug的修復等等任務，一輪複雜的操作會消耗掉幾萬到十幾萬的Token。當人力的成本高到了這種程度的時候，花一些Token來讓AI替代掉一部分工程師的工作，對於企業來講就是一筆很划算的買賣。反過來再看中國這一邊，大量企業的IT支出當中軟體以及服務僅僅佔到了約18%的比例，硬體則佔據著絕對的主導地位。在這樣的一種預算結構之下，AI程式設計工具創業團隊向企業收費極其困難，因為客戶本就不願為軟體和能力服務付大錢。兩邊的Token消耗方向，歸根結底是鑑於各自市場的付費結構在進行投票。

三、算力物理底座：美國的資本狂歡與硬邊界

但是真正的競爭不止於Token消耗方向，還在於算力的物理底座到底能不能夠支撐得住。

在美國這一邊，資本正以驚人速度湧入資料中心。在2026年的第二季度，美國企業電腦及外圍裝置投資年化約4210億美元，同比增加了接近六成，這還僅僅是包括了伺服器、記憶體裝置以及個人電腦，並沒有包含機房建築、通訊裝置以及軟體在內。聯準會所提供的資料顯示出，美國私人資料中心建設支出從2023年初155.9億美元漲到2026年5月593.1億美元，在三年多的時間裡翻了接近有四倍之多。輝達與貝萊德、黑石、高盛、KKR、阿波羅、博楓六家機構簽諒解備忘錄，計畫去撬動超過5000億美元的外部資本，用來去幫助客戶建設資料中心以及購買相關的晶片。黑石集團的總裁說過旗下的企業在過去的六個月時間裡對於大語言模型的需求增長了有七倍之多，算力的供給是遠遠跟不上的。貝萊德CEO拉里·芬克把資料中心融資比作上世紀七十年代抵押貸款證券市場，把它稱呼為金融工程的下一個前沿。

這種模式的問題在於，它正在形成自我循環：輝達在幫助客戶籌措資金，客戶在拿到了錢之後又回頭來購買輝達的裝置，再把算力給租賃出去。如果AI服務最終銷售收入兌現不了，風險就會在晶片供應商、客戶和資本提供方之間來回傳導。騰訊以及甲骨文之間的交易就是這種結構的一個訊號：雙方簽署了一個五年的協議，騰訊會租用東南亞資料中心裡大約十萬顆的先進AI晶片，這筆交易的估值大約是在70億美元。要是按照五年時間來攤算的話，每顆晶片每小時合同收入約1.6美元。甲骨文需要依靠這筆收入來支撐起它的資料中心投資，騰訊也需要晶片，雙方都有著一些不得不去做的緣故。

而美國算力擴張正撞上物理和社會雙重邊界。在2026年的1月，美國電網營運機構PJM指出供需失衡推高批發成本，資料中心的擴張行為與居民的用電產生了直接的衝突。彭博社在去年的報導裡披露過，輝達總部所在地有兩處資料中心樓梯建好卻空置，緣故是沒有足夠的電力可以接入進去。更麻煩的是民意反轉：連續一年的跟蹤民調顯示出，去年的8月支援以及反對在自家的附近建設資料中心的人各佔了四成出頭；到了今年的8月，反對比例飆升至75%，在這個中間有61%的人是強烈反對的，支援的人僅僅剩下了15%。在一年的時間裡，反對的比例增加了有33個百分點之多。紐澤西州居民電費因資料中心擴張上漲約17%至20%。居民們所反對的並不是技術的進步，而是讓自己去承受電費的上漲、水資源的消耗以及噪音的污染，但是好處卻全都歸了那些科技巨頭們。資料中心開發商當然有早點建好等著接電的衝動，但是當每一家企業都這麼去做的時候，一批建造好了卻無法使用的資料中心就出現了。

四、中國算力底座：執行層面的小帳本

中國沒有美國那種電力即時約束和社區反對壓力，集中統籌體制在能源網路和產業佈局上確有優勢，但是問題是出在執行層面的。證券時報在2026年9月29日的調查揭示出，部分地方國資算力項目採取先建設後找需求模式，裝置的選型工作與下游的實際需要是脫節的，最終會形成一些閒置的資產。資料中心硬體專家分析，頭部的先進國產晶片被網際網路的大廠給壟斷了，地方國資的項目只能去採購一些中低端的算力晶片，從而難以去實現穩定的消納。緣故也是表達得很直白的：建設的量是很好統計的，但是使用的效果卻是很難去進行統計的。各個地方都在爭相地上馬算力項目，無效投入可以披產業政策外衣推進，最終會由社會來承擔掉這些成本。官僚主義最麻煩的地方就在這個地方，它能讓錯誤決策看起來像正確執行。支援國產算力發展的這個目標當然是很重要的，也正因為其重要，才更應查清每筆投入換回什麼生產能力。

兩種制度各有難題。美國靠資本驅動擴張速度很快，但是電力的約束以及社區的反對構成了硬性的邊界，循環的融資又埋下了風險傳導的隱患。中國依靠著統籌能夠去提前佈局能源以及產業，但是執行環節裡的小帳本可能會導致資源的錯配。算力競賽最終拼的不是誰建得更快，而是誰能夠把投入轉化成持續的產出能力。    (輕蜂學堂)

美國當地時間10月13日，GoogleGemini 4 Argon開始面向全球開發者和企業開放。

使用者可以通過Gemini API、Google AI Studio、Google Antigravity等平台呼叫這一模型，符合條件的Gemini Pro和Ultra訂閱使用者也能在Gemini應用及搜尋中的AI模式體驗它。

GoogleCEO桑達爾·皮查伊。圖片由AI生成

與10月1日的有限開放相比，這次發佈更值得關注的，是Google披露的一系列實際應用：Argon不僅能重構大型軟體項目、最佳化模型推理，還能根據真實機器人操作視訊建構模擬環境，並參與網路安全和科學研究。

Google試圖證明，前沿模型的價值不只在於回答問題或生成程式碼，還在於能否接手複雜任務，將多個環節串聯起來，最終交付可以使用的結果。

Google首先拿自己的工程項目檢驗Argon。

據Google披露，已有超過10萬名員工通過Antigravity內部版本使用該模型。過去四周，工程團隊的智能體程式碼提交量增加35%，提交後的程式碼回滾減少近三分之一。

Chrome團隊的重構項目更能說明問題。

Chromium程式碼庫約有4000萬行，其中一個約600萬行的遺留程式碼目錄長期混雜著多種瀏覽器功能，與核心網頁處理邏輯交織在一起。Argon幫助團隊將核心功能從遺留程式碼中剝離，完成涉及數百個檔案的架構重構，將原本需要數月的工作壓縮到幾周。

Google開放原始碼的Agent Development Kit（ADK）團隊也進行了類似嘗試。團隊向Argon提供規則手冊和最佳化目標，要求它在不破壞現有應用的前提下減少框架開銷。經過一夜運行，模型提出的改動使長會話的記憶體準備時間減少40%，冷匯入速度提高21%，相關程式碼已合入公開的ADK Python程式碼庫。

在底層模型最佳化方面，Argon將Gemma 4 E2B在單張輝達A100上的推理吞吐量從每秒約3.79萬個token提高到超過10.8萬個，提升約2.85倍。Google稱，最佳化後的輸出保持一致，整個過程僅用幾天，涉及注意力調優和推測解碼等環節。

這些案例來自Google自身，它們共同指向一個變化：模型開始參與從程式碼理解、架構調整到性能最佳化和問題排查的完整工程流程，而不只是按照指令生成程式碼。

Argon的視覺理解和生成能力也延伸到了三維建模。

Google展示的案例中，Gemini 4 Argon通過Antigravity中的多代理視覺批判循環，在Blender中自主建構了一組高度精細的寺廟建築群，包括多座建築、植被和複雜光照，呈現出接近照片的視覺效果。

X使用者@mweinbach分享的《心靈殺手2》移植案例，則展示了Argon在跨平台工程中的應用。他稱，模型協助將遊戲從x86 Windows環境移植到原生macOS Arm64環境，涉及指令轉換、Rust繫結和Metal著色器轉換，項目在M3 Ultra上達到了每秒140多幀。

大型程式碼庫檢驗的是Argon處理複雜軟體系統的能力，機器人項目則考驗模型能否理解真實世界中的空間關係和物理互動，並將這種理解轉化為可執行的程序。

Google展示的Real2Sim項目，正是圍繞這一問題展開。

Argon可以觀看真實機器人遙操作視訊，建構對應的數字孿生環境，並獲取或生成模擬資產，使物體不僅外觀接近真實對象，在與靈巧機械手接觸時也能呈現相似的物理行為。隨後，模型通過反覆視覺推理調整物體屬性和場景設定，讓模擬中的視覺效果與接觸過程儘可能貼近真實記錄。

左（真實檢視），同步的真實機器人攝影機畫面；右（模擬檢視），由Argon重建並校準的3D MuJoCo場景

這一流程的意義在於，機器人訓練不必完全依賴人工從頭搭建模擬環境。真實操作視訊可以成為建模的起點，模型再根據模擬與現實之間的差異不斷修正場景。

另一項演示則從一張草圖開始。

Argon根據人形機器人向桌上的箱子堆扔球的示意圖，自動生成GPU加速的模擬場景和全身動作軌跡，並在物理引擎中驗證六個箱子全部倒下，最終輸出渲染視訊。

手繪草圖轉換為靈巧人形機器人軌跡與Cycles渲染

不過，模擬成功並不等於機器人已經具備穩定的現實操作能力。物理環境、感測器誤差和執行器限制，都可能影響動作遷移效果。

Google還將Argon用於網路安全和科學研究。在網路安全領域，Google通過Fairwind計畫向更多合作夥伴開放模型，用於經過授權的防禦性安全工作。

在科學研究中，Argon參與了量子計算、核聚變和生命科學項目。Google稱，模型將內部量子糾錯解碼器轉換為最佳化的硬體核心，使推理吞吐量接近翻倍；在與馬里蘭大學研究人員的合作中，它幫助發現更多Grad猜想的反例，為聚變堆磁場設計提供新的研究依據。

生命科學方面，Gamow Labs的研究人員使用Argon分析罕見發育性肺部疾病新生兒的基因組，在一個病例中發現常規軟體多年未能識別的染色體重排，並解釋了此前漏檢的原因。

這些項目的共同點，是模型需要理解專業資料、生成解決方案，再根據計算或實驗結果進行調整。Google正在嘗試將這種能力從軟體工程延伸到具有不同規則和驗證方式的專業領域。

Argon能否進入企業工作流程，不只取決於模型表現，還取決於使用成本、工具配套和任務完成效率。

Google給出的限時API價格為每百萬輸入token 2美元、輸出10美元，快取輸入為0.1美元。12月1日起，輸入和輸出價格將分別提高至4美元和20美元。

Argon還提供100萬token的統一上下文窗口，輸入、思考和輸出共用這一額度。

API支援背景執行和檢查點恢復，適用於多倉庫遷移、複雜程式碼分析等需要長時間執行的任務。

基準測試顯示，Argon在部分專業任務中具有競爭力。在Vals Index上，它獲得68.9%的成績，高於Claude Sonnet 5.5的67.04%和Opus 5.5的66.97%。

Google公佈的測試中，Argon在Harvey法律代理基準上得分19.6%，在Zapier自動化基準上得分51.3%，在DeepSWE軟體工程基準上得分77.9%。

但在Artificial Analysis綜合智能指數中，Argon獲得53分，與GPT-6 Astra和Claude Fable 5.1持平，低於Opus 5.5、Sonnet 5.5和Meta Muse Wonder Full。

華頓商學院教授伊桑·莫利克（Ethan Mollick）認為，Gemini 4在創意和寫作方面取得顯著進步，為現有前沿模型提供了不同的選擇。不過，他指出，模型處理複雜多智能體任務時仍有不足，有時過於自信，Antigravity的工具鏈也需要改進。

企業AI諮詢公司Red Dragon AI的山姆·維特文（Sam Witteveen）認為，Argon是一個非常出色但並非最強的模型。他看好模型結合視覺理解、軟體生成和創意媒體的能力，但認為Antigravity與Claude Code、Codex等開發工具相比仍有差距。

X使用者@cheaty則認為，Argon早期測試中的運行速度和成本表現不夠理想。儘管模型能夠完成任務，部分任務的實際花費仍明顯高於其他模型。這也說明，企業評估模型時，不能只比較每百萬token的標價，還要看完成同一任務需要多少呼叫、耗時多久，以及最終結果是否可用。

Argon的全面開放，讓更多開發者和企業有機會檢驗Google展示的能力。但從模型能夠完成某項任務，到企業可以穩定、低成本地將其投入生產，中間仍有一段距離。

對Google而言，接下來要解決的不只是繼續提升模型能力，還包括讓模型更容易使用、讓複雜任務運行得更穩定，並讓實際成本與效率優勢真正經得起檢驗。

據Business Insider於10月10日報導，Google員工正在測試Gemini 4的後續版本Barium和Carbon，部分測試者認為其編碼能力有所提升。

Vercel首席執行長吉列爾莫·勞赫（Guillermo Rauch）認為，Google擁有Transformer技術積累、工程人才和計算資源，不應被低估。   (騰訊科技)

RexAA的最新貼文及歷史文章，讓您掌握相關股市行情消息，協助您做投資決策。全球科技產業觀察者

記憶體LTA協議—鎖住利潤還是鎖住未來？

中國視訊模型Top 3，開始分道而戰

中美AI對比：中國Token消耗第一是做短劇，美國消耗最多是寫程式碼

前沿模型爭霸！Gemini 4 Argon全面開放，Google用模型“操練”機器人