中國講效率，日本講指揮，韓國是……800兆 · 第 137 期

前言

各位訂閱者，在前兩期電子報中，我對兩個國家提出了同一個問題。

日本篇（帶著9000億離職的研究者，留在東京的138人）中，我問的是「AI 是資本的遊戲，還是方法論的遊戲？」。Sakana AI 用一個 7B 的小型編排器指揮前沿模型，產出了前沿級別的效能。這是「不必做得更大也能贏」這個假設的第一個運作證據。

帶著9000億離職的研究者，留在東京的138人選擇改善（Kaizen）而非算力戰爭的研究機構

letter.inlevel9.com

韓國篇（向聊天機器人問算命的國家，要成為 AI 第三強該怎麼辦？）中，我問的是「要成為製造的國家，還是成為最善用 AI 的國家？」。熱情度世界第一，但模型差距有 40%，人才掉到 OECD 第 35 名，堅持「自主模型」從零打造的執念，可能只是加拉帕戈斯綜合症的再現。

向聊天機器人問算命的國家，要成為 AI 第三強該怎麼辦？熱情度全球最高，模型差距 40%

letter.inlevel9.com

寫完這兩篇，我一直留了一個問題沒處理。因為韓國到底握著什麼牌上桌，還未確定。然而就在 6 月 29 日，青瓦台迎賓館公開了那張牌。那就是產業通商資源部聯合相關部處舉辦的「大韓民國大飛躍三大兆級專案國民報告會」。半導體 800 兆、AI 資料中心 550 兆、物理 AI 國家戰略產業化。光看數字就令人震撼。

所以今天是三部曲的收尾。我將把中國、日本、韓國各自押注在哪個層級並列呈現，並檢視昨天公開的韓國那張牌裡有什麼、又缺了什麼。先說結論：韓國的押注比想像中聰明，但恰恰最關鍵的那一格是空的。

同一場比賽，三片不同的球場

先讓我用一張圖整理三個國家把錢和人才押在了哪裡。重點是，他們是在不同的層級上搏殺。雖然都用「AI 競爭」這個詞來概括，但實際上完全是不同的賽道。

🇨🇳 中國，規模化的效率化

中國跟隨美國式的規模化路線，但在制裁的約束下，用「效率」重新定義了它。DeepSeek 就是象徵。R1 用 2,048 張 H800 就達到了 ChatGPT o1 級別的效能，那是 2024 年底的事；2026 年 4 月推出 V4，以百萬 token 上下文和稀疏注意力再次顛覆了格局。6 月又透過 DSpark 框架將回應速度提升最多 85%，並宣稱降低對更大晶片基礎設施的依賴。¹

有趣的是，中國內部已經將重心從「訓練」轉向「推理」，從「打造模型」轉向「善用模型」。 甚至有報導指出，ChatGPT 熱潮後如雨後春筍般建起的 500 多座資料中心中，最多 80% 處於未啟用狀態。² 要做規模化，但不是用跟美國一模一樣的方式，而是直接削低成本曲線的方向。Qwen、GLM、DeepSeek 以開放權重＋超低價 API 快速提升全球採用率。事實上，中國模型憑藉極高的性價比，已超越地緣政治因素，受到美國企業的歡迎。

[安光섭 AI 綜合] 美國企業為什麼向中國 AI 企業付錢Uber 今年在 AI 編碼工具上的預算在 4 個月內就全部用盡了。約 5000 名工程師使用代理式編碼工具，月費從每人 150 美元到多達……

zdnet.co.kr

🇯🇵 日本，編排

日本退出了直接打造模型的競爭。Sakana AI 明確宣稱「像日本這樣資源受限的國家，模型開發的重心應放在後訓練（Post-training）上」。³ 然後在 6 月 22 日，他們用產品證明了這個哲學。那就是 Sakana Fugu。

一個 7B 參數的小型編排器，向 GPT-5.5、Claude、Gemini 等前沿模型下達「誰負責哪個部分」的指令，驗證結果，必要時還遞迴調用自身。Fugu Ultra 在 SWE-Pro、GPQA-D、LiveCodeBench 等主要基準測試中超越了 Opus 4.8、Gemini 3.1 Pro、GPT-5.5。更犀利的是，即使被出口管制擋在門外的 Fable 5 和 Mythos Preview 都沒被納入代理池，它依然產出了同等效能。⁴

這從主權 AI 的角度來看是決定性的。即使特定前沿模型被出口管制卡住，Fugu 也能動態組合（Swappable Pool）可取得的模型，重構出同等效能。就像河豚（Fugu）精確地去除毒素變成珍饈一樣，這是一個避開外部管制之毒、守護 AI 主權的結構。不擁有模型，卻擁有模型之上的「指揮權」——這就是這個策略。

🇰🇷 韓國，物理層

然後昨天，韓國的牌亮出來了。重心很明確：半導體、物理 AI、AI 資料中心。押注的不是 AI 的「軟體」，而是 AI 要搭乘的「物理身體與心臟」。

半導體：西南部（全羅南道・光州）投資 800 兆，第 4 座記憶體晶圓廠。5 年內 DRAM 產能翻倍。要進一步拉大 HBM 已握有的供應鏈優勢。
物理 AI：AI 機器人全球三強、物理 AI 全球第一（~2030）。10 大產業專用人形機器人、製造業 AI 轉型
AI 資料中心：第一階段 8.4GW（SK・GS・Naver，約 550 兆），到第二階段共 18.4GW。2030 年亞太最大 AI 基礎設施樞紐。

我在韓國篇中寫過**「像半導體製程優化、電池品質管理那樣，在韓國已具備全球競爭力的領域，將 AI 最深地結合進去」，昨天發表的 M.AX 和製造數據工廠正是這個方向。這等於是「最善用 AI 的國家」策略的國家版本。**

韓國的押注，一半是對的

先說好的部分。這個押注比我韓國篇中擔心的要聰明。

在基礎模型競爭中正面擊敗美國和中國是不現實的。美國民間 AI 投資就有 2,859 億美元，是韓國整體 AI 預算（67 億美元）的 42 倍。想用模型效能追平這個差距，接近自我說服。但昨天的發表避開了正面對決，把重心放在了韓國真正第一的領域（HBM、製造密度、機器人密度）。

特別是物理 AI 是一個聰明的選擇。這跟文字 LLM 的競爭完全是不同的遊戲。在這裡，韓國擁有的製造數據、製程運營 Know-how、每萬名勞工 1,220 台機器人的世界第一密度，才是真正資產。美國大型科技公司既沒有數據也缺乏興趣，競爭格局本身就不同。「大腦（基礎模型）借來用，身體和心臟我們自己造」這個定位，老實說比「用自主基礎模型擊敗 GPT」現實一百倍。

以上是前半段。問題在後半段。

但是，沒有指揮者

把昨天的發表從頭到尾重新讀了一遍，我一直被一件事卡住。有半導體，有機器人，有資料中心。但「如何組合和指揮這些智能」這個層級，整塊是空的。

日本用 Fugu 填了那個格子。韓國的文件裡，那個格子根本不存在。取而代之的是什麼呢？是「脫離外資依賴的 K-Model」、「取得世界最高水準的通用智能模型」、「3 年內開發世界最高水準的自主物理 AI 基礎模型」。

為什麼這是問題？得把韓國篇中提到的那個事件再翻出來。今年 1 月，政府自主 AI 基礎模型（獨基模）專案中，Naver Cloud 落選了。原因是使用了海外開源編碼器，不符合「從零打造」的標準⁵。連韓國投資 AI 最久、最多的企業都沒有「從頭打造的模型」——這件事暴露了現實。

目前那個獨基模專案正在 LG・SKT・Upstage・Motif Technologies 四強爭奪中，8 月第二次評估將淘汰 1 家，明年 2 月最終確定 2 家⁶。而昨天的兆級專案，正是把這個「從零打造獨基模」的 DNA 原封不動地複製到物理 AI 版本。在通用 LLM 上打不贏的比賽，換個舞台用物理 AI 基礎模型重新開始。

這裡就顯露出與日本的決定性差異。

日本有 Sakana 這樣「將方法論真正落地運作的民間前沿實驗室」，所以能在聯盟（AIST・Swallow・Stockmark）之上疊加自我改善引擎和編排層。不必自己打造所有模型，但握有指揮模型的智能。

韓國那個位置是空的。負責編排層的主體不明，經驗證的民間物理 AI 實驗室也不明確。Naver 落選展現的正是這個缺失。政府想以「跨部處大規模 R&D 專案」來填補這個空缺，但聯盟型國家專案能否運轉 Sakana 式的改善（Kaizen）迴路，完全是另一個問題。國家在灌入 800 兆打造身體的同時，驅動那個身體的指揮者，很可能仍然是外資前沿模型。

這才是昨天發表真正的漏洞。在往物理層灌入 800 兆之前，應該先確定要搭建在上面的智能架構。像 Fugu 這樣的編排，一行都沒有。

Oz 的視角

老實說。昨天發表中將重心轉向物理層的判斷，是對的。但也就到這裡了。在那個聰明的判斷之上，我看到韓國 AI 政策最古老的病原封不動地疊加了上去。

那個病的名字叫「製造強迫症」。

在做技術經營、GTM 策略時，我見過無數次失敗的模式。就是資源不足的一方堅持「我們還是得自己全部打造」的那一刻。昨天文件中的「脫離外資依賴」、「世界最高水準自主模型」、「3 年內自主物理 AI 基礎模型」——這些不是策略，是自尊心。而自尊心要付昂貴的代價。在通用 LLM 上已被 40% 差距證明的比賽，只是換個舞台到物理 AI，就要用同樣的方式再輸一次。1 月讓 Naver 落選的那個「從零打造」標準，這次在機器人身上復活了。

更令人沮喪的是，這不是因為看不到日本。日本就在旁邊，用一個 7B 的小模型，以產品證明了「不必全部打造也能贏」。選擇了指揮模型而非擁有模型的路。韓國就在那份答案就在眼前時，仍然堅持「我們從頭全部打造」的舊文法。不是去研究改善（Kaizen），而是要蓋更大的工廠。

冷靜地看這個非對稱性。中國用效率解決了規模化，日本用編排解決了。兩者都有自己對「如何處理智能」的答案。韓國呢？有身體（半導體），有心臟（資料中心），但把兩者綁在一起的神經系統設計圖，一張都沒有。800 兆的解剖圖中，腦和脊髓是空的。那個位置被「自主模型開發 R&D」的口號填著，但那不是設計圖，是願望。

我真正害怕的場景是這個。5 年後，韓國完成了世界上最精密的 AI 身體。HBM 第一、機器人大量生產第一、資料中心亞太最大。但驅動所有這些身體的智能，是 GPT 或 Gemini 或 Fugu。我在韓國篇寫的那句話——「這是供貨的領域，不是擁有自己東西的事」——在物理 AI 中一字不差地重演。打造最昂貴的容器，然後在裡面裝別人的大腦。

誰是最終贏家，我也不知道。也許握住物理層的那方會通吃。但那個場景的前提只有一個：我們必須能調配要搭乘在身體上的智能。缺少這個條件的 800 兆，不是勝負手，而是可能成為世界上最昂貴的代工設備投資。我認為大韓民國現在抓住了半導體這個千載難逢的機會。而且擁有世界頂尖的勞動力、設備、基礎設施，同時在自然災害和地緣政治上都處於要衝位置，所以我認為這次政策才會出台。

也就是說，成為資料中心和所有電力基地的佩特拉（Petra），是不是韓國的理想圖景？而我們是否應該準備好能整體指揮的模型、基礎設施，以及正確運營的能力？雖然不夠完美，但這是我自己得出的結論。

結語

總結如下。

三部曲中一直提出的問題，最終只有一個。「AI 競爭中真正該搏殺的層級是哪裡？」中國用規模化的效率化回答，日本用編排回答。然後昨天，韓國用物理層回答。我認為三者都是符合自身條件的聰明選擇。之前一直只有基礎模型在唱獨角戲，讓人很悶，這次非常痛快的發表。我認為基礎模型作為基礎體能應該擁有，但不該是主力。而且，也不可能馬上追上前沿級別。更進一步，用基準測試耍花招也該停止了。

但韓國的答案中有一個空白。800 兆的身體藍圖中，缺少指揮那個身體的智能架構。日本用一個 7B 編排器證明了那個層級，韓國仍然想用「從零打造自主模型」的舊文法來解。最近有國內新創公司和幾家企業聲稱以自主基準測試達成全球第一，如果屬實確實很厲害，但在 arXiv 上公開論文卻引用只有個位數、在 GitHub 上連關注都收不到的專案，卻公然宣稱擊敗 NVIDIA 達成世界級第一世界模型——這是不是有點……矛盾？當然，不了解世情的外國媒體可能看不見東方小韓國的技術……但怎麼可能呢。 清醒一點吧。

下次看到韓國 AI 政策發表時，別只看投資金額（800 兆、550 兆），試著問這個問題：「在這些基礎設施之上，調配智能的是誰的什麼？」如果那個格子填不上，韓國可能會打造世界上最精密的 AI 身體，卻成為在身體裡裝別人頭腦的國家。

就像 Cyworld 最快打造了社交網絡卻錯過了行動裝置轉型一樣，我希望韓國最快打造 AI 身體的同時，不要錯過上面的智能。

💬 各位訂閱者怎麼看？AI 競爭的勝負，最終是在「身體（物理層）」上分出，還是在「指揮（編排）」上分出？歡迎留言分享您的看法。

參考資料 & 延伸閱讀

核心來源

產業通商資源部，〈大韓民國大飛躍三大兆級專案國民報告會〉新聞參考資料及附件報告，2026.06.29.：昨天發表的原文。整理了半導體 3S+1F、物理 AI 3M、AIDC 18.4GW 計畫。
Sakana AI, “Sakana Fugu: One Model to Command Them All”, 2026.：日本編排策略的產品證據。也是日本篇的核心來源。
科學技術情報通信部，〈自主 AI 基礎模型專案第一次評估結果〉，2026.01.15.：Naver Cloud 落選與「從零打造」標準爭議的原文。

背景知識

The New York Times, “The Real A.I. Race Isn’t America vs. China”, 2026.：AI 競爭的真正軸線不是美中對決，而是「國家權力 vs. 民間企業」的觀點。與本三部曲的問題意識相呼應。
ZDNet Korea，〈[Yumi’s Pick] 會見黃仁勳的 LG・SKT・Upstage……自主 AI 第二戰的變數？〉，2026.06.09.：獨基模四強爭奪現況與 8 月第二次評估日程。
South China Morning Post / IndexBox, “DeepSeek upgrades V4 with DSpark”, 2026.06.：中國「規模化效率化」策略的最新案例。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

DSpark：DeepSeek 在 V4 中導入的推理加速框架。不是逐個生成 token，而是以小批次為單位生成（準自回歸生成），並動態調整驗證量，宣稱將回應速度提升最多 85%。核心是降低對更大晶片的依賴。 ↩
資料中心未啟用：根據 MIT Technology Review 等報導，中國 2023~2024 年宣布的 500 多座資料中心中，實際運行者僅佔一部分，已運行者中最多 80% 的算力資源處於閒置狀態。這是需求結構從訓練中心轉向推理中心的結果。 ↩
後訓練（Post-training）：不是從頭進行預訓練，而是在已訓練的模型上疊加額外訓練、對齊、工具連接的階段。Sakana 認為資源受限國家的戰略重心應放在這個層級。 ↩
Swappable Pool：Fugu 調配的前沿模型組合。即使特定模型因出口管制等被排除，也能用其他可取得的模型動態重組以維持效能。目標是不受供應商束縛的前沿效能。 ↩
從零打造（From scratch）：不重用現有模型或權重，從權重初始化開始，到數據收集、架構設計、訓練，全過程自主完成的方式。這是政府作為「自主模型」標準的條件，Naver 因借用海外編碼器而被淘汰。 ↩
獨基模四強爭奪：截至 2026 年 6 月，LG AI 研究院、SK Telecom、Upstage、Motif Technologies 四隊競爭中。8 月第二次評估淘汰 1 隊，2027 年 2 月最終選定 2 隊。 ↩