中美 AI 競速邁向 2027 臨界點，WHY Monad?

作者：Harvey C

從去年開始，全球對人工智慧的熱情就開始持續升溫。 無論是海外科技巨頭或國內研究機構，都在瘋狂加大AI模型的投入與發布節奏。

今天，我們從中美AI的賽跑現狀、對2027年可能出現的里程碑時刻的預期，以及為什麼AI項目應該選擇在Monad上構建，來聊聊AI未來的巨大潛能與機遇。

1. 中美AI競速：算力受限下仍進展神速

近年來，美方對中國AI產業的算力芯片封鎖廣受關注。 然而，從實際成果來看，“硬件瓶頸”並沒有如想像般大幅延緩大陸AI的研究進程。 就拿近期中美大模型的迭代速度來說，差距已經縮小到幾個月甚至更短。

• 追趕者的實力：OpenAI推出的「o1-preview」不過四個月前，o1正式版也只是在一個月前上線。 幾乎在同一時間段，大陸就有了與之指標相當的推理模型。 量化巨頭幻方旗下大模型公司DeepSeek就推出開源推理模型DeepSeek-R1在多項指標上與o1難分伯仲，甚至在一些定制化場景上更加“接地氣”，此前DeepSeek的V3 的發布，已經強烈 讓Llama 4感受東方追趕的壓力。 另外，Kimi發表了全新的強化學習模型k1.5，OpenAI之後首個多模態類o1模型，能同時對文本與圖像進行聯合推理。

• 語音多模態的爆發：豆包GPT-4o高級語音模式對標Gemini 2.0和GPT-4o，也同樣在國內迅速亮相。 這些技術原本被認為是高算力專屬，但顯然大陸廠商透過多種繞行和最佳化演算法，做到了在算力不充分的條件下依舊快速迭代。

從這一系列跡象可以看出，即便算力仍存在差距，大陸的AI研究者也在快速追隨海外腳步。 只要有前人試錯鋪路，後來者往往能省下昂貴的“碰壁成本”。

2. 海外領跑者的經驗，提供追趕者「抄作業」的機會

在深度學習蓬勃發展的這些年，行業對AI範式的理解也在不斷演進。 大型語言模型（LLM）成了當前的熱點，但與此同時，另一條路線——強化學習（Reinforcement Learning），正在重新獲得更多關注。

AI範式演進

• AI範式隨時代轉變：人工智慧發展分為幾個主要分支，符號主義（基於邏輯的AI）以規則推理和形式邏輯為核心，擅長處理確定性任務；連結主義（神經網路）模仿人 腦的計算方式，透過分層結構從資料中辨識模式。 貝葉斯人工智慧（機率AI）強調透過機率建模不確定性，強化學習(RL)透過動態環境中的試誤優化行為，進化人工智慧利用自然選擇的原理來進化解決方案，混合人工智慧結合 多個範式的優勢，打造更強大、更靈活的系統。 這些範式隨著時間演進而各領千秋。

• 快速複製與迭代：海外先跑一步，大陸就能在模式驗證後以更低成本迅速跟進。 例如多模態甚至o1推理模型等。 網路時代的歐美研發、大陸商業化的老路讓人感覺似曾相似，實現路徑已在歐美踩過坑，大陸團隊透過復現和改良，用時往往大大縮短。

大陸的Deepseek透過增強訓練以更低成本帶給美國競爭對手極大壓力

一方面，海外的一線實驗室為行業打下了前沿探索的基礎；另一方面，大陸團隊也並非只是被動追隨，而是不斷“融會貫通”，並且在算力資源相對受限情況下， 另闢蹊徑，在強化學習與推理方面做出更靈活的落地方案。

3. 強化學習或許是近期AI新的突破口

DeepSeek近期推出的新模型，用強化學習取代大部分有監督微調（SFT），從而降低了對特定領域數據標註的依賴。 這打開了垂直領域泛化的可能性：只要有一個明確的獎勵函數，模型就能在自我迭代中持續提升推理能力，在1的開源分享中，我型在強化學習環境裡自我探索，讓該 模型具備一定程度的自我優化能力。

這意味著不需大量只要有夠算力，模型就能依賴RL路徑持續演化。 儘管美國在硬體和技術上對中國施加限制，但這種「另闢蹊徑」的方法降低了對傳統大規模訓練資源的需求，也讓更多大陸研究者看到快速追上的可行性，值得其他希望 擁有自身大模型能力的組織仿效學習。

4. 2027年或許是AI時刻，大量工作會被取代或重新定義

AI的突飛猛進，讓我們思考究竟速度有多快和極限在哪裡，近日Anthropic的CEO Dario表示：「2027年會看到模型在絕大多數領域超過人類，背後的原因不脫以下因素：

• 強化學習的連續迭代：與過去“訓練-測試-推理”嚴格分離的方式不同，在深度學習高度發展的情況下，新一波AI能力的突破可能會採用混合方式比如結合強化學習方式 進行自我迭代，“在線”反思與更新，讓它們的認知能力快速躍升。

• 產業資本的強力支持：芯片製造龍頭台積電近期在業績發布會上給出的預期顯示，AI業務在2024～2029年的年復合增長率可達45%左右，到2029年可能是2024年 的近20倍。 背後的需求主要來自OpenAI等巨頭的算力投入。 這同樣預示著AI將滲透到幾乎所有能夠想像的應用領域。

AI成為台積電未來業務增長最快的領域

2027年很可能成為AI能力快速爬升的關鍵節點。 在這個時間點前後，許多過去需要人力評估和創造的工作，將逐步被模型取代或重新定義，帶來社會形態與經濟模式的深刻變化。

例如我很喜歡的一個由Benjamin Bloom提出並進過一系列的修訂後的布魯姆分類學（Bloom's Taxonomy），就把人類的認知領域分成六大塊，而AI的飛速發展，也許 在2027年，除了評價和創造，甚至除了創造以外，大模型也許都能完成所有的事務。 留給人類的時間不多了，人類要幹嘛？ 這值得開啟另一個話題。

銀翼殺手 (Blade Runner) (1982)

5. 為什麼AI項目應該選擇在Monad生態開發

說回正題，區塊鏈與AI的結合不少人還停留在“概念炒作”的印象裡。 然而我認為，AI項目結合Monad技術特性，能提供獨特的應用價值，所以 Monad 是區塊鏈 AI 項目 Build 的不二選擇，原因如下：

• EVM本身豐富的數據：獲得多樣化、高品質的數據，對訓練出更精準、更強大的模型至關重要。 以EVM為基礎的生態早已累積了大量合約資料、交易資料以及使用者行為，這些都可為AI提供情境訓練。 相較於一些剛起步的區塊鏈環境，EVM生態早已成熟，能為AI訓練與推理提供「資料富礦」。

• MonadDB數據庫適配實時數據：抓取實時網絡信息對AI的時效性至關重要特別在Defi領域。 MonadDB的高速數據獲取能力與低Gas fee，為模型隨時調取最新的鏈上或鏈外信息提供了強大支持。

• 高速度與低成本的環境：Monad 實現了每秒10,000 筆交易的吞吐量，區塊生成時間為1 秒，提供AI Agent經濟行為落地的友好環境，透過鏈上交易、抵押、支付等 操作。 Monad EVM環境提供高效率、低成本的落地環境，賦予AI代理「動真格」的工具。 低手續費讓「高頻次、微小交易」成為可能，進一步豐富了AI代理互動的使用場景。

• 並行執行：現有研究表明，混合AI協作能提供更複雜與難度更高的任務，Monad的並行執行環境允許在鏈上可同時運行Agentic Swarms讓多個模型協作。

總的來說，目標是讓現有或未來的AI 智能體能夠在Monad上Build從而在EVM 環境中獲得順暢的使用體驗，並利用已有的各種defi 協議和基礎設施，為打造 下一代的AI 體驗奠定基礎。

6. 華語AI開發者的邀請

正如我的同事Jing、Evan的X動態中多次提及的各類AI相關文章和案例等等，Monad一直以來都非常歡迎和支持AI項目在Monad生態上生根發芽，我另外想特別 從華語AI開發者的視角來說明原因：

• 在中美AI競爭大背景下，華語開發者可能面臨跨國資源或合作的限制。

• 然而，區塊鏈世界講究的是全球化與去中心化。 在Monad上，您可以面向全球用戶，而不用擔心被"貼標籤"，同時運用去中心化的優勢來規避地緣政治與技術壁壘。

Monad誠摯地邀請各位AI實務工作者與開發者加入Monad生態，一起打造屬於使用者、主權自我的創新產品。 歡迎野心勃勃的創業家在Monad上開發，致力於透過多種支援幫助各位成功，這些針對開發者的支援包含目前正在進行的evm/accathon、Mach加速器、Jumpstart計畫、The Studio、The Foundry、Monad Madness 等。 無論您是想做區塊鏈上的AI金融交易模型，還是希望建立自適應學習的去中心化機器人，都可以在Monad找到更高速、更低成本、更開放的技術支援。