能力趋同，结构分化：中美 AI 差距、开闭源竞争与全球秩序

证据范围与口径：本文是一篇研究型综述，资料检索截至 2026 年 7 月 20 日。所谓“美国模型”或“中国模型”，按主要开发机构所在地归类，不等于模型的研究者、芯片、数据和用户都来自该国；所谓“开源”，严格区分完全开源、开放权重与仅提供 API 的闭源系统。模型排行榜、投资额和算力估计均有方法误差，文中不把单一指标解释为国家综合实力。

摘要

“中国人工智能究竟落后美国多少”看似是一个可以用排行榜回答的问题，实际上至少包含七个不同问题：最强模型的能力差多少、能否连续产出前沿模型、掌握多少先进算力、资本能否承受高风险试验、研究与人才是否可持续、技术能否低成本扩散，以及制度与产品能否取得全球信任。

本文综合 Stanford HAI《2026 年人工智能指数报告》、OECD、UNCTAD、OSI 开源定义、同行评审论文和各国政策文件，得到三个主要结论。

第一，中美前沿模型的可测能力已经高度趋同，但资源基础远未趋同。截至 2026 年 3 月，AI Index 记录的中美顶尖模型综合性能差距为 2.7%，且双方自 2025 年初以来多次交替领先；但 2025 年美国机构产出 59 个“重要模型”，中国为 35 个，美国私人 AI 投资额为 2859 亿美元，中国为 124 亿美元。能力差距缩小，不等于资本、算力、实验密度和供应链差距消失。¹²³

第二，中美正在形成两种不同但并非绝对的技术—商业组合。美国前沿实验室以闭源 API、云平台和巨额资本支出占据高价值产品入口；中国企业则更系统地利用开放权重、低价格、工程效率和大规模产业部署扩大生态。DeepSeek-R1、Qwen 等案例说明，开放模型既是研发协作方式，也是降低采用门槛、建立事实标准和对冲算力约束的产业战略。然而，“开放权重”通常并不等于训练数据、训练代码和完整流程均可复现的“完全开源”。

第三，未来不会简单演化为中美二选一，也不会由开源或闭源一方通吃。欧盟试图以规则、科研与公共算力建立第三极；印度、英国、日本、韩国、阿联酋和新加坡分别围绕本地语言、主权算力、机器人、芯片、完全开源和区域治理建立比较优势。更可能出现的是一个分层市场：少数闭源前沿模型负责高成本能力探索，大量开放权重模型负责本地化、私有部署和价格扩散，各国在芯片、云、模型、数据、评测与监管的不同层级上寻求“可替换性”。

关键词：中美人工智能；大语言模型；开放权重；闭源模型；算力；技术扩散；人工智能治理；数字主权

一、研究问题：为什么“谁领先”不是一个单变量问题

1. AI 领导力是一组向量，不是一个总分

若把一国的 AI 能力写成向量，可以表示为：

其中：

不同国家可能在不同坐标上领先。例如，一个国家拥有最强的闭源模型和最多资本，却未必拥有最便宜、最容易本地部署的模型；另一个国家拥有巨大的制造业现场和开放模型生态，却可能受制于先进芯片和全球云基础设施。因此，“中美差距”更准确的表述应是：哪些差距正在收敛，哪些差距仍在扩大，哪些差距因技术路线变化而失去原来的解释力。

2. 本文的方法与限制

本文采用“指标三角验证”：模型能力主要参考独立评测与 AI Index；研发、投资和基础设施参考 AI Index、OECD 与 Epoch AI；政策和国家项目优先使用政府原文；开源概念采用 Open Source Initiative（OSI）定义并与 Stanford 透明度研究互证；具体模型案例优先引用论文和技术报告。

这种方法仍有四个限制。

1. 榜单会漂移。提示词、采样参数、测试污染、模型版本和评测集都可能改变排名。
2. 公司披露不对称。闭源公司通常不披露训练数据、参数量和训练时长；开放权重公司也未必披露完整数据与代码。
3. 国家归属并不纯粹。美国实验室依赖全球人才与台湾制造，中国模型也建立在全球论文、开源软件和进口或国产芯片之上。
4. 资金口径不可直接相加。私人投资、政府采购、引导基金、国企资本开支和科研预算不是同一种统计量。

因此，本文的目标不是制造一个新的“国家总分”，而是解释结构。

二、最容易被误读的事实：模型能力接近了，体系能力仍不相等

1. 第一层：顶尖模型的基准差距已降到个位数

AI Index 2026 的技术性能章节指出，美国与中国顶尖模型的性能差距已经“有效闭合”：2025 年 2 月，DeepSeek-R1 一度追平当时最强的美国模型；此后双方多次交替领先；截至 2026 年 3 月，美国最强模型领先 2.7%，过去一年差距保持在个位数区间。同期，Arena 人类偏好排名的头部不仅包括 Anthropic、xAI、Google 和 OpenAI，也包括 Alibaba 与 DeepSeek。²

这说明中国已经不再只是“用更低价格复制数年前能力”，而是能够在推理、代码、工具使用和通用对话的若干前沿方向参与同代竞争。但 2.7% 不能被解释成“中国综合 AI 只落后 2.7%”，原因包括：

• 综合指数会压平模型在可靠性、长任务、中文、数学、视觉、科研和代理执行上的锯齿状差异；
• 最优成绩可能依赖更长的推理时间、更高 token 消耗或特定脚手架；
• 一次发布接近第一，不等于下一代训练仍能按时完成；
• 公开模型的离线成绩不等于 API 可用性、速率、服务稳定性和企业支持。

更严谨的结论是：中美最强模型已进入同一竞争带，但美国仍拥有更厚的前沿供给曲线。

2. 第二层：美国仍有更密集的前沿实验室和模型产出

AI Index 记录，2025 年美国机构产出 59 个“重要模型”，中国为 35 个。中国同时在 AI 论文总量、引用量和专利授权数量上领先，美国则在高影响力专利和重要模型开发上保持领先；中国进入全球被引最高 100 篇 AI 论文的数量，从 2021 年的 33 篇升至 2024 年的 41 篇。¹

这组看似矛盾的数据其实揭示了创新体系的不同截面：

• 论文与专利数量说明中国拥有巨大科研和工程人口，知识生产规模不弱；
• 高影响专利、前沿模型数量与产业资本说明美国更擅长把全球顶尖人才、云平台、芯片和风险资本聚集到少数高强度项目；
• 中国的 35 个重要模型已经足以否定“只有美国能训练前沿模型”，却不足以否定美国在实验密度和容错资本上的优势。

技术竞争的稳定性取决于“第二名、第三名、第五名实验室是否仍能继续试错”，而不仅是第一名。因此，模型榜首是瞬时变量，实验室队列厚度才是结构变量。

3. 第三层：资本和算力是最明显、也最难迅速弥合的差距

2025 年美国私人 AI 投资达到 2859 亿美元，中国为 124 亿美元，名义差距约 23 倍。AI Index 同时提醒，这一口径会低估中国的公共与准公共资本：2000—2023 年，中国政府引导基金向 AI 企业配置的累计规模估计为 1840 亿美元。但“23 年累计政府引导基金”与“一年私人投资”仍不能直接比较。³

在基础设施侧，美国拥有 5427 个数据中心，超过任何其他国家的十倍。Epoch AI 根据先进 AI 芯片销售和所有权建立的估计则认为，截至 2025 年末，中国客户掌握的领先 AI 芯片累计算力略高于全球 5%；该估计明确不包含走私芯片，且国产芯片性能和利用率换算存在较大不确定性。¹⁴ 无论接受哪一种精确比例，先进加速器、高带宽内存、先进制程和超大云集群仍是中国最清楚的外部约束。

美国从 2022 年起持续收紧对华先进计算芯片、半导体制造设备、HBM 与相关软件的出口控制。2024 年 12 月的规则新增了 24 类制造设备、3 类软件工具和 HBM 控制，并将 140 个实体加入实体清单；2025 年的国会研究报告把政策目标概括为维持美国在先进芯片和 AI 应用上的领先，同时减缓中国获得竞争性能力。⁵⁶

但出口控制的效果不是线性的。它会抬高中国训练同等模型的成本，限制最大规模的并行试验；也会同时激励稀疏架构、低精度训练、通信优化、蒸馏、推理压缩、国产芯片适配和模型开放。约束能够降低资源上限，却不自动决定算法效率和生态扩散的上限。

4. 第四层：真实部署可能形成与互联网不同的数据优势

中国在 2024 年占全球工业机器人新增安装量的 54%，超过世界其他地区之和；截至 2025 年 12 月，中国生成式 AI 用户达到 6.02 亿，较上年末增长 141.7%。³⁷ 这些数字不能直接证明中国拥有更强的具身智能或更高生产率，却说明其拥有大规模应用试验场。

美国国会下属美中经济与安全审查委员会的一份 2026 年研究报告把中国路线概括为两个反馈环：开放模型带来开发者采用和迭代的“数字环”，制造、物流和机器人部署产生专有现场数据的“物理环”。该报告带有明确的美国国家安全政策视角，其因果判断不应当作中立定论；但“部署—数据—再训练”的机制值得重视。⁸

下一阶段模型的关键数据未必继续主要来自公共网页。设备故障、工艺参数、机器人操作、医疗流程、企业软件执行轨迹和用户纠错，可能比增加一批通用网页 token 更有价值。若中国能解决数据孤岛、质量、隐私和跨企业协作问题，其制造规模可能转化为优势；若不能，海量设备只会产生海量不可用日志。

三、中国为什么能迅速接近：DeepSeek 不是孤立的“低价奇迹”

1. 算法—系统—硬件协同，把资源约束转化为效率压力

DeepSeek-V3 技术报告披露，模型完整训练消耗 278.8 万 H800 GPU 小时，其中预训练 266.4 万小时；按报告假设的每 GPU 小时 2 美元计算，对应 557.6 万美元。⁹ 这个数字经常被误读。

它只表示一次已知架构与训练方案的计算租赁等价成本，不包括此前失败实验、研究人员薪酬、数据获取与清洗、集群建设、推理服务和组织多年积累，不能与另一家公司全部研发支出直接比较。但它仍然提供了重要证据：通过 MoE 稀疏激活、负载均衡、低精度训练、通信与计算协同设计，前沿能力不必机械对应最高公开资本支出。

随后，DeepSeek-R1 把强化学习驱动的推理训练推向全球开发者视野。相关论文于 2025 年发表于 Nature，模型权重以 MIT 许可提供；论文同时承认，R1-Zero 的规则奖励训练主要针对可验证推理，在写作和开放域问答上存在局限。¹⁰ 这正是学术评价应有的尺度：它既不是“证明中国全面超越”的神话，也不是“只会蒸馏”的零创新叙事，而是可检验、可批评并显著影响全球研究路线的工程成果。

2. 开放权重让模型从产品变成生产资料

闭源 API 的用户只能调用能力；开放权重的使用者可以在许可允许的范围内量化、微调、蒸馏、私有部署、改造推理框架并嵌入硬件。由此形成的价值不是一次下载，而是衍生生态。

截至 2026 年 3 月，美中经济与安全审查委员会报告称，Alibaba Qwen 已在 Hugging Face 形成超过 10 万个衍生模型，为当时规模最大的模型家族生态。⁸ 该指标包含重复上传、量化版本和低质量衍生物，不能等于 10 万个独立创新；但它仍能说明开发者默认底座的迁移。一个模型一旦成为教育、插件、推理引擎、端侧芯片和行业微调的共同接口，其影响力就可能超出原开发者直接收入。

这与 Android、Linux 或开源数据库的竞争逻辑相似，但又不完全相同。模型权重本身携带训练结果，复制的边际成本低；重新训练它的成本却极高。开放权重因此能够快速扩散“已经训练好的能力”，却不一定把训练能力本身民主化。

3. 低价格既是效率结果，也是争夺标准的手段

对模型提供商而言，闭源高价有利于回收训练资本、积累交互数据并控制产品体验；开放权重与低价 API 则能降低开发者的切换阻力，扩大推理框架、芯片适配和行业方案的覆盖。当基础能力差距缩小后，价格、时延、上下文长度、私有化和本地语言往往比排行榜相差一两分更能决定采购。

因此，中国开放模型战略的真实竞争对象，不只是某个美国模型的分数，而是美国云与 API 对全球开发入口的控制。反过来，美国的优势也不只是“模型更聪明”，而是能把模型嵌入搜索、办公软件、开发工具、云、安全和企业销售网络。

4. 政策从“训练大模型”转向“AI+”全产业扩散

中国 2025 年发布的“人工智能+”行动意见，把重点放在科技、产业、消费、民生、治理和全球合作的广泛融合；2026 年又发布智能体应用发展指引。¹¹ 与美国强调创新、基础设施和向盟友出口“全栈 AI 套件”的行动计划相比，两国都已不再把竞争限定在模型训练，而是试图控制从芯片到应用、从标准到国际伙伴的完整栈。¹²

差异在于，美国更依赖超级云厂商和前沿实验室向全球输出商业栈；中国更强调低成本模型、产业场景、公共协调和面向发展中国家的可获得性。两种路线内部都有开源与闭源，不应被描述成纯粹二元对立。

四、美国为什么仍占结构优势：资本、芯片、云与全球人才的乘法效应

1. 前沿研发已经成为极重资本产业

2025 年，超过 90% 的重要 AI 模型由产业界开发，多家最先进实验室不再披露参数量、训练数据规模或训练时长。¹ 这意味着前沿模型研究已经从大学主导的可复现实验，转向少数企业能够承担的超大规模工程。

美国的优势来自几个环节相乘，而不是简单相加：

NVIDIA、AMD 与主要云平台构成计算供给，OpenAI、Anthropic、Google、xAI 等实验室形成竞争队列，办公、搜索、广告、开发工具与云服务又提供分发和现金流。某一家公司失败，不会立刻使整个国家退出前沿竞争。

2. 芯片优势实际上是一条跨国供应链优势

“美国算力”不是完全在美国制造的算力。AI Index 指出，几乎所有领先 AI 芯片都依赖台湾一家晶圆代工企业制造；先进制造同时依赖荷兰光刻、日韩材料与存储、美国设计软件和全球设备供应商。¹

因此，更准确的说法不是“美国独自控制芯片”，而是美国在一个以盟友供应链为基础的先进计算网络中拥有最强的规则、设计和需求影响力。台湾是硬件体系的关键节点，荷兰、日本和韩国并非竞赛旁观者，而是中美双方都难以替代的上游参与者。

3. 全球人才仍向美国集中，但吸引力并非永恒

AI Index 2026 认为，美国拥有的 AI 人才总量仍高于任何其他国家，但进入美国的 AI 研究者和开发者数量相较 2017 年下降 89%，仅过去一年就下降 80%。瑞士和新加坡则在人均 AI 研究者与开发者上领先。¹

这说明人才优势具有制度条件。移民政策、科研开放、大学经费、创业回报和生活预期，都会决定美国能否继续把全球教育体系产生的人才转化为本国创新。中国同样面临顶尖人才流动、组织激励与学术开放的问题。AI 竞争最终不是静态人口比较，而是“哪里能让高水平团队连续做十年高风险工作”。

4. 闭源不只是保密，也是商业组织方式

闭源模型允许企业：

• 通过 API 统一更新模型、修复安全问题和控制服务质量；
• 保护训练数据、后训练配方、用户反馈和系统提示等无形资产；
• 用订阅和按量计费回收极高的训练与推理投入；
• 把模型与云、办公、搜索、广告和企业支持捆绑销售；
• 降低权重被直接复制、去除安全约束或用于竞争性蒸馏的风险。

它的代价则是外部研究者难以审计、企业客户受供应商锁定、国家和组织难以验证数据治理，社会也更难知道通用基础设施的真实边界。闭源可以提高某些运营安全，却不能自动带来公共透明和政治信任。

五、开源与闭源：先把最混乱的概念说清楚

1. “能下载”不等于“完全开源”

OSI 的《开源人工智能定义 1.0》要求使用者拥有使用、研究、修改和分享系统的自由，并获得修改系统所需的“优选形式”，包括足够详细的训练数据信息、训练和数据处理代码、架构与模型参数。¹³

按这一严格标准，市场上常被称为“开源大模型”的许多模型，更准确地说是“开放权重”。

这个区分不是文字游戏。若只有权重，研究者可以检查输出、探测神经元和重做后训练，却不能知道每条训练数据从何而来，也难以完整复现基础模型。反过来，即使训练代码和权重全部公开，神经网络也不会因此变成可逐行解释的传统程序。Nature 的分析指出，开放程度提高了检查和修改的可能，但并不能让人准确预测模型在每种情境中的行为。¹⁴

2. 开放模型的主要优势

第一，降低进入壁垒。开发者无需为每次实验向单一 API 付费，可以在本地或竞争性云平台上运行模型。高校、中小企业和低资源语言社区由此获得可修改底座。

第二，促进互补创新。量化、推理引擎、适配器、领域数据集、评测和安全工具可以由不同组织并行开发。模型本身未必创造全部价值，却能扩大芯片、云、软件和服务市场。

第三，支持数据主权和离线部署。医疗、金融、政府、国防和制造企业可以把数据留在自己的安全边界内，降低跨境传输和供应商锁定。

第四，改善可检验性。Stanford 2025 年基础模型透明度指数显示，5 家开放权重开发者的总体透明度高于 8 家闭源开发者，并在各评估领域均占优；但该研究同样强调，开放与透明相关，却不是透明的充分条件。¹⁵

第五，扩大语言与文化覆盖。主流商业模型会优先优化付费能力强、数据多的语言市场；开放底座允许地方团队用本地语料、规范与评测修正偏差。

3. 开放模型的主要成本与风险

运营成本不会因权重免费而消失。企业仍要购买或租用 GPU，维护推理、监控、补丁、访问控制和合规团队。对于使用量不大、需求波动或缺乏运维能力的组织，闭源 API 的总拥有成本可能更低。

责任链更分散。基础模型开发者、微调者、托管方和应用方都能改变系统，事故发生后很难把责任归给单一主体。

安全能力可以被移除。开放权重使防护研究更容易，也使攻击者更容易去除拒答、批量自动化滥用或针对特定目标微调。风险大小取决于模型能力、可替代性、攻击资源和已有信息，而不能只由“开或闭”判断。

数据透明仍然不足。许多开放权重模型没有公开完整数据清单和训练流水线，版权、隐私、偏见与污染问题仍然存在。

4. 闭源模型的主要优势与代价

闭源 API 更适合需要最高前沿能力、稳定 SLA、快速升级、成熟工具链和单一责任主体的客户。集中托管也便于撤回问题版本、监测异常调用和部署新的防护。

其代价是供应商锁定、价格不确定、外部审计困难、数据跨境风险与能力配给。模型提供商可能在没有客户控制的情况下改变行为；一个国家如果只依赖外国闭源 API，就很难保证战时、制裁、合规冲突或商业退出时的连续性。

5. 真正的均衡是“开放底座 + 闭源增值”的混合结构

现实企业不会为了意识形态只选一种模式。更常见的组合是：

• 用闭源前沿模型处理最高难度、低频任务；
• 用开放权重模型承担高频、稳定、隐私敏感和成本敏感任务；
• 用路由器根据准确率、成本、时延和地域自动选择模型；
• 把企业数据、评测集、工作流和权限系统掌握在自己手中，使底层模型可替换。

因此，开闭源竞争的终局更可能像云计算与数据库，而不是一场只剩一个许可证的战争。

六、全球不是观众：其他国家正在选择不同的“第三路径”

UNCTAD 指出，AI 能力高度集中：美国和中国约占全球 AI 专利的 60%，全球研发投入最高的 100 家企业中，除中国企业外没有其他发展中国家企业；美国拥有超过一半的全球计算能力。¹⁶ 这解释了为什么越来越多国家讨论“主权 AI”，但主权并不等于从晶体管到模型全部国产。

更可行的主权定义是：在关键层拥有议价能力、可迁移性和最低可持续供给。

1. 欧盟：以规则和公共算力换取战略空间

欧盟通用人工智能模型义务自 2025 年 8 月 2 日起适用：一般 GPAI 提供者须准备技术文件、实施版权政策并公开训练内容摘要；被视为具有系统性风险的模型还须进行风险缓解、事故报告与网络安全保护。2026 年 8 月起，欧盟委员会进入全面执法阶段。¹⁷

这不是单纯“用监管代替创新”。欧盟 2025 年推出 InvestAI，目标动员 2000 亿欧元 AI 投资，其中 200 亿欧元支持最多五座 AI Gigafactory，以公共—私人合作扩大科研与企业算力。¹⁸ 欧盟的机会在于把合规、工业数据、多语言模型和可信采购结合起来；风险则是规则先统一、资本和市场却仍碎片化，最终让合规成本更容易被美国大公司吸收。

2. 印度：不复制美国，而是用公共算力解决本地语言与公共服务

截至 2026 年 2 月，IndiaAI Mission 已接入超过 3.8 万块 GPU，遴选 12 个团队开发本土大模型或小模型，并支持 30 个印度场景应用。项目重点是印度语言、医疗、农业、教育和公共治理，而非立即在全球通用榜单夺冠。¹⁹

这是一种值得发展中国家参考的策略：不把全部预算押在一个超大模型，而是建设共享算力、公共数据平台和开放底座，让大学与创业公司围绕本地问题竞争。它的难点在于，多语言数据治理、公共采购效率和长期基础研究不能只靠一次 GPU 集采解决。

3. 日本与韩国：把 AI 嵌入既有工业优势

日本 METI 与 NEDO 的 GENIAC 自 2024 年起为基础模型开发提供算力；2026 年项目进一步转向制造数据 AI-Ready 和机器人基础模型，直接回应人口老龄化、劳动力短缺与供应链自治。²⁰ 韩国则依托存储、电子和网络产业发展国产模型，并使《AI 基本法》于 2026 年 1 月生效，试图同时建立产业促进与可信使用框架；AI Index 还将韩国列为人均 AI 专利领先国家。²¹

日韩不必在所有通用聊天能力上超越中美，也可能在存储、机器人、汽车、工业控制和端侧设备上占据高价值接口。

4. 阿联酋与新加坡：开放模型成为小国放大影响力的工具

阿联酋 MBZUAI 在 2026 年发布 K2 Think V2，宣称从预训练数据、整理、训练到后训练和评测均开放。与只发布权重的模型相比，这种“可复现主权模型”更接近 OSI 所要求的完整开放，也服务于阿拉伯语和区域科研生态。²²

新加坡的 SEA-LION 则针对东南亚语言、方言和文化语境，支持 13 种以上区域语言；其思路不是从零训练最大模型，而是在 Llama、Gemma、Qwen 等开放底座上继续训练，并把结果反馈给区域机构。²³

这两个案例说明，对中等或小型经济体而言，开放模型的地缘价值在于：用有限算力换取可见度、人才训练、本地语言覆盖和国际合作，而不是独占全球消费者入口。

七、“全球怎么看”：公众态度并不等于政府阵营

讨论全球 AI 格局时，最危险的简化是把国家政策直接当成民众态度，或把民众对 AI 的乐观直接当成对某个国家的信任。

AI Index 2026 汇总的全球调查显示，2025 年认为 AI 产品与服务“利大于弊”的比例从 55% 升至 59%，但表示 AI 令其紧张的比例也升至 52%。马来西亚、泰国、印度尼西亚和新加坡等东南亚国家最相信 AI 将深刻改变生活；印度的紧张情绪则一年上升 14 个百分点。全球 58% 的雇员表示在工作中半定期或定期使用 AI，而印度、中国、尼日利亚、阿联酋、埃及和沙特均超过 80%。²⁴

这种“又期待、又不安”才是全球主流，而不是单一技术乐观主义。

Pew 2025 年对 25 国的调查中，受访者对欧盟有效监管 AI 的信任中位数为 53%，对美国为 37%，对中国为 27%；美国受访者对本国政府负责监管 AI 的信任仅 31%，在调查国家中最低。²⁴²⁵ 这至少说明三点：

1. 技术领导不自动转化为治理信任。美国拥有最强资本与模型，却未因此获得最高监管信任。
2. 中国的低成本模型具有吸引力，但对数据、审查、网络安全与国家影响力的疑虑仍会限制政府采购。
3. 欧盟可能以规则成为“制度第三极”，即使其模型和资本不是全球第一。

发展中国家的真实选择也不是抽象的中美价值观投票。采购者会问：模型是否支持本地语言、价格能否承担、数据能否留在境内、是否提供权重、能否获得 GPU、制裁和出口控制会不会中断服务、监管是否承认。谁能回答这些具体问题，谁才可能获得长期影响力。

八、未来会怎样：2030 年前的四个可检验判断

预测 AI 最容易犯的错误，是把最近六个月的斜率画成未来五年的直线。下面不是确定预言，而是基于当前结构提出的条件性判断。

判断一：中美顶尖模型会反复交替领先，稳定代差很难重现

只要中国仍能获得足够算力、发表工程成果并维持开放生态，其头部模型就可能继续停留在全球第一梯队；美国凭资本、芯片、云与实验室密度，更可能在新范式刚出现时率先探索。结果将是数月级交替，而不是长期固定冠军。

这个判断的反证条件是：某一方在新的能力范式——例如长期自主代理、世界模型、科学发现或通用机器人——形成超过一代且持续扩大的优势，而另一方连续多个发布周期无法复现。

判断二：性能差将让位于“每个可靠任务的成本”

未来企业采购不会只比较每百万 token 单价，而会比较：

一个价格低十倍却需要更多重试的模型未必便宜；一个分数高两点却无法私有部署的模型也未必可用。中国模型若保持成本优势并提高可靠性，将持续扩大海外采用；美国闭源模型若能把能力优势转化为更低失败率和更完整企业责任链，仍能维持溢价。

判断三：开源不会消灭闭源，但会压缩闭源的超额利润边界

AI Index 显示，截至 2026 年 3 月，最强闭源模型领先最强开放模型 3.3%，高于 2024 年 8 月的 0.5%；Arena 前十中有六个闭源模型。² 这表明开放与闭源差距并非单向缩小。

更可能的循环是：闭源实验室先用巨额资本探索新能力，开放模型通过论文、人才流动、蒸馏、再实现和更高效架构追近；闭源企业再把竞争转向代理系统、私有数据、工具、分发和服务。开放模型把通用能力变成价格不断下降的公共生产资料，闭源企业则不断寻找新的稀缺层。

判断四：全球格局将从“两个国家”转向“六层供应链”

到 2030 年，国家实力更可能按以下六层衡量：

1. 芯片与设备：美国、台湾、荷兰、韩国、日本的跨国网络；
2. 超大算力与能源：美国、中国、中东和少数欧洲、亚洲节点；
3. 前沿基础模型：以中美为主，欧洲和中东维持少量第三极项目；
4. 开放模型与本地化：中国、美国开源社区、欧洲、印度、中东和东南亚共同参与；
5. 行业数据与应用：各国都可能在医疗、制造、金融、政务和语言上形成局部优势；
6. 规则与审计：欧盟、美国、中国及多边组织竞争标准，企业面对多重合规。

一个国家没有必要控制六层，但如果每一层都只有单一外国供应者，就没有真正的战略自主。

九、三种未来情景：竞争、扩散与碎片化会同时发生

情景 A：分层寡头与混合部署——最符合当前结构

少数美中公司承担最昂贵的前沿训练，云平台提供闭源高端服务；开放权重模型在企业私有化、端侧和发展中国家扩散；欧洲以规则和公共算力维持独立性。企业普遍采用多模型路由。竞争激烈，但全球技术栈仍互相依赖。

情景 B：开放模型商品化速度超过闭源能力前移

若训练效率、合成数据、蒸馏和硬件适配持续进步，而闭源模型在真实任务上的边际优势变小，通用模型价格可能接近基础云服务成本。价值将上移到专有数据、代理工作流、验证、安全、芯片和分发。中国开放模型及全球社区受益，单纯销售 token 的商业模式承压。

情景 C：安全与地缘冲突推动技术栈分裂

若芯片限制、模型禁令、数据本地化和军民两用风险继续升级，全球可能形成多个互不完全兼容的芯片—云—模型—标准阵营。短期看，这会增加各国本土投资；长期看，它会减少研究交流、重复建设、提高中小国家成本，并使开源模型成为跨阵营流通的替代通道，也成为更严格审查的对象。

三个情景并不互斥：消费市场可能是情景 A，通用文本模型接近情景 B，国防、政务和关键基础设施则接近情景 C。

十、政策与企业含义：真正重要的是保留选择权

1. 对中国

• 不能用模型榜单掩盖先进芯片、基础软件和高端制造设备的差距。算法效率能缓解算力约束，却不能永久替代硬件进步。
• 从开放权重走向可验证开放。更完整的数据说明、训练代码、评测与安全报告有助于获得海外企业和科研机构信任。
• 把制造数据优势变成高质量数据制度。需要数据权属、匿名化、跨企业协作、失败案例记录和行业评测，而不只是设备数量。
• 提高原创研究和长期实验的容错率。应用速度是优势，但不能只做短周期榜单优化。
• 国际化必须处理隐私、版权、内容治理与国家安全疑虑。价格低不能自动消除信任成本。

2. 对美国

• 资本与芯片领先不等于生态会自动领先。如果美国只输出昂贵闭源 API，中国开放权重模型可能成为全球默认底座。
• 出口控制应区分军事风险、商业扩散与盟友利益。过宽规则可能加快替代、提高盟友成本并减少美国平台的开发者反馈。
• 继续投资开放科研和开放模型。美国的长期优势本就来自大学、开源软件与全球人才网络，不能只依赖少数公司的保密研发。
• 把治理信任视为竞争力。透明度、可申诉机制、劳动转型和隐私保护会影响全球采用。

3. 对其他国家

• 不要用有限预算复制一个全国“最大模型”；优先建设共享算力、本地数据、独立评测、人才和采购能力。
• 选择可以替换的模型接口，避免云、权重、向量库、代理框架和业务数据同时锁在一个供应商。
• 在本地语言、监管、产业数据和公共服务上建立比较优势，而非只追逐英文通用榜单。
• 对关键部门至少保留一个可离线、可审计、可迁移的开放权重方案，同时用闭源模型补足最高难度能力。

4. 对企业

企业不应问“开源还是闭源”，而应建立任务级决策表：

最有价值的企业资产不是某个模型的提示词，而是干净的数据、真实任务评测、权限系统、人工复核机制和可替换的工作流。

结论

截至 2026 年，“美国全面领先、中国只能追赶”的描述已经过时；“中国已经抹平全部差距、算力不再重要”同样不成立。

更符合证据的判断是：

1. 能力趋同。中美最强模型已进入同一竞争带，排行榜领先会频繁变化。
2. 资源分化。美国在私人资本、先进算力、云平台、前沿实验室密度和高影响创新上仍有结构优势。
3. 路线分化。中国正在用开放权重、成本效率和产业部署，把资源不足转化为扩散速度；美国以闭源模型、云和产品入口回收高额研发投入。
4. 开闭源共生。开放模型会压低通用能力价格、扩大本地化和私有部署；闭源模型仍会在最前沿能力、系统集成和责任服务上保持市场。
5. 世界多极化。欧盟掌握规则与工业数据，台湾、日韩控制关键硬件环节，印度、英国、中东和东南亚以主权算力、本地语言与行业模型寻找位置。

真正的竞争终点不是哪一个聊天机器人在某天排名第一，而是谁能把能力持续转化为更低的单位有效任务成本、更可靠的现实生产率、更广泛的社会收益，以及更能被全球接受的制度安排。从这个意义上说，中美 AI 竞争还远未结束，它只是从“谁的模型更大”进入了“谁能建立更完整、可持续、可被选择的技术秩序”。

参考文献