点击蓝字
关注我们
2026年4月16日，布鲁金斯学会研究员 Kyle Chan 发表题为《Competing AI strategies for the US and China》的证词型评论。该文源自其在美国众议院美中战略竞争特别委员会相关听证会上的发言，围绕中美人工智能竞争的战略路径、产业基础与政策选择展开分析。这篇文章的核心判断在于：中美AI竞争并非单一的算力竞赛或大模型性能竞赛，而是围绕算力基础设施、基础模型、开源采用、实体经济集成、半导体供应链和AI安全治理展开的多维竞争。美国在前沿模型、先进芯片和超大规模数据中心方面仍保持明显优势；中国则通过模型效率提升、开源生态扩散、实体经济场景集成和半导体自主化，形成了不同于美国的竞争路径。
原文立足美国政策讨论语境，其政策建议主要面向美国决策层；本文在编译过程中保持中立表述，以供理解当前人工智能国际治理与科技竞争态势参考。
中美人工智能竞争正在呈现明显的路径分化。美国的优势主要集中在前沿模型、先进芯片、超大规模算力基础设施和资本投入能力上；中国则更加突出全栈式布局，即从芯片、算力基础设施，到基础模型、开源生态和产业应用，形成相互嵌套的技术—产业协同框架。
在前沿模型和算力规模方面，美国仍处于领先位置。原文指出，中国顶尖AI模型仍落后于美国前沿模型数月或更久，美国模型在数学、推理、代码生成和长周期智能体任务等行业基准测试中保持明显领先。与此同时，美国主要超大规模云厂商正在大规模投入AI基础设施，数据中心建设也在向吉瓦级规模推进。
但中国并未完全沿着同一条竞赛路径推进。中国政策体系更倾向于将人工智能视为一种通用目的技术，通过2017年《新一代人工智能发展规划》以及较新的“人工智能+”相关倡议，将AI嵌入制造、医疗、药物研发、科学研究、教育和政府服务等多个领域。
这意味着，中美AI竞争并不是单纯的“前沿模型竞赛”。如果竞争只围绕算力和AGI展开，美国会拥有决定性优势；但中国正在同时推进多条AI赛道，更重视模型效率、AI采用以及AI与物理世界的结合。
算力约束正在塑造中国AI实验室的技术路线。受先进AI芯片出口管制、国内替代芯片性能与供应限制、资本规模差距等因素影响，中国AI企业尤其是创业公司难以获得与美国头部实验室相同规模的计算资源。在这一背景下，提升模型效率、降低推理成本、用更少算力获得更高性能，成为中国AI研发体系中的关键方向。
中国模型近年来大量采用混合专家模型架构。该架构在每次推理时只激活部分参数，从而降低计算成本，同时保留大模型容量。原文提到，DeepSeek 提出的稀疏注意力机制旨在降低原始 Transformer 注意力机制的计算和内存成本；月之暗面 Kimi 系列则探索了混合线性注意力架构，可支持最高100万token上下文长度，并显著降低计算和内存开销。
量化技术也是效率竞争的重要组成部分。通过采用更低精度的数据格式，模型可以在尽量减少性能损失的同时降低部署成本。原文提到，阿里 Qwen 系列积极推进4-bit量化，月之暗面 Kimi-K2-Thinking 则是原生INT4量化模型，从而提高部署效率。美国AI实验室和芯片企业同样在推动超低精度格式，但对于中国实验室而言，效率提升更像是一种由资源约束驱动的核心研发方向。
模型蒸馏则构成另一个复杂议题。蒸馏通常指利用更强模型的输出训练较弱模型，以提升后者性能。原文提到，Anthropic、OpenAI 和 Google DeepMind 均曾披露或记录类似蒸馏活动，并将部分活动归因于中国AI实验室。美国AI企业也正在通过信息共享等方式尝试防范未来的蒸馏活动。
不过，中国模型能力的提升不能被简单归结为蒸馏。蒸馏只能在有限程度上提升模型能力，中国AI实验室通过公开论文和技术报告展现出的创新也获得了美国AI研究人员的认可。中国研究人员在 NeurIPS 等顶级AI会议中保持较高代表性，这说明其模型能力进步也来自真实的算法、工程和系统优化。
效率竞争由此成为中美AI竞争中的一个关键变量：美国以算力和资本扩展模型边界，中国则在约束条件下强化模型架构、推理成本和部署效率。
开源扩散正在成为中国AI模型影响力外溢的重要渠道。与美国多数顶尖模型采取闭源订阅或API服务不同，许多中国AI企业选择发布开放权重模型，并配套公开技术报告，使全球开发者能够下载、微调并部署这些模型。
这一策略在商业收入上未必优于闭源API模式，但在开发者生态和全球采用层面具备明显优势。对于成本敏感型开发者、中小企业、新兴市场团队以及希望本地化部署的机构而言，开放权重模型意味着更低门槛、更强可控性和更灵活的二次开发空间。
原文提到，在 Hugging Face 等平台上，中国模型的总下载量已超过美国模型，基于中国基础模型构建的衍生模型数量也超过基于美国模型构建的衍生模型。Meta 的 Llama 曾是开放模型生态中的行业标准，但阿里 Qwen 等中国模型正在获得更高关注度。与此同时，华为、阿里、腾讯等中国云服务商也在海外市场拓展AI服务，尤其是在新兴市场中推进布局。
全球开发者选择中国开放模型，主要原因在于这些模型能够以较低甚至近乎免费的成本提供较强性能。原文提到，从日本到非洲，已有团队基于阿里和 DeepSeek 等模型开展开发；即便在硅谷，也有越来越多创业团队选择基于中国开放模型构建应用。
开源模型的国际影响并不只体现在“谁的模型下载量更高”。更重要的是，它可能改变全球AI生态的依赖结构。当越来越多开发者基于某一类开放模型构建应用、插件、微调版本和行业解决方案时，该模型背后的技术框架、工具链和云服务也可能同步扩散。由此，AI竞争不再只是前沿实验室之间的技术竞赛，也成为开发者生态、应用标准和基础设施选择之间的竞争。
人工智能竞争正在从数字空间进入物理世界。自动驾驶、无人配送、智能穿戴设备、智能手机、工业机器人、人形机器人和具身智能，正在成为AI能力转化为现实生产力的重要场景。
中国在这一方向上具有较强的产业基础。制造业体系、电子供应链、电动车产业、智能终端产业、电池和传感器产业之间存在高度交叉，这为AI进入物理世界提供了更完整的产业承接条件。原文提到，中国尤其关注AI与物理世界的整合，从自动驾驶和无人机配送，到AI可穿戴设备和智能体手机，中国企业和政策体系均在推动AI进入现实应用场景。
具身智能尤其受到关注。机器人不只是单一硬件产品，而是感知、控制、语言模型、运动规划、训练数据、芯片和制造工艺的复合系统。原文提到，宇树科技宣布上一年制造了超过5000台人形机器人，并准备在中国上市；小米、蔚来等电动车企业正在试验将人形机器人用于汽车装配线；地方政府则协助建立专门实验室，通过人类操作员采集机器人训练数据。
美国企业在机器人和物理AI领域同样快速推进。原文提到，Waymo 和特斯拉 FSD 被广泛视为自动驾驶技术的全球领先者，Physical Intelligence 和 Google DeepMind 等美国机器人企业或机构也在推进先进机器人基础模型。但在物理生产规模化方面，美国企业可能面临与中国企业不同的产业链约束，因为中国已经拥有较深的机器人供应链基础。
长期来看，谁能把AI更有效地嵌入制造、物流、汽车、医疗、能源和城市基础设施，谁就可能在下一阶段AI竞争中获得更强的实际收益。模型能力是起点，产业转化能力则决定AI能否成为广泛生产力。
半导体供应链是中美AI竞争中最具结构性影响的变量之一。先进AI芯片决定大模型训练和推理的能力边界，而先进制程制造设备、软件栈和系统集成，则共同决定一个国家能否长期支撑本土AI生态。
中国半导体自主化努力由来已久，但美国相关政策行动进一步推动其加速。原文梳理了两个关键节点：一是第一届特朗普政府时期的技术管制，包括阻止华为使用台积电进行芯片制造、阻止ASML向中国销售EUV光刻机等；二是拜登政府在2022年和2023年推出的出口管制，限制先进AI芯片和先进芯片制造工具向中国出口。上述措施促使中国政策体系更加重视芯片生产及整个半导体供应链的自主化。
原文提到，中国在AI芯片本土化方面已经取得一定进展。2025年，中国国产芯片占中国AI芯片市场近41%，其中约一半销售来自华为；相比之下，2023年前英伟达在中国AI芯片市场的份额曾达到90%或更高。华为 Ascend 950PR 芯片预计今年扩大生产，寒武纪也计划在2026年交付大量AI加速器。
不过，中国AI芯片在单芯片性能上仍可能明显落后于英伟达 Blackwell 和 Rubin GPU，差距主要体现在处理性能、内存容量和内存带宽等关键指标。为弥补单芯片性能不足，中国AI芯片企业正在通过将芯片连接成集群的方式提升系统级算力。例如，华为 CloudMatrix 384 和 Atlas 950 SuperPoD 等AI硬件系统能够在多芯片系统层面提供较强计算性能，但能效低于可比较的美国方案。
这一趋势表明，半导体自主化并不只是“替代某一颗芯片”，而是围绕芯片、软件栈、操作系统、数据库、企业管理系统和开发框架形成更完整的平台替代。原文第13页表格列出了华为平台与美国/全球平台的对应关系，例如 Kirin 9000S 对应 Qualcomm Snapdragon，Ascend 910C 对应 Nvidia H100/H20，CloudMatrix 384 对应 Nvidia GB200 NVL72，CANN 对应 Nvidia CUDA，MindSpore 对应 PyTorch/TensorFlow，HarmonyOS Next 对应 Android mobile OS，GaussDB 对应 Oracle SQL Developer。
先进制程制造能力仍是中国半导体体系的关键瓶颈。原文指出，中芯国际、华虹等中国晶圆厂在提高先进芯片大规模量产和良率方面仍面临挑战，原因在于受到美国主导的半导体制造设备限制。由于无法购买ASML的EUV光刻机，中国晶圆厂不得不通过DUV光刻机和多重曝光技术推进先进制程，这会降低良率并推高单颗芯片成本。
出口管制由此呈现出双重效应：它可以在短期内限制先进算力获取，却也可能在中长期推动被限制方加速构建自主供应链。原文对出口管制的评价也并非单向度：这些措施在短期内放缓了中国AI发展，但也刺激了中国半导体发展努力，促使中国AI实验室与华为、寒武纪等本土芯片企业加强软硬件集成。
围绕“美国如何赢得AI竞争”，原文的政策讨论并未停留在出口管制，而是转向美国自身AI生态的补强。美国私人企业在基础模型、AI芯片、云计算和AI应用方面保持强势，但AI竞争正在越来越依赖能源、开放生态和基础研究能力等长期变量。
第一个变量是能源。美国AI企业已经越来越多地警告数据中心建设面临能源瓶颈。原文引用国际能源署估算称，美国数据中心电力需求将在2024年至2030年间增加一倍以上，到2030年达到426太瓦时，约占美国总电力需求的9%。相比之下，中国在快速建设和接入新增发电能力方面具有优势。原文据此提出，美国联邦和地方政策制定者需要简化许可和审批程序，为电网互联队列审批提供更多资源，并解决变压器、高压输电设备等关键电力组件的供应链瓶颈。
第二个变量是开放模型。中国AI实验室通过发布开放权重模型推动全球扩散，美国AI实验室则由于结构和商业激励不同，较少发布强大的开放权重模型。原文提到，Google DeepMind 的 Gemma 系列、OpenAI 的 OSS 模型和 Nvidia 的 Nemotron 系列是美国开放模型中的部分例外。白宫《AI行动计划》也认识到，缺乏强有力的美国开源AI模型供给，可能会将全球扩散的重要渠道让渡给中国模型。
第三个变量是基础研究算力。随着模型训练和推理成本不断上升，美国私营AI企业逐渐减少通过学术交流共享前沿研究成果，而大学等非商业AI研究机构也无法获得与企业相当的算力资源。原文指出，美国联邦政府目前通过国家科学基金会 ACCESS 项目等方式提供部分碎片化支持，但更全面地为学术界和非商业AI研究人员提供大规模算力，将有助于增强美国下一代AI创新的技术优势。
这一部分体现出一个更广泛的政策转向：在AI竞争中，“限制对手”只能构成防御性工具，“补强自身AI栈”才是长期竞争力来源。能源、开源和基础研究算力，正在成为美国AI战略中必须补齐的三块短板。
随着AI系统能力增强，其潜在滥用风险也在扩大。原文提到，AI增强型网络攻击、深度伪造、AI辅助生物武器等风险正在扩大。虽然美国的AI标准与创新中心等机构已开展部分工作，但围绕AI风险的监管和政策仍不充分，并且在很大程度上仍交由私营部门处理。单个AI实验室既缺乏全面监测能力，也缺乏执行AI安全政策的完整资源。
AI安全风险具有跨国性和跨平台性。原文提醒，不应只关注中国AI能力增长带来的安全风险，也应关注非国家行为体和第三国造成的AI威胁。某些滥用行为可能同时调用美国和中国AI模型，因为许多合法用户已经基于美国模型的前沿性能和中国模型的成本优势进行组合使用。复杂行为体还可能故意在多家模型供应商之间路由API调用，利用不同公司和国家之间碎片化的安全政策规避检测。
在中美战略互信较低的背景下，AI安全合作面临明显困难。但在部分风险议题上，中美仍可能存在最低限度的共同利益。原文提出，即便美国与中国在AI领域激烈竞争，并采取措施防范与中国AI发展相关的风险，双方仍可考虑在国家利益重叠的领域发展共同AI安全协议，甚至建立沟通渠道。
这并不意味着中美AI竞争会被合作取代。更现实的判断是：竞争将长期存在，但在高风险AI滥用问题上，有限、技术性、低政治敏感度的沟通机制可能变得越来越必要。对于国际AI治理而言，如何在低互信环境下建立最小安全共识，将成为未来重要议题。
中美AI竞争正在进入多维战略博弈阶段。美国仍在技术前沿保持显著优势，尤其是在先进芯片、超大规模算力和前沿模型性能方面；中国则在效率优化、开源扩散、实体经济集成和半导体自主化方面加快形成自身路径。
原文的结论明确指出，中美AI竞赛不是单一竞赛，而是围绕计算、模型、采用、集成和部署展开的多维竞争。美国在技术前沿保持清晰领先，尤其是在算力规模和模型性能方面；中国则通过效率提升、开源扩散以及AI与实体经济深度结合快速推进。长期来看，AI竞赛的胜负不只取决于谁能构建最强大的模型，也取决于谁能最有效地将AI转化为广泛的经济和社会收益。
从国际治理视角看，这一判断具有重要启示。AI竞争的关键不只是“谁训练出最强模型”，还包括谁能以更低成本推动AI普及，谁能将AI嵌入更广泛的产业体系，谁能形成更有韧性的算力和芯片供应链，谁能在安全风险上建立可执行的治理机制。
未来的AI领导力，可能不再由单一技术指标决定，而是由综合转化能力决定：模型能力能否转化为生产率提升，开源生态能否转化为开发者网络，算力基础设施能否转化为产业扩散，安全治理能否支撑技术长期可信应用。
对于各国而言，真正重要的不是简单复制某一种AI发展模式，而是在自身产业结构、治理能力和国际位置基础上，建立可持续、可扩展、可治理的人工智能发展体系。AI竞争的终局，最终将取决于技术向经济、产业和社会价值转化的能力。
编辑｜徐赫泽
审核｜赵杨博
终审｜梁正 王净宇
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢