AI的成功和落地最后依靠的是硬件和軟件體系的雙輪驅(qū)動(dòng)，而非簡(jiǎn)單的誰投入金額多誰就好，也不是說投入少的差距反而縮短至了3-6個(gè)月，這份報(bào)告的問題在我看來，是比較典型的中美資本市場(chǎng)差異和法律監(jiān)管造成的融資路徑、商業(yè)化落地方式的問題。但報(bào)告的角度卻是比較學(xué)術(shù)的在討論美國資源配置的合理性和社會(huì)資金利用效率方面的問題，以及美國企業(yè)不重視榜單數(shù)據(jù)、論文貢獻(xiàn)、專利數(shù)量的問題，這導(dǎo)致在市場(chǎng)信心和影響力方面開始落后于我們，并且打破了資本投入與技術(shù)突破線性掛鉤的邏輯。

不過，目前的AI實(shí)界上最頂級(jí)的進(jìn)化路線是量子計(jì)算和超級(jí)智能兩大領(lǐng)域，這方面，美國憑借其在GPU和CPU、QPU等硬件生態(tài)，及Claude Mythos和GPT-5.4-Cyber、Gemini等先進(jìn)AI大模型的支持下，已經(jīng)取得顯著的技術(shù)商業(yè)化突破。比如英偉達(dá)已經(jīng)發(fā)展出了Quantum量子生態(tài)，谷歌也有Willow生態(tài)。而大模型方面，其實(shí)開源的我覺得是差距不大，大家如果在今年1季度用過龍蝦，就會(huì)明顯感覺到Claude等和MiniMax、Qwen等的差異。

而從通用AI的市場(chǎng)角度看，美國只要能提出概念，發(fā)布開源模型，給出技術(shù)路徑，我們基本上3個(gè)月后必然超越式追上，并且在物料投入上經(jīng)濟(jì)性更高，算力價(jià)格也能做到美國的幾1/3。

言歸正傳，我們先看看 23 倍投資差距到底該怎么解讀，實(shí)際上這是中美之間市場(chǎng)最大的區(qū)別，可斯坦福似乎并不知道：中國是政府政策扶持（稅收和激勵(lì)）、投資主導(dǎo)（國有資本）、政府（國企、央企、事業(yè)單位等）采購為主的計(jì)劃先行市場(chǎng)模式，核心是政府告訴市場(chǎng)要做什么，市場(chǎng)按政府要求去實(shí)現(xiàn)商業(yè)目標(biāo)，因此私人投資規(guī)模不大，基本都是國有主導(dǎo)，這也是為何近年來港股、AI股排隊(duì)上市的越來越多，上市成功率大增的核心原因，

而這份美國報(bào)告中統(tǒng)計(jì)的全部是私人投資，核心以風(fēng)險(xiǎn)投資與私募股權(quán)投資為主，美國的政府投資和補(bǔ)貼十分有限，其主要是由市場(chǎng)推動(dòng)商業(yè)實(shí)現(xiàn)，并影響政府配套相關(guān)政策，兩者有核心差異！

同時(shí)，美國的 AI 資本不僅流向通用大模型廠商，更廣泛鋪陳于底層芯片、EDA 設(shè)計(jì)軟件、算力基礎(chǔ)設(shè)施、AI for Science、具身智能、AGI 前沿探索等全鏈條環(huán)節(jié)，大量資金投向高風(fēng)險(xiǎn)、長(zhǎng)周期的基礎(chǔ)研究與早期初創(chuàng)項(xiàng)目，形成了 “廣撒網(wǎng)、全覆蓋” 的投資格局。

而我們當(dāng)下的AI 領(lǐng)域的私人投資受地緣環(huán)境、產(chǎn)業(yè)周期與監(jiān)管導(dǎo)向影響，則呈現(xiàn)出高度聚焦的特征！十分有限的私人資本更多集中于大模型工程化落地、垂直行業(yè)應(yīng)用與商業(yè)化閉環(huán)領(lǐng)域，對(duì)長(zhǎng)周期的基礎(chǔ)研究、底層硬件的投入占比遠(yuǎn)低于美國。

換言之，23 倍的數(shù)字差距，本質(zhì)是兩國 AI 產(chǎn)業(yè)投資結(jié)構(gòu)、渠道布局與風(fēng)險(xiǎn)偏好的差異，而非單純的 “投入規(guī)模懸殊”，我們更習(xí)慣等答案，然后產(chǎn)業(yè)鏈配套，再升級(jí)，且在政府KP影響下偏向于對(duì)能贏的產(chǎn)業(yè)做反復(fù)的飽和式投入。

在此背景下，中美大模型能力差距的基本抹平就很正常了！

首先，通用大模型的技術(shù)路線已進(jìn)入高度收斂期，技術(shù)追趕的門檻大幅降低。經(jīng)過 2023-2025 年的產(chǎn)業(yè)爆發(fā)，Transformer 架構(gòu)為核心的預(yù)訓(xùn)練 + 微調(diào)范式已成為行業(yè)通用標(biāo)準(zhǔn)，大模型研發(fā)從 “從 0 到 1 的底層理論突破”，轉(zhuǎn)向 “從 1 到 100 的工程化優(yōu)化”。當(dāng)?shù)讓蛹夹g(shù)框架不存在代際鴻溝時(shí)，研發(fā)的核心矛盾便集中于數(shù)據(jù)質(zhì)量、訓(xùn)練效率與工程化能力，而這正是中國科技企業(yè)的傳統(tǒng)優(yōu)勢(shì)領(lǐng)域。

加上在國內(nèi)企業(yè)偏好”榜單融資路徑“，因此在 MMLU、GSM8K、HumanEval 等全球通用的大模型基準(zhǔn)測(cè)試中，我們不說對(duì)美反超，至少是同一梯隊(duì)。

其次，前面我說了，我們是“聚焦核心、集中突破” 的產(chǎn)業(yè)策略，我們的 AI 產(chǎn)業(yè)并未選擇全面鋪開的跟隨策略，而是將有限的資本、人才與算力資源，集中投向通用大模型核心能力突破、國產(chǎn)算力適配、訓(xùn)練推理效率優(yōu)化等核心賽道。加上龐大的補(bǔ)貼規(guī)模，導(dǎo)致在美國高端芯片出口管制的倒逼下，國內(nèi)廠商加速推進(jìn)大模型與國產(chǎn)算力的深度適配，在同等算力條件下實(shí)現(xiàn)了訓(xùn)練效率與推理性能的持續(xù)優(yōu)化，反而形成了差異化的工程化優(yōu)勢(shì)。

最后，在過去三年，以 Llama、Mistral 為代表的開源大模型體系快速成熟，讓大模型的底層技術(shù)實(shí)現(xiàn)了全球普及。我們?cè)谮A的同時(shí)，也要承認(rèn)，我們是站在全球開源生態(tài)的肩膀上，避免了從零開始的重復(fù)研發(fā)，大幅縮短了技術(shù)迭代的周期與成本，但底層代碼依然是美國開源的那些，只不過在這幾年的優(yōu)化過程中，來自中國的智慧對(duì)這些大模型進(jìn)行了中國特色的改造，形成了當(dāng)下的國產(chǎn)全面崛起的局面！

所以，我們必須清醒認(rèn)識(shí)到，“模型能力基本抹平” 絕不等于中美 AI 產(chǎn)業(yè)全鏈條差距的消失。

大模型只是 AI 產(chǎn)業(yè)的中間環(huán)節(jié)，在底層芯片、先進(jìn)制程、EDA 軟件、基礎(chǔ)理論創(chuàng)新、全球生態(tài)布局等核心領(lǐng)域，中美之間仍存在顯著差距，而這些領(lǐng)域恰恰是美國 23 倍投資的核心投向。

長(zhǎng)期來看，持續(xù)的全鏈條資本投入，終將轉(zhuǎn)化為底層技術(shù)的范式突破，若僅停留在現(xiàn)有技術(shù)路線下的模型能力追趕，仍存在被新一輪技術(shù)變革拉開差距的風(fēng)險(xiǎn)，我們能突破卡脖子問題，也要相信別人也能，現(xiàn)在的優(yōu)勢(shì)并不等于未來的優(yōu)勢(shì)，這點(diǎn)2024-2025年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)都解釋過相似的邏輯，某種程度上，在一些領(lǐng)域，我們應(yīng)該從流量的喧囂里回歸技術(shù)和商業(yè)的本身。