中国5年后能否在全球AI赛道领跑？

文丨关品方

今年1月初，内地AI四间企业的AI技术负责人罕有地同台，在一场峰会上讨论AI发展趋势。笔者留意到过去半年来的发展趋势，证明他们当天的发言颇有远见，值得重温提出。

阿里巴巴旗下通义千问技术负责人林俊旸审慎乐观认为，未来5年中国AI在下一代范式中能够反超美国、领先全球的机会虽然有，但不十分确定。关键是中美在算力投入结构上存在本质差异。美国倾向投资于下一代的高风险研究，而中国目前的算力更多被用于交付、产品化及商业应用。

这个由清华大学的《基础模型北京市重点实验室》举办的《AGI-Next前沿峰会》，出席者还有腾讯CEO/总裁办公室首席AI科学家姚顺雨、智谱创办人兼首席科学家唐杰，以及月之暗面创办人兼首席执行官杨植麟。最近的发展证明，月之暗面的KIMI K3率先跑出。

根据彭博报道，在当日的峰会上，林俊旸认为未来5年内中国公司取得根本性突破、超越OpenAI及Anthropic等美资巨头的可能性不大。他认为美国的电脑基础设施可能比中国大一到二倍的数量级别。OpenAI有大量运算资源投入到下一代研究，而中国自身资源却捉襟见肘，仅满足于交付需求就已消耗了大部分资源。曾经在OpenAI做研究员，去年才加盟腾讯的姚顺雨相对乐观，他认为中国AI领先全球机率甚高，不过需要满足多个关键条件。他说，中国在“复现”及工程方面很强，任何事情一旦被证明可行，中国往往能够很快“复现”，并在局部做得更好。

但中国要解决的问题是能否引领新的范式，而不是在旧有范式内“刷榜”。新范式需要长期投入，承受不确定性及容忍失败。姚顺雨提到目前中国在电力建设方面具有显著优势，但有三道樽颈，主要在算力方面。如果光刻机及相关软体生态系统跟不上，会拖慢算力上限。此外，除了T2C领域外（即从技术端到消费客户端），还需要打造更成熟的T2B市场（即从技术端到企业客户端）。内地付费文化（习惯于免费使用）与企业采用AI的速度，将影响AI公司的变现能力。此外还有企业文化及冒险程度，AI企业敢不敢把大量资源投放到“不确定但可能改变游戏规则”的方向？他表示怀疑。

“复现”是抄功课的意思。从美国政客的角度看，是中国AI企业“抄袭”或“蒸馏”美国AI企业的创新成果。“刷榜”是青出于蓝的意思。中国AI企业“抄袭”或“蒸馏”之后，取得的成绩更佳，在榜上排名前列，把美国AI企业刷到后面，俗称“刷榜”。

智谱的唐杰认为，今后的重心应转向“完成任务”。中国的AI重点趋势已经从单纯的聊天（Chat）能力和榜单分数（即“刷榜”）转向能够进入真实环境、可验证并且可完成复杂任务的智能体（AI Agent）阶段，从当前人类要花1至2天的工作量，升级到能够自主承接1至2周的工作任务（快了7倍），成为自动化工具。他认为AI“聊天”这一代的问题差不多已经解决，行业重心正从“更会聊天”转向“更能完成任务”。过去市场追逐的是模型在考卷上取得的分数，现在的核心指标已经变成在真实环境中的“跑通率”（即能否满意地完成任务的意思）。

随着AI技术重点转向Agent，商业化路径出现了明显分化。在T2C市场，用户体验提升并不必然带来留存提升（不一定留得住消费客户），但在T2B市场，企业最恐惧的不是速度慢，而是错了兼且不可控。OpenClaw刚推出时（引发一片养龙虾热潮，即培植Agent的意思），就曾经引发相关忧虑，Agent一旦出错，一发不可收拾。笔者认为，潘建伟在量子纠缠方面的努力，如今基本上已可以克服Agent“错了兼且不可控”的问题（笔者在7月22日的文章有这方面的分析）。从一月初到今天才半年多一点，这个问题已基本克服；是中国AI应用场景发展一日千里的典型例子。

总而言之，未来智能体（Agent）需要实现“模型即产品”的一体化发展，突破环境交互的局限。当前AI多在虚拟环境作业，未来需要智能与具身结合（即AI+Robotics），指挥机器人完成真实的工作（而不单只在显示屏上交出作业），例如加速制药、生物科技（干细胞培植）、安全应急等领域的效率。

Kimi创办人杨植麟认为，未来五年中美AI不会出现单方面完胜，而是形成闭源与开源两条差异化赛道并行格局。美国依托算力积淀，守住闭源基座优势，中国凭开源路线、长上下文底层创新与海量产业场景，实现局部领跑。取胜核心不在于堆砌算力参数，而只靠底层算法原创、全球开源生态搭建、以及适配本土场景的工程优化能力。笔者比较认同杨植麟这个看法。

未来五年中国AI能否领跑全球？笔者的观察，过去半年国产大模型快速迭代，MoE混合专家架构和开源模型已接连取得突破，但未来五年尚难以实现全方位整体领跑，大概率是形成差异化竞争格局。在产业落地、开源生态、中文与工业场景将形成领先；通用前沿基础模型、高端算力硬件仍要持续追赶美国。最终能否拉开差距，取决于五大关键变量。

第一是算力自主化进度。当前高端训练芯片与底层软件栈道仍存在差距，外部技术限制持续存在。若国产AI芯片、训练框架能够稳定支撑万亿参数大模型常态化训练，实现大规模“国芯训国模”（用国产芯片训练国产模型），将可以摆脱外部约束；反之，算力瓶颈会持续制约前沿模型迭代的速度。

第二是基础算法原始创新能力。国内工程化优化的能力突出，但底层注意力机制、推理框架、通用AI理论的原创成果偏少。中国不可以长期停留在模型调优、场景改良，因为这样很难实现范式级别的转移和超越。只有持续加大基础研究投入，才有机会开辟全新技术路线。

第三是开源生态对全球的吸引力。美国头部企业普遍采用闭源模式，而国产模型选择开源路线。未来能否吸引全球开发者持续参与、建立独立于西方的《开发者社区》，决定中国AI标准能否向外输出，构建自成体系的产业循环。这方面笔者充满信心，因为合作共赢一定会战胜小院高墙。

第四是实体经济场景转化的效率。中国拥有全球最完整的制造业体系和海量行业数据。AI能否深度融入工商业、交通运输、银行金融，从而产生真实的持续的商业回报，形成“应用落地、资金流水、反哺研发”的正向循环？是中国区别于美国单纯以模型开发进行争的核心优势。

最后是高端人才的可持续供给。既要留住顶尖AI科研人才（包括保护他们的人身安全），也要完善《产学研融》的协同机制，打通理论成果向大模型技术转化及场景应用的通道。

笔者综合判断，未来五年中国有望在产业应用型AI实现全球领先；全面领跑通用前沿AI的难度极大。胜负不在短期参数竞赛，而在算力底座、底层创新、开源生态与产业场景能否形成完整闭环（不是闭源）。中国AI审慎乐观之余，要留意美国AI一旦落后或会出怪招反噬（制造危机，包括发动战争和金融海啸）。