烧钱救不了中国AI！中国AI十年布局：美国的技术霸权如何步步失守

很多人一谈到中美AI竞赛，第一反应就是掰着手指头算账。这也不奇怪，毕竟数字最直观，也最容易让人心里咯噔一下。

从2020年到2024年，中美头部科技公司在技术资本上的投入差距，硬生生从六倍拉大到十倍。换个更具体的说法，过去五年间，美国四家科技巨头像开着印钞机一样，砸下了将近5.36万亿元人民币，而国内七家互联网大厂加起来只有约6300亿。

仅相当于美国那四家巨头单单投入到AI这一个领域的五分之一。看上去这场牌局似乎已经胜负分明。

可如果真只要钱烧得够多就能锁定胜局，这场世纪对决就未免太简单了。真正的较量藏在牌桌之下，藏在两国截然不同的"设计蓝图"里，也藏在过去大半年里一场又一场并不那么光鲜的暗战里。

前不久，马来西亚吉隆坡机场海关一次性查获72台装载先进AI芯片的服务器，货值1300万美元。这些芯片被贴上普通电脑零件的标签，据信真正目的地是中国。

而这次行动其实是华盛顿在背后推动的——美方掌握了芯片流向的情报，向马来西亚施了压。曾在五角大楼负责人工智能战略、如今担任Decision Tree Research首席执行官的格雷戈里·艾伦坦言，这只是冰山一角。

《华尔街日报》、The Information和《纽约时报》接触到走私链上的人后透露，单笔交易凭据动辄数亿美元。今年3月，美国司法部还起诉了服务器巨头Supermicro的一位联合创始人及其两名同事，指控他们在2024至2025年间，借助台湾、马来西亚等中转地，把装有英伟达芯片的服务器倒卖到中国，涉案金额高达25亿美元。

走私者的手法五花八门，把GPU重新贴标成CPU，把新款芯片伪装成旧型号，各种障眼法层出不穷。有意思的是，几个月前特朗普政府松口，允许英伟达向中国出售H200芯片，中国方面却公开表态说不欢迎。

很多人把这解读为坚持自主路线，但艾伦给出了另一种解释：既然可以走私到更强的B100、B200，为什么还要买去年就发布的H200？美国企业其实是在不情愿地帮着对手往前赶。

芯片之外，还有一种更隐蔽的"偷法"，叫蒸馏。今年6月10日，Anthropic向美国参议院银行委员会递交了一封信，直接点名阿里巴巴。

据这封公开信披露，2026年4月22日到6月5日间，有关联阿里巴巴Qwen实验室的操作方，通过近25000个虚假账户，与Claude进行了超过2880万次对话，专门盯着代码生成、智能体推理这类最有价值的能力下手，规模超过此前DeepSeek、Moonshot、MiniMax三家加起来的总和。Anthropic把这称为迄今为止针对自家模型规模最大的一次蒸馏攻击。

哈佛大学肯尼迪学院美亚关系讲席教授拉纳·米特提醒，这类知识产权博弈其实并不新鲜，八九十年代硬件和软件领域早就上演过类似剧情，如今只是换成了AI版本。人工智能专家斯蒂芬妮·黑尔博士则把蒸馏比作逆向工程——只要跟一个模型反复、系统地对话足够久，就能摸清它的门道。

艾伦解释得更技术一点：机器学习和传统软件的最大区别，就在于它是靠数据"自我编程"的。如果一家公司想从零训练一个下棋AI，需要花大力气搜集海量高质量棋谱；而蒸馏走的是捷径——直接和别人训练好的AI对弈，把这些对局当作训练数据。

这就等于绕开了最贵的数据获取环节，还顺带保证了每一局都是奥运冠军级别的水准。他给的估算是，蒸馏比自己从头训练便宜近一千倍，就算美方把反制成本抬高十倍，中方仍然赚。

而Anthropic正在开发反制策略，包括故意投喂"脏数据"，让偷师者以为拿到了皇冠上的明珠，实际得到的却是被做过手脚的模型。芯片走私和模型蒸馏摞在一起，让美国国会坐不住了。

今年3月26日，众议院外交事务委员会以42票全票通过了《芯片安全法案》，要求先进AI芯片必须内嵌位置验证机制。艾伦形容这个思路挺聪明：在全球布设发射器，向芯片发送信号，靠光速返回的时延来判断芯片究竟在哪。

一颗号称在越南的芯片，如果响应时间多出45纳秒，那八成就是被挪窝了，可以据此对相关数据中心展开检查。当然，这套机制目前还面临产业界的阻力，落地成本和实施复杂度都不低。

跳出这些具体交锋回头看，中美之间的资本较量其实呈现出两种完全不同的哲学。美国的玩法讲究"深"。

风险投资、私募股权、二级市场层层递进，一旦发现有潜力的技术"油田"，就能像高精度钻井机一样把海量资金精准砸下去。OpenAI就是最典型的例子，微软的巨额支票让它从一间前沿实验室，几年内就变成估值数千亿美元的巨兽。

中国的资本逻辑更像是在开凿一条"运河"。资金流向不完全由市场的短期热度决定，而是服务于一个更长远的国家战略。

当美国的钱在硅谷追逐下一个AI爆款时，中国的钱正在往西部走，在那里堆起大规模数据中心集群，配套着国家级绿电工程。量子计算、可控核聚变、人工智能这些前沿领域被同时推进，追求的是"共振效应"——一处突破可以带动其他领域一起水涨船高。

哪个具体项目失败了不打紧，只要整条运河体系的战略价值能实现，局部损失可以被庞大的内需市场吸收掉。有意思的是，相对克制的资本环境反而倒逼出了另一种创新路径。

像DeepSeek这样的公司，就是在有限的算力和资金下，硬是靠工程效率和算法优化走出了一条别样的路。拉纳·米特指出，中国的研发支出目前约占GDP的2.4%，这一趋势已经至少延续了十五年。

创新的引擎也是两套逻辑。

美国的源头活水在大学，麻省理工、斯坦福就是种子库，国家科学基金会和国防高级研究计划局像天使投资人，慷慨资助那些天马行空、看不到短期回报的基础研究。教授带着成果创业，企业反过来资助大学研究，学术界和产业界的人才和知识像水一样自由流动。

这是自上而下、由基础研究驱动的创新方式，先有种子，再长森林。中国的故事则更多发生在田野上。

14亿人构成的应用场景才是最宝贵的资源，任何新技术、新产品都可以在这里得到最快、最真实的检验。消费者和企业对新事物的包容度极高，"先用起来再说"的态度反倒成了独特的燃料。

每年140万STEM毕业生，是美国的六倍还多，这支实践能力强、学习速度快的工程师大军，能把想法迅速变成产品扔进市场熔炉，跑通"应用—反馈—优化"的加速循环。近两年，一批曾在OpenAI、Meta、苹果担任高级研究员的华人精英陆续回流，把最前沿的研发理念带回本土，与国内市场现实结合得越来越紧。

竞争的另一条新战线，是开放式本地化AI模型。黑尔博士指出，中国已经把不少模型从云端下沉到笔记本和手机端，代码问答、日常任务不需要联网就能搞定。

她认为，真正的比拼未必是谁做出了最聪明的模型，而是谁的模型被大家真正用起来。云端来回既费算力又费能源，本地运行反倒给了普通人更多选择。

艾伦补充说，中国之所以能把模型价格压得那么低，一部分原因就是训练数据本身没花钱——蒸馏故事和低价故事本就是一枚硬币的两面。开源战略更像是一种"扰局"，免费送模型本身赚不到什么钱，真正的战略收益在于围绕模型销售的软件、硬件和服务生态，同时削弱美国企业的盈利能力。

拉纳·米特则指出，中国几乎肯定会动用国家资源补贴自家模型，让它们在南方新兴市场保持价格优势，就像当年在绿色科技领域所做的那样。艾伦讲到一个耐人寻味的比方：AI模型生态可能重演智能手机的格局。

苹果只占全球智能手机收入的15%到20%，却拿走了60%到70%的利润。问题不仅仅是谁的模型被最广泛使用，还有谁的模型被真正付费的客户使用。

像Airbnb这种只需从FAQ里提取信息、以对话形式返回的场景，一个便宜的中国开源模型完全够用；而涉及关键任务的重型软件开发，客户还是愿意为最先进的模型掏钱。映射到产业层面，这场对决就变成了"矛"与"盾"的较量。

美国磨的是最锋利的矛，把资源高度集中在核心算法、高端芯片这些顶端环节，靠制定标准和出口管制来遏制对手。但制造业空心化让这根矛有点"无根之木"的味道，软件再先进也终究需要硬件承载，一旦大规模低成本部署就露出短板。

中国打造的是最坚固的盾——上游有国家主导的能源基础设施撑住算力需求，中游有门类齐全的制造业能生产一切AI应用所需硬件，下游是那个广阔的应用市场。这套完整的产业生态就像一个"万能接口"，不管未来哪种技术路线胜出，都能被迅速放大和规模化，并反过来推动新材料、高端制造等相关领域，形成正向循环。

关于为什么这场竞争被定义成"军备竞赛"而非"太空竞赛"，拉纳·米特把它称为"半球竞赛"。政府层面的对抗确实存在，冷战式的相互核查协议之所以难以达成，是因为双方都想赢，也都不信任对方。

但在社会层面，越往南方走，人们对AI在日常生活中普及的疑虑就越少。西欧一些地区乃至北美依然有明显的迟疑，而AI已经深度嵌入中国社会，其他一些南方新兴市场也表现出强烈的技术热情。

就中国来说，人口结构决定了未来一两代人内劳动力将大幅收缩，让AI补上这一空缺至关重要。此外，中国也有意识形态目标——被视作代表未来、站在最前沿的社会，从而讲好一个不同于"美国衰落"的正面叙事。

说到底，这不是一场百米冲刺，而是一场看不清终点的马拉松。短期内资本投入的差距固然扎眼，却决定不了最终胜负。

两种发展模式、两种竞争哲学，各有其锋芒，也各有其罩门。美国最大的风险，可能是过于迷信手里那根锋利的矛，忽视了脚下的土地——最优质的种子如果找不到足够肥沃和广阔的土壤去规模化种植，终究只能长成盆景。

而对中国而言，最危险的战略错误莫过于在外部压力下选择自我封闭。那台大马力的应用加速器，需要源源不断的全球智慧和先进技术作为燃料，主动脱钩无异于给自己断油。这场较量拼的从来不是谁的钱包更鼓，而是谁能把自己的长处发挥到极致、把自己的短板补得更快。