美国AI冲向万亿美元，中国AI何去何从？

当模型能力不再是决定胜负的关键，AI公司的竞争力应该看什么？

2026年9月，Anthropic首席执行官Dario Amodei发文呼吁放慢前沿AI。OpenAI、xAI、DeepMind接连表态支持。

但同一个月，路透社报道Anthropic拟IPO估值约2万亿美元；9月16日，OpenAI被曝寻求约1.5万亿美元估值。一边喊慢，一边把估值往万亿美元推。

Dario想减的，不是AI发展，而是迫使他不断押注下一代模型的压力。但资本市场给他的估值，恰恰建立在他还会继续加速的预期上。嘴上说要慢，身体停不下来。

这是美国AI的处境。而中国有一批AI公司，正在走另一条路。它们不追更大的参数，追的是更深的积累。这个变化的背景是：模型能力本身，已经不再是决定胜负的关键。

过去几年，AI行业比的是“谁的模型更强”。参数多大、榜单第几、发布会上跑分多少。但现在，比的正在变成“谁的产品更可靠”。

原因很简单：模型能力已经不再是瓶颈。你做一个演示很容易，但要让客户每天都用，是另一回事。数据要整理，流程要改造，系统要接入，结果要验证。这些活，不会因为模型更聪明就自动消失。

这些活，才是真正的瓶颈。它们有一个共同特点：没有捷径。不能靠下一代模型来解决，只能靠时间、靠一个个项目去磨。

一、能力能不能复用？

垂直领域的基础模型公司，最终都要回答一个问题：你的能力能不能复用？

一个基座如果只能做一个场景，它是项目制公司。一个基座如果能做一百个场景，它是平台型公司。两者的价值逻辑完全不同。前者看订单，后者看资产。

这个判断正在多个行业同时发生。金融风控、工业质检、法律文书、医疗影像，都在出现同一类公司。以医疗影像为例，德适科技的iMedImage支持19种影像模态，覆盖超过90%的临床影像场景。基于这个基座，已经与99家医院合作训练了158个垂直模型。

在产科超声领域，仅用210例病例就完成了早产风险预测模型的构建，AUC达到0.75，优于国际权威早产预测工具QUiPP的最新研究表现。在工业质检领域，同样的基座正在适配不同产线、不同缺陷类型的检测需求。

关键不是这些数字有多大，而是它证明了同一件事：基座可以复用。

复用一次，是产品。复用一百次，是基础设施。从产品到基础设施，才是这类公司真正的价值跃迁。这个逻辑不只属于德适。金融风控、工业质检、法律文书领域的公司，都在走同一条路。它们的共同点是：不追更大的参数，追更深的积累。

二、客户敢不敢托付？

复用的前提，不是技术，是信任——客户敢不敢把关键任务交给你。

所有基础模型公司最终都要面对同一个问题：不是模型够不够聪明，是产品够不够可靠。

可靠性不是参数能解决的。它需要数据足够干净、流程足够稳定、结果足够可验证。这些问题，在模型能力快速迭代的时候容易被忽略，但在行业转向可靠的时候，会变成真正的护城河。

医疗AI是一个典型的切口。实验室里的准确率再高，到了医院，换一台设备、换一批患者、换一个操作流程，性能就可能波动。这不是技术问题，是信任问题。

这个判断不只适用于医疗。金融、工业、法律——所有进入关键工作流程的AI，都要过这一关。

在医疗AI领域，一个可观察的指标是“三类创新医疗器械”认定。拿到这个认定，意味着产品已经通过了能不能被医生信任的检验。德适的染色体核型辅助诊断系统拿到了这个认定，2024年在国内染色体核型分析领域的市占率达到30.6%。

这套壁垒无法复制：与医院共同积累的标注数据、与临床流程磨合出的验证标准、与监管沟通中建立的质量标准。谁先在一个对错分明的场景里建立信任，谁就有机会向更复杂的场景延伸。这个逻辑不只属于医学影像。

三、这套能力还能用在哪？

信任建立之后，同一套能力可以用在更多地方。

AI for Science正在成为全球资本的新叙事。辉瑞与Chai Discovery签署许可协议，将AI药物发现平台嵌入自己的研发体系。DeepMind的Co-Scientist已经在斯坦福的肝纤维化研究中，找到了一个能阻断91%纤维化相关反应的候选药物。

这个领域的竞争，已经脱离参数竞赛，转向科学生产能力的比拼：谁有高质量的科学数据，谁能把模型输出和真实实验验证闭环起来，谁就有价值。

这类公司的共同特征是：手里沉淀了大量行业标注数据、协作网络和已验证的垂直模型。这些资产在影像识别的框架下，价值是有限的。在AI4S的框架下，它们是科学生产能力的基础设施。价值逻辑，和做一个识别工具完全不同。

以德适为例，它手里的2895万份标注样本、99家医院的协作网络、158个已验证的垂直模型，在AI4S的框架下，不再是影像识别工具的资产，而是科学生产能力的基础设施。这个逻辑不只属于德适。

这才是这类公司和大多数AI公司最本质的区别：别人在做产品，它在做底座的底座。产品的价值是一次性的，底座的价值是复利的。

四、衡量方法为什么总是滞后？

AI4S的落地逻辑还没有完全形成，这意味着这类公司在短期内可能承受压力。不是因为它不重要，是因为它太新——行业还没找到衡量这类资产的方法。

但这也正是它的机会。衡量方法的出现，往往滞后于资产本身的价值。当衡量方法出现的时候，已经积累了足够数据的公司，会最先受益。

这类公司的路径也有竞争。越来越多的公司在做垂直领域的AI，但大多数在做产品，少数在做基础设施。做产品的公司，看订单；做基础设施的公司，看资产。这是两种完全不同的逻辑。

五、什么才是真正的壁垒？

Dario提出了一个值得认真讨论的问题。但中国的发展不能等待这场讨论得出结论。

美国继续加速，中国就需要提高研发与产业转化效率。美国真正放缓，中国更应该把时间花在那些能够留下来的能力上。

对这类公司来说，重要的不是美国慢不慢，而是自己能不能把工程能力变成产品，把专业积累变成信任，把客户价值变成继续研发的资金。

它们代表的正是中国AI的另一种可能性：不只追排行榜，也在追可靠性；不只比谁更聪明，也比谁更可信。

这种追求不在发布会上。它在手术室里，在工厂里，在客户的日常流程里——这才是这类公司真正的护城河。

不是谁更快，是谁更稳。这是这类公司的答案，也是中国AI另一种路径的答案。

Dario可以呼吁前沿放缓，却无法替中国的医院、工厂和企业，取消下一次进步的需求。