中国AI，和美国相比差在哪？

过去10年，人工智能（AI）取得了显著进步，近年更因大语言模型（LLM）的突破，通用人工智能（AGI）的技术界限不断被拓展，AGI有能力执行如视觉感知、语音识别、决策和语言翻译等更多的人类任务。就世界范围的AI发展而言，中国和美国占据领先地位，各自采用了相对独特的发展模式，一定程度上催生了新产业、新动能。

近期，DeepSeek-R1模型的横空出世，标志着中国AI企业在创新探索方面取得了阶段性突破。然而，值得注意的是，中国在基础理论积累、高端算力芯片生产、AI产业生态等领域仍然落后于美国，“卡脖子”风险尚未根本缓解。

美国在AGI发展中处于前沿位置，其领先世界的研究型大学、掌握庞大资源的科技巨头企业、强大的技术部门和支持性的监管环境等条件，都不是其他国家可以在短期内加以复制和赶超的。

中国是目前世界上能紧跟美国发展速度的国家之一，在AI的多项指标上，“追赶”着美国的领先地位。AI技术的发展涉及基础理论、核心技术、创新生态与商业应用等多个维度，中国目前在各个方面都展现出较为快速的发展势头。但毋庸讳言，与美国相比，中国仍存在显著的短板。

“信息技术与创新基金”（ITIF）报告指出，在学术论文发表方面，中国和美国的表现相当。截至2023年，中国有约12450篇生成式AI学术论文发表，美国有12030篇；在专利方面，自2013年以来，中国一直是AI专利授权的最大发起国，到2022年，中国的AI专利申请数量大约是美国同行的4倍，中国国家知识产权局专利局的授权数量几乎是美国专利商标局的3倍。世界知识产权组织（WIPO）2024年的报告指出，自2017年以来，中国每年在生成式AI领域授予的专利数量超过了其他所有国家的总和。

在人才方面，以中国研究人员在神经信息处理系统会议（NeurIPS）发表论文的比率来衡量。在2022年，中国培养了全球47%的顶级AI研究人员，而在2019年，最精英的AI研究人员比例为29%，其中26%来自中国，28%来自美国 。

在AI基础设施如数据和算力方面，中国庞大的人口规模和企业规模产生了快速增长的数据，同时政府也在推动数据产业的高质量发展，在促进行业数据共享、推动数据授权运营、数据要素市场建设等方面推进形成了标准体系，为促进数据安全高效流通探索了制度保障。面对美国近年不断升级的限制措施，中国在算力设施相关的芯片产业上的投资也初见回报，一些中国企业提供了具有一定竞争力和成本优势的产品，如华为昇腾（Ascend）910B等。正是具备了较为健全的创新生态，中国企业才有可能既推出如“文心一言”“通义千问”“Kimi”“书生”大模型等紧追国际前沿的优秀模型，又产生DeepSeek-V3/R1这样集合社会资本、青年科技人才与应用工程创新等多维度力量的先进科技产品。

图源：新华社

工业和信息化部数据显示，截至2025年2月，智能工厂培育行动已经建成3万多家不同智能层级的智能工厂，覆盖超过80%的制造业行业大类，共建设优秀场景近2000个，工厂产品研发周期平均缩短28.4%，生产效率平均提升22.3%，不良品率平均下降50.2%，碳排放平均减少20.4%。在医疗影像行业，截至2024年6月，国家药品监督管理局已批准3类92款AI工具，广泛用于图像质量改善、疾病分期与分级分析等。中国在自动驾驶的规模化运营上进展迅速。截至2025年1月，百度公司的自动驾驶出行服务已在全国多座城市累计提供了超过900万次载客行程。这一数字超出了美国Waymo公司同期500万次的运营规模。

目前广泛应用的AI基础理论，包括Transformer架构、Diffusion模型、RLHF优化和Attention机制等，均由美国的少数科技巨头或研究型大学研究者提出。例如，谷歌团队提出的Transformer架构，突破了传统循环神经网络（RNN）只能逐词顺序处理、效率低下的局限，以并行方式同时处理句子中所有单词之间的关系，从根本上革新了自然语言处理（NLP）领域的发展路径。中美两国基础理论上的差距，也反映在学术影响力上。例如，根据ITIF报告，在全球引用率最高的10项AGI研究成果中，美国占据4项，中国仅有1项，这显示出中国在基础理论原创方面的明显差距。

虽然DeepSeek-R1通过低成本策略有效降低了AI模型训练对高端芯片的需求，并且华为海思等中国企业也在推动芯片国产替代方面取得了一定成绩，但是，英伟达（NVIDIA）的H100芯片依然是目前训练大模型不可或缺的核心产品。英伟达的CUDA平台已构建了成熟的开发者生态，覆盖TensorFlow、PyTorch等主流框架；即使其他厂商推出硬件，也难以绕过这一平台的软件兼容性和优化壁垒。中国在某些关键核心技术上难以实现重大突破，与科研生态的整体状况相关：中国的专利申请数量领先全球，但其整体质量存在明显不足。例如，能够在首次获得中国专利授权后，又获得其他国家或地区专利认可的发明比例仅为4%，远低于美国的32%。

例如，尽管中国顶级AI人才的规模已与美国接近，但在资本、技术、应用及基础设施等维度仍存在明显差距。美国斯坦福大学人本人工智能研究中心（Stanford HAI）发布的《2024年人工智能指数报告》指出，中国AI的整体创新活力（40.17）落后于美国（70.06） 。在通用技术和方法创新（如RLHF等方法论突破）方面，中国的成果相对有限，更多集中于引用周期短、规模较小的工程优化，如中文分词增强和多模态数据清洗等。此外，一些中国AI研究成果的开源程度低、复现难度大，制约了成果的广泛引用及理论与技术的双向互动。

2024年，美国在AI领域私人投资达1091亿美元，是排名第二的中国的11.7倍。图源：Stanford HAI

同时，中国还存在较为严重的科学研究与产业应用相脱节的问题，校企合作大多停留于联合署名发表成果的阶段，实际知识转移效率较低。整体而言，中国AI领域的科学研究、技术创新和应用处于割裂状态，尚未形成有效协同的创新生态。另外，在基础设施层面，中国AI企业同样面临突出的问题，如ITIF报告指出，中国快速增长的数据质量并不高，2023年中国企业较上一年增加了22%的数据规模，然而可数字化和可存储的部分只有略超过3%；算力设施上的短板更加突出，中国企业目前在AI芯片设计等环节上所占市场份额比较低，一项针对20个中国大语言模型的调查显示，其中17个模型使用的仍是美国英伟达的芯片。

中国与美国存在现实的差距，有必要集中一定的资源实施“追赶”战略。但是，在当前的AI领域，仅考虑“追赶”前沿，并不能满足中国的经济社会整体发展需求。

目前的AGI发展中，比较引人注目的是大模型训练成本有持续增长的趋势。AI调查机构Epoch AI，选取不同历史时期推出的796个有影响的机器学习模型进行比较测算，发现自2016年以来，为前沿模型最终训练运行而平摊的硬件和能源成本，以每年2.4倍的速度快速增长；如果训练成本持续增长下去，到2027年，最大规模的训练将花费超过10亿美元；开发关键前沿模型（如GPT-4.0和Gemini Ultra）的成本中，大部分是硬件成本，占47%—67%，研发人员成本占29%—49%，其余2%—6%用于能源消耗。

这种高昂的资源和能源耗费，给中国及所有其他处于“追赶”状态的国家提出了一个严肃的问题：在集中一定的资源进行“追赶”，以免与国际前沿发展拉开距离之外，还应当进行怎样的规制和指引，从而产生创新的探索？

中国作为后发国家，习惯基于后发优势理论制定国家科技创新及产业化的发展战略。虽然这一战略可以在一定程度上快速取得追赶成绩，却容易被锁定在先发国家制定的既有技术路线与产业方向中，进而陷入“中等技术陷阱”。具体到AI领域，自2022年底ChatGPT发布以来，大语言模型成了AI发展的主流技术路径，中国企业在DeepSeek崛起之前基本也是沿着这一路径进行模仿追赶。截至2024年底，我国已备案大模型有302个，形成了“百模大战”的激烈竞争格局 。近期，国内的资本市场也已经开始出现反思。AI投资行业里流传着一个案例：一家公司年收入3亿元，而训练模型就花了20多个亿。之前投入大量资源实施“追赶”策略的AI“六小虎”的估值如今大幅下跌，AI独角兽陷入融资困境 。这个发展状况要求我们更理性地思考中国的AI发展战略。

DeepSeek并没有沿着“大力出奇迹”的路线前进，而是走出了一条“高性能、低成本、开放普惠”的新路径，展示出“追赶战略”下容纳多个AI创新方向的丰富图景。事实上，DeepSeek之所以能在短时间内获得全球性关注，除了所谓的后发国家企业挑战美国科技巨头这一大国竞争话语，更重要的是其大幅度降低了应用成本并采取了开源的技术路线，这2点使得各后发地区、各行各业都有了基于自身发展需求来应用新兴科技产品的机会。Ding J的近期研究也指出，与国际关系经典文献中总结的“先进部门引发全球权力结构变化”的观点不同，实证证据表明，“推动先进技术扩散的制度”对于大国崛起更加重要。这项研究将舆论特别关注的创新“先进性”与“后发性”的对立，引向了更值得探讨的“创新能否获得广泛应用”层面。

这样的实践经验与理论思辨，启发了中国可以在实施“追赶战略”的同时，通过“多元探索”发掘AI多样化创新方向的可能性。在“追赶战略”下，中国可以选择在一定的领域内集中资源从事重大科技攻关，适应大国竞争的需求。而面对AGI这种技术路线与产业化方向仍存在较大不确定性的新兴领域，只将追赶美国技术领先地位作为唯一的战略导向，不仅容易造成国家创新资源投入既定技术路线的误判与浪费，更会忽略“多元探索”战略下我国不同地区、多类主体中蕴藏的多样化创新发展可能性潜力。当然，在国际竞争与社会舆论的压力下，中国作为世界第二大经济体，也很难只关注国内创新发展而不去面对事实存在的外部压力，完全从已有的“追赶战略”转向“多元探索”。

因此，本文在战略导向上的主要观点是，面对AGI的创新发展，需要同步实施“追赶战略”与“多元探索”战略，后者可以作为前者的补充，使得中国在应对美国科技竞争的同时，探索出符合我国国计民生需求的AI创新方向。