出品/未来科技界

作者/张永堃

编辑/李彦

“人才从来不是瓶颈，资源才是。中美AI领域的人才，本质上是同一批人。”7月23日，DeepSeek创始人兼CEO梁文锋在闭门交流会中给出了这一判断。

中国大模型不断的追赶，正在让这一判断得到验证。从人才同源到模型并跑，中美AI差距的缩小已经成为共识。斯坦福大学于4月发布的《2026年AI指数报告》（以下简称《报告》）给出了更系统的佐证：中美顶尖AI模型性能差距已缩小至2.7%，自2025年初以来，两国模型已多次交替登顶性能榜单。

具体来看，2025年2月，中国的DeepSeek-R1曾短暂追平美国最佳模型，截至2026年3月，美国Anthropic的Claude Opus 4.6以1503分位居Elo榜首，中国字节跳动的Dola-Seed-2.0-Preview紧随其后。

在产出数量上，2025年美国发布了59个值得关注的AI模型，中国发布了35个，全球前三名分别为OpenAI（20个）、谷歌（14个）和阿里巴巴（11个）。

模型差距缩小，资源鸿沟仍在

前沿模型的接近，不代表两国AI产业的整体实力已经接近。当视角从模型榜单转向资本、数据中心和能源供给，中美之间依然存在明显的资源鸿沟。

最直观的差异来自资金。2025年，美国私人AI投资达到2859亿美元，约为中国的23倍，顶尖模型的性能差距却只有2.7%。如此悬殊的资金差距，为何没有转化为同等幅度的模型差距？

首先，统计口径低估了中国的真实投入。2859亿美元对比的是私有资本，但中国AI产业的发展同时受到政府引导基金和国有资本支持。《报告》显示，2000年至2023年间，中国政府引导基金已向AI相关企业部署约1840亿美元，这部分资金并未被计入私有投资。

其次，两组数据衡量的对象并不相同。2.7%反映的是某个时间点上两国最强模型的性能差距，投资数据覆盖的却是芯片、云计算、模型研发、产品开发和商业化等整个产业体系。前者衡量单点能力的峰值，后者反映长期积累的资源总量，无法形成线性对应关系。

最后，中美AI资金流向存在明显差异。中国企业在资源约束下更重视算法效率和应用落地，美国私人资本则大量涌向数据中心、GPU集群和云计算等重资产基础设施。这使中国模型可以在性能榜单上快速追赶，美国却依然掌握着更雄厚的算力底座。《报告》显示，美国拥有5427个数据中心，中国仅有449个，存在着12倍的差距。

算力继续扩张后，新的约束已经从芯片延伸至电力。全球AI数据中心的电力容量达到29.6吉瓦，接近纽约州的峰值用电需求；训练一个Grok 4级别的模型，碳排放量相当于1.7万辆汽车一年的排放量。芯片可以买，数据中心可以建设，但稳定而充足的电力供应正在成为更难补齐的基础资源。

这恰恰构成了中国潜在的后发优势。《报告》显示，中国电力储备裕度长期保持在80%以上，是美国的两倍有余。美国拥有更雄厚的数据中心存量，中国则拥有更充足的电力扩张空间。由此来看，中美AI竞争已经形成一组更复杂的对照：模型能力正在接近，算力存量仍有较大差距，而决定下一阶段竞争上限的能源条件，又可能重新改变双方的位置。

前沿模型之外，中国的规模优势

把观察范围从前沿模型扩大至论文研究、专利转化和工业部署范畴，从《报告》体现的数据来看，中国已经形成更强的规模效应。

从科研产出看，中国AI论文发表量占全球17.8%，引用份额达到20.6%，美国的引用份额为7.29%。在全球被引次数最多的100篇AI论文中，中国入选数量从2021年的33篇增加至2024年的41篇，同期美国则从64篇下降至46篇。

与此同时，中国获得授权的AI专利占全球74.2%，美国占12.1%。专利数量无法直接等同于技术质量或商业价值，却能反映企业和科研机构将研究成果转化为可应用技术的活跃程度高低。庞大的制造业体系也为这些专利提供了更多测试、改进和规模化应用的场景。

从产业部署看。2024年，中国安装工业机器人29.5万台，占全球安装量的54.4%；美国同期安装3.42万台，中国为美国的近9倍。工业机器人只是AI进入实体经济的一种形态，但它直观反映了中国将算法、自动化设备和生产流程结合起来的能力。

美国的优势则集中在产业链的另一端。2025年，美国在生成式AI等前沿软件领域的投资占全球同类投资总额的80%以上，资本持续流向基础模型、开发工具和软件平台。这使美国更容易率先开辟新的技术方向，并通过平台和生态掌握行业标准。

这些数据揭示了一个清晰的结构性差异：美国强在“从0到1”的软件创新和前沿探索，中国强在“从1到N”的制造升级和规模化应用。这种差异并非简单的优劣之分，而是两国产业禀赋的自然延伸，美国拥有全球顶尖的科研体系和风险投资生态，适合做颠覆性创新；中国拥有全球最完整的制造业供应链和庞大的应用场景，擅长工程化落地与快速迭代。

AI发展的另一面，中国的社会土壤优势

除了AI相关的“硬实力”，贯穿硬件、模型与应用各层面的“软环境”——人才流动、法律完善程度、公众态度，同样构成中美AI竞争的关键变量。这些指标不直接催生技术突破，却深刻影响技术能够走多远。

从人才流动看，支撑美国AI优势的“人才流入”正在快速萎缩。《报告》显示，移居美国的AI学者数量自2017年以来下降89%，仅过去一年便锐减80%。美国仍是全球AI研究人员最多的国家，但存量优势与增量萎缩之间的张力日益明显。

这种萎缩并非孤立现象。英国、加拿大、阿联酋等国纷纷推出面向AI领域的签证绿色通道和科研资助计划，试图在全球人才洗牌中建立新的枢纽地位。对AI研究者而言，赴美已不再是唯一的黄金选项。由此来看，人才竞争格局正在从聚焦美国转向多极分流。

法律完善程度的差异同样显著。《报告》显示，G20国家中，美国已通过AI相关法案25部，中国仅出台1部。但数量差异不代表治理效能的高低。

美国的25部法案体现“分散立法、逐项规制”的治理传统，中国的1部则遵循“统一框架、分步实施”的立法路径，两种模式植根于不同的制度逻辑。不过至少在应对AI社会风险的法律响应速度上，美国走在了前面。

在公众态度上，中美也呈现出巨大温差。美国公众对政府监管AI的信任度仅为31%，在全球主要国家中偏低；中国公众对AI的乐观度则超过80%。这种情绪差异在职场场景中得到了进一步放大。

《报告》中引用了墨尔本大学与毕马威一项覆盖了47个国家48340名受访者的全球调查。数据显示，2025年全球53%的员工信任工作中的AI，58%会定期使用。但区域分布远比平均数复杂：AI职场应用呈现出与经济发展水平“倒挂”的特征。在印度、中国、尼日利亚等国，超过80%的受访者经常在工作中使用AI，信任度同样居高不下。中国员工的AI信任度约为75%，使用率接近85%，双双显著高于全球均值。

相比之下，美国员工的信任度和使用率均约为50%，不仅低于中国，也未达全球平均水平。多数欧美国家的信任度介于40%至48%之间。

这种分布与典型的技术扩散路径形成反差。《报告》特别指出，人口层面的AI普及通常显示采用率与人均GDP正相关，但职场场景却呈现反向格局。新兴经济体之所以反超，可能与其更轻的历史系统包袱、更迫切的效率提升需求，以及更灵活的组织试错空间有关。

不同国家为AI构筑的环境将直接影响技术落地节奏。美国偏保守的民意可能延缓AI部署速度，中国偏积极的态度则为技术应用提供了更宽松的社会土壤。但若立法跟进不及，这份信任也有被透支的风险。

结语

除了信任度调查，《报告》还呈现了一组有趣的数据：各国对美国、中国、欧洲及本国AI模型的信任水平统计。结果显示，各国对中美两国AI模型的信任度普遍偏低，这或许与中美两国在AI领域的主导地位所引发的警惕心理有关。

但出人意料的是，欧盟的AI模型在各国的信任度得分却异常亮眼，几乎与各国对本国模型的信任度不相上下。换句话说，哪怕欧洲在顶尖模型的产出数量上远不及中美（2025年仅发布2个值得关注的模型），也能获得更高的信任分数。

这种“信任溢价”背后，折射的可能是欧盟在数据隐私保护和《人工智能法案》等监管框架上积累的制度声誉，而这份声誉，正在转化为一种技术软实力。

这或许也带来一个启示，规则与信任同样是AI竞争中的核心资产。当技术狂奔时，率先搭建起制度框架的一方，反而可能赢得更长远的发展空间。未来AI的竞赛不会止步于算力、模型与数据，制度的弹性与社会的信任，将共同决定前行的节奏与边界。