中美AI竞争新变量：从拼模型转向拼体系，开源与算力成关键

Barrons巴伦撰写，钛媒体获授权发布。

过去几年，外界看中美人工智能较量，盯得最多的是模型排行榜、GPU数量和参数规模。到了2026年，风向变了。模型能力强弱依然算数，可一套技术路线能不能持续铺开，越来越取决于推理成本、开发者生态、云服务、企业落地、真实场景数据，还有规则话语权。

于是开源与闭源之争，早就不只是工程师内部的技术路线辩论。企业关心的是商业模式和客户控制权；产业关心的是模型能以多低的成本进入制造、物流、机器人和各类企业系统；放到国家层面，芯片出口管制、知识产权和模型安全又把这种选择拖进更复杂的制度较量。原先一句“谁的模型更强”就能概括的比拼，如今成了横跨算力、模型、生态和实体产业的综合竞争。

从“拼模型”到“拼体系”

这种变化，起点是算力受限。2022年以来，美国对华先进人工智能芯片出口限制持续加码。2026年1月，美国商务部工业与安全局再次调整部分对华半导体出口许可政策，英伟达H200、AMD MI325X及类似产品改为满足条件后逐案审查。政策不是一路收紧，也不是一路放松，而是在安全、产业利益和市场需求之间来回调整。

也正因如此，中国人工智能企业更看重算法效率、推理成本和开放权重。DeepSeek、Qwen等模型能形成影响力，很大程度上不只靠某一次基准测试，而是靠“能力接近前沿、价格更低、能下载能二次开发”这套组合。严格讲，行业习惯把这类路线统称“开源”，但其中不少更准确的说法是“开放权重”：参数可以下载、微调和私有化部署，训练数据、完整训练流程和部分工具链却并未全部公开。

这个区别看着技术化，落到商业扩散上却很直接。闭源模型多以云端API和订阅交付，供应商能持续掌控版本、访问权限和收费标准；开放权重模型则更容易进企业本地数据中心、边缘设备和专有业务系统。对数据合规、成本和定制化要求高的企业客户来说，后者多了一个选项。

为什么开放权重在中国形成了更强的生态扩散

开放权重的价值，不只是压低一次调用价格，更在于拉低整个生态的试错门槛。美国国会下属美中经济与安全评估委员会（USCC）2026年3月的一份报告，把中国开放模型的发展归纳为两个互相强化的循环：一个在数字世界——模型发布、开发者下载、微调、再迭代；另一个在实体产业——模型进入制造、物流和机器人场景，跑出真实运行数据，再回头推动模型改进。这是该机构分析中国AI路径的框架，不代表所有企业都走同一条路，但它提供了一个观察产业差异的角度。

开发者生态已经成了重要变量。USCC当时统计，阿里Qwen已形成超过10万个衍生模型；Hugging Face此后披露的数字还在增长。这类衍生生态的分量在于，一个基础模型一旦被大量开发者用于代码、视觉、语音、行业知识和边缘部署，它就不只是一个“产品”，而逐步接近一种技术底座。基础模型本身未必直接赚到最高利润，却能带动云计算、推理服务、企业部署、工具链和硬件需求。

这也解释了为什么中国大型科技企业更容易接受“模型低价甚至免费、在别处变现”的商业逻辑。对手握云平台、企业客户和产业场景的公司来说，模型可以是入口，不必是唯一收费点。反过来，只有前沿模型、缺云平台和应用入口的创业公司，持续开放模型会带来更直接的商业化压力。所以“开源路线”本身也不是统一模式，各家收益结构并不一样。

美国科技产业也不是单一的“闭源阵营”

把中美AI竞争简单说成“中国开源、美国闭源”，同样会漏掉越来越多现实变化。2026年7月，英伟达、微软、Meta和IBM等多家美国科技公司公开支持开放权重模型，认为过早限制开放模型可能压制创新和竞争。相比之下，部分前沿模型实验室更强调模型能力扩散后的安全风险、知识产权保护和可控性。

分歧首先来自商业利益不同。芯片公司希望模型越多、应用越广，算力需求越大；云厂商需要大量不同模型进入企业工作负载；下游软件公司也想降低对单一模型供应商的依赖。前沿模型实验室则砸下巨额资本训练模型，商业回报更依赖模型能力保持稀缺，以及客户持续通过API和订阅付费。对开放权重什么态度，其实和各家在产业链上的位置高度相关。

安全逻辑也不是只有一个答案。闭源系统便于供应商统一加护栏、限制访问并持续更新，但企业也要面对供应商锁定和数据控制集中等问题；开放权重模型能本地部署和审计，可模型发布后很难完全收回，对能力滥用的控制更难。说到底，开放与封闭更像两组不同的风险—收益组合，而非简单的“先进与落后”。

蒸馏争议把竞争推向了知识产权和规则层

模型性能差距缩小后，争议从芯片和模型开放度延伸到训练方法。蒸馏本是常见的机器学习技术：用能力更强的“教师模型”生成数据，再训练成本更低的“学生模型”。真正起争议的，是企业有没有未经授权、大规模利用竞争对手的模型输出，以及有没有绕过访问限制获取训练数据。

2026年，美国政府和Anthropic等公司先后公开指责部分中国人工智能企业搞未经授权的“工业规模蒸馏”；中方否认相关指控，并强调蒸馏本身是中性通用技术。就目前公开信息看，技术方法本身与是否违反合同、知识产权或访问规则，需要分开讨论。这场争议的分量在于，中美AI竞争已经不只比谁能训出更强模型，也在争什么样的训练行为可以被接受、开放模型该承担何种安全义务，以及跨境AI服务如何适用现有法律。

规则若摇摆不定，产业格局也会被牵动。闭源模型一旦把身份核验、调用频率限制、异常请求识别做得更严，后训练数据的获取门槛就会抬高；各国若对开放模型施加更严的部署或出口约束，开放路线的铺开节奏同样可能生变。结果就是，模型能力本身在迅速变成通用商品，真正可能立起新门槛的，反倒是数据出处、授权关系与合规本领。

真正拉开差距的，可能是模型之外的能力

眼下的局面里，开源与闭源谁都还没有把对方挤出局。前沿闭源模型仍可凭借大额资本投入、先进算力和集中研发去冲能力上限；开放权重模型的长处则在于成本、私有化部署以及开发者的传播速度。企业客户大概率会并用多种模型：高价值、高敏感的任务交给更强的封闭系统，对成本敏感或需要本地落地的场景则用开放模型。

这样一来，单靠一个指标已经很难评判中美AI竞争。参数规模、基准测试、GPU数量当然还算数，可它们只占一部分。更该盯住的，是哪一方能把模型能力换成更低的推理成本、更宽的开发者网络、更成熟的工具链、更稳的商业收入，以及规模更大的企业与实体产业部署。

制造业和真实场景也因此被推到AI竞争的中心位置。大模型训练可以靠互联网文本和合成数据撑着，但机器人、工业质检、供应链优化、研发设计这类应用，离不开大量真实世界数据。谁更快跑通“部署—数据—再迭代”的循环，谁就更容易在下一阶段拿到持续的产业反馈。这个过程未必会出现在某一次模型榜单上，却可能决定AI技术能不能真正落进千行百业。

过去几年，人工智能竞争主要在回答“谁能做出更强的模型”；到了下一阶段，更重要的问题或许变成：谁能把模型做成企业和社会长期用得起的基础设施。开源还是闭源，只是表面的取舍；底下真正较量的，是算力供给、商业模式、开发者生态、产业场景和规则体系能不能彼此强化、形成循环。

更多对全球市场、跨国公司和中国经济的深度分析与独家洞察，欢迎访问 Barron's巴伦中文网官方网站