中美差距到底有多大？梁文锋毫不避讳、一针见血地回答：“表面上中国AI与美国可能仅有一两年的技术代差，但真实的差距是原创和模仿之差。如果这个差距不改变，中国永远只能是追随者，所以有些探索是逃不掉的。” 现在不少人还在为中文大模型能多懂几句方言而沾沾自喜，却没看清一个残酷事实：我们一直在别人画好的赛道里追，哪怕跑得再快，游戏规则还是人家定的。 这差距根本不是“谁的模型算得更快”，而是“谁能开辟新赛道”的本质区别。这些看似亮眼的本地化优势，其实根本跳不出别人划定的技术框架。 就说现在全球主流AI大模型的核心根基——Transformer架构，是谷歌团队2017年原创提出来的。这种设计彻底抛弃了传统的循环结构和卷积操作，全靠自注意力机制干活，直接给现在大模型的并行训练、长距离依赖学习打了基础。 而国内不管是百度、阿里的大模型，还是各种初创公司的产品，本质上都是在这个架构上修修补补，优化下参数、适配下应用而已。 专利数量的漂亮数据，也遮不住原创能力的短板。截至2025年4月，中国AI专利申请量占了全球的38.58%，稳居世界第一，单是百度一家在生成式AI领域的专利申请量就排到了全球第一。 但关键问题出在专利质量和覆盖领域上：美国的AI专利数量虽然没中国多，但是获得海外认可较多，而且大多集中在芯片设计、底层算法这些核心领域；反观中国，专利大多都是做应用层的功能优化。 这种差距直接体现在技术话语权上——2024年中国AI相关论文引用量占全球总量的40.2%，而美国占比42.9%。这就意味着，在定义AI技术该往哪个方向发展的核心议题上，依然是美国占据着话语权。 而算力支撑上的依赖，更把这种原创与模仿的鸿沟拉得更大了。AI基础研究和原创模型训练，根本离不开高端芯片。 OpenAI训练GPT-4的时候，用了2.5万块英伟达A100芯片，花了90到100天，单是训练成本就高达1亿美元；马斯克的Grok3更夸张，直接投了20万张同款芯片。 再看国内企业，受外部限制影响，只能拿到性能打折扣的英伟达H800或H20芯片。就算华为的昇腾910C在部分任务上能接近H100性能的70%，但因为生态兼容的问题，还是没法撼动美国芯片的垄断地位。 之前DeepSeek团队靠2048块H800芯片，通过极致优化把训练成本压到了美国同行的二十分之一，可这种成本控制，终究只是在别人设定的硬件框架里做文章，根本突破不了算力底层的枷锁。 资金投入和产业模式的差异，更从根上影响着原创能力的培养。 2024年，美国私营领域的AI投资总额达到1091亿美元，单是亚马逊、微软这四大巨头，一年的AI投资就超过900亿美元，而且他们愿意为基础研究承担短期亏损； 而中国同期的私营AI投资只有93亿美元，还不到美国的十二分之一，而且资本更愿意投那些见效快、风险低的应用层项目。 这种差异直接导致了人才流动生态的差距：美国高校和企业之间的AI人才流动率有37%，形成了产学研协同创新的良性循环；中国这一比例只有15%，人才流动的壁垒很明显。 再加上国内AI领域女性从业者占比只有9.3%，远低于美国的20.1%，这也进一步限制了创新需要的多元思维环境。 国内明星AI企业Manus的发展历程，就是这种差距最鲜活的例子。这家诞生于中国的企业，靠AI浏览器插件Monica快速火了起来，后来推出的Manus智能体更是一度抢手到“一码难求”，还拿到了腾讯、红杉中国等国内资本的投资。 但它的核心技术严重依赖Anthropic的Claude等国外大模型，在国内的监管和技术限制下，最终只能把核心团队迁到新加坡，最后被Meta以数十亿美元收购。 这种看似“出海成功”的背后，其实是模仿型发展模式的必然困境——当核心技术和底层生态都要依赖外部时，企业终究摆脱不了被别人规则主导的命运，更没法为国内AI原创生态的培养出一份力。
