中美AI战局：谁的红利？谁的代价？

文/董洁林

历史的剧本里，技术的胜利往往被折叠成国家的荣光与巨头的市值，而变革的代价，却悄无声息地落在了每个个体的肩上。

2026年7月24日，一封题为《开放权重与美国AI领导力》的公开信在硅谷掀起新一轮争论。英伟达、微软、Meta、IBM、Palantir、HuggingFace以及一批云计算、网络安全和创业投资机构共同呼吁华盛顿，不要过早限制可以下载、修改和自主部署的开放权重模型。公开信把开放模型描述为美国创新、竞争、安全和技术主权的基础。

这封信没有直接点名中国，却不可能脱离中国来读。过去一年，中国开放权重模型的能力和全球采用率迅速上升，华盛顿也在讨论是否限制乃至禁止中国模型进入美国市场。未签公开信的Anthropic成为最突出的谨慎派：它强调前沿模型可能带来的生物与网络安全风险，主张对高能力模型进行强制测试，并加强对芯片和模型蒸馏的控制。

表面上，这是一场关于“开放是否更安全”的治理之争，实际上也是利益与产业定位之争。英伟达和云平台希望模型广泛扩散，以带动算力与托管需求；Meta希望模型层成为廉价互补品，巩固分发、广告和应用生态；Harness与应用公司希望保留替换底层模型的能力，同时掌握客户数据、流程和入口；依靠闭源模型收费的公司则更强调能力失控与不可逆扩散的风险。开发者、劳动者、消费者和资本所有者，也都在维护自己的工具、岗位、选择或投资回报。这并不意味着安全顾虑是虚假的。开放权重一旦释放就难以收回，闭源系统也可能被攻击、滥用或在外界无法检查的情况下失效。

承担宏大叙事、考虑美国整体利益的角色属于华盛顿。白宫一方面把“赢得AI竞赛”定义为经济竞争力与国家安全目标，并要求国家安全部门同时采用最先进的闭源模型和开放技术；另一方面，又建立前沿模型的风险识别和发布前沟通机制，并保留以知识产权、网络安全和对华竞争为理由实施限制的空间。

这场争论揭示了一个经常被混淆的问题：我们应当用什么记分牌理解中美AI竞争输赢？模型排名衡量一类技术产品；公司关心护城河和利润流向；政府关心技术领导、产业控制、国家安全、社会管控与全球标准；个人则关心AI究竟扩大还是压缩自己的收入、机会、选择、安全与尊严。因此，讨论中美AI之争，必须同时核对公司、国家与个人三张记分牌，其结果可以彼此反号。

一、拆解六层生态：

大国博弈远不止模型竞赛

AI不仅是一个模型，而是一套相互依赖的生态。黄仁勋把它概括为电能、芯片、基础设施、大模型和应用五层；ChamathPalihapitiya进一步把数据与控制（Harness）单列，形成六层结构，如图1所示。其中比较特别的Harness层负责协调不同模型和智能体的运行；如果模型是马，Har－ness就是决定它如何工作的挽具和缰绳。技术前沿与价值沉淀并不一定位于同一层：模型决定智能供给的上限，耐久的客户锁定却可能发生在Harness与应用层。大国AI实力取决于整个生态是否强健并形成闭环，而不是任何一层的单点排名。不同层次会为资本、创业者和个人提供不同的机会。目前，硅谷创业最活跃的领域集中在相对轻资产的Harness层和应用层，创业者试图把通用智能转化为具体的业务价值；大资本的优势则更多体现在基础设施建设、模型持续训练和平台生态扩张等资本密集型领域。

少数顶尖人才可以凭借稀缺能力，在芯片、模型和平台层获得高额溢价。与此同时，用户虽然享受AI能力普及和价格下降带来的红利，也可能以个人数据、注意力和平台依赖为代价；作为劳动者，他们还可能面对职业替代、收入分化和议价能力下降的风险。

按层比较，中美目前各有所长：美国拥有最先进的芯片、最强的前沿闭源模型、雄厚的私人资本和高质量企业软件市场；中国拥有更充足的电力、更快的基础设施建设、更强的制造组织能力，并在开放权重模型的全球扩散上取得暂时优势。美国劳动者更早获得最强工具，也更早承受高工资岗位被替代的压力；中国劳动者使用模型更便宜，但能否转化为工资、创业和职业上升，仍取决于市场与制度。

最近，模型能力正在逐步收敛，但中美两国支撑AI发展的物理基础并未同步接近。两国面临的核心瓶颈并不位于同一层：对中国而言，主要约束来自先进AI芯片——既受到美国出口管制的影响，也受制于本土芯片在性能、产能以及配套生态上的不足，而中国拥有更强的发电能力和工程建设能力。美国虽然拥有相对充足的高端芯片，却面临电力供应、并网审批和数据中心建设等基础设施约束。

这些不同层面的约束，最终都会反映在AI数据中心的建设速度和有效算力的部署规模上。如图2所示，按照峰值FP16算力的统一口径进行情景估算，2025年美国的AI算力约为中国的16倍；这一差距到2027年可能扩大至约25倍。远期预测存在较大不确定性，但美国在未来三、五年将保持一个数量级左右的领先，仍是相对稳健的判断。

^{（图2数据说明：中国2024年725.3EFLOPS及74.1%的同比增速来自IDC、浪潮信息，据此反推2023年约417EFLOPS；2025年和2026年上半年数据来自工信部、国新办。美国2023—2025年数据依据EpochAI的芯片与数据中心资料，以H100等效算力和主要云厂商全球份额估算，2026—2027年为情景预测。两国数据虽统一为峰值FP16EFLOPS，但原始口径不同，仅适合判断数量级。）}

^

约束不仅决定“能做多少”，还会改变“如何选择”。美国企业在算力相对充足的环境中倾向于扩大规模、建设超大型集群，但电力和并网会限制速度；中国企业则在芯片约束下发展蒸馏、稀疏化、量化和推理优化等效率路线。约束由此被写进企业商业模式和一代工程师的解法，即使日后解除，路径依赖也未必容易补回。

两国约束最终也会转化为个人代价：美国的收益可能集中于少数技术与资本所有者，中国重复建设、适配与追赶的成本则可能通过公共资本、利润压力和劳动强度转移给个人。

二、开放权重的悖论：

分发优势不等于商业胜局

千问、深度求索、月之暗面和智谱等中国大模型厂商，通过开放权重、低价调用和工具链建设，迅速进入全球开发者社区。在模型能力逐渐接近、调用价格持续下降的背景下，开放权重降低了开发者试用、修改和自主部署模型的门槛，也成为中国AI目前最具国际影响力的竞争方式。

HuggingFace报告显示，过去一年该平台模型下载量中，中国来源模型占41%；截至2026年4月，千问家族累计下载量接近十亿次。在调用侧，深度求索以约16.3%的Token份额成为Open－Router第一大供应商。不同平台口径不能合并，但共同说明中国模型已获得显著的全球分发优势。对中国而言，开放权重不仅带来模型采用，也扩大了技术影响力和战略空间。

但这里存在一个悖论：中国开放模型的海外分发与使用，仍在相当程度上依赖美国主导的基础设施。权重通过HuggingFace传播，调用通过Open－Router、Vercel等平台进入推理服务，底层又普遍运行在NVIDIA体系之上。中国公司提供模型，美国生态提供开发者入口、算力、云、路由和收费渠道；中国模型使用量越大，越可能增加美国基础设施公司的收入。

注意，下载不等于部署，部署不等于持续使用，调用量也不等于收入。Vercel数据显示，中国开放模型约占其网关三分之一的Token使用量，却只对应不到4%的用户支出。开放权重可以换来开发者、声誉和生态入口，却也削弱直接收费能力，使客户更容易复制、修改或替换模型。

因此，国家可以从技术扩散中获得影响力，模型公司却要承担训练、工具链和低价API的成本，相当部分价值可能流向芯片、云、推理、路由以及Har－ness与应用公司。中国目前赢得的是模型分发优势，而非整条价值链；它能否转化为公司收入和国家完整技术能力，取决于能否从下载走向部署、从使用走向付费、从生产率提升走向收益分配。

对用户而言，开放权重降低了学习、试验和创业门槛，也减少了对单一闭源平台的依赖；但能力可得不等于收入增加。开发者可能仍缺少客户与分发入口，劳动者提高产出却未必分享生产率红利，普通用户也可能承担数据泄露、诈骗和模型滥用风险。

三、当Token价格暴跌，

竞争法则将被改写

过去几年，AI产业最重要的变化不只是模型能力提高，更是获得同等智能的价格快速下降。如图3所示，过去三年，达到相近能力所需的Token价格下降了两个数量级以上。如果这种趋势延续，几个月的技术领先就越来越难自动转化为持久的商业价值。

_{（图3数据说明：2023—2026年数据综合模型厂商公开API价格及Arti－ficialAnalysis、EpochAI的同能力价格—性能分析，表示达到约GPT-4级能力所需的代表性Token价格。相关研究显示，同等能力的推理价格每年下降约5—10倍，但任务差异较大。2028年和2030年数值按每两年下降一个数量级进行压力测试，并非预测。）}

Token价格下降不是模型层单独创造的结果，而是整个生态共同进步的产物：芯片性能、集群互联和利用率不断改善，量化、稀疏化、推测解码、缓存和路由减少了推理所需计算，云平台提高了设备利用率，模型架构和训练方法也让更小模型达到过去只有大模型才能实现的能力。近几年，同等能力To－ken价格的下降速度，远快于摩尔定律所能解释的硬件性能提升。

市场竞争进一步加速了降价。当越来越多模型达到相近能力，厂商便难以仅凭“更聪明”维持高价，只能通过降价、免费额度和产品捆绑争夺用户。因此，Token降价既是技术进步和竞争的结果，也表明部分通用能力正在呈现商品化趋势；但若出现难以复制的AGI级突破，模型层的稀缺性和定价权可能重新上升。

2026年7月底，OpenAI让GPT-5.6Luna成为ChatGPTFree和Go用户的默认免费模型，并把API输入和输出价格分别降至每百万Token0.2美元和1.2美元，显示美国头部公司开始用免费产品和大幅降价争夺大众用户、开发者与全球分发入口。与此同时，多家中国模型厂商传出提价消息，深度求索的新价格于8月17日生效。

低价Token不等于低成本。需要区分客户支付的Token价格、达到某种模型能力的成本，以及完成同等训练或推理工作量的单位有效算力成本。前者会受补贴和竞争影响，算法优化可以降低第二项，却不必然使底层算力系统更便宜。衡量底层算力经济性，应比较总体拥有成本TCO，包括芯片及折旧、电力与冷却、互联与存储、数据中心设施，以及软件适配和运维；再除以系统实际完成的有效工作量，才能得到可比的单位有效算力成本。

中国AI公司在人工、工程建设和算法效率（如蒸馏、量化、稀疏化等）方面具有一定优势，可降低适配与运维支出。但在底层有效算力的关键环节，国产平台仍面临单卡性能、芯片互联、集群稳定性和软件成熟度等方面的不足，导致完成同等任务往往需要更多硬件、电力与工程资源，较低的利用率也使理论算力无法完全转化为可用吞吐；若直接选择NVIDIA平台，则需面对降规型号、出口许可与稀缺溢价。由于这些软硬件与生态层面的整体劣势抵消了部分效率优势，部分公开系统比较显示，完成同等有效训练或推理工作量时，国产AI栈的单位有效算力成本仍可能显著高于英伟达平台。

中国模型公司近期提价更可能是多种因素共同作用的结果：补贴退坡，训练与服务成本上升，容量受限，股东开始要求收入和利润，以及全栈TCO逐渐反映到产品价格中。中国模型的低价并非完全没有效率基础，但价格优势的幅度大于底层成本优势，差额要以牺牲利润和资本回报买单，因此提价在所难免。

四、价值何处沉淀？应用生态、市场与资本的重新洗牌

在没有AGI级突破重新拉开模型差距的前提下，AI新增价值可能更多向掌握客户数据、业务流程、具体场景和分发入口的Harness与应用层迁移。Harness与应用决定能力如何进入业务、触达用户并沉淀价值；市场决定付费需求和收入空间；资本决定资源流向和企业形态。

Harness与应用掌控客户黏性与入口

Harness负责把模型接入企业数据、权限、软件和业务流程，将输出变成可执行结果；应用则把能力包装成用户可直接采用的产品，掌握具体场景、交互、分发和客户关系。企业数据与流程难以迁移，用户习惯、品牌和渠道也不易复制，因此即使底层模型可以替换，Harness与应用仍可能形成稳定黏性。

从国家竞争的角度看，Harness决定智能如何进入企业与公共组织的业务流程，应用则决定谁掌握用户入口、使用场景和数据反馈循环。因此，这两个层次是将模型能力转化为现实生产力、经济价值和组织能力的关键，也是数据控制权与数据主权的重要落点。

对个人而言，Harness与应用共同决定AI是助手、监督者还是替代者。数据权限、绩效指标和自动化边界会改变员工的自主权与议价能力；产品设计、推荐逻辑和商业模式则影响个人能使用什么工具、如何被触达以及支付什么代价。个人能否获益，不只取决于会不会使用模型，还取决于能否保留专业判断、客户关系、选择权和收益分配权。

市场决定商业复利与变现潜力

市场决定AI落地以后能产生多少收入。美国企业软件预算高、订阅习惯成熟、白领人工昂贵，只要AI能够替代部分软件功能或减少程序员、分析师、律师或客服所需工时，企业就有明确的付费动力；收入又能支持下一轮算力、研发和服务投入，形成商业复利。这是目前编程智能体（CodingAgent）在美国成为AI“超级应用”的市场基础。

中国拥有大量应用场景和强大部署能力，但企业软件预算通常较低，脑力劳动成本也相对较低，目前还未出现超级企业应用。如果购买Token、改造软件和重塑流程的成本高于增加人工，客户便缺少付费动力。政企市场可以提供早期客户，但定制项目较难像标准软件那样低成本复制。中美市场质量之差，也是中国模型公司尽早出海的重要原因。另外，消费端也可依赖广告、电商和流量变现——互联网时代中国的超级应用就出现在个人消费端。

公司复利不等于个人复利。企业采用AI既可能让员工提高产出和收入，也可能减少岗位，把生产率红利主要留给股东。个人能否获益，取决于技能是否稀缺、是否拥有客户关系或资本，以及新增收益如何分配。

资本决定企业的生长方向

美国AI生态的资金主要来自风险投资、公开资本市场以及超级科技公司的巨额资本开支，其资源配置通常偏好技术前沿、高增长和能够在全球规模化的商业收入。中国AI企业的资金则来自国家产业基金、互联网公司、地方政府和风险投资机构；除商业回报外，部分资本还承担技术自主、产业本地化和国家战略能力建设等目标。值得注意的是，政府资本的影响往往不止于其直接持股比例：补贴、采购、准入、政策信号和后续融资，都可能放大其对企业决策的影响。不同的资本结构由此塑造不同的企业目标，并把公司推向不同的客户、产品和发展路径。当模型能力趋同、训练与服务成本仍高时，资本更可能流向掌握云、流量、客户、数据、Harness和应用入口的企业。

对个人而言，资本的配置方向最终会转化为职业机会、收入回报与风险。美国体系可能创造少量但回报极高的研究、工程和创业岗位，同时也会在增长不及预期时迅速裁员、收购或整合，个人机会高度集中且波动较大。中国体系的就业机会则可能更多集中在政企项目落地、产业部署和本地化实施，但个人获得超额回报和跨市场流动的空间相对有限，职业前景也更容易受到政策方向、政府采购和地方投资周期的影响。

五、未来产业推演：关于开放权重、

重组与AI疆域的三个预测

预测一｜美国开放权重阵营扩军，全球Token份额迎来大洗牌

2026年8月10日，Meta宣布开放MuseSpark1.2旗舰模型权重，成为美国以高质量开放权重模型回应中国阵营的明确信号。接下来要观察的是：会有多少顶级模型跟进，开放以后谁会获得更多Token分发、开发者和生态入口。

本预测包括三层判断：第一，美国会有更多顶级模型开放权重，并推动美国开放模型在主要路由、云平台和AI网关中的Token份额显著上升；第二，千问、深度求索、月之暗面等中国开放模型彼此竞争将更激烈，而美国头部公司的直接商业压力主要来自美国低价竞争的模型；第三，美国模型仍会选择性开放而非全面开放，具有较高生物安全、网络安全或自主代理风险的最前沿能力可能继续留在闭源受控API之后。

证伪判据：未来18个月内，美国来源开放模型在主要全球平台的Token份额未显著上升，或中国模型明显挤压美国模型公司的收入。

预测二｜模型层将先经历两年激烈竞争，随后步入整合期

未来两年，中美大模型公司仍将处于激烈竞争和持续投入阶段。到2028年底前后，如果没有出现足以重构竞争格局的AGI突破，那么随着模型能力进一步收敛、差异化空间缩小，而训练、推理和持续迭代的成本居高不下，部分缺乏稳定收入、资本支持或独特能力的公司可能难以为继。届时，中美模型层都可能开始出现倒闭、并购与整合。

如果某公司率先实现决定性AGI突破，模型层的稀缺性将重新上升。在这种情况下，整合仍会发生，但将主要表现为资本、人才和客户向技术领先者加速集中，落后者将被迅速淘汰。

证伪判据：2028年底之后一段时间，中美任一生态没有出现多起可验证的模型层并购、合并或独立业务终止，且独立模型公司仍普遍依靠模型收入增长。

预测三｜未来AI世界中美之间的楚河汉界将接近互联网疆域

今天的互联网疆域大致分为美国平台主导区、中国独立体系和同时采用中美技术的混合地带。AI疆域很可能复制这个板块图，除模型技术之外，芯片、云、支付、应用商店、数据规则、政府采购和安全标准也会共同决定技术归属。

这个疆界会直接影响个人能使用哪些工具、数据能否跨境、技能在哪些市场通用，以及创业产品能卖到哪里。短期内美国未必封杀中国模型，因为它们通过鲶鱼效应、开放权重、本地部署和供应商选择创造的价值，仍可能大于市场与安全成本；但这种容忍是有条件的。一旦中国模型造成可见的安全、产业、媒体或政治问题，且地缘政治派占上风，政策就可能从限制升级为封禁。

这道界线不是在完全自由竞争中形成的，政府之手从不缺席：美国侧重国家安全和市场准入，中国侧重模型准入和出口、内容与社会管控，欧洲强调风险分级。监管方向不同，却共同提高了跨境部署的制度成本。

证伪判据：如果欧洲、印度等形成不依附美国的第三极，或中国技术栈在中国互联网企业未曾占据的多个大型经济体中成为主导，这一判断就需修正。

六、终局的胜利与三张记分牌的叩问

未来，中美很可能都会宣布赢得AI竞争，但两国的胜利结构截然不同。美国更可能以资本回报、科学发现和个体能力扩展定义胜利；中国则更可能以产业规模、技术扩散、国家组织能力和社会秩序的塑造能力定义胜利。美国的优势更容易沉淀为可计价、可复利的商业财富，中国的优势则更多体现为难以直接计价的国家能力与战略影响力。同一轮技术革命，可能强化两种制度各自原有的方向，并由此塑造两种不同的未来社会。

然而，无论是哪一种胜利，公司、国家与个人这“三张记分牌”相互影响，却不能彼此替代。一家美国AI公司可以获得惊人利润和市值，却可能同时替代大量白领岗位并集中生产率红利；中国可以借助AI提高制造与治理能力，但许多普通人的就业、收入、职业安全与自主性却未必同步改善，甚至可能因此受损。公司赢了，国家未必赢；国家赢了，普通人也未必赢。

更重要的是：两国分别会用AI建设一个什么样的未来？生产力红利由谁获得？技术风险和后果由谁承担？国家能力的增强，是否同时扩大了普通人的机会、选择和尊严？

在这场摧枯拉朽的AI浪潮中，每个人都应经常叩问自己：我，是不是赢家？