中美 AI 竞争的下半场,比的已经不是模型榜单谁更高,而是谁能把模型变成产业用得起、用得久的基础设施。

谁的推理成本更低、开发者网络更密、真实场景数据更多,谁才真正握着下一阶段的主动权。这点正在变得越来越清楚。

算力约束先把路线逼了出来。美国从 2022 年一路收紧对华先进芯片出口,2026 年 1 月又改了英伟达 H200、AMD MI325X 的逐案审查。于是中国厂商把宝押在算法效率、推理成本和开放权重(open-weight,模型参数可下载、可私有部署,但训练流程未必公开)上。DeepSeek、Qwen 这种"能力接近前沿、价格更低、能二次开发"的组合,靠的不是某次刷分,而是一整套能扩散的生态。

这东西真正的威力在降低整个生态的试错门槛。USCC(美中经济与安全评估委员会,美国国会下属机构)2026 年 3 月的报告点出一个双循环:数字世界里模型发布、开发者下载微调再迭代;实体产业里模型进制造、物流、机器人,跑出真实数据反过来喂模型。基础模型本身未必赚最多钱,但它成了带动云、推理服务、工具链的底座。

别以为美国就是铁板一块"闭源阵营"。2026 年 7 月,英伟达、微软、Meta、IBM 多家公开挺开放权重,理由很直白——模型越多应用越广,它们的算力、云、下游软件才好卖。真正死守闭源的,是那些砸了巨额训练资本、要靠 API 和订阅持续收费的前沿实验室。对开放权重的态度,本质看你站在产业链哪一环。

蒸馏(distillation,用强模型产数据去训小模型的技术)争议已经把火引到知识产权和规则层。2026 年美方和 Anthropic 公开指责部分中国企业"工业规模蒸馏",中方否认。技术本身中性,但"数据怎么来、能不能授权"正在变成新的竞争壁垒。

所以制造业和真实场景开始进 AI 竞争核心视野,一点不意外。大模型能靠互联网文本和合成数据练,但机器人、工业质检、供应链优化要的是真实世界数据。谁先把"部署—数据—再迭代"的闭环跑起来,谁才可能在下一阶段拿到持续的产业反馈。开源还是闭源,只是表层选择题。