把中美 AI 竞争理解成一次考试，很容易得出错误结论：模型榜单上谁高两分，谁就领先；谁发布一个开源模型，谁就扳回一城。榜单重要，但它已经不足以解释现在的竞争。
斯坦福 2026 AI Index 的判断很值得重视：自 2025 年初以来，美国与中国模型多次互换领先位置；到 2026 年 3 月，头部模型的差距只有 2.7%。报告的原话是，“The U.S.-China AI model performance gap has effectively closed.” 这说明“模型能力差距会永久拉大”的旧叙事已经失效。可同一份报告也显示，美国在 2025 年的私人 AI 投资为 2859 亿美元，中国为 124 亿美元；美国有 5427 座数据中心，且新获融资 AI 公司数量居世界首位。
能力接近，资源并不接近。这才是中美竞争的难处。
中美大模型差距缩小，为什么商业体系仍不对称？
今天的大模型已经能够解决一部分复杂编码、推理和多模态任务，进步速度很快。但它们仍有明显的“锯齿状边界”：能在高难数学竞赛中表现出色，也可能在看钟表、执行跨软件任务时出错。AI Index 报告提到，智能体在 OSWorld 这类真实操作系统任务上的成功率已从约 12% 上升到约 66%，但依然意味着每三次就可能失败一次。
这正是企业落地的分水岭。演示里 66% 的成功率很惊艳；放到财务、供应链、医疗、客服和制造现场，34% 的失败率足以让一个流程失去可托付性。谁能把模型接进数据、权限、流程、责任和人工复核，谁才有资格谈生产率。谁只是在发布会上展示聊天窗口，谁只是把更贵的算力变成更漂亮的幻灯片。
英国谚语说，“The proof of the pudding is in the eating.” 布丁好不好，吃了才知道。AI 的检验也一样：不是模型能回答多少问题，而是它能否替人稳定完成多少真实工作，又由谁为错误付代价。
中美AI算力、资本与场景，分别强在哪里？
美国的强项仍然很硬：资本市场愿意给高风险公司长时间的亏损容忍度，云和芯片生态更厚，创业公司更容易把技术、客户与融资连在一起。私人投资数字并不能完整覆盖中国的政府引导基金，因此不能据此简单算出“中美 AI 总投入相差 23 倍”；但它足以说明，面向创业企业和商业化试错的私人资本深度存在巨大差异。
中国的优势也不是陪跑。AI Index 指出，中国在论文数量、引用、专利产出和工业机器人安装量上领先。世界知识产权组织 2025 年全球创新指数还显示，中国拥有全球百强创新集群中的 24 个，深圳—香港—广州位列第一。这些数据不能证明中国已经在 AI 商业化上获胜，却说明中国有足够密集的产业和研发节点，把模型变成工具、设备和工作方法。很多美国公司拥有最强模型，却未必拥有把模型嵌进高频实体流程的条件。
但这条路不靠“应用场景很多”自动获胜。场景如果被切成孤岛，数据不能流动，采购只看短期演示，企业不愿为软件服务持续付费，AI 最终会变成一轮昂贵的试用活动。中国需要的不是更多“全国首个大模型中心”招牌，而是能让中小企业负担得起、能量化收益、能追责和持续迭代的行业产品。
中美AI竞争的下半场：谁能把模型变成可靠工作台？
美国也没有稳赢。它正在面对电力、数据中心、芯片供应链集中和人才流入放缓的问题。AI Index 指出，流入美国的 AI 研究人员与开发者人数较 2017 年已显著下降。把一切押在资本和硅谷网络上，同样会形成脆弱性。
中国则要面对另一面：如果企业把 AI 只当作压低人力成本的工具，短期数字会好看，长期却可能削弱组织学习。好的 AI 部署应当让一线人员更快发现问题、让工程师有更多时间处理例外、让管理层少靠报表猜测现场，而不是把每一次自动化都理解为“少几个人”。
模型竞争会继续，芯片限制也不会消失。但决定下一轮差距的，可能是一件不那么耀眼的事：谁能在十万家企业里，把 AI 从演示器变成可靠的工作台。到那时，参数规模仍然会被讨论，真正决定结果的却是产品、流程、数据和人。