美议员称绝不能让中国AI赢

当美国议员说"绝不能让中国赢"：一句口号，和它背后那台真实的机器

一、先把事情说清楚：一句极端的话，和一份很长的清单

2026年春天，美国国会吵的并不是税收或医保，而是要不要给AI踩刹车。无党派参议员伯尼·桑德斯与众议员奥卡西奥-科尔特斯提出《人工智能数据中心暂停法案》，主张在国会通过严格监管规则前，全面暂停全美AI数据中心的建设与扩建。理由很具体：电费上涨、社区资源被挤占、收益只流向少数人。桑德斯的原话是"得让民主追上来"。

反击来得很快。参议员费特曼直接在社交平台X上定性："暂停就是'中国优先'（A moratorium is China First）。"犹他州共和党参议员、参议院能源与自然资源委员会主席迈克·李则把话说到了极致——"这场仗绝不能让中国赢，若我们输了，全人类就都输了。" 他还将任何让美国减速的主张等同于"通敌"。同一时期，财长贝森特在右翼媒体活动上称"如果中国赢了AI竞争，美国将没有后天"；特朗普也在高尔夫球场对记者表示"谁赢了超级智能，谁就赢了"。

这句话之所以值得细读，是因为它并非孤立的情绪宣泄，而是一整套政策动作的修辞外壳。把它摊开来看，清单长得惊人：

- 算力层：BIS自2022年起多次收紧对华高端AI芯片出口，2026年1月起部分产品由"推定拒绝"改为"逐案审查"，同时附加严苛条件；5月起明确"母公司穿透"原则，堵死经第三国子公司采购的路径；众议院还推动将云端远程访问纳入管制授权。

- 制造层：联合日荷协调设备出口，拟禁DUV浸没式光刻机及售后支持；实体清单与所谓"涉军企业清单"持续扩容。

- 模型层：以"蒸馏""窃取知识产权"为由威胁制裁中国企业，参议院提出BLADE法案；6月还把顶级模型纳入出口管制范围。

- 供应链层：两党议员提案禁止敏感联邦系统使用中国制造的光收发器，点名中际旭创、新易盛——尽管美国业界自己警告这会拖慢本国数据中心建设。

- 资本与人才层：限制美资投资中国AI与半导体；收紧签证，斯坦福报告显示移居美国的AI学者数量较2017年大幅下降。

与此同时，美方内部其实正在剧烈撕裂：桑德斯与奥卡西奥-科尔特斯要暂停数据中心，费特曼骂他们"递刀子"；特朗普一面把AI风险警告斥为"骗局"，一面又拉着科技巨头签"道德约束"式的自律协议；参议院一项旨在防止数据中心推高居民电价的法案，因程序性投票未达60票门槛而受阻。数据中心议题的政治广告支出已达数千万美元量级，成为中期选举的真问题。

我的判断很朴素：AI只是工具，远没到封神的地步；但我们绝不能因此放弃发展它，因为从长远看，这是一场工业革命级别的通用技术扩散，而不是一场谁先撞线谁通吃的短跑。

佐证恰恰来自美国人自己的数据。斯坦福大学HAI发布的《2026年AI指数报告》显示，截至2026年3月，中美顶尖模型的性能差距已缩小到2.7%，自2025年初以来双方多次交替登顶——这意味着"绝对领先"在客观数据上早已不成立。但同一份报告也指出：美国2025年私营部门AI投资约2859亿美元，远超中国；美国拥有5427个AI数据中心，中国为449个；中国在AI论文、专利以及工业机器人装机量（约占全球54%）上占优。差距并没有消失，而是换了地方：美国差在电力、电网、社会共识和人才流入；中国差在先进制程芯片。 换句话说，这场竞争的胜负手，早就越出了"谁的模型更聪明"的范畴。

二、把技术讲透：它从哪里来，卡在哪里，下一步往哪走

要判断"谁赢谁输"这种说法有多少分量，得先看清这台机器本身的脾气。

它是怎么来的。 AI的故事远比大众想象的漫长：1950年图灵提出"机器能思考吗"，1958年罗森布拉特做出感知机，1986年反向传播算法普及，随后经历两次"AI寒冬"。真正的转折发生在2012年AlexNet凭借GPU拿下ImageNet，接着是2017年谷歌提出Transformer——"注意力机制"取代了循环网络，成为今天几乎所有大模型的共同骨架。此后，Kaplan等人提出的缩放定律（scaling law）与DeepMind的Chinchilla计算最优结论，把"堆算力、堆数据、调参"变成了一条可工程化的路线；再叠加RLHF（人类反馈强化学习）、混合专家模型（MoE），以及2025年前后以DeepSeek-R1为代表的强化学习后训练路线，模型从"会接话"走向"会推理"，并在2026年进入以智能体（Agent）主动执行为标志的新阶段。

为什么偏偏是这条路胜出。 核心在于三个条件同时具备：互联网积累了海量无标注文本，让自监督学习绕开了昂贵的人工标注；GPU把矩阵乘法变成了廉价的大规模并行运算；Transformer架构恰好能把这两样东西高效地吃进去。于是，"预测下一个词"这个看似简单的目标，在足够大的规模下涌现出了泛化能力。这不是谁灵机一动，而是算力、数据与算法三者的历史巧合。

它到底难在哪。 今天的瓶颈早已不在"能不能训出来"，而在于四个硬约束：算力与能源（训练与推理的电费和机柜是真金白银）、高质量数据的天花板（公开语料快被吃干，合成数据闭环还在验证期）、长程可靠性（多步任务每一步99%的准确率，连做一百步就会崩）、评测与安全对齐滞后于能力（基准测试被刷爆、泄露、污染已是行业常态）。

最容易出问题的地方，业内有个贴切的名字：锯齿前沿（jagged frontier）。 同一份斯坦福报告给出了极具戏剧性的对照：顶尖模型在博士级科学问题、竞赛数学上追平甚至超越人类，SWE-bench代码成绩一年内从约60%冲到近100%；但它读模拟时钟的正确率只有50.1%（人类约90%）。机器人在仿真环境里的操作成功率可达89.4%，放到真实家庭里洗碗叠衣，立刻掉到12%左右。实验室和厨房之间，差了七十多个百分点。这就是为什么"AI马上取代一切"和"AI全是骗子"两种说法都站不住脚——它的能力分布凹凸不平，而且凹凸的位置每个版本都在变。

对比过去，变化是结构性的。 过去我们做的是判别式、任务专用的模型，一个模型干一件事，成本主要在软件和标注；现在是生成式通用底座，一个模型干一万件事，成本重心搬到了算力、电力和机房。过去工程师写规则，现在工程师定义目标、设计评测、管住数据。过去AI是企业IT项目，现在它是基础设施——这解释了为什么美国国会要为数据中心该不该建吵到中期选举，也解释了为什么中国的优势落在制造业落地场景而不是单卡峰值。

未来的发展方向。 几个方向已经比较清晰：一是从"训练时烧钱"转向"推理时烧钱"，用更多的推理步数换取更小的模型；二是智能体与具身智能从演示走向可交付，但这恰恰是真实世界成功率最低的那一块；三是开源权重生态继续扩张（中国模型在全球开源份额中的占比已具规模），与闭源高价服务形成价格锚的对峙；四是"主权AI"化，拥有国家支持超算集群的国家已增至四十多个，本地部署、本地合规、本地数据成为刚需；五是能效与电价反过来塑造技术路线，小模型、专用模型、端侧模型的性价比重新被重视。国内外趋势的分野大体是：美国押注资本、算力与闭源；中国押注开源、场景与制造业闭环——两条路都能走，也都各有软肋。

这些事跟从业者有什么关系。 关系很直接，而且多半不浪漫。第一，岗位结构在变：报告中提到美国22—25岁开发者就业自2024年起下滑约20%，资深岗位反而增加。AI先替代的是入门级执行，而非有经验者的判断——这意味着新人的入行门槛被抬高了，而不是消失了。第二，核心竞争力从"会不会调API"变成"会不会定义问题、组织数据、设计评测、把不确定性关进流程里"。第三，合规成了硬技能：2026年9月发布的《人工智能安全治理框架3.0》把智能体风险、具身智能风险单独列出，划出开源使用的禁止性红线，强调供应链与运行时的持续管理；再加上个人信息保护法、数据出境评估，"跑通一个demo"和"能上线运营"之间隔着一整套制度。第四，算账能力变得至关重要：token的单位经济、缓存命中率、长上下文的边际收益，这些才是决定项目生死的东西。

三、那我们该怎么做：几件值得做的，几件千万别做的

值得做的。

一是坚持效率路线。DeepSeek当年用远低于同行的训练成本做出可比性能，意义不在于省了多少钱，而在于证明了"算力不足可以用算法和组织补"这条路径走得通。这对我们是战略级的启示：被卡住的地方，往往也是逼出系统级创新的地方。

二是把开源生态当成公共品来养。Qwen、GLM等开放权重模型能在海外拿到海量下载和衍生模型，靠的不是宣传，而是持续可用的权重、文档和社区响应。开源是中国在国际AI格局里少数几张"别人主动来找你"的牌，值得长期投入，而不是当作短期营销。

三是往场景深处走，尤其是制造业。中国工业机器人装机量占全球一半以上，电力、港口、矿山、医疗影像、政务办事这些"脏活累活"场景，恰恰是模型能力够用、数据可控、付费意愿真实的交集。WAIC 2026在上海举行，29国签署成立总部设在上海的世界人工智能合作组织协定，方向也是把能力建设导向应用和普惠，而不是单纯比拼榜单分数。

千万别做的。

一是别把AI当外包大脑。2024年加拿大航空公司的聊天机器人向乘客提供了错误的退改签政策，公司被裁定须为此负责——法院的逻辑很清楚：企业对自家对外承诺的内容负责，哪怕那句话是模型说的。国内同样如此，生成内容出错、智能体擅自下单、自动外呼违规，责任主体永远是人。

二是别拿幻觉赌专业场景。早年美国有律师用ChatGPT生成判例提交法庭，被查出全是编造的，遭到严厉处罚。这类事故的共同点是：使用者既没有核验能力，也没有设置核验环节。

三是别把希望全押在一条外部供给上。无论是单一的外部API、某一家云，还是某一款进口芯片，断供、涨价、条款变更都是真实发生过的商业风险。冗余、可替换、可降级，这三件事在设计第一天就要考虑。

四是别跟着情绪内卷。重复造十个差不多的底座模型，不如把一个模型在一个行业里做到可验收、可审计、可追责。美国的教训在前：砸下两千多亿美元，模型差距却只剩2.7%，剩下的钱大多变成了电费账单和地价。

几条实操上的提醒。 上线前问自己五个问题：这个任务失败了代价有多大？有没有人在环上（或至少在环外被及时通知）？输入数据有没有权属和出境问题？输出能不能追溯到人、时间和版本？如果明天这个服务不可用，业务能不能降级运行？答不上来的，先别急着规模化。另外，守住《人工智能安全治理框架3.0》划出的红线，尤其是智能体的决策权限边界、开源组件使用和供应链来源管理——合规不是创新的敌人，它是你能不能活到下一轮融资的前提。

四、最后说一句

"绝不能让中国赢"这句话，最耐人寻味的地方并不在于它说了中国什么，而在于它暴露了说话者自己的处境：一个国家的电价涨不上去、电网建不动、内部谈不拢，最后却要把这些矛盾打包成"人类存亡"，压在一场对外竞赛上。技术本身没有国籍，但叙事有。我们不必陪着演这出戏，也不必被它带节奏。

真正值得盯住的指标很朴素：你的模型能不能在自己的行业里稳定跑满一年？你的团队能不能招到并留住人？你的系统在被断供一半零件时还能不能降级运行？这些问题的答案，比任何一句口号都更能决定十年后的位置。

每日学一个英语单词：moratorium /ˌmɔːrəˈtɔːriəm/

词性与含义：名词，指（官方或法律意义上的）暂停、暂缓期、禁令期，常用于政策、金融、环保语境。它不同于一般的 pause，带有"正式宣布、有一定期限、附带条件"的意味。

常见搭配：

- impose / declare a moratorium on sth.（对……实施暂停）

- lift a moratorium（解除暂停）

- a moratorium on new data center construction（新建数据中心暂停令）

- a debt moratorium（债务缓付期）

记忆提示：来自拉丁语 mora（延迟）。同根词还有 demur（迟疑）。注意拼写中间是 -tor-，不要写成 moraterium。

例句：

1. Several U.S. lawmakers called for a moratorium on the construction of new AI data centers until federal rules are in place.

（几名美国议员呼吁暂停新建AI数据中心，直到联邦监管规则到位。）

2. The company agreed to a six-month moratorium on layoffs while it restructures its AI division.

（该公司同意在重组AI部门期间，实施为期六个月的裁员暂缓。）

3. Critics argue that a blanket moratorium would hand the advantage to competitors abroad.

（批评者认为，一刀切的暂停令会将优势拱手让给海外竞争对手。）

延伸一句：文中西方政客常用的另一个关键词是 zero-sum（零和的），a zero-sum game 即"零和博弈"。可以对比造句：Treating AI development as a zero-sum game only invites more moratoriums nobody can enforce.（把AI发展当成零和博弈，只会招来更多谁也执行不下去的暂停令。）