中国的 AI 为啥赶不上美国

先看一组可能会让人困惑的数据。

ICLR 2026，中国大陆论文占 43.7%，加上香港 7.7%，中国机构拿下全球超过一半的录用席位，51.4%。美国 31.9%。

这是图灵奖得主本吉奥和杨立昆 2013 年联合创立的会议。

具体到学校，清华大学 332 篇，全球第一。斯坦福 177 篇，MIT 167 篇。清华一家的论文数，大约等于这两所美国顶尖名校之和。

十年间，全球 AI 论文年发表量增长 2.3 倍，中国以累计 9.1 万余篇首次登顶十年总量第一。过去五年，中国 AI 论文总量约是美国的 2 倍、英国的 6.5 倍。

2025 年，NeurIPS 首次出现一个变化——第一作者在中国大陆的论文数超过了美国和欧洲。

引用量也第一。2024 年，中国 AI 论文占全球 AI 引用的 20.6%，美国 12.6%。自然指数 2026，全球研究影响力最强的机构榜单，中国 15 家上榜，首次超过美国的 14 家。

2026 年 Nature Index 全球前 25 所研究型大学，21 所是中国，美国只有 3 所。按排名加权打分，中国 275 分，美国 47 分，接近六倍。

论文、引用、专利、顶尖大学，全是中国领先。

然后是模型。

斯坦福《2026 AI 指数》：截至 2026 年 3 月，美国顶尖模型在 Arena 上的领先幅度只剩 2.7%。过去一年，中美模型多次交换领先位置。

卡内基国际和平基金会的 Scott Singer 说得更直接：「中国大概落后美国前沿三到七个月。」

所以问题就来了。

一个在论文、引用、专利、大学、科研人才上全面领先的国家，为什么在真正做出来的模型上，还是差着几个月？

而且差的还不是能力。差的是那个最要命的东西——递归自我改进。

一、钱差了 23 倍，而钱决定了敢不敢试

先把最硬的数字摆出来。

斯坦福同一份报告：2025 年，美国私人 AI 投资 2858.8 亿美元，中国 124.1 亿美元。美国是中国的 23.1 倍。

报告自己加了一句提醒：只算私人投资会低估中国的总投入，因为政府引导基金没被完整计入。这个提醒是对的，但也不该被当成遮羞布。

看另一组数字。美国 5427 座数据中心，数量超过其他任何国家十倍以上。

Nature 那篇报道引用了一位研究员的话，这位研究员叫 Hsiao。她说得很直接，中国企业资源短缺是主要瓶颈。

而资源短缺会改变研究策略。

美国有钱有卡，可以做那种不保证成功、纯烧算力的方向。比如递归自我改进——用 AI 造出更好的 AI。这事不保证成功，但它非常吃 GPU 时间。

中国做不了这个。研究被逼到另一条路上。GovAI 的 Zilan Qian 说得很准，算力约束逼着中国研究者「想出更节省算力的算法和训练方法」。

DeepSeek 的稀疏注意力机制就是这么来的。判断哪些 token 重要，只对这些做计算。

结果是：中国在最聪明的算法上追得很快，但在最贵的实验上没法跟。

这个差别有实际后果。

递归自我改进这条线上，美国实验室手里握着的是什么？我看到一组数据：两家顶尖美国实验室各自掌握约 2GW 的运行算力，锁定了各约 5GW 的供电协议，并且指向 2030 年各自 30GW 的目标。

中国现有的芯片存量，在这个规模面前没法跟。

而且如果自我改进的速率跟算力规模近似线性相关，那这道题基本就是送分题。美国那边完全能启动高算力消耗的自催化闭环。

二、我们赢在了「论文」，输在了「把论文变成产品」

这里要说一个容易被混淆的事。

论文赢，不等于模型赢。这两件事之间隔着的东西，比大多数人以为的要多。

三次范式革命的出生地全在美国。Transformer 是谷歌的论文。GPT 是 OpenAI 的论文。扩散模型还是美国学界的论文。

而 2025 年发布的全球重要 AI 模型，美国 50 个，中国 30 个。

复旦的全球 AI 治理指数说得更直接：论文发表量全球第一，但基础模型贡献度、前沿 AI 模型数量均位居第二。第一名的椅子上还坐着美国。

为什么论文不能直接变成模型？三个原因。

第一是工程。 论文是公开的知识，模型是封装的能力。从知识到能力，中间是训练管线、基础设施、几千次失败实验的耐心。

第二是数据。 中文高质量语料是稀缺资源。

网上公开文本里英文占绝对大头，中文的比例不高，而且中文的去重、清洗、质量过滤比英文难得多。大量中文网页是低质采集、机器翻译、SEO 垃圾内容。真正高质量的中文来源分散在公众号、知乎这些平台，版权归属不清，很难合法大规模爬取。

还有一个更隐蔽的坑：tokenizer 是英语中心主义的。

很多从国外架构移植过来的模型，分词器按英文、代码、数字的习惯设计。中文汉字在那种分词器下往往被拆得很碎。同样的语义，中文的 token 数可能是英文的 1.5 到 2 倍。

后果是三件事同时恶化：显存占用更大、上下文窗口实际变短、生成速度变慢。

有意思的是，国产模型在这块反而是优势。极客公园做过一个对比，同一句 16 个汉字的话，GPT-4 的 cl100k 切出 19 个 token，Qwen 2.5 只切出 6 个。Qwen 和 DeepSeek 从设计之初就把中文当默认语言对待，常用汉字和词组直接作为整字整词进词表。

这说明一个道理：起点不同，一路传导到 token 数、账单、上下文窗口。

第三是组织。 从论文到能卖的产品，中间还需要一整套把科研变成产品的组织能力。

而这一跳的难度，还在被美国主动加码。

三、最关键的一层：中国把钱花在了「确定性」上

这是我最想说的部分。

看一下两边的钱往哪儿去。

美国 2025 年私人 AI 投资 2858.8 亿美元。这笔钱去了 Meta、OpenAI、Anthropic 这些地方。2025 年，产业界贡献了超过 90% 的知名前沿模型。

中国这边，头部几家互联网公司的钱，主要花在场景上。工厂质检、排产优化、客服、内容生产、电商推荐。

这个选择有它的道理，而且不是懒。

福布斯 8 月那篇文章说得很准：中国最强大的 AI 发展路径，并非执着于某一项轰动性的技术突破，而是将科研目标、工业产能、合理定价策略与统筹部署结合起来。

中国拥有全球最大的制造业、最大的电商市场、最多的应用场景。AI 视频一落地，先跑出规模的是短剧和电商。AI 进了工厂，先见效的是质检和排产。

这是有回报的。 2026 年上半年中国 AI 芯片自给率 45%，明年可能到 68%。AI 应用的商业化，中国跑得比美国快。

但问题就在这里。

场景是低垂的果实。 一个场景跑通之后，它的边际收益快速递减。而前沿模型的进步，恰恰需要的是那些回报不确定、甚至可能永远拿不到结果的投入。

递归自我改进就是典型的这种投入。不保证成功，纯粹烧卡。

中国也在做。2026 年 9 月 17 日，上海交大、清华、字节、上海人工智能实验室等 33 位研究者发了一篇 arXiv 预印本，《The Last AI Built by Humans》，提出五级递归自我改进路线图。

智谱 50 亿美元配股和可转债的净收益约 60% 要投到下一代模型和「完全自训练系统」。MiniMax 的 M2.7 能更新自己的记忆，在强化学习实验里构建新技能。DeepSeek 放出了 agentic harness。

方向对，投入也真的在加。但用 AI 政策与战略研究所的研究员 Grunewald 的话说：美国公司在这条线上仍然领先几个月，因为它们有更多可部署算力。中国研究者非常擅长从稀缺硬件里榨出性能，但算力约束确实在咬人。

这里有一个特别值得琢磨的机制。

美国的路径是「能力前置」，中国的路径是「效率优先」。

美国实验室投的是通用能力上限和自动化研究闭环的完整闭合。中国的路径是用数据自生成、评价器自构造、脚手架自演化来替代算力堆叠，再以场景驱动的工程化落地作为验证来源。

第二条路在短期内是更聪明的选择。

但它有一个天花板。

场景驱动的验证，验证的是「这个模型在这个具体任务上好不好用」。而递归自我改进要验证的是「这个模型能不能改进自己」。

前者的验证带宽极高——今天改一行代码，跑一遍测试就知道对不对。后者的验证带宽接近于零。

有一份专门研究中美自改进对比的报告提了一个概念，我觉得特别精准。它说，自改进速率长期不能超过验证带宽，否则产生评价器债务——一批改动已经进了生产系统，但正确性还没被独立确认。

中国的场景密集度确实带来了更短的验证延迟，这是被低估的结构性优势。 但它验证的是应用，不是自我改进。

四、一个更反常识的发现：人才在往回流，但论文数据有偏差

有一种说法是「中国顶尖人才都跑美国去了」。这个说法需要更新。

2025 年 9 月，卡内基中国的一项研究：在 NeurIPS 2025 的作者样本里，本科在中国读的、2019 年在美国的研究者，有 87% 到 2025 年仍留在美国。

另一份数据。Digital Science 的研究显示，2025 年 NeurIPS 作者中 57% 在中国取得的本科学位，三年前是 46%。而这些有中国本科学位的 NeurIPS 发表者中，69% 仍在中国，2022 年是 57%。这个比例超过了欧洲的 60%，但低于美国的 89%。

方向是清楚的——在回流，但美国仍然留得住人。

不过这里有一个必须承认的数据偏差。

Nature 明确指出了：论文数据会歪曲 AI 进展的图景。因为中国公司比美国创业公司更倾向于发表论文。美国的前沿公司不太发论文——OpenAI 和 Anthropic 至今没公布过完整训练方法。

还有一层。中国学术界报告承受着很大的发表压力。

所以论文数量这个指标，本身就带着倾向性。 用它衡量 AI 实力，会高估中国的论文能力，或者低估中国的工程能力。

五、所以真正的答案是这样

我现在的看法。

中国赶不上美国，不是因为我们不聪明，不是因为我们没人才，不是因为数据不够。

是因为三件事叠在一起。

第一，我们把资源投在了有确定回报的地方。 场景落地、快速商业化、看得见的 ROI。而美国把钱投在了回报不确定的地方——基础研究、递归自我改进、通用能力上限。

这是两种完全理性的选择。选错的那一方会输。

第二，我们的算力不够，所以被迫选择了「效率型创新」。 这条路在追赶阶段是神器——稀疏注意力、混合专家架构、极致压缩。DeepSeek 用 1% 到 2% 的成本跟上美国 5 到 10 亿美元的前沿模型，这是很漂亮的一仗。

但效率型创新有个隐含前提：你得先有别人已经走过的路。当路线本身也需要被探索的时候，光靠省是省不出来的。

第三，最硬的一层：我们缺的从来不是论文，是那种「连续十几次失败还在原地」的实验室文化，和支撑它跑十几次的算力。

这也是为什么 23 倍的私人投资差距这么要紧。Recursive self-improvement 这种事，你算一笔账就知道为什么有钱才能做——它烧的是没有回报的卡。

但我要说最后一句。

这个差距正在缩小，而且缩得比大多数人以为的快。

2.7% 是 2026 年 3 月的数字。DeepSeek-R1 曾在 2025 年 2 月短暂追平。美国顶尖实验室的数据中心有 5427 座，中国的数据中心虽然数量少，但单位建设成本低 40% 到 45%，建设周期能压到 12 个月。

Nature 那篇的判断是：中国大概落后三到七个月。往悲观了说接近一年，往乐观了说四个月。

一年和四个月，是完全不同的两篇文章。

所以我的答案是：赶不上是暂时的，但原因不在能力，在结构。

结构能改，只是要时间。

（安增军）

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧。谢谢你看我的文章，我们，下次再见。

/ 作者：安增军