夜雨聆风中美AI大战可能是定义21世纪世界经济的大事件。这已经不只是中美科技大比拼，更是中美经济大比拼。但美国AI发展要爬三座大山：电力、人才、物理AI。
不管大模型如何火爆，不管芯片如何抓眼球，AI的尽头是算力，算力的尽头是电力，这已经是常识。美国电力基础建设在AI需求之前已经千疮百孔，一有风吹草动就散架，AI迅速增长的电力需求成为不可承受之重。谷歌把新建的算力中心靠在电厂旁边，这只是有利于“抢电”，对于解决电力供应不足一点没有用，反而加剧了问题。国际能源署在《Energy and AI》中预测，到2030年，全球数据中心用电量将接近945TWh，约为当前水平的两倍。2024年至2030年，数据中心用电量预计年均增长约15%，是其他部门用电增速的四倍以上。
有人把中国大模型、华为逻辑折叠比作效率路线，天花板最终在于物理3nm、2nm等先进芯片提供的物理算力，说得没错。美国得益于先进芯片，大模型可以走“大力出奇迹”路线，但天花板在电力。中国EUV已经在路上了，物理3nm、2nm是时间问题，短则3、5年，长则10年，全链打通是大概率的。但美国电力扩容就一言难尽了。
中国发电量超过10万亿度，年增稳定保持在5000-6000亿度；美国只有4-4.5万亿，年增1000-1200亿度。
中国年增有80%来自风光等新能源，新能源装机已经超过火电，火电占比在下降；美国年增也重视新能源，但还是天然气为主。重要的是，中国电力消耗有60%流向制造业，美国则有70%流向居民和商业。AI用电来自制造业相关用电。换句话说，美国和中国要同步扩大AI用电的话，假定都需要增容同等电力消耗，中国增容来自60%的工业用电，而底数本来就是美国的2.5倍；美国则来自30%的工业用电，相对压力大得多。
电价是另一个问题。中国居民电价大概是美国的一半，但中国工业电价比美国高10-40%。这是政策导向的原因。新能源发电成本低于火电，长远来说，中国以新能源为主力的电力扩容具有本质成本优势，将新建算力中心靠近风光资源充足的中西部也有利于享受优惠电价。
但在新能源方面，美国产能没法看，依靠中国产能又不甘心，储能电池也是一样的问题。装机容量和扩容速度更是与中国没法比。中国光伏总装机容量已经超过1230吉瓦，2025年一年就新增315吉瓦。美国光伏总装机容量才280吉瓦，其中120吉瓦来自散户小规模装机，年增量不到50吉瓦。
美国还有输配电体系年久失修的问题。
电力是美国AI的第一座不易翻越的大山。
人才是第二座大山。
有人戏称，中美AI大战是在中国的中国人对在美国的中国人的大战，这当然是戏言。但硅谷及美国顶尖高校（如斯坦福、MIT、加州大学伯克利分校等）是全球AI创新的心脏。大量来自中国大陆、具有顶尖理工背景的留学生和学者是这里的绝对主力。许多领军人物和初创公司的核心骨干（如OpenAI、Anthropic及各大科技巨头中的华人科学家）构成了美国AI研发的中坚力量。《纽约时报》认为，38%的美国顶级AI人才和企事业领军人物具有中国血统。中国的AI发展同样高度依赖国内顶尖院校（如清华、北大、中科院等）培养的本土人才，以及部分从海外归国的学者和创业者所构建的团队。
AI是实践的科学。中国AI的高烈度内卷一方面尸横遍野，另一方面将星鹊起，这也提供了高强度的训练场，使得中国内生AI人才加速培养、加速成长。在美国，问题不在理论和虚拟AI（从数字环境来，到数字环境去，如大模型、动画、代码等），而在于产生价值的应用。说起来，中国的“应用优先”的道路未必出于主动选择，而是模型和算法落后一步、芯片和算力受到封锁情况下的不得已，但事实证明，这才是可持续的自下而上的路线。
AI的核心在于模型，模型从来就有“从道理出发”和“从观察和经验出发”两大类，在可预见的将来，AI重点在第二类，这就决定了面向应用路线的重要性，只有人才能理解和贯彻应用场景。在AI时代，人才的重要性远远高于历史上任何时候，不光是AI人才，还有应用人才。
在日益收紧的美国学术准入环境里，中国留美学生减少，中国留美学者回流，将对中美人才对比形成重大影响。这还没有计入非华裔AI人才可能向中国的流动，毕竟影响人才流动的第一驱动力是发展机会和未来天花板。
物理AI则是第三座大山。
物理AI（Physical AI）是指能够在真实的物理世界中感知环境、理解动态并执行动作的智能系统。与仅在数字环境中生成文本、图像或代码的虚拟AI（Virtual AI）不同，物理AI将先进的算法与传感器、执行器及实体硬件结合，使机器拥有了“行动能力”，而非仅仅拥有“思维能力”。虚拟AI在指令输入下产生文字、图像、代码等，物理AI针对物理信息（传感器）产生运动指令，并完成物理动作。
物理AI系统通过感知、推力、行动、学习来与物理世界交互动作。
感知（Sensors）利用摄像头、雷达、激光雷达等工具从现实世界收集三维空间及环境数据。推理（Reasoning）利用大模型与机器学习算法分析数据、预测结果并进行实时决策。行动（Actuation）将数字决策转化为物理动作，通过电机、气动装置等执行器操作物体或在空间中导航。学习（Adaptation）通过强化学习不断试错，从行动结果中汲取经验，适应不可预测的复杂环境。
虚拟AI用于回答问题和创作内容。物理AI则用于人形与工业机器人、自主驾驶汽车和无人机、智能工厂和物流、医卫和护理等。这才是工业4.0。
虚拟AI需要将公开和内部来源的文字、图像、音频等“记录信息”一网打尽，从中“提取智能”，形成大模型。大模型可以有问必答，但要大模型具体做到一件事，比如做一顿饭、开动一台机器，大模型可能能提出一堆建议，但物理实现就无能为力了。
物理AI和虚拟AI一样，首先需要海量学习，这需要海量的物理实景，尤其是要用于制造业的话，需要理解、模仿制造业里人类是怎么干的。当前，物理AI数据采集正在世界各地广泛铺开，全球南方不少角落里，人们额头前绑一个手机，记录每时每刻正在走的路、做的事，从中分析手指、步态、躯干动作。但这只能提供人形机器人的基本动作，还是缺乏触觉、视觉、听觉、味觉反馈。更重要的是，对于广义制造业（包括大厨的颠锅），还是需要实际场景，而不能根据一般动作来推断。
在这方面，中国不仅有最大量的实际场景，还有大批涌现的专业物理AI数据采集设施。在那里，人们配带的不只是额头的手机，还有各种触觉、视觉、听觉、味觉反馈，形成真正的高质量数据。而这些是“从数字世界来、到数字世界去”的虚拟AI无法复现的。
也就是说，物理AI才是AI打通制造业的关键，这方面美国天然短板，以及去制造业了，从哪里来训练数据？中国则是天然长项，世界制造业唯一超级大国不是虚名。
据说日本也希望从物理AI下手，在AI世界里弯道超车，弥补大模型和芯片的短板。日本路线有两个问题：第一是骑乘在美国大模型和芯片基础上，没有利益冲突的时候一切好说，有利益冲突的时候杀无赦，日本汽车在美国的遭遇就是先例，只有日本“知道自己的位置”的时候才有“共同发展”的余地。第二是日本制造业也在退化中，现存的需要挽救，物理AI的数据采集过程可以将制造业的物理动作数据保存下来，但这和一切AI学习一样，在本质上是向后看的，要与时俱进并非自然而然。
但美国去制造业化更加彻底，这还反映在美国工人素质的退步。不说制造业，就说送信的，有人说，年纪大的老年白人邮差退休后，换上来年轻的黑人姑娘，连Costco广告一个邮箱塞一份都做不到，看到第一家的邮箱，直接统统塞进去交差。这样的人力数据训练出来的物理AI，就可想而知了。
“物理AI大模型”决定了机器人（不管是否人形）的智能。美国依然拥有算法和芯片优势，现在非常担心美国AI有朝一日可能依赖中国机器人（包括电池、电机、机械臂、物理AI等）才能运转起来，这时美国对中国的AI封锁成为伪问题，中国对美国AI的封锁才是真问题。
电力、人力和物理AI是美国AI的三座大山。这三座大山翻不过去的话，美国AI的天花板就肉眼可见了。现在对AI算力的海量投资如何产生回报，就很有想象空间了。
相比之下，中国AI只有一座大山：先进芯片。中国正在攻克各种拐棍，已经爬到半山腰了，如果不是正在冲顶。
