中美 AI 模式竞赛

美国模式：闭源旗舰 + 企业软件订阅，替代高成本人力

美国 AI 产业的核心驱动力是私人资本，包括 VC、科技巨头和二级市场。商业模式以闭源旗舰模型为核心资产，通过 API 调用和企业软件订阅（Copilot、Agent）变现。

其核心商业逻辑是：用 AI 替代美国高昂的白领劳动力成本，例如律师、程序员、分析师和医生，通过提升人均产出实现商业回报。

原文称，2026 年 OpenAI 年化收入（ARR）预计达到 250 亿至 300 亿美元，Anthropic 达到 470 亿美元 ARR，头部模型公司已初步验证企业端付费意愿。

核验说明：Anthropic 官方分别在 2026 年 4 月 6 日披露运行收入超过 300 亿美元、5 月 28 日披露当月已超过 470 亿美元，因此两个数字可以对应连续增长的不同时间点，并非必然冲突。更准确的术语是公司披露的 run-rate revenue，不能未经会计口径说明直接等同于 ARR。OpenAI 的 250 亿美元来自 Stanford HAI 汇总的方向性估计，也不应视为审计收入。

中国模式：开源轻量 + 低成本推理，落点制造业与数字消费

中国 AI 产业由政策引导与产业资本双轮驱动，以开源模型降低采用门槛，以低成本推理服务扩大覆盖范围。

其核心商业逻辑是：

• 用 AI 提升制造业效率，包括质检、排产和预测性维护；
• 创造数字消费增量，包括内容生成、个性化推荐和智能客服。

原文称，中国 AI 企业 2025 年总营收约 100 亿美元量级。虽然绝对规模小于美国，但增长更快、覆盖场景更广。

1. 经济结构：服务业与制造业决定商业化起点

图表 1：中美 GDP 结构对比（2025 年）

经济体	服务业占比	制造业占比	其他	图中表达的商业含义
美国	约 77%	约 11%	约 12%	AI 更容易从高成本知识劳动替代中获得回报
中国	约 55%	约 27%	约 18%	AI 更容易从制造流程优化和增量供给中创造价值

原图来源：World Bank、中国国家统计局、美国 BEA。

原文指出，美国经济由服务业主导，服务业占 GDP 约 77%。这使 AI 商业化最自然的落点成为高成本白领劳动。原文引用美国劳工统计局数据称，2025 年美国信息业平均年薪约 12.8 万美元，专业和商业服务业约 8.5 万美元，金融业约 10.2 万美元。若一名年薪 15 万美元的软件工程师有 30% 的工作被自动化，企业每年可节省 4.5 万美元。

中国服务业占 GDP 约 55%，制造业约 27%。金融、IT 等高端服务业薪资与美国的差距在缩小，但大量生产性服务业，如物流、质检、设备维护和供应链管理，薪资仍显著低于美国。

原文据此判断：若只看“替代人力”，中国 AI 的天然商业吸引力低于美国。中国更常见的问题是“人不贵，但人不够”，而非“人贵”，因此 AI 更偏向增量创造而非存量替代。

Figure 11：2026-2030 年行业宏观生产率累计提升

行业	美国五年累计生产率提升	中国五年累计生产率提升
金融 / 法律	8.5%	3.8%
软件 / IT	12.0%	6.5%
高科技制造	5.2%	11.2%
重工业	3.1%	9.5%
零售 / 物流	4.5%	7.8%

原图没有显示该图的具体数据来源。它更像预测情景，而不是已实现的生产率数据。

2. 政策治理：自由试错与系统协调的权衡

原文认为：

• 美国模式的优势是前沿创新自由度高、创新结果不可预测；劣势是面对电网容量等系统性约束时，缺乏短期集中协调能力。
• 中国模式的优势是规模化部署效率高，可以推动“算力网格、东数西算、算电协同”等系统工程；劣势是政策方向可能产生路径依赖，降低短期市场筛选最优方案的能力。

原文将 2027-2028 年定义为第一次真正的检验窗口，核心问题是：

1. 中国的大规模算力网格能否支撑世界级前沿模型？
2. 美国电网扩容能否跟上数据中心建设速度？

3. 资本偏好：金融创新与耐心资本的两种路径

图表 2：中美 AI 资本支出对比（2025-2026E）

项目	原图可读值	口径备注
美国 2025 AI 投资	约 2,800 亿美元	左轴绝对金额
美国 2026E AI 投资	约 7,200 亿美元	左轴绝对金额，预测值
中国 2025（窄口径）	图中未标精确值	柱体极小，难以可靠反推
中国 2026E（宽口径）	约 GDP 的 0.6%	图形使用右轴，但类别名写“宽口径”，含义混杂
中国 2026E（GDP%）	约 GDP 的 0.8%	右轴预测值

原图来源：Stanford HAI 2026 AI Index Report、中金公司、瑞银、公开财报。该图把绝对金额和 GDP 占比放在同一组类别中，视觉上容易造成不可比项目之间的比较。

原文称，美国 AI 的资本引擎是私人风险投资与公开市场融资。GPU 抵押贷款、SPAC、大规模私募信贷等工具，让 CoreWeave 一类算力平台也能融资数十亿美元，并让尚未盈利的前沿项目获得长期估值。

中国 AI 资本结构则从“市场化 VC 驱动”转向“政府基金 + 产业资本 + 耐心资本”。资金由模型层逐步转向硬件层，如芯片、机器人，以及工业 AI、自动驾驶等场景层。原文据此认为，中国出现短期 AI 泡沫的概率可能低于美国，但获取非线性回报的概率也可能更低。

图表 3：2013-2025 年累计私人 AI 投资

国家	原图数值	Stanford HAI 2026 原表
美国	7,573 亿美元	7,572.7 亿美元
中国	1,381 亿美元	1,318.3 亿美元
英国	图中未标精确值	340.7 亿美元
加拿大	图中未标精确值	195.9 亿美元
以色列	图中未标精确值	185.4 亿美元

原图来源：Stanford HAI 2026 AI Index Report（Quid 数据）。原图把中国数值写成 1,381 亿美元；Stanford 官方章节给出的数字为 1,318.3 亿美元。按官方数字计算，美中差距约 5.75 倍，不是 5.5 倍。

市场化 VC、政府基金与企业自有资金配比

资金来源	美国（按图形估读）	中国（按图形估读）
VC / PE	约 65%	约 25%
企业自有资金	约 20%	约 30%
政府基金 / 国资	约 5%	约 35%
债务 / 创新工具	约 10%	约 10%

原图来源：CB Insights、私募通、中金公司研究部、公开信息整理。图中未印数值标签，上表为按柱形高度估读。

4. 要素禀赋：上限能力与部署广度不同

原文将美国的优势归纳为高端芯片、顶尖人才和全球化数据，短板是电力基础设施；将中国的优势归纳为电力供给、制造业场景和数据规模，短板是先进制程芯片。

图表 5：中美 AI 要素禀赋雷达图

维度	美国（按图估读）	中国（按图估读）
芯片能力	约 95	约 35
电力基础	约 40	约 90
顶级人才	约 90	约 55
制造业场景	约 40	约 95
数据规模	约 75	约 85
软件生态	约 90	约 50

原图来源：IDC、IEA、MacroPolo、Stanford HAI 2026 AI Index Report、中国工信部。标题写“四维”，图中实际有六个维度；原图没有给出评分公式、归一化方法和原始数据，因此只能视为观点型示意图。

原文据此认为，美国在芯片和顶尖人才上领先，决定 AI 能力上限；中国在电力和制造场景上占优，决定 AI 部署下限与覆盖广度。两国分别偏向“追求 AGI 天花板”和“规模化场景渗透”。

1. 芯片层：前沿训练差距大，推理替代空间更大

原文称，若标准是训练最前沿的超大模型，国产芯片仍需数年追赶；若标准是满足 80% 以上的推理需求，国产芯片已经具备规模替代条件。

原文援引 IDC 数据称，2025 年中国 AI 加速卡出货约 400 万张，国产约 165 万张，占 41%。随着互联网厂商的训练 / 推理算力需求结构反转，推理成为核心增量需求，而推理场景的峰值性能要求通常低于训练场景，因此国产芯片的“有效市场”可能大于它在全部算力市场中的份额。

图表 6：中国 AI 加速芯片市场份额变迁（2024-2026E）

厂商	2024 年初	2025 年底	2026E	性质
英伟达	约 95%	约 55%	约 8%	2026E 为预测
华为昇腾	约 3%	约 20%	约 62%	2026E 为预测
平头哥	接近 0	约 8%	约 5%	图形估读
寒武纪	接近 0	约 3%	约 15%	图形估读
昆仑芯	接近 0	约 3%	约 5%	图形估读
海光	接近 0	约 2%	约 2%	图形估读
其他国产	约 1%	约 10%	约 3%-4%	图形估读

原图来源：IDC（2025）、摩根士丹利研报（2026-05-08）、公开信息整理。该图把历史数据、年末估计和卖方预测并列，不能把 2026E 当作已经实现的市场份额。

2. 模型层：能力差距收窄，成本和开放生态成为变量

原文根据 Epoch AI 的 ECI 指数称，中美顶尖大模型的性能差距从 2024 年平均约 7 个月缩短至 2026 年约 4 个月，并强调中国模型以更低训练和推理成本实现接近性能。

原文根据 a16z 与 OpenRouter 的研究称，中国开放模型在 Token 使用中的份额由 2024 年底约 1.2% 增至 2025 年下半年接近 30%；DeepSeek 处理量为 14.37 万亿 Token，Qwen 为 5.59 万亿 Token。原文还引用“约 80% 使用开源模型的融资中初创公司选择中国技术”的说法。

原文把 DeepSeek 系模型价格写为每百万 Token 0.10-0.20 美元，把美国头部闭源模型写为 20-60 美元，并得出 100-300 倍价差。

图表 7：大模型 Token 使用份额变迁

模型类别	2024Q4	2025H1	2025H2
美国闭源	约 82%	约 65%	约 48%
美国开放	约 12%	约 18%	约 18%
中国开放	约 1%	约 13%	约 30%
其他	约 5%	约 4%	约 4%

原图标题把它称为“全球大模型 Token 使用量市场份额”，来源为 OpenRouter、a16z 和沙利文 / 头豹。更准确的说法应是“OpenRouter 平台样本中的使用结构”；它不能无条件外推为全球所有 API、私有部署和终端产品的 Token 份额。

3. 应用层：部署广度与付费深度必须分开

原文称，麦肯锡 2025 年调研中，中国大陆 45% 的受访企业已实现 AI 规模化或全面部署，高于全球 38%；83% 的企业在至少一个职能中常态化使用生成式 AI。

原文将应用层进一步分为：

• C 端：豆包、Kimi、文心一言等拥有较大用户规模，中国的渗透率可能较高；
• B 端：中国企业的付费意愿和客单价仍落后于美国。

原文认为，中国偏向“免费渗透，积累用户和数据后再变现”，美国偏向“高定价、深绑定、从第一天按用量收费”。

图表 8：中美 AI 产业链各环节差距梯度

原图以“美国 = 100”表示中国相对能力。能够可靠对应的标签和值如下：

可辨识环节	中国相对能力指数（按图估读）
芯片设计	约 20
先进封装	约 35
基础模型	约 75
C 端应用	约 90
开发者工具	约 65

原图缺陷：图中还有约 10、55、80、75 四根柱，但对应的左侧标签没有显示，无法可靠映射。该图也没有说明综合指数算法，因此不能当作精确测量结果。

1. 美国路径的关键风险

原文认为，若开放模型的价格优势持续扩大，闭源旗舰模型的“前沿溢价”可能被侵蚀。对于愿意为少量性能提升支付高溢价的客户，闭源模型仍可维持较高价格；但当低价模型能解决 95% 的问题时，高端客户也会重新审视采购。

原文把 Anthropic 的多云多芯架构和 OpenAI 的自研芯片视为头部模型公司主动控制成本风险的信号。

原文还引用 Ramp 企业软件支出数据，称 AI 工具支出目前主要来自新增预算，而非削减其他软件预算，因此更像探索性投入，而非替代性节省。若未来 12-18 个月企业仍未通过 AI 大规模替代任务、释放可量化成本节约，当前 AI 投资的回报率叙事将面临压力测试。

2. 中国路径的三项“确定性”

图表 12：制造业 AI 渗透率与市场规模

年份	工业 AI 智能体市场规模	企业 AI 渗透率
2024	约 95 亿元	约 4.2%
2025	148 亿元	7.4%
2026E	204 亿元	7.9%

原图来源：智研咨询、IDC、中国工信部。图表编号由 8 跳到 12，原图没有图表 9-11。IDC 2025 中国工业企业调研的 47.5% 指“受访工业企业已应用大模型及智能体”；图中的 7.4% 来自市场规模研究中的“市场渗透率”。两者分母和定义不同，不能互相校验，也不能据此判断数据冲突。

美国路径

相对确定项：

1. 头部模型公司的企业端收入增长惯性仍强，但利润拐点时间是关键变量；
2. 英伟达和博通在 AI 芯片与网络领域的现金流绝对体量仍高。

主要变量：

1. 闭源模型的溢价护城河何时被开放模型侵蚀；
2. 电网约束何时从可管理问题变成硬性瓶颈。

中国路径

相对确定项：

1. 国产推理芯片的市场份额扩张；
2. 中国开放模型在全球开发者生态中的份额提升。

主要变量：

1. 国产芯片的利用率和对模型迭代的实际支撑能力；
2. 开放模型能否从免费使用转化为可持续付费。

一句话判断

这篇材料最有价值的地方，是把中美 AI 竞争从单一“模型跑分竞赛”提升为经济结构、资本、治理与要素禀赋的系统比较；最大的问题，则是把多个不同统计口径、平台样本、卖方预测和主观指数拼接成一条过于确定的投资叙事。

更稳妥的结论应是：

中美正在形成具有不同比较优势的 AI 商业化路径，但边界并不封闭。2027-2028 年更可能是算力利用率、可靠任务成本、企业规模化采用和利润兑现的多重压力测试窗口，而不是一次决定胜负的单一拐点。

二次评审后的综合判断

参考报告提出了几项值得吸收的改进，但其中部分“纠错”本身也需要纠错：

1. 逻辑性：结构框架强，但存在因果跳跃

原文的四因素框架有解释力：经济结构影响价值池，资本结构影响风险偏好，治理方式影响基础设施协同，要素禀赋影响技术路线。这比只比较模型榜单完整得多。

但四组因素不是彼此独立的。制造业占比、能源供给、政策资本和国产芯片需求相互影响，原文没有建立反事实，也没有说明哪个因素是主因、哪个是中介变量。因此，它更像一个合理的解释框架，而不是已经识别的因果模型。

经济结构也不是技术路线的永久宿命。中国服务业占比、工资结构和企业软件付费能力会变化，美国也在发展工业 AI、机器人和本土制造。出口管制、能源价格、模型开放策略和组织采用能力都可能独立改变路径。更合理的因果表达是“经济结构提高某类商业模式的先验概率”，而不是“经济结构决定唯一模式”。

更明显的逻辑跳跃是：

国产芯片份额上升
  ≠ 芯片项目盈利
  ≠ 产业链公司获得超额利润
  ≠ 当前估值下的股东回报确定

份额、收入、利润、自由现金流和股票回报是五个不同层级。政策可以提高采购确定性，却不能自动保证良率、交付、软件适配、客户议价、资本开支效率和估值安全边际。

2. 完整性：缺少“从能力到现金流”的中间层

原图重点覆盖了模型、芯片、资本和应用数量，却缺少把技术能力转成经济价值的关键中间层：

1. 可靠任务成本：不是每百万 Token 多便宜，而是完成一个合格任务要花多少钱；
2. 工作流集成：是否进入生产流程，是否有权限、审计、回滚和人工接管；
3. 采用与变革成本：培训、流程重构、数据治理和组织激励的投入；
4. 结果质量：准确率、返工率、任务成功率和风险损失；
5. 价值留存：收入最终留在模型、云、芯片、软件、服务商还是使用者自身。
6. 数据与治理：专有数据能否合法调用，跨境数据、隐私、安全和责任边界是否允许规模化；
7. 全球供应链：芯片设备、先进封装、存储、光通信和能源并非只由中美两国独立供给；
8. 时间序列：累计投资和单点渗透率无法解释边际变化，必须补充年度或季度流量。

这也解释了为什么“83% 使用 AI”与“企业价值兑现”不能画等号。使用率衡量接触面，规模化率衡量流程覆盖，EBIT 影响才接近经营结果。

3. 实用性：适合提出假设，不适合直接下投资结论

该材料适合作为主题研究的假设生成器：

• 美国更容易先在高薪知识工作中形成付费；
• 中国更容易先在制造、供应链和低成本推理中扩大部署；
• 开放模型降低能力租金，可能把价值向云、工具、工作流和场景迁移；
• 电力、网络、芯片供给与企业采用速度可能错位。

但若用于投资决策，还必须加入需求、供给、价格、利润、竞争和资本市场六组数据。没有利用率、折旧后 ROIC、净收入留存率、客户集中度和估值，所谓“确定性主线”仍只是产业趋势，不是投资回报。

已核验的外部基准

• Stanford HAI：2026 AI Index，Economy：美国 2013-2025 年累计私人 AI 投资 7,572.7 亿美元，中国 1,318.3 亿美元；报告同时提醒，私人投资口径会低估中国政府引导基金投入。
• Stanford HAI：2026 AI Index，Technical Performance：截至 2026 年 3 月，顶级美国模型领先顶级中国模型约 2.7%，顶级闭源模型领先顶级开放模型约 3.3%；两个指标必须分开解释。
• Epoch AI：US vs China ECI：2023 年以来中国领先模型相对美国前沿模型平均落后约 7 个月，最小 4 个月、最大 14 个月。
• a16z / OpenRouter：100 Trillion Token Study：研究样本来自 OpenRouter，适合观察其开发者流量结构，不等于全球所有模型使用量。
• a16z：American Leadership in Open Source AI：原文使用的是“2025 年某些周最高约 30%”，并非稳定的全球市场份额。
• McKinsey：The State of AI 2025：88% 的受访者称组织至少在一个职能常态使用 AI，但近三分之二仍未在全企业规模化；39% 报告企业级 EBIT 影响。
• Anthropic：Google and Broadcom compute partnership：公司于 2026 年 4 月 6 日披露运行收入超过 300 亿美元。
• Anthropic：Series H：公司于 2026 年 5 月 28 日披露运行收入已超过 470 亿美元。它验证收入速度，不验证利润质量。
• 浙江省经济信息中心：工业智能体调研：转引 IDC 2025 中国工业企业调研，已应用大模型及智能体的受访企业比例由 9.6% 升至 47.5%，多环节应用由 1.7% 升至 35%。
• IDC：工业智能体推动工业 AI 规模化：工业 AI 规模化需要结合 IT / OT 架构、行业场景与政策目标观察，不能只看市场规模预测。
• OSI：Open Source AI Definition 1.0：真正的开源 AI 需要满足使用、研究、修改和分享的自由，并提供足以修改系统的数据说明、训练与运行代码和参数。
• DeepSeek-V3 官方仓库：代码使用 MIT 许可证，模型权重适用单独的 Model License，说明“代码开源”和“模型权重开放”可以是两套权利。

1. 不是两套封闭生态，而是三层不同程度的脱耦

更准确的结构是：

因此，美国不只做闭源，中国也不只做开源；美国有开放权重模型，中国也有闭源 API 和订阅产品。企业最终更可能采用“多模型 + 本地治理 + 行业工作流”的混合架构。

中美也不是完整世界。荷兰和日本控制部分半导体设备与材料，韩国在存储器中占据关键位置，欧洲影响隐私、竞争和模型治理规则，海湾国家通过能源和主权资本参与算力建设。任何只比较中美国内资源的模型，都会低估第三方政策变化造成的供应链传导。

2. 2027 年不是单一决胜点，而是四只时钟的压力测试

1. 能力时钟：模型能否持续降低“通过验收的任务成本”；
2. 供给时钟：电力、网络、芯片、存储和集群可靠性能否支撑交付；
3. 采用时钟：试点能否转为跨流程、跨部门和可审计的生产系统；
4. 利润时钟：收入增速能否覆盖推理、折旧、渠道、服务和组织变革成本。

这四只时钟不会同步。某国可以在算力供给领先，却在企业采用上落后；某家公司可以在用户增长领先，却在毛利和留存上失败。真正有意义的不是“谁在 2027 年赢”，而是谁能连续几个季度把能力转成可靠任务，再把任务转成现金流。

3. 开放权重模型降低能力租金，但不保证模型公司捕获价值

开放生态增长的战略价值是真实的：它降低迁移成本，扩展开发者触达，并可能影响工具链标准。但开放份额上升不等于模型提供者获得同等商业价值。

价值可能转移到：

• 托管推理与云平台；
• 芯片、网络、存储和能源；
• 数据治理、评测与安全；
• 行业工作流软件；
• 拥有客户关系和专有数据的应用企业。

所以“开放模型全球使用上升”是生态指标，不是利润指标。

4. 国产替代的产业确定性高于股东回报确定性

国产推理芯片份额上升具有政策和需求基础，但投资者仍需验证：

• 单卡与集群的有效利用率；
• 真实工作负载下的吞吐、稳定性和总拥有成本；
• 软件栈迁移和客户适配成本；
• 供应链良率、交付周期和资本开支强度；
• 毛利率、回款、客户集中度与库存；
• 估值是否已经提前计入远期份额。

产业趋势最确定的环节，往往也可能是估值最拥挤的环节。

5. 真正的收敛方向是“混合化”，不是两条路径互相替代

未来更可能出现四种混合：

1. 美国企业同时采购闭源旗舰模型和低成本开放权重模型；
2. 中国模型公司同时提供开放权重、托管 API 和企业私有化部署；
3. 训练使用高端集群，推理按延迟、成本和数据边界分配到不同芯片；
4. 全球企业把模型能力封装在本地数据、权限、评测和工作流治理层之下。

因此，竞争单位将从“单一模型”变为“模型组合 + Harness + 数据 + 组织采用”。这也是原图二元模式最需要补上的动态机制。

6. 开放权重不等于开源，开放也不等于免费

原图把中国路线概括为“开源轻量”，但商业分析必须先拆开三种权利结构：

OSI 的定义要求可使用、研究、修改和分享，并取得足以修改系统的数据说明、代码和参数。只发布最终权重通常应称为“开放权重”。DeepSeek-V3 也体现了这种分层：代码采用 MIT 许可证，权重受单独模型许可证约束。

这一区分会改变对中国开放生态的判断。下载量和 Token 份额证明扩散能力，却不能直接证明训练工艺开放、许可证稳定、生产采用、商业收入或生态控制权。

7. 模型会商品化，但智能生产系统不会同步商品化

开放权重降低了模型进入门槛，却不会消除生产环境中的成本：

可信任务系统
= 模型组合与路由
+ 推理与弹性调度
+ 企业数据与工具
+ 身份、权限和审批
+ 评测、审计与回滚
+ 人工复核与责任承担

开放路线和闭源路线因此是两种价值获取策略，而不是技术信仰：

长期最稀缺的资产不是某一版参数，而是持续降低“每个可信完成任务成本”的能力。

8. 竞争将从模型层升维到四层控制权

一旦多模型共存，最有权力的角色不一定拥有所有模型，而是拥有任务分配权，并掌握数据、权限、反馈和责任闭环。价值可能从模型访问租金迁移到“智能生产控制平面”。

9. 对开放与闭源竞争使用三情景，而不是押注单一终局

基准判断应是混合架构概率最高。闭源领先和开放追赶不是互斥终局，而是持续改变混合架构内不同任务的份额。

1. 先建立“数据字典”，再画结论

每个关键数字必须附带：

2. 把“模型价格”升级为“合格任务成本”

建议用以下公式替代每百万 Token 的简单价格比较：

每个合格任务成本
= 模型调用成本
+ 工具与检索成本
+ 重试和失败成本
+ 人工复核成本
+ 基础设施与治理摊销

只有当结果通过外部验收，价格才具有经营意义。

3. 用六组产业周期数据持续观察

累计投资只能回答“过去投入了多少”，不能判断周期正在加速还是减速。上述六组数据应优先使用季度或年度新增量，并同时保留存量、同比、环比和单位经济性。

4. 先拆开三个最容易混淆的市场

5. 为未来 12-18 个月设定可证伪条件

6. 重画四张最关键的图

1. 资本支出图：绝对金额和 GDP 占比分成两张图，不能共用类别轴；
2. 模型使用图：标题明确写“OpenRouter 样本”，并显示周度波动和样本覆盖；
3. 产业链差距图：补全所有标签，公开评分方法；若无方法则删除指数；
4. 国产芯片图：把实际值、预测值和情景值用不同线型表示，并给出误差区间。

7. 建立季度监测仪表盘