记者问：“中美AI差距到底有多大？”梁文锋毫不避讳、一针见血地回答：“表面上中国AI与美国可能仅有一两年的技术代差，但真实的差距是原创和模仿之差。如果这个差距不改变，中国永远只能是追随者，所以有些探索是逃不掉的。” 现在中国AI应用搞得风生水起，刷视频的智能推荐、办公用的AI写作、马路上的安防监控，到处都能看到AI的影子，短视频AIGC渗透率高达70%，比美国的45%还高出一截，论落地能力咱们确实不弱。 很多人看了这些数据可能会觉得，咱们的AI已经跟美国不相上下，甚至在某些领域还实现了反超，但梁文锋这话算是点透了核心，热闹的应用背后，藏着的原创短板才是真正的分水岭。 其实说起来，咱们现在市面上的不少AI产品，看着功能花哨、用着顺手，但追根溯源会发现，核心的底层架构大多还是借鉴了美国的技术。 就像现在主流的大模型，基本都绕不开美国提出的Transformer架构，咱们做的更多是在这个架构上修修补补，优化参数、适配场景，真正从0到1搞出来的原创架构少得可怜。 反观美国那边，不管是OpenAI的GPT系列，还是谷歌的Gemini系列，都是基于自己原创的核心技术迭代，这就是最本质的差距。 可能有人会说咱们的开源模型下载量都超过美国了，截至2025年10月，中国开源模型累计下载量达到5.5亿次，美国才4.75亿次，新增下载量占比更是冲到了65%，这难道不算优势吗？ 不可否认这确实是进步，但要注意的是，咱们的开源模型能快速崛起，很大程度上是因为走了降本增效的路线。 就像梁文锋团队搞的DeepSeek系列，研发出一种叫NSA的原生稀疏注意力机制，能让模型训练和推理速度提升好几倍，训练成本却大幅降低，DeepSeek-V3的训练成本只有美国同类模型的几分之一，这才吸引了全球大量开发者使用。 这种降本增效的创新很重要，毕竟美国对咱们的芯片出口管得严，咱们拿不到最先进的H100、H200芯片，只能在算法优化上另辟蹊径。 但话说回来，这也是被逼出来的无奈之举，美国的AI公司就没这个顾虑，马斯克的Grok3大模型直接用20万张H100芯片训练，走的是“力大砖飞”的路线，虽然成本高得离谱，但在顶尖性能上确实暂时领先。咱们现在是在别人设定的赛道上做到了极致，但赛道规则还是人家定的，这就是追随者和引领者的区别。 更关键的是原创能力的差距还体现在生态构建上。美国的AI生态是围绕原创技术搭建的，从芯片、框架到应用，形成了完整的闭环，而且能持续吸引全球顶尖人才。 咱们这边则更多是在应用层发力，阿里的Qwen、字节的豆包这些产品虽然用户量大、场景覆盖广，但底层的芯片还得依赖进口，2025年咱们的AI芯片自给率刚超过40%，还没实现完全自主。一旦上游的芯片或者框架出点问题，下游的应用就可能受影响，这种依赖关系不打破，就永远成不了真正的引领者。 当然这不是说咱们的AI发展没亮点，毕竟能在短期内在应用落地和开源生态上追上美国，已经很不容易了。 而且这种追赶过程也催生了不少实用的创新，比如DeepSeek的NSA机制、Kimi的块状混合注意力机制，都是咱们自己摸索出来的好技术。但梁文锋的提醒很有必要，这些创新还是在现有技术框架内的优化，真正的原创突破还得靠长期探索。 现在中美AI竞争已经从参数规模的比拼，转向了效率和专业化的较量，这对咱们来说是个机会。但要抓住这个机会，就不能满足于在应用层做模仿和优化，必须沉下心来搞原创。毕竟应用再热闹，没有原创技术做支撑，就像建在沙滩上的房子，风一吹就容易出问题。梁文锋说有些探索逃不掉，大概就是这个意思，只有把原创的根基打牢，咱们的AI才能真正从追随者变成引领者。
