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。 梁文锋作为手握千亿量化盘子的幻方量化创始人，又打造出能比肩 OpenAI o1 模型的 DeepSeek-R1，这样一位在 AI 领域既懂资本又懂技术的实干家，他对中美 AI 差距的判断远比纸上谈兵的分析更有分量。 现在咱们日常用的 AI 助手、生成文案或视频的工具，感觉和美国的产品用着差别不大，有时候处理中文内容还更顺手。 高盛最新的研报说，中国 AI 模型和美国顶尖模型的差距已经缩到 3 到 6 个月，斯坦福大学的 AI 指数报告更指出，两国顶级模型的性能差距只有 0.3%，像 DeepSeek 的模型在数学推理、写代码这些核心任务上，已经能和 OpenAI 的顶尖模型掰手腕。 国内的百度、字节、阿里、腾讯这些公司，每隔一段时间就会推出新的模型，在视频生成、多模态交互这些应用层面，进步速度非常快，字节跳动的豆包大模型每天的使用量都超过 50 万亿 token，在全球都排第三，这些表面现象确实让人觉得中美 AI 差距已经很小了。 但剥开这些表面的繁华，核心的问题就暴露出来了：支撑这些 AI 模型的底层基础技术，大多不是我们原创的。 就像盖房子，美国先造出了钢筋水泥这些核心建材，还搭好了房子的主体框架，比如现在所有大模型都离不开的 Transformer 架构、生成图像视频的 Diffusion 技术，都是美国的企业和研究机构先提出来的。 我们现在做的很多工作，其实是在别人搭好的框架里装修，优化参数、提升使用体验、适配中文场景，虽然做得不错，甚至在某些细节上更贴心，但本质上还是在别人的基础上做改进，没有真正跳出别人设定的技术路线。 这种原创和模仿的差距，背后是硬实力的差距在支撑。首先是芯片这种核心硬件，AI 模型训练就像盖大楼需要重型机械，美国的 OpenAI 训练 GPT-4 用了 2.5 万块最顶级的 H100 芯片，马斯克的新模型更是用了 20 万张同类芯片，而中国企业受限制，只能用到性能打了折扣的 H800 或 H20 芯片 就算像 DeepSeek 团队那样想尽办法优化，用 2048 块 H800 就做出了比肩美国的模型，把训练成本降到了对方的二十分之一，但硬件上的天花板始终存在，就像用普通货车去和大卡车比拉货，再怎么优化也难突破天生的局限。 资金投入的差距也很明显，2024 年美国私营企业在 AI 领域的投资达到 1091 亿美元，而中国只有 93 亿美元，还不到美国的十二分之一。 美国的科技巨头愿意花几百亿美元建数据中心、搞基础研究，哪怕短期看不到回报也坚持投入，而国内很多投资更倾向于见效快的应用层项目，对需要长期投入、风险高的基础研究兴趣不大。 这种投入结构的差异，导致美国在原创技术上有持续的动力，而我们的原创土壤相对贫瘠。 专利和学术研究的质量也能反映差距，中国的 AI 专利申请量是美国的四倍，论文发表数量也全球领先，但能得到国际认可的高质量专利只有 4%，远低于美国的 32%。 全球引用率最高的 AI 基础研究成果里，美国占了一半以上，而中国寥寥无几，这说明我们的研究更多是在现有理论上做延伸，真正能开创一个新领域、提出新理论的原创性成果还太少。 不过值得欣慰的是，中国 AI 已经开始意识到这个问题并付诸行动。像梁文锋的 DeepSeek 不仅做出了比肩国际顶尖的模型，还把训练技术全部公开，发表的论文深入分享自己的架构创新，这就是在从模仿走向原创的尝试。 华为等企业在国产芯片上不断突破，虽然和顶尖水平还有差距，但已经能满足部分场景需求。国内 71% 的企业都在使用生成式 AI，应用场景的广泛普及也在反过来推动技术创新，比如智能工厂让生产效率大幅提升，自动驾驶出行服务的规模已经超过美国同行。 说到底，中美 AI 的差距远不是表面那几个月或一两年的技术代差，而是底层原创能力的差距。别人定规则、搭框架，我们跟着做优化、搞应用，就算做得再快再好，也始终摆脱不了追随者的身份。 就像当年的手机行业，一开始我们也是模仿国外技术，后来在原创研发上发力，才有了今天的全球竞争力。 AI 领域也是一样，只有像梁文锋说的那样，勇敢投入到别人没走过的基础探索中，在核心架构、底层算法、关键硬件上做出自己的原创成果，才能真正摆脱依赖，从追随者变成引领者。 现在已经有越来越多的企业和团队开始走这条路，虽然过程会很艰难，需要长期坚持，但这是中国 AI 实现真正超越的必经之路，也是唯一的出路。
