中国的人工智能企业或许无法与美国竞争对手在资金实力上抗衡，也拿不到最尖端的训练芯片，但另一个事实正在变得难以忽视——它们正在用一套完全不同的方法论，重新定义这场竞赛的规则。

华盛顿的出口管制确实切断了中国获取最先进芯片的渠道。美国设计的芯片性能比中国同类产品高出约20%，功耗还低30%，但中国科技界找到了一条绕过硬件瓶颈的路——研发更轻量化的AI软件。

“专家混合”技术被广泛应用：模型不必调动整个神经网络来生成回复，只激活被称为“专家”的专用子网络，消耗的计算能力仅为全部资源的一小部分。

这使得同等性能下的推理成本大幅降低。截至8月15日，OpenAI的GPT-5.6 Sol每百万输出令牌收费30美元，约为DeepSeek V4-Pro每百万令牌3.96美元的10倍。而根据LiveBench的排名，Moonshot的Kimi K3和通义千问3.8 Max已跻身全球前十。

成本优势的背后，是美国AI巨头的不安。Anthropic已指控DeepSeek、Moonshot和MiniMax实施“工业级蒸馏攻击”——利用2.4万个欺诈性账户从其专有Claude模型中非法提取能力。此后Anthropic、OpenAI和谷歌联手试图杜绝此类行为。

这桩公案的实质是两种路径的碰撞：一边是投入数十亿美元打造专有模型、再向用户收取高昂费用；另一边是用更少的资源达到接近的效果，然后将成果开放出去。

开放权重正是中国AI的另一张牌。美国主流平台不公布ChatGPT、Claude或Gemini的参数，而许多中国AI企业将模型训练过程中形成的权重参数开放下载，使得高校、初创企业和小型科技公司能免费在这些模型基础上开发调整。DeepSeek发布R1模型权重后，开发者迅速推出了适用于金融、医疗及中文任务的定制版本。

截至8月中旬，通义千问系列模型下载量已超过30亿次，超越Meta的Llama成为下载量最高的开源AI模型系列，在全球衍生出超过30万个AI模型。这套打法有效众包了全国AI研发工作，降低了维护成本，也让技术更快渗透进各个行业。

能源是另一个被低估的变量。AI训练和运行消耗的电力正在给全球能源网络施加巨大压力，但中国在这方面的问题小得多——发电装机容量增长速度持续领先其他国家。

内蒙古等地由可再生能源提供的廉价电力，支撑了数百个专门用于训练AI模型的数据中心。政府甚至为部分大型数据中心补贴一半电费——前提是它们只使用国产芯片。这种补贴在商业逻辑之外，嵌入了清晰的国家意志。

产业端的应用则展示了另一幅图景。中国安装了全球超过半数的新型工业机器人，制造商已在检测、装配和物流环节全面部署自动化。比亚迪将AI嵌入电动汽车生产线，电池故障减少40%、寿命提升20%。富士康利用AI驱动的计算机视觉技术检测缺陷并优化能源使用，部分厂区能耗下降两位数。阿里巴巴的AI系统已处理绝大多数常规客服工作。政府的逻辑很明确：目标不是打造规模最大的AI企业，而是借助AI获取技术优势，加快整体经济发展步伐。

国家层面的战略支撑是这一切的基础框架。2017年的《新一代人工智能发展规划》整合了科研机构与私营部门的激励机制。2025年推出的“AI+”计划要求将AI技术全面融入经济社会各领域。地方政府建设补贴性AI园区，企业可获得资金支持、训练数据和政府采购保障。

顶尖高校的科研突破被快速转化为初创企业，再被纳入政府发展轨道——清华大学教授创立的智谱AI获得了国有资金和客户资源的双重加持。彭博情报的分析指出，所有这些支持都迫使中国AI企业将技术的大规模部署置于利润之上。

这套模式正在向海外输出。在东南亚、中东和非洲，阿里巴巴、华为和腾讯提供全部服务——云平台、低成本算力、网络连接和硬件——并已完成本地语言适配和法规合规。根据OpenRouter的数据，2025年11月中国生成式AI模型占据了约15%的全球市场份额，一年前只有1%。

限制同样存在。与数据隐私和国家安全相关的法规，使欧美客户不愿使用中国云计算服务。但这并未阻止微软和亚马逊在美国以外的服务器上向客户提供中国AI模型——开放权重、更低成本的优势已经让它们成为美国专有模型的有力替代选项。

中美两种AI发展路径的差异正在变得越来越清晰。一种是巨额投入、专有技术、高价变现，另一种是效率优先、开放生态、规模普及。

前者的壁垒是资本和算力，后者的驱动力是成本控制和系统整合。前者的风险在于投入产出比何时能够打平，后者的挑战是能否在持续追赶中积累出真正的原创优势。

中国AI的追赶，不是用美国的逻辑去追美国，而是用一种不同的逻辑走出一条不同的路。这条路能走多远，取决于效率和规模的故事能否在持续迭代中，转化为真正的技术领导力。