2026年1月10日，中国 AI 产业的四大“掌门人”齐聚北京，参加清华大学基础模型北京市重点实验室发起 AGI-Next 前沿峰会。

本次峰会由智谱 AI 创始人唐杰发起，邀请了前 OpenAI 研究员，现腾讯首席 AI 负责人姚顺雨、阿里通义千问技术负责人林俊阳，以及 Kimi 创始人杨植麟。

这是一场罕见的同场对话。包括来自联邦学习的奠基者杨强教授，共同讨论了一个冷静又严肃的议题：中国的 AI，真的还能追上美国吗？

答案并不乐观。

最先泼冷水的，是刚刚完成港股 IPO 的唐杰。他直言不讳地指出，尽管中国开源模型声势浩大，但“中美大模型之间的差距，可能并没有缩小”。这句话的分量，在于它并非出自学者的推演，而是来自一位身处算力、融资、交付与监管多重压力中心的创业者。

他的判断基于一个现实变化：Scaling Law（规模化法则，表现为模型性能随规模扩大呈现边际效益递减特征） 的边际收益正在快速衰减，继续用“堆算力、堆数据”的方式换取微小提升，其经济逻辑正在失效。

正因如此，唐杰提出了一个新的竞争维度——“智能效率”。也就是说，不是模型有多大，而是每一单位算力、能耗和资金，究竟能转化为多少可用智能结果。如果从这个角度看，中美差距并未缩小，甚至在某些方向上仍在扩大。

算力，是最直接、也最难回避的差距。来自阿里的林俊阳给出了一个形象却残酷的对比：中国做的是“资源受限创新”，而美国头部公司进行的是“富人式创新”。

OpenAI、Anthropic 拥有大量可被用于探索未来架构的 GPU，甚至可以浪费的算力，即便失败也不伤筋骨；而在中国，大部分算力已经被当前产品交付、客户承诺和短期商业目标牢牢锁死。

结果是，美国公司可以把大量资源投向“下一代问题”，而中国团队更多是在“把今天的事情做到极致”。这并非没有价值，甚至可能逼出更高效的工程能力，但它意味着一个结构性事实：在定义 AI 下一个十年甚至二十年的起点，中国和美国并不在同一条起跑线上。

林俊阳直言，美国在算力规模上仍领先中国1到2个数量级，而更关键的是，这些算力被系统性投入到未来，而非现在。

而腾讯的姚顺雨则强调了中美之间差距的来源——商业化土壤，尤其是to B市场。在美国，企业级客户愿意为“最强模型”支付溢价，因为模型能力与生产率几乎直接挂钩。

一个顶级模型在编码任务中能完成10个任务中的9个，而次一级模型只能完成5个，剩下4个错误的修复成本，远高于模型本身的价格。这正是为何美国 API 公司在真实编码场景中消耗了远超预期的 Token。

而在中国，这样的需求结构尚未形成。to B 市场成熟度不足、企业付费意愿偏弱，使得“做到最好”在商业上并不一定得到回报。这不仅影响收入模型，更直接制约了对长期基础研究和高风险探索的持续投入。

同时，中国团队普遍偏好“确定性路径”：一旦预训练被验证有效，所有人迅速涌入并极致优化；但对于长期记忆、持续学习、自主智能体等尚未被充分验证的新方向，投入明显不足。

但这并非是否认中国的潜力。唐杰和杨强都强调，90后、00后 AI 从业者正在展现出更强的冒险精神，这是过去中国技术体系中相对稀缺的因素。

但他们同样清醒：人才并不会自动转化为领先优势。如果芯片、光刻和算力瓶颈无法突破，如果大量资源仍被短期交付持续消耗，那么“快速追赶”更多是一种心理安慰。

而正常讨论中最核心也最诚实的一句话来自林俊阳给出的概率判断：未来三到五年，中国诞生全球最领先 AI 公司的概率，大约是20%，而且这是一个“偏乐观”的估计。这意味着中国可能需要至少5到8年左右的时间才能超越美国当前的技术水平。

不过，这并不意味着中国 AI 没有机会，而是意味着当前的乐观叙事需要被降温。真正的差距，不在发布节奏，不在参数规模，而在算力的自由度、市场的付费结构，以及是否有人愿意长期押注那些短期看不到回报的新技术、新范式和新结构。

所以，这次峰会的谨慎发言，不是在给中国 AI 产业泼冷水，更不是唱衰，而是防止在过早的自信中，错失真正可以改变格局的窗口。