百年未有之大变局背景下的中美博弈，与新 一轮科技革命和产业变革加速演进的态势交汇融 合｡在当前世界经济增长乏力背景之下，以人工智 能 (AI) 为代表的新兴科技，承载着提振经济增长､ 提升经济韧性的厚望｡2026年3月13日发布的《中 华人民共和国国民经济和社会发展第十五个五年规 划纲要》(以下简称《规划纲要》) 第四篇翔实擘画 未来五年的数智化战略，以 “深入推进数字中国建 设 提升数智化发展水平” 为题，强调 “统筹推进算 力设施建设､模型算法发展和高质量数据资源供给，筑牢数智化发展底座”, 明确算力算法数据､全方 位赋能､安全生态保障等三个方面的引领保障｡

顶尖大模型的训练汇聚了算法､算力､数据､ 工程化能力等要素，凝结高端技术水平，被视为 AI 领域的关键技术｡在 AI 产业链中，大模型起到 “承 上启下” 的枢纽作用｡承上，模型的迭代升级直接 拉动对能源､芯片､算力基础设施的需求，是算力 价值的显性载体；启下，模型所具有的理解､推理､ 逻辑､生成能力以及调用成本决定了应用层的适用 边界，其技术突破将带动应用生态的深刻转变｡中 美两国在 AI 大模型领域的竞争态势，将重塑和决 定未来高技术领域的竞合格局｡基于此，剖析中美 两国在 AI 大模型领域的发展现状，梳理其培育路径､ 技术路线､产业应用前景，直面我国大模型发展存 在的问题和挑战，具有重要的学理价值和现实意义｡

一､中美大模型领域竞争态势

在全球 AI 技术迅猛发展的竞争格局中，中美 实力明显领先于其他经济体是广泛共识 (汪勇，2025)｡虽同属第一梯队，但美国在基础研究方面的积累强于我国｡在人工智能大模型领域，两国的顶 尖模型性能仍存一定差距，美国优于我国，但我国大模型 “出海” 全球，在应用方面竞争优势显现｡

(一) 发展现状

2022 年 ChatGPT 问世之后迅速 “破圈”, 为程 序员､设计师､文案策划师等具体工作带来极大便 利，其开创式､断层式､跨代际的领先性能，从实 际应用上证明了大模型的技术路线具有可行性，带 动业界全面跟进｡在 ChatGPT 面世之前，大模型 仅是 AI 研究的分支之一，并非业界公认的主流技 术方向｡ChatGPT 获得里程碑式成功，走通了生成 式人工智能 (AIGC) 的技术路线，印证了扩大算 力､数据､模型参数规模的大模型路线具备可行性｡ 2023 年之后，AIGC 概念爆发，推动 Transformer､ Diffusion 架构成为技术主流，大模型技术路线因结 合强化学习､思维链推理､多模态融合等算法技巧，模型能力得到进一步提升｡

2023 年至今的通用大模型主要产生于中美两 国｡原因在于 AI 大模型的规模效应尤为显著：一方 面，大模型研发需要海量资本投入；另一方面，大 模型研发需要高层次技术人才集聚｡此外，AI 若想 实现学习能力提升，亟须通过丰富的语料库来训练 模型，而中文和英文的语料数据最为充足｡

美国方面，2018 年的 GPT-1､BERT 奠定大模 型预训练算法架构的基础；2022 年 11 月 ChatGPT 开启大模型时代；2023 年 Meta 陆续推出 LLaMA 系列模型，成为大模型开源领域的引导者；2025 年 Anthropic､谷歌等陆续推出新模型，尤其是 Anthropic 聚焦编程领域，将 AI 大模型转换为强大 的生产力，备受开发者青睐｡

相较之下，我国大模型正行进在坚定的追赶之 路上｡2023 年百度文心一言､百川大模型等紧随 美国大模型，陆续向公众开放｡2024 年月之暗面 (Kimi)､智谱 GLM 等大模型逐渐进入公众视野｡ 2024 年底，深度求索公司开源 DeepSeek V3/R1 系列 表现亮眼，以远低于国外巨头的训练成本开发出能 力出众的大模型，并且宣布完全开源｡2025 年阿里通 义千问 (Qwen) 系列大模型持续开源｡2026 年智谱 GLM 大模型在编程能力上表现突出，会员订阅计 划供不应求；深度求索公司发布 DeepSeek V4 大模 型，华为昇腾和寒武纪宣布旗下芯片适配该模型｡

(二) 美国顶尖模型性能保持领先，但中 美技术差距趋于收敛

中美顶尖大模型的性能，集中体现了两国技术 实力，成为全球关注的焦点｡自 2023 年起，美国 研究机构 (Epoch AI) 以当年 3 月公布的 GPT-4 模 型为基准点，收集数据测算中美大模型性能参数，量化语言理解､推理､多任务泛化､专家校准等 综合数据，汇总编制能力指数 (Epoch Capabilities Index,ECI)(见图 1)｡2026 年初发布的报告显示，2023-2026 年，美国顶尖大模型在推理､逻辑､多 模态理解等方面的性能领先我国平均为 7 个月 (见图 2)｡具体来看，两国模型的差距最大值为 14 个月，出现在 2023 年上半年，正值美国闭源模型 GPT-4 刚发布的窗口期，其与我国模型 Baichuan 2 的性能 对比的时间差攀上峰值；不足两年后的 2025 年初，DeepSeek R1 与 Claude 3.5 的差距一度缩小至约 4 个月｡这说明我国模型在奋起直追的技术突破中，与美国的技术差距不断趋于收敛｡

(三) 我国模型 “出海” 美国，以性能和 成本优势构筑国际竞争力

2025 年以来，随着 DeepSeek 等国产大模型的 推出，源自我国的大模型广泛活跃于美国高科技企 业，向全球开发者提供共享公共品｡基于我国的开 源模型，美国公司进行二次开发本地化部署，利用 模型后训练①潜能｡例如，国外头部的 AI 编程产品 (Windsurf)､AI 推理服务公司 (Cerebras) 产品运 行的基础模型，均来自北京智谱华章公司的 GLM 系列大模型；智能体 (AI Agent) 领域估值 93 亿美 元的 Vercel 公司和智谱合作，使用 GLM-4.6 的 API 服务；美国云服务平台 (Together AI) 部署阿里通 义千问大模型｡

二､中美大模型的技术演进

中美大模型沿着各自的发展逻辑，走出截然不 同的算法和算力培育路径，且在主流技术路线上表 现为开源和闭源两种业态，我国大模型的坚实韧性 在于与制造业领域深度融合的产业应用｡

(一) 培育路径

AI 模型的知识专用性极高，其开发通常经历 “模 型设计 - 代码实现 - 模型训练 - 调参 - 性能评估 - 迭代优化” 的过程，既需要芯片算力的底层支撑，又依赖工程师的算法优化｡中美模型各自领先优势 的取得，遵循了不同的底层逻辑，走出了各具特色 的技术培育路径｡

1. 算力堆叠下的美国模型

算力是大模型训练和推理的物理基础，直接决 定创新的速度和成本｡美国模式呈现算力堆叠的特 点，其顶尖模型得益于海量投资下的算力堆叠｡该 模式的背后是其较强的芯片设计能力和领先的基础 研究实力｡英伟达在 AI 芯片领域一直维持近乎垄 断的行业地位，凭借其完善的 CUDA 开发者生态和 领先的 GPU 芯片性能，牢牢把控 AI 基础设施环节 的话语权｡英伟达新近发布的 Rubin 架构 GPU 芯片，算力较上一代提升数倍，其定位是数据中心平台级 产品，匹配超大规模模型训练和推理服务｡而高端 性能芯片，则一直是美国出口管制政策的重点｡

得此排他性优势助力，美国国内掀起一轮又一 轮的 AI 投资叙事，AI 投资成为宏观经济的主要支 撑力量 (杨子荣､徐奇渊，2026)｡美国科技巨 头谷歌､微软､亚马逊､Meta 均大幅上调 AI 基建 投资，2025 年全行业的 AI 投资累计超过 3500 亿美元, 这些投资主要用于数据中心､GPU 集群和 AI 大模型训练基础设施，其中所购买的 GPU 芯片数量，动辄数十万片起｡数据显示，2025 年美国 GDP 的 一大增长动力来源于建造数据中心，其中上半年 有 92% 的增长由 AI 投资贡献｡例如，Meta 宣布，在 2030 年之前建设数十吉瓦 (GW) 规模的 AI 基 础设施 (1GW=10 亿瓦), 并长期扩展至数百 GW 级别｡到 2028 年将在美国投入约 6000 亿美元，主 要用于 AI 基础设施建设，并推动就业｡OpenAI 与芯片公司 Cerebras 达成协议，未来三年分阶段采 购约 750 兆瓦 (MW) 的算力容量，价值约 100 亿 美元｡此外，OpenAI 还宣称未来十年要投资 1 万 亿美元支持 AI 基础设施和云计算｡谷歌一直持续 投入自研 TPU (Tensor Processing Unit) 芯片，专 门用于深度学习计算性能优化｡2025 年谷歌发布的 第七代 TPU, 专为大模型推理及 AI 应用打造，在推理、扩展性､内存带宽等方面取得显著进展｡

2. 算法范式跃迁下的我国模型

美国政府对华采取芯片出口管制政策｡针对算 力提升必备的顶尖性能芯片，美国设计花样繁多的 复杂出口管制政策，将出口许可与进口关税挂钩，辅以配额限制与强制性安全审查｡此举侵蚀并破坏 AI 产业链的全球化，导致我国高科技企业无法获得 英伟达最先进的 GPU 芯片｡

受此影响，我国模型的算力提升面临高性能芯 片障碍，由此催生出 “四两拨千斤” 的算法创新｡我国奉行算法创新的路线，即坚持结 构性､效率导向的算法设计，在算力受限条件下重 构模型能力的增长曲线｡例如华为的盘古大模型，展示出以软件补硬件的工程智慧｡面对美国的算力 霸权，我国破解之道是分布式算力，筑牢 “绿色算 力 + 高效算法” 的数字基础 (郑晓龙，2025)｡例如，DeepSeek V3 和 R1 版本使用的是代差较旧的英伟 达 H20 GPU 芯片，而同期美国公司用的是英伟达 B200 GPU, 后者性能可达前者几十倍｡芯片的性 能约束，激励 DeepSeek 团队在算法上追求极致高 效，系统性地重构了训练和推理策略，在推理效率､ 混合专家稀疏模型架构､模型结构适配硬件等方面 推崇极致｡DeepSeek 走出了一条有别于西方的道路，在技术突围中大获成功｡学者将 DeepSeek 技术突围 的成功归纳为以效能革命打破西方堆叠算力的神话，将其破局之道总结为 “自研计算框架”“混合精度 训练”“绿色算力布局”｡

同样的，阿里巴巴推出的通义千问系列大模型，也凝结了算法层面上的大量创新，体现在模型架构､ 训练策略､多模态等方面｡例如，在研发过程中，注重混合推理模型架构提高推理效率与模型精度的 平衡，借助注意力机制的优化将推理上下文扩展到 超长的窗口，通过多模态与多任务的扩展支持文本､ 图像､视频等多种格式的理解，从而提升模型的理 解､推理､逻辑等能力水平｡月之暗面总裁张予彤 则在 2026 年达沃斯经济论坛上宣称，其团队侧重 于扎实的基础研究和创新，不依靠一味堆叠算力，并列举所研发的一款性能可比肩前沿水平的模型，仅消耗了同类顶级实验室约 1% 的资源｡

归纳起来，在芯片禁运导致算力受限的背景下，我国 AI 公司开辟了独特的算法路径，更加强调有 效使用计算资源，改变模型组织和推理方式，遵循 以算法效率､系统优化和模型结构创新为核心的实 践｡我国 AI 公司通过一系列算法和工程的创新，弥补了算力不足的短板，将中美大模型从代际差距 压缩到工程差距｡

3. 路径比较

AI 在推动产业创新､引领新一轮科技革命过程 中的重要性，已获得全球的广泛认可｡那么随之而 来的一个问题便是，若一国想在 AI 竞争中成为先 行者，到底是不断地堆叠算力，还是专攻算法层面 的创新？中美走出了两条有所区别的路径：美国依 赖算力堆叠，我国靠的是算力追赶和算法范式跃迁 的双轮驱动｡

堆叠算力的规模效应长期或将式微｡美国科技 巨头对 AI 算力的持续大量投入，是基于规模效应 (Scaling Law) 的理念，即通过模型规模､数据规模 和训练算力规模的增加，推动模型性能不断提升，即以规模驱动性能｡只要边际收益为正，资本必定 有动力继续投入｡短期来看，在规模效应没有到达 拐点之前，堆算力仍然是可获得正收益的方向；但是 缺乏算法范式跃迁的驱动，必然难以实现结构性的 突破｡随着模型规模的进一步扩大，单位算力投入 所带来的增益将下降，而训练成本､能耗与系统复 杂度却不断上升｡在其他投入要素无法同步跟进的情 况下，随着边际效应递减，单纯依靠算力投入在超出 有效边界后，经济上将不可行｡因此，业界普遍认 为美国 AI 发展的最大风险点在于投资泡沫的破裂｡

我国走出了不同于美国堆叠算力的算法创新之 路，其经济学的核心要义是在已有的约束条件下实 现收益最大化 / 成本最小化｡最优求解的过程并非 理想状态的推导，而是具备在跳转的约束条件下求 得动态最优解的能力｡

(二) 技术路线

我国主流 AI 模型构建开源生态，而美国更倾 向于推出注重商业模式保护的闭源模型｡开源是计 算机领域中将软件源代码及相关设计资源公开共享 的协作模式，允许他人查看､使用､修改和分发｡ 在开源模式下，先行开发者主动将研究方法公之于众，提供他人可复现的数据､源代码和模型等技术 方案，集合全球研究者的智力共同提升算法和模型 的能力，进而推动技术迭代升级，汇聚技术扩散合 力，推动技术的加速进步｡

1. 从开源走向闭源的美国模型

技术上，开源和闭源的模式之争由来已久，学 术界围绕两种技术路线在技术创新和生态系统建设 中的优劣和风险挑战､发展前景等，也有不少探讨｡ 开源和闭源的技术路线之争，从较早的操作系统和 软件设计，延伸至如今的 AI 大模型，开源方式则 从完全开源软件到大模型开源技术路线，其发展过 程历经波折｡2012 年深度学习模型在图像识别任务 上取得巨大成功之后，AI 热潮开启，持续至今达十 多年｡AI 技术在图像､语音､自然语言处理等任务 上均取得了突破性的进展，这一方面有赖于数据的 积累以及算力､算法的升级，另一方面受益于 AI 领域的开源开放生态｡贡献者在开源社区分享技术 的研究方法､完整的数据和代码等，使用者参与算 法和模型的改进，构建贡献者和使用者协同演化的 加速迭代生态｡

然而，大模型发展历程中的开源技术路线并 非一帆风顺｡美国 OpenAI 公司于 2018 年 6 月发 布 GPT-1､2019 年 2 月发布 GPT-2 时，选择的是 公布技术方案的开源模型；然而待 2020 年 5 月发 布 GPT-3 时，则采用了技术闭源策略｡2022 年 11 月，OpenAI 公司 ChatGPT 大模型的发布，激发 AI 应用新一轮热潮，但是底层模型却不再对外开源，之后相继发布的 GPT-4､GPT-5 系列均为闭源模 型｡美国排名靠前的 AI 公司，例如 OpenAI､谷歌､ Anthropic､微软等均选择了闭源路径｡尚活跃在开 源领域的主流美国公司目前仅剩 Meta 和英伟达｡

2. 跻身全球前沿的我国开源模型

开源模型的优势之一是用户可以 “量体裁衣”, 实现本地部署，成本相对低廉，不会受制于大模型 提供商｡使用闭源模型部署下游应用，如同依赖高 端进口芯片，容易被大模型供应商 “卡脖子”, 不管 是创业公司还是投资人都会心存顾虑｡而开源则可完 全化解此类担忧，下游的应用公司可以直接在本地部 署大模型，根据应用场景二次开发，一定程度上缓解 成本压力和数据泄露风险｡对于安全系数高､风险管 控严格的机构，包括机关企事业单位等，也可在安 全保障下，接入 AI 应用，通过 AI 赋能切实提高效率｡

2024 年底至 2025 年初，深度求索公司发布 DeepSeek-V3 和 DeepSeek-R1 大模型，其性能不仅 在开源模型中占据榜首，更是超越多家闭源模型跻 身前列｡2025 年 4 月，阿里巴巴开源 Qwen 系列模型，不仅提供能力强的 超大模型，还包括系列小模型，模型参数的数量覆 盖 6 亿～4800 亿的范围｡开发者可以根据自身业务 需要，仅承担 10 万～200 万元的服务器购置成本，便可部署适合自身业务的本地化模型｡

凭借显著的性价比竞争优势，我国的开源模 型业已成为我国向全球 AI 产业发展提供的国际公 共产品｡近年来，我国开源模型表现亮眼，在全球 开源模型中的占比已从 2024 年底的 1.2% 迅速升至 2025 年中的近 30%｡而《人工智能开源生态研究报 告 (2025 年)》的数据显示，单以采用率衡量，我 国开源模型的市场占有率为 63%, 这意味着全球在 用的开源模型中，近三分之二来自我国，而位列其 后的美国和欧洲的采用率分别为 31% 和 6%｡

3. 我国开源模型性价比高

我国开源模型的成本优势可归纳为三点：一 是模型的兼容性强，转换成本较低；二是模型极具 用户友好属性，试错成本和沉没成本较低；三是调 用模型的输入成本和输出成本低廉｡以上成本优 势，形成不断自我强化的提升链条｡从技术实现上讲，模型性能提升实现如下正向循环：单位成本便 宜 - 词元 (Token) 调用次数多 - 积累数据海量 - 形成数据的集聚效应 - 学习效应显现 - 模型迭代加 快 -- 性能升级优化｡具体而言，单位成本低廉可 吸引更多的使用者，培养行业大部分群体的路径依 赖，扩大市场占有率，先发优势的网络效应显现｡ 在此运行逻辑下，我国开源模型展现三方面性能优 势：一是使用门槛低；二是容错机制友好；三是海量 用户的网络效应｡此外，随着开源模型的大量使用，技术加速迭代升级，模型训练改进优化，有望引领 AI 模型全球标准，成为行业先驱和引导者，最终通 过开源模型的服务器使用等获得经济收益｡

得益于成本和性能的双重优势，现实印证了我 国 AI 模型的全球吸引力和竞争力｡2026 年开年，“龙虾”(Open Claw) 火遍全球｡Open Claw 只是外 壳，类似于调度系统，本身没有推理能力，实际工 作任务的完成，依赖的是所接入的大模型｡借此时 机，我国大模型迎来了调用次数的急速增长｡国家 数据局的数据显示，2024 年初，我国日均 Token 调 用量为 1000 亿；2025 年底，这一数据增长千倍，达 到 100 万亿；2026 年 3 月，调用次数突破 140 万亿｡ 与 Token 相关的调用､分发和结算等环节，日益 具象化为人工智能大模型的商业化路径之一｡根据2026 年 3 月 29 日的公开资料，在标准使用场景 下，我国大模型 MiniMax M2.5 每百万 Token 的定 价为输入成本 0.3 美元，输出成本 1.1 美元｡相较 之下，美国大模型 Claude Opus 4.6 的定价规则为每 百万 Token 的输入成本 5 美元，输出成本 25 美元｡ 输入成本相差 15.7 倍，输出成本相差则高达 21.7 倍｡我国模型凭借性价比优势，在全球范围内引发 端口接入潮，MiniMax M2.5､Kimi K2.5､GLM-5 与 DeepSeek V3.2 等国产模型的 Token 调用量，共同跻 身全球前十的行列，合计占据 61% 的市场份额｡

直观对比，以每百万 Token 成本衡量，我国模 型具有绝对的成本优势｡约二十倍的成本价差优势，吸引了大量的初创企业､创业公司等应用模型，由 此带动应用次数激增，语料积累日益丰富｡真实的 用户数据和反馈不断积聚，推动产品迭代的速度越 来越快｡我国大模型更新换代的领先优势，在上述 正向反馈机制中得以不断夯实｡

(三) 我国大模型的坚实韧性在于产业应用

大国在未来 AI 竞争中的走向，取决于应用层 面的部署和效率提升｡大国科技竞争不只是技术 比拼，更是科技发展､产业应用与国家战略的综合 较量｡我国 AI 应用的突出优势是 产业融合，深入生产制造业，部署在工厂一线，切 实提高生产效率｡

1. 历史镜鉴：原创性探索与产业大规模应用

科技进步离不开创新，纵观历史上技术创新的价 值链条，创新源头未必一定获得最大的产业价值，更 高比例价值最终归属于能够驾驭大规模生产应用转化 与产业生态构建的后来者｡以第二次工业革命为例，其特征是电力的广泛应用｡当时，英国科学家是基 础物理规律探索的先驱者，而电力的大规模工业化 应用却在大洋彼岸的美国大获成功，其赶超秘诀在于 电力应用的发明家｡同样，我国大模型的价值效应，在原创性探索的基础上，更应注重产业大规模应用｡

虽然全球市值最高的英伟达公司位于 AI 产业链 条中间的芯片层，然而正如黄仁勋所讲，“最顶层的 AI 应用开发是整个生态的核心驱动力”｡放眼当下，技术扩散以前所未有的速度推进，颠覆性技术的领 先地位动态调整｡在此背景下，创新才是持久的动力，大模型等基础研究的价值体现于应用，最大比例的 价值终究归属于强大的技术转换者与市场塑造者｡

2. 我国的智能制造深化之路

我国超大规模市场优势在全球无可比拟，由此 衍生的市场需求､产业体系和人才规模等特征均是 产业应用的坚实支撑｡其中，最完备的产业链体系，为 AI 的技术落地提供了最丰富的应用场景，齐备 的产业体系和强大的生产能力，恰可分摊 AI 应用 的成本并加速产业层面的普及｡

我国 AI 融合产业发展，已涌现出大量的智能 制造典型案例｡截至 2026 年 1 月 15 日，世界经济论坛公布的 15 批 “灯塔工厂” 名单总数达 224 家，其中我国工厂为 101 家，占比超 40%, 持续保持全 球首位｡我国上榜的 “灯塔工厂”, 行业领域不断扩展，区域遍布东部沿海至内陆地区，体现 “数智 化､绿色化､融合化” 的特点｡这些企业借用数字化､网络化､智能化､绿色化等技术，着力于流程 的优化和改进，实现生产制造的全面自动化､精准化､最优化､清洁化｡

2026 年 1 月，在达沃斯世界经济论坛第 56 届 年会上，第二批 “AI 应用之星” (MINDS)名单公布｡ 我国入选的企业具备如下特点：AI 辅助战略决策､ 重塑人与 AI 的协作方式､夯实数据基础､打造现 代化技术平台､负责任的 AI 治理｡作为智能制造 的另一个典型应用场景，我国工业机器人新增装机 量占全球比重超过 50%｡此外，工业和信息化部发 布《2023 年工业互联网试点示范名单》, 覆盖工业 互联网与 5G､大模型､边缘计算等新技术的融合 应用，遴选出一批在提质､降本､增效､绿色､安 全方面具有示范作用的案例｡

三､我国大模型发展面临的问题和挑战

自 2023 年大模型全面发展至今三年时间里，以 DeepSeek 和 Qwen 为代表的国产大模型正在奋 力赶超并不断缩小与美国顶尖模型的差距｡然而大 模型的性能升级和迭代速度，取决于上游的基础设 施支撑力度和下游的产业应用前景｡总体来看，我 国大模型发展尚面临如下问题和挑战｡

一是硬件支撑方面，高端芯片短缺制约算力发 展｡尽管国产公司正在加紧研发基础芯片，但是中 短期内英伟达芯片性能的领先优势难被撼动｡随着 大模型从文本处理逐步扩展到图像､音视频等多模 态融合，有望完成自主规划､工具调用､执行等复 杂任务的智能体相继涌现，对视觉､听觉､触觉等 多感官信息整合的感知能力要求与日俱增，需求端 对模型的深度推理和长期规划能力提出更高要求｡ 在强大的 “学习 - 反思 - 规划” 系统能力的逻辑闭 环下，大模型算力的核心作用更为关键｡由于美国 对高端芯片的封锁，高端算力供给不足将制约我国 训练超大参数模型的能力｡高端芯片短缺，将制约 我国算力规模效应的发挥和释放，成为我国大模型 持续迭代的结构性短板；反观 OpenAI､Anthropic 等美国公司，由于掌握充足算力资源，更为专注新 一代模型的研发探索｡

二是基础软件支撑方面，AI 基础框架的国产化 跟进不足｡大模型是 AI 创新的源头，决定着创新 速度，AI 智能体､具身智能､AI for Science 等前沿 探索，均以大模型作为底层技术基础｡大模型长期 依赖他国 AI 基础框架，不可避免会滋生地缘政治､ 数据合规､意识形态渗透等潜在风险｡实现大模型 研发全链路的自主可控，其重要性已经超出产业应 用范畴，更是保障国家技术主权的必要举措｡当前，我国大模型在技术层面采用的训练和推理框架，多 以美国开源工具为主，虽然现阶段开源可用，但不 可忽视未来因各种环境变化而导致技术闭源的可能 性｡长期来看，国外的 AI 基础框架一旦宣布闭源，一方面国内大模型企业将无法完整使用后续的优化 迭代和技术升级服务；另一方面可能导致大模型产 品在 “出海” 部署时面临烦琐诉讼的法律风险｡

三是产业应用方面，智能制造尚面临成本可行 性和安全可靠性双重维度的考验｡可否将 AI 大模型 纳为智能制造中的资源禀赋和要素投入，需要兼顾 经济成本与安全保障，AI 在先进制造业的落地，需 要契合经济性､实用性和安全性等条件｡从大模型 原创技术到产业应用落地，应谨慎权衡成本与安全｡ 与大模型较早适用的影音娱乐､辅助办公等领域的 轻资产特征不同，制造业因其资产体量庞大，采纳 新技术路径的机会成本高､容错率低，安全可靠性 是与经济可行性同等重要的优先事项｡AI 大模型是否 真正应用于工业场景有待时间检验｡从原创性探索到 产业应用，关键在于走通转化渠道，探索出一条满足 产业需求并兼顾性价比和安全可靠的破局之道｡

四是技术前景方面，现行算法创新的效能递减｡ 在其他条件没有质的改变时，任何单一要素的投入 都不可避免地面临边际效应递减，算法创新同样不 会无限制放大｡在这个意义上，中美的大模型培育 路径并不能归纳为简单排他性的算力与算法的完全 对抗｡更大概率的现实是，在 AI 发展的不同阶段，两者或交替成为主导力量｡美国在算力与硬件上的 领先，使其在延续现有范式方面具有明显优势；而我 国在算法效率与系统级创新上的探索，则可能成为 下一次范式转移中释放更大价值的有益蓄能｡放眼 更长的时间维度，脱颖而出的大模型赢家，其制胜 关键在于找到突破规模扩张边界约束的 AI 增长机制｡

五是竞争业态方面，应防范无序竞争破坏创新 生态｡目前我国专司大模型的公司较多，其产品不仅 部署于我国的应用场景，而且走出国门活跃在国际 舞台｡在国内模型业态的构建和成形过程中，应提 前警惕同质化的无序竞争对创新生态的侵蚀和破坏｡ 产业布局时可能出现的短视主义，例如缺乏科学､长 远､理性的规划，一窝蜂涌进大模型开发赛道，瞄准 价格战等竞争，都将造成资源闲置，并拖累产业发展｡

四､政策建议

我国政策环境的顶层设计重在 AI 赋能产业，将 AI 发展内化于国家发展规划，推动 AI 技术与实 体经济深度融合｡《规划纲要》对我国在 “十五五” 时期的 AI 发展指明了方向，全面阐释我国未来五 年的 AI 布局，部署加强算力设施支撑､促进模型 算法迭代创新､深化数据资源开发利用等落地措施｡ 故此，本文建议奉行长期主义并坚守战略耐心，坚 持自主创新之路，坚定发展我国自主可控的大模型，逐步破解高端芯片 “卡脖子” 之痛，加强算力算法 基础研究，深化产业应用场景，构建更加开放包容 的创新生态｡

第一，坚定国产芯片自主攻关方向｡数据显示，2025 年我国至少有 9 家 AI 芯片公司出货量或订单 量已超过一万片，大公司的累计出货量甚至超过了十万片｡2025 年上半年的 国内芯片市场份额，英伟达为 62%, 而国产芯片公 司已达 35%, 部分国产芯片的推理性能超过英伟达 H20｡只要国产自主芯片的追赶节奏不放松，就会 动摇英伟达等国际顶尖芯片厂商的垄断地位，即使 最顶尖性能芯片仍在禁止名单之列，但在市场有效 竞争下，次优级芯片的价格会不断降低｡发展自主 可控国产芯片的决心､行动力和可喜进展，为我国大 模型的研发提供更广的空间，注入更大的确定性｡同 时，衡量芯片的国产可替代能力，不应仅关注对标单 一芯片的性能，还要虑及现实条件，强调一体化的 系统集成创新，视工程组合创新为追赶的可行路径｡

第二，筑牢全链路安全可靠的技术主权｡为落 实 “推动我国人工智能朝着有益､安全､公平方向 健康有序发展” 的要求，应着力构建 AI 领域的技 术主权｡大力发展国产开源模型，保障安全自主可 控，将技术主权牢牢掌握在手上｡为保障我国技术 主权的安全性，在大模型自主研发的前提下，将国 产化替代思维延伸前置于包括 AI 训练和推理框架 在内的基础软件｡营造可持续的大模型发展环境，引导更多科研力量投入 AI 基础软件开发，鼓励科 研创新，设计自主可控的国产训练和推理框架，摆 脱大模型在基础软件方面可能面临的制约因素｡实 现大模型全链路的自主可控，守护产业安全､数据 安全和国家竞争力｡技术水平越先进，应用边界越 宽广，技术实力越相近，技术主权才越有保障｡

第三，发挥智能制造深化优势｡推进 AI 技术 与产业发展深度融合，发挥我国完备产业体系的独 特优势，充分释放 AI 对生产力提升的潜能｡营造 国家､产业和企业协同发力的韧性生态｡国家层面 重在营造健康有序的发展生态，为产业发展和企业 创新提供有益､安全､公平的发展环境；产业层面 旨在拓展，巩固智能制造深化，推进 AI 技术与产 业发展深度融合；企业层面大胆创新，充分发挥系 统集成优势，引入更具容错性的风险投资，以微观 活力推动技术探索｡抓住我国产业层面应用前景广 阔的天然优势，深化垂直领域的创新应用融合，让 AI 赋能尽显效应｡在应用落地方面加速布局，发挥 场景丰富､数据充足､工程能力强的优势，鼓励尝 试在特定领域求得突破｡

第四，从质的方向突破算力约束｡算力堆叠影 响的是 AI 的发展速度，算法范式决定的是 AI 的生 命周期｡长期来看，“算力 + 算法范式跃迁” 的双 重驱动或是更可持续的路径｡大模型中的算力是一 个囊括硬件､软件､平台的复杂体系，作为硬件的 芯片决定算力生成，作为软件的互联网络链接整个 系统，最终以算力基础设施为调度平台实现规模化 算力输出｡除了在芯片､系统软件､调度平台等方 面的算力规模突破，通过整个体系的协同优化，有 效性和可用性的提升也会提升算力效率｡而工程方 面的集成创新，正是我国企业更为擅长的赶超之道｡

第五，倡导有序良性竞争｡健康的模型业态既 要包容百花齐放的产品竞争，又要鼓励百家争鸣的 技术尝试，包容的生态才能不断推动技术进步，激 励创业和优化创新环境，鼓励发挥所长､深耕垂直 领域，重点防范内卷式竞争在 AI 大模型领域的出 现｡同时，有序引导大模型研发企业 “抱团取暖”, 倡导齐心协力共同做大 “产业蛋糕”, 深耕细分领域，将优势建立在细分的新赛道上，赢得国际市场竞争｡ 通过持续的开源开放策略，与芯片厂商､基础软件 研发等 AI 产业链条的友商 “抱团出海”､协同发展，营造上下游产业链的健康有序环境，不断降低 AI 的应用门槛，催生更加多元包容的应用生态｡

总之，大模型作为 AI 技术的底层支撑，对其 发展应坚守理性审慎的战略耐心｡展望未来，我国 应继续巩固芯片自主发展之路，鼓励底层算法创新，积极将 AI 融入制造业应用，走出一条可带来生产 力实质性提升之路，进而在本轮 AI 引领的技术变 革中赢得主动权和先发优势｡