美风投内部信：透视跨太平洋AI棋局
不久前，一家美国头部风投机构的合伙人专程来华走访多家AI企业，为调整投资策略收集一手信息。返程后他们写给出资人的内部分析信在行业内广泛流传，以下是完整翻译内容：
跨太平洋的AI产业棋局
一、算力约束倒逼底层技术迭代
美国的出口管制初衷是延缓中国AI产业发展，却意外制造了进化压力，让国内AI实验室拥有了全球独有的竞争优势。由于算力资源匮乏，中国团队不得不深入底层架构进行工程优化：比如DeepSeek在性能受限的H800上训练模型，绕过CUDA直接在PTX层面编程，甚至将每张GPU的部分流式多处理器专门用于跨节点通信。
我们认为这并非美国工程师无法完成这类操作，而是两地的激励机制完全不同：美国AI企业更倾向于用资本直接购买算力，每投入一美元就能获得同等规模的算力支持；而国内团队因为长期缺乏充足的算力采购渠道，只能通过培养更多懂编译器的工程师，来降低整体算力需求。最终形成了覆盖全栈的效率文化，从系统、优化器、推理算法一直延伸到芯片设计，这种能力可以持续积累，而非一次性的资本开支。
二、中国开源模型进入全球生产体系
在不到18个月的时间里，中国模型在OpenRouter平台的Token消耗占比从不足2%飙升至45%。Qwen成为Hugging Face上最快突破10亿次下载的模型家族，约80%的美国AI初创企业已经在内部部署了至少一款中国开源模型。
开源模式绕过了传统软件采购的合规审查，当模型可以免费部署时，就不存在被列入黑名单的“供应商”风险。但吊诡的是，中国开源模型本质上承担了西方的生产成本，却没有拿走对应的生产收入：由于企业可以自行部署开源模型，大部分利润依然流向了提供Token服务的云厂商。也就是说，中国企业压低了模型价格，让竞争对手承压，但最终最大的受益者反而是美国本土商业公司，它们能以更低成本使用AI模型。这并非中国AI公司不愿盈利，而是开源生态的客观逻辑决定了利润大头会流向云厂商，而非模型开发商。
三、国内AI模型的竞争烈度远超预期
我们判断当前国内AI模型第一梯队包括DeepSeek、Qwen、Kimi、Doubao和GLM，彼此之间的差距极小，行业洗牌频率相当高。五家实验室同时在发布速度和模型能力上展开竞争，且大多选择开源，这与美国市场由两家闭源实验室主导的竞争格局截然不同。我们在走访期间最直观的感受是，国内模型之间的竞争激烈程度，甚至超过了它们与美国模型的竞争。
四、跨洋的AI产业链双向循环
当前AI产业的落地流程已经形成了跨太平洋的双向循环：美国前沿实验室训练出SOTA级的顶级模型；中国团队对这些模型进行蒸馏优化后开源；美国AI服务商再基于中国开源模型进行微调，最终做成产品卖给美国企业。
比如Cursor号称“自主研发”的Composer 2，实际是基于Kimi K2.5改造而来；Cognition的SWE-1.5看起来也像是定制版GLM。就在我们从上海前往北京的高铁上，Harvey发布了专有模型Harvey Tenet，其本质是对Kimi K3进行后训练得到的产物。如果放在一年前，这类企业大概率会选择Llama或Mistral作为基座。如今，美国垂直AI行业的底层基座正在被中国开源模型取代，而这些模型内部又潜藏着美国前沿模型的技术智能。
五、数据产业链的同步变化
数据层也正在发生类似的跨洋融合：Mercor、AfterQuery、Turing等美国数据标注公司，已经公开披露与蚂蚁集团、阿里巴巴、字节跳动存在商业合作。与此同时，国内也涌现出一批新的企业，不再专注于数据标注业务，转而提供评测和验证基础设施服务，比如UniPat。
这家成立于2025年12月的公司，创始人是北京大学博士生，曾先后任职于阿里、月之暗面和腾讯。UniPat发布的基准测试已经开始被美国实验室引用到模型报告中，其基于Rubric的监督训练方法也在小模型上取得了出色效果。这种思路本质上是用更高质量的监督替代更多算力投入，和我们在第一点中提到的现象完全一致：在资源尤其是算力受限的环境中，团队会自然发展出适应性更强的技术路径。我们在北京和上海走访了多家这类企业，其中绝大多数成立不到24个月，少数企业的收入已经快速突破1亿美元。
六、中美面临的难题恰好相反
2024年，中国新增电力供给达到429GW，美国仅为51GW；且根据预测，到2030年中国每年新增电力供给都将保持在400GW以上。反观美国，仅数据中心扩建项目就存在241GW的电力缺口，由于电网接入积压，排队等待时间长达5年。而中国AI产业的真正瓶颈依然是算力资源不足，最典型的例子就是月之暗面：Kimi K3发布后不到两天，就因为推理能力不足暂停了新用户注册。
可以总结为：美国算力资源充裕，但越来越受制于电力供应；中国电力供应充足，但长期受制于芯片短缺。我们可以确定的是，中期AI产业格局将取决于哪一侧的瓶颈先被突破：是美国的电网容量得到优先改善，还是中芯国际和华为的先进封装技术、良品率提升更快。
七、中美AI产业的商业化差距悬殊
Anthropic在7月的年化收入超过650亿美元，OpenAI同期营收约为400亿美元。相比之下，国内营收最高的模型相关业务来自字节跳动的Seedance，年化收入约为20-30亿美元；纯语言模型公司中，DeepSeek的年化收入接近5亿美元。
消费端也存在同样的困境：豆包的月活用户已经达到3.45亿，超过Qwen和DeepSeek的用户总和，但每日营收仍不足100万人民币，且收入几乎全部来自购物佣金。国内消费者不愿为软件付费的现状依然没有得到解决，我们暂时也没有找到有效的破解方案。当然，凭借庞大的用户规模，国内从业者完全可能探索出具有中国特色的商业化路径，就像十年前消费互联网行业发生的那样：通过电商、广告等模式实现变现，国内创业者的实用主义精神让他们不会因为商业模式不够完美而回避可行的方案。
八、硬件脱钩但软件与数据深度融合
当前两国的政策反应速度已经跟不上产业变化：美国的产品正在使用中国的开源模型，中国的实验室则在东南亚地区租用英伟达GPU进行模型训练，专家标注的数据也在两个方向上双向流动。因此我们认为，讨论“哪一边最终会赢”本身就是一个伪命题，当前两个体系已经高度绑定，国家层面的胜负很难被清晰定义，除非递归自我改进（RSI）技术实现根本性突破，彻底改变整个产业结构。
九、国内已出现弱形式的递归自我改进
在当前语境下，RSI依然受到算力限制。更准确地说，国内顶尖研究员开发的系统已经具备了RSI的早期雏形：通过人工介入辅助，加速模型达到原本最终也能实现的能力水平，从而节省算力和时间成本。打个比方，这个阶段的RSI最接近1990年至2010年间流行的“半人马国际象棋”：人机组合的整体能力，远超单独的人类棋手或单独的AI系统。
十、未来将面临两个关键分叉方向
如果RSI的进化完全依赖算力规模增长，那么美国的产业环境将占据极大优势：目前美国两家顶级AI实验室各自运营约2GW的算力基础设施，且每家都已经锁定超过5GW的算力订单，计划到2030年将算力规模提升至约30GW。理论上，这些企业拥有巨额营收和资本市场的全力支持，可以通过大规模投入推进RSI技术，而中国短期内很难在芯片供应上追上这一节奏。
但另一种可能性是：真正的技术瓶颈并不在于算力，而在于模型质量；或者说，技术迭代所需的时间足够长，长到国内的优化能力和替代芯片技术都能达到可用水平。如果出现这种情况，过去18个月出现的产业趋势不仅会延续，还会加速：美国前沿模型的能力将进一步商品化，中国开源模型的全球渗透率持续提升，美国垂直AI企业将获得更多在海外开源权重模型上进行微调和应用的机会，而新增的调用量和利润则会流向提供推理服务的厂商，也就是当前的超大规模云厂商和新型算力企业。当然，这一判断的前提是电力基础设施按照中性预测发展。
十一、美国可能停止开放最新模型API
当前一代AI模型的能力已经可以满足绝大多数商业需求，未来顶级高端模型可能不再按调用量定价，而是像SaaS系统那样按结果付费。这种模式还有一个额外效果：可以限制中国实验室的模型蒸馏行为。美国企业需要为此放弃不断增长的API调用收入，但作为回报，它们可以切断太平洋对岸的直接竞争威胁，至少也能迫使中国企业投入更高成本进行预训练，进一步挤压国内本就紧张的算力资源。
十二、监管政策无法切断跨洋技术联系
时至今日，仍然认为可以简单切断中美AI产业的技术联系，这种想法太过天真。两国技术人员正在通过多种渠道保持互动：模型蒸馏、开放权重、数据标注、推理服务，以及越来越多的软件执行框架和智能体基础设施。当前讨论的一些粗暴限制措施，比如实体清单、托管禁令、采购禁令等，几乎肯定会抑制美国自身的创新，让美国在这些领域失去领导地位，而空出来的市场份额必然会被快速跟进的中国竞争者填补。
十三、国内AI产业存在更明显的估值泡沫
国内AI企业的营收规模更低，但估值倍数却更高，这是当前资本市场的一个奇特现象。比如月之暗面的估值达到年化收入的115倍，智谱、MiniMax上市初期的估值也达到100倍，而Anthropic的估值仅为年化收入的20倍。我们判断这一现象源于国内资本市场仍不够成熟：过去二十年，国内市场更习惯于给消费软件公司定价，而当前才刚刚开始建立理解企业软件和开源商业模式的成熟估值框架。对于合适的投资机构来说，中国内地和香港市场存在大量挖掘新兴行业领先标的的机会。
