跨太平洋AI棋局：从外泄LP信看中美AI真相

不久前，某海外投资团队结束了为期一周的中国AI产业调研，走访了多家本土实验室，与投资人、创业者和技术从业者深入交流后，将观察整理成了致有限合伙人的内部信函。随着信件内容外泄，相关细节被公开分享。

这封信函的核心观察可以归纳为三个关键维度：一是外部约束如何倒逼研发模式进化；二是中国开源模型如何嵌入全球生产体系却重塑了价值分配格局；三是中美AI领域的深度相互依赖，以及未来的关键分叉点。以下是对信函核心内容的整理与解读。

约束倒逼的研发进化

原本旨在限制技术发展的出口管制与算力短缺，反而成为了中国AI实验室的进化催化剂。在算力受限的背景下，本土团队往往会深入到海外实验室通常会忽略的底层抽象层进行工程优化。比如某头部团队使用有限的硬件资源训练大模型时，通过底层编程优化，重新分配硬件资源以弥补互联能力的短板。

这种选择背后是激励结构的差异：海外实验室更倾向于通过投入资金购买额外算力，而中国团队则更愿意投入精通系统、编译的工程师，通过技术优化降低对算力的依赖。最终催生出覆盖内核、编译器、服务系统乃至芯片设计的全栈效率文化，这种能力具备长期复利价值，而非一次性的资本开支。稀缺性在这里成为了底层工程创新的驱动力。

全球生产体系中的新分工

当前的中国开源模型已经实现了过去二十年中国企业软件未能达成的突破：大规模进入海外生产环境。在不到18个月的时间里，中国供应商在全球AI服务平台的token使用占比从极低水平跃升至超过四成；主流开源模型的下载量快速突破百亿级别，衍生模型数量远超海外头部厂商；八成以上的海外AI初创企业已经在生产场景中使用至少一款中国开源模型。

开源模式绕过了传统的采购壁垒，免费的软件让采购限制无从谈起。但这也带来了价值分配的变化：中国团队获得的是海外的业务流量，却未能同步获取对应的软件收入，利润更多流向了提供推理服务的云厂商和算力平台。这意味着模型、应用与收入的地理分布不再完全匹配，中国的开源生态正在将海外头部实验室依赖的软件收入层进行商品化。

激烈的本土竞争生态

当前中国AI赛道的头部玩家包括多家实验室，彼此的技术实力非常接近，排名每季度都会出现变动。其中部分大厂旗下的AI业务虽然体量庞大，但已经不再处于技术前沿。这些头部团队一边在模型发布节奏和能力上相互竞争，一边持续开放模型权重，形成了与海外封闭模型实验室截然不同的竞争格局。本土团队之间的内部竞争，对创新的推动力度不亚于跨国竞争。

跨太平洋的技术双向循环

当前AI能力的传递已经形成了跨太平洋的双向循环：海外头部实验室训练出最先进的基础模型，中国团队通过蒸馏等技术进行优化后开源；海外应用公司再基于这些开源模型进行微调，最终将产品推向全球市场。比如多家海外AI工具产品，其底层技术实际上基于中国开源模型。如今海外垂直AI领域的底层基座已经从早期的海外开源模型转向中国开源生态，其中也融入了海外前沿模型的技术能力。

数据与验证生态的同步演化

海外数据供应商已经与中国头部科技企业建立了商业合作，而中国本土也出现了一批专注于模型评估与验证的创业公司。这些团队不再局限于传统的数据标注，而是搭建标准化的评估基础设施。比如某由高校背景团队创立的公司，其发布的基准测试结果已经被海外实验室引用，通过优化监督信号训练的小模型也取得了不错的效果。这种以质量优化替代算力投入的思路，和之前提到的资源受限环境下的研发适配逻辑高度一致，这类新兴公司大多成立时间不长，但部分已经实现了高额收入。

两端相反的约束困境

中美两国AI产业面临的约束方向完全相反。中国在近年新增了大量电力资源，到2030年仍将有大规模电力上线，但算力硬件的供应存在瓶颈，比如部分头部模型发布后很快因为推理容量不足暂停新用户注册。而美国虽然算力硬件供应相对充足，但电力并网和数据中心扩建面临长期排队的问题，面临电力约束。

中期来看，产业格局的走向将取决于哪一方的约束先得到缓解：是美国的电力基建和并网速度，还是中国的芯片制造良率和封装技术升级。

显著的收入与商业化差异

海外头部AI实验室的年化收入规模远超中国同行，差距接近两个数量级。比如两家海外头部企业的年化收入分别达到数百亿美元和数十亿美元级别，而中国收入最高的AI业务年化收入仅在数十亿美元区间，独立实验室的收入则在数亿美元级别。

消费端来看，中国的AI工具拥有庞大的用户规模，但单用户的变现能力较弱，收入主要来自电商佣金等渠道。中国用户长期以来习惯免费使用软件，短期内付费习惯难以快速改变，但庞大的用户基数依然存在商业化的潜力，比如通过广告、电商等模式变现，这和海外实验室的商业化路径有所不同。

硬件脱钩与软件深度交织

半导体等硬件层面的技术脱钩正在进行，但软件和数据层的融合速度远超各国政府的监管反应。海外应用依赖中国开源模型，而中国团队则通过租赁海外算力资源进行训练，技术数据在两个方向持续流动。因此简单讨论“谁赢了”并没有太大意义，当前两个系统的相互依赖程度极高，除非出现递归自我改进这类突破性技术变革，否则现有的格局很难被彻底打破。

递归自我改进的关键分叉

部分中国本土研究者认为，他们已经实现了较弱形式的递归自我改进。这种改进并非完全自动，而是通过人工辅助的方式，让模型更快达到预期效果，节省算力和时间成本，类似于早期的人机协作模式，比单独的人类或机器都更具优势。

未来AI发展的关键分叉点在于：下一代递归自我改进主要受算力约束，还是受验证质量约束。如果算力是核心约束，那么海外头部实验室的优势会更明显；但如果验证质量成为瓶颈，那么中国的开源生态和技术优化能力将持续获得发展空间，进一步推动全球AI产业的价值分配变化。

未来的潜在风险与监管挑战

未来海外头部实验室可能会关闭下一代前沿模型的API接口，通过按价值定价而非按使用量定价，限制中国团队获取前沿技术，同时放弃大规模的API收入，转而销售高价值的限量模型。这种做法会进一步挤压中国的算力瓶颈，迫使中国团队投入更多资源进行底层预训练。

当前的监管措施很难彻底切断跨太平洋的AI技术联系，中美技术人员通过蒸馏、开源、数据标注、推理服务等方式依然保持着深度互动。粗放的限制措施反而会压制海外自身的创新，将相关领域的领导权让渡给中国的快速跟进者。

相比海外市场，中国AI领域的估值泡沫更为明显。中国头部实验室的估值倍数远超海外同行，即使在收入规模差距较大的情况下，估值依然偏高。本土资本市场对于AI领域的承销能力尚在建立中，市场波动较大，但如果监管风险得到缓解，早期市场依然存在不错的投资机会。