兩國分別會用AI建設一個什麼樣的未來？生產力紅利由誰獲得？技術風險和後果由誰承擔？國家能力的增強，是否同時擴大了普通人的機會、選擇和尊嚴？
歷史的劇本裡，技術的勝利往往被折疊成國家的榮光與巨頭的市值，而變革的代價，卻悄無聲息地落在了每個個體的肩上。
2026年7月24日，一封題為《開放權重與美國AI領導力》的公開信在矽谷掀起新一輪爭論。輝達、微軟、Meta、IBM、Palantir、Hugging Face以及一批雲端運算、網路安全和創業投資機構共同呼籲華盛頓，不要過早限制可以下載、修改和自主部署的開放權重模型。公開信把開放模型描述為美國創新、競爭、安全和技術主權的基礎。
這封信沒有直接點名中國，卻不可能脫離中國來讀。過去一年，中國開放權重模型的能力和全球採用率迅速上升，華盛頓也在討論是否限制乃至禁止中國模型進入美國市場。未簽公開信的Anthropic成為最突出的謹慎派：它強調前沿模型可能帶來的生物與網路安全風險，主張對高能力模型進行強制測試，並加強對晶片和模型蒸餾的控制。
表面上，這是一場關於“開放是否更安全”的治理之爭，實際上也是利益與產業定位之爭。輝達和雲平台希望模型廣泛擴散，以帶動算力與託管需求；Meta希望模型層成為廉價互補品，鞏固分發、廣告和應用生態；Harness與應用公司希望保留替換底層模型的能力，同時掌握客戶資料、流程和入口；依靠閉源模型收費的公司則更強調能力失控與不可逆擴散的風險。開發者、勞動者、消費者和資本所有者，也都在維護自己的工具、崗位、選擇或投資回報。這並不意味著安全顧慮是虛假的。開放權重一旦釋放就難以收回，閉源系統也可能被攻擊、濫用或在外界無法檢查的情況下失效。
承擔宏大敘事、考慮美國整體利益的角色屬於華盛頓。白宮一方面把“贏得AI競賽”定義為經濟競爭力與國家安全目標，並要求國家安全部門同時採用最先進的閉源模型和開放技術；另一方面，又建立前沿模型的風險識別和發佈前溝通機制，並保留以智慧財產權、網路安全和對華競爭為理由實施限制的空間。
這場爭論揭示了一個經常被混淆的問題：我們應當用什麼記分牌理解中美AI競爭輸贏？模型排名衡量一類技術產品；公司關心護城河和利潤流向；政府關心技術領導、產業控制、國家安全、社會管控與全球標準；個人則關心AI究竟擴大還是壓縮自己的收入、機會、選擇、安全與尊嚴。因此，討論中美AI之爭，必須同時核對公司、國家與個人三張記分牌，其結果可以彼此反號。
01. 拆解六層生態：大國博弈遠不止模型競賽
AI不僅是一個模型，而是一套相互依賴的生態。黃仁勳把它概括為電能、晶片、基礎設施、大模型和應用五層；Chamath Palihapitiya進一步把資料與控制（Harness）單列，形成六層結構，如圖1所示。其中比較特別的Harness層負責協調不同模型和智能體的運行；如果模型是馬，Harness就是決定它如何工作的挽具和韁繩。技術前沿與價值沉澱並不一定位於同一層：模型決定智能供給的上限，耐久的客戶鎖定卻可能發生在Harness與應用層。大國AI實力取決於整個生態是否強健並形成閉環，而不是任何一層的單點排名。不同層次會為資本、創業者和個人提供不同的機會。目前，矽谷創業最活躍的領域集中在相對輕資產的Harness層和應用層，創業者試圖把通用智能轉化為具體的業務價值；大資本的優勢則更多體現在基礎設施建設、模型持續訓練和平台生態擴張等資本密集型領域。
少數頂尖人才可以憑藉稀缺能力，在晶片、模型和平台層獲得高額溢價。與此同時，使用者雖然享受AI能力普及和價格下降帶來的紅利，也可能以個人資料、注意力和平台依賴為代價；作為勞動者，他們還可能面對職業替代、收入分化和議價能力下降的風險。
按層比較，中美目前各有所長：美國擁有最先進的晶片、最強的前沿閉源模型、雄厚的私人資本和高品質企業軟體市場；中國擁有更充足的電力、更快的基礎設施建設、更強的製造組織能力，並在開放權重模型的全球擴散上取得暫時優勢。美國勞動者更早獲得最強工具，也更早承受高工資崗位被替代的壓力；中國勞動者使用模型更便宜，但能否轉化為工資、創業和職業上升，仍取決於市場與制度。
最近，模型能力正在逐步收斂，但中美兩國支撐AI發展的物理基礎並未同步接近。兩國面臨的核心瓶頸並不位於同一層：對中國而言，主要約束來自先進AI晶片——既受到美國出口管制的影響，也受制於本土晶片在性能、產能以及配套生態上的不足，而中國擁有更強的發電能力和工程建設能力。美國雖然擁有相對充足的高端晶片，卻面臨電力供應、並網審批和資料中心建設等基礎設施約束。
這些不同層面的約束，最終都會反映在AI資料中心的建設速度和有效算力的部署規模上。如圖2所示，按照峰值FP16算力的統一口徑進行情景估算，2025年美國的AI算力約為中國的16倍；這一差距到2027年可能擴大至約25倍。遠期預測存在較大不確定性，但美國在未來三、五年將保持一個數量級左右的領先，仍是相對穩健的判斷。
約束不僅決定“能做多少”，還會改變“如何選擇”。美國企業在算力相對充足的環境中傾向於擴大規模、建設超大型叢集，但電力和並網會限制速度；中國企業則在晶片約束下發展蒸餾、稀疏化、量化和推理最佳化等效率路線。約束由此被寫進企業商業模式和一代工程師的解法，即使日後解除，路徑依賴也未必容易補回。
兩國約束最終也會轉化為個人代價：美國的收益可能集中於少數技術與資本所有者，中國重複建設、適配與追趕的成本則可能通過公共資本、利潤壓力和勞動強度轉移給個人。
02. 開放權重的悖論：分發優勢不等於商業勝局
千問、深度求索、月之暗面和智譜等中國大模型廠商，通過開放權重、低價呼叫和工具鏈建設，迅速進入全球開發者社區。在模型能力逐漸接近、呼叫價格持續下降的背景下，開放權重降低了開發者試用、修改和自主部署模型的門檻，也成為中國AI目前最具國際影響力的競爭方式。
Hugging Face報告顯示，過去一年該平台模型下載量中，中國來源模型佔41%；截至2026年4月，千問家族累計下載量接近十億次。在呼叫側，深度求索以約16.3%的Token份額成為OpenRouter第一大供應商。不同平台口徑不能合併，但共同說明中國模型已獲得顯著的全球分發優勢。對中國而言，開放權重不僅帶來模型採用，也擴大了技術影響力和戰略空間。
但這裡存在一個悖論：中國開放模型的海外分發與使用，仍在相當程度上依賴美國主導的基礎設施。權重通過Hugging Face傳播，呼叫通過OpenRouter、Vercel等平台進入推理服務，底層又普遍運行在NVIDIA體系之上。中國公司提供模型，美國生態提供開發者入口、算力、雲、路由和收費管道；中國模型使用量越大，越可能增加美國基礎設施公司的收入。
注意，下載不等於部署，部署不等於持續使用，呼叫量也不等於收入。Vercel資料顯示，中國開放模型約佔其閘道器三分之一的Token使用量，卻只對應不到4%的使用者支出。開放權重可以換來開發者、聲譽和生態入口，卻也削弱直接收費能力，使客戶更容易複製、修改或替換模型。
因此，國家可以從技術擴散中獲得影響力，模型公司卻要承擔訓練、工具鏈和低價API的成本，相當部分價值可能流向晶片、雲、推理、路由以及Har－ness與應用公司。中國目前贏得的是模型分發優勢，而非整條價值鏈；它能否轉化為公司收入和國家完整技術能力，取決於能否從下載走向部署、從使用走向付費、從生產率提升走向收益分配。
對使用者而言，開放權重降低了學習、試驗和創業門檻，也減少了對單一閉源平台的依賴；但能力可得不等於收入增加。開發者可能仍缺少客戶與分發入口，勞動者提高產出卻未必分享生產率紅利，普通使用者也可能承擔資料洩露、詐騙和模型濫用風險。
03. 當Token價格暴跌，競爭法則將被改寫
過去幾年，AI產業最重要的變化不只是模型能力提高，更是獲得同等智能的價格快速下降。如圖3所示，過去三年，達到相近能力所需的Token價格下降了兩個數量級以上。如果這種趨勢延續，幾個月的技術領先就越來越難自動轉化為持久的商業價值。
Token價格下降不是模型層單獨創造的結果，而是整個生態共同進步的產物：晶片性能、叢集互聯和利用率不斷改善，量化、稀疏化、推測解碼、快取和路由減少了推理所需計算，雲平台提高了裝置利用率，模型架構和訓練方法也讓更小模型達到過去只有大模型才能實現的能力。近幾年，同等能力To－ken價格的下降速度，遠快於摩爾定律所能解釋的硬體性能提升。
市場競爭進一步加速了降價。當越來越多模型達到相近能力，廠商便難以僅憑“更聰明”維持高價，只能通過降價、免費額度和產品捆綁爭奪使用者。因此，Token降價既是技術進步和競爭的結果，也表明部分通用能力正在呈現商品化趨勢；但若出現難以複製的AGI級突破，模型層的稀缺性和定價權可能重新上升。
2026年7月底，OpenAI讓GPT-5.6Luna成為ChatGPT Free和Go使用者的默認免費模型，並把API輸入和輸出價格分別降至每百萬Token0.2美元和1.2美元，顯示美國頭部公司開始用免費產品和大幅降價爭奪大眾使用者、開發者與全球分發入口。與此同時，多家中國模型廠商傳出提價消息，深度求索的新價格於8月17日生效。
低價Token不等於低成本。需要區分客戶支付的Token價格、達到某種模型能力的成本，以及完成同等訓練或推理工作量的單位有效算力成本。前者會受補貼和競爭影響，演算法最佳化可以降低第二項，卻不必然使底層算力系統更便宜。衡量底層算力經濟性，應比較總體擁有成本TCO，包括晶片及折舊、電力與冷卻、互聯與記憶體、資料中心設施，以及軟體適配和維運；再除以系統實際完成的有效工作量，才能得到可比的單位有效算力成本。
中國AI公司在人工、工程建設和演算法效率（如蒸餾、量化、稀疏化等）方面具有一定優勢，可降低適配與維運支出。但在底層有效算力的關鍵環節，國產平台仍面臨單卡性能、晶片互聯、叢集穩定性和軟體成熟度等方面的不足，導致完成同等任務往往需要更多硬體、電力與工程資源，較低的利用率也使理論算力無法完全轉化為可用吞吐；若直接選擇NVIDIA平台，則需面對降規型號、出口許可與稀缺溢價。由於這些軟硬體與生態層面的整體劣勢抵消了部分效率優勢，部分公開系統比較顯示，完成同等有效訓練或推理工作量時，國產AI棧的單位有效算力成本仍可能顯著高於輝達平台。
中國模型公司近期提價更可能是多種因素共同作用的結果：補貼退坡，訓練與服務成本上升，容量受限，股東開始要求收入和利潤，以及全端TCO逐漸反映到產品價格中。中國模型的低價並非完全沒有效率基礎，但價格優勢的幅度大於底層成本優勢，差額要以犧牲利潤和資本回報買單，因此提價在所難免。
04. 價值何處沉澱？應用生態、市場與資本的重新洗牌
在沒有AGI級突破重新拉開模型差距的前提下，AI新增價值可能更多向掌握客戶資料、業務流程、具體場景和分發入口的Harness與應用層遷移。Harness與應用決定能力如何進入業務、觸達使用者並沉澱價值；市場決定付費需求和收入空間；資本決定資源流向和企業形態。
Harness與應用掌控客戶黏性與入口
Harness負責把模型接入企業資料、權限、軟體和業務流程，將輸出變成可執行結果；應用則把能力包裝成使用者可直接採用的產品，掌握具體場景、互動、分發和客戶關係。企業資料與流程難以遷移，使用者習慣、品牌和管道也不易複製，因此即使底層模型可以替換，Harness與應用仍可能形成穩定黏性。
從國家競爭的角度看，Harness決定智能如何進入企業與公共組織的業務流程，應用則決定誰掌握使用者入口、使用場景和資料反饋循環。因此，這兩個層次是將模型能力轉化為現實生產力、經濟價值和組織能力的關鍵，也是資料控制權與資料主權的重要落點。
對個人而言，Harness與應用共同決定AI是助手、監督者還是替代者。資料權限、績效指標和自動化邊界會改變員工的自主權與議價能力；產品設計、推薦邏輯和商業模式則影響個人能使用什麼工具、如何被觸達以及支付什麼代價。個人能否獲益，不只取決於會不會使用模型，還取決於能否保留專業判斷、客戶關係、選擇權和收益分配權。
市場決定商業複利與變現潛力
市場決定AI落地以後能產生多少收入。美國企業軟體預算高、訂閱習慣成熟、白領人工昂貴，只要AI能夠替代部分軟體功能或減少程式設計師、分析師、律師或客服所需工時，企業就有明確的付費動力；收入又能支援下一輪算力、研發和服務投入，形成商業複利。這是目前程式設計智能體（Coding Agent）在美國成為AI“超級應用”的市場基礎。
中國擁有大量應用場景和強大部署能力，但企業軟體預算通常較低，腦力勞動成本也相對較低，目前還未出現超級企業應用。如果購買Token、改造軟體和重塑流程的成本高於增加人工，客戶便缺少付費動力。政企市場可以提供早期客戶，但定製項目較難像標準軟體那樣低成本複製。中美市場質量之差，也是中國模型公司儘早出海的重要原因。另外，消費端也可依賴廣告、電商和流量變現——網際網路時代中國的超級應用就出現在個人消費端。
公司複利不等於個人複利。企業採用AI既可能讓員工提高產出和收入，也可能減少崗位，把生產率紅利主要留給股東。個人能否獲益，取決於技能是否稀缺、是否擁有客戶關係或資本，以及新增收益如何分配。
資本決定企業的生長方向
美國AI生態的資金主要來自風險投資、公開資本市場以及超級科技公司的巨額資本開支，其資源配置通常偏好技術前沿、高增長和能夠在全球規模化的商業收入。中國AI企業的資金則來自國家產業基金、網際網路公司、地方政府和風險投資機構；除商業回報外，部分資本還承擔技術自主、產業本地化和國家戰略能力建設等目標。值得注意的是，政府資本的影響往往不止於其直接持股比例：補貼、採購、准入、政策訊號和後續融資，都可能放大其對企業決策的影響。不同的資本結構由此塑造不同的企業目標，並把公司推向不同的客戶、產品和發展路徑。當模型能力趨同、訓練與服務成本仍高時，資本更可能流向掌握雲、流量、客戶、資料、Harness和應用入口的企業。
對個人而言，資本的配置方向最終會轉化為職業機會、收入回報與風險。美國體系可能創造少量但回報極高的研究、工程和創業崗位，同時也會在增長不及預期時迅速裁員、收購或整合，個人機會高度集中且波動較大。中國體系的就業機會則可能更多集中在政企項目落地、產業部署和本地化實施，但個人獲得超額回報和跨市場流動的空間相對有限，職業前景也更容易受到政策方向、政府採購和地方投資周期的影響。
05. 未來產業推演：關於開放權重、重組與AI疆域的三個預測
預測一｜美國開放權重陣營擴軍，全球Token份額迎來大洗牌
2026年8月10日，Meta宣佈開放MuseSpark1.2旗艦模型權重，成為美國以高品質開放權重模型回應中國陣營的明確訊號。接下來要觀察的是：會有多少頂級模型跟進，開放以後誰會獲得更多Token分發、開發者和生態入口。
本預測包括三層判斷：第一，美國會有更多頂級模型開放權重，並推動美國開放模型在主要路由、雲平台和AI閘道器中的Token份額顯著上升；第二，千問、深度求索、月之暗面等中國開放模型彼此競爭將更激烈，而美國頭部公司的直接商業壓力主要來自美國低價競爭的模型；第三，美國模型仍會選擇性開放而非全面開放，具有較高生物安全、網路安全或自主代理風險的最前沿能力可能繼續留在閉源受控API之後。
證偽判據：未來18個月內，美國來源開放模型在主要全球平台的Token份額未顯著上升，或中國模型明顯擠壓美國模型公司的收入。
預測二｜模型層將先經歷兩年激烈競爭，隨後步入整合期
未來兩年，中美大模型公司仍將處於激烈競爭和持續投入階段。到2028年底前後，如果沒有出現足以重構競爭格局的AGI突破，那麼隨著模型能力進一步收斂、差異化空間縮小，而訓練、推理和持續迭代的成本居高不下，部分缺乏穩定收入、資本支援或獨特能力的公司可能難以為繼。屆時，中美模型層都可能開始出現倒閉、併購與整合。
如果某公司率先實現決定性AGI突破，模型層的稀缺性將重新上升。在這種情況下，整合仍會發生，但將主要表現為資本、人才和客戶向技術領先者加速集中，落後者將被迅速淘汰。
證偽判據：2028年底之後一段時間，中美任一生態沒有出現多起可驗證的模型層併購、合併或獨立業務終止，且獨立模型公司仍普遍依靠模型收入增長。
預測三｜未來AI世界中美之間的楚河漢界將接近網際網路疆域
今天的網際網路疆域大致分為美國平台主導區、中國獨立體系和同時採用中美技術的混合地帶。AI疆域很可能複製這個類股圖，除模型技術之外，晶片、雲、支付、應用程式商店、資料規則、政府採購和安全標準也會共同決定技術歸屬。
這個疆界會直接影響個人能使用那些工具、資料能否跨境、技能在那些市場通用，以及創業產品能賣到那裡。短期內美國未必封殺中國模型，因為它們通過鯰魚效應、開放權重、本地部署和供應商選擇創造的價值，仍可能大於市場與安全成本；但這種容忍是有條件的。一旦中國模型造成可見的安全、產業、媒體或政治問題，且地緣政治派佔上風，政策就可能從限制升級為封禁。
這道界線不是在完全自由競爭中形成的，政府之手從不缺席：美國側重國家安全和市場准入，中國側重模型准入和出口、內容與社會管控，歐洲強調風險分級。監管方向不同，卻共同提高了跨境部署的制度成本。
證偽判據：如果歐洲、印度等形成不依附美國的第三極，或中國技術堆疊在中國網際網路企業未曾佔據的多個大型經濟體中成為主導，這一判斷就需修正。
06. 終局的勝利與三張記分牌的叩問
未來，中美很可能都會宣佈贏得AI競爭，但兩國的勝利結構截然不同。美國更可能以資本回報、科學發現和個體能力擴展定義勝利；中國則更可能以產業規模、技術擴散、國家組織能力和社會秩序的塑造能力定義勝利。美國的優勢更容易沉澱為可計價、可複利的商業財富，中國的優勢則更多體現為難以直接計價的國家能力與戰略影響力。同一輪技術革命，可能強化兩種制度各自原有的方向，並由此塑造兩種不同的未來社會。
然而，無論是那一種勝利，公司、國家與個人這“三張記分牌”相互影響，卻不能彼此替代。一家美國AI公司可以獲得驚人利潤和市值，卻可能同時替代大量白領崗位並集中生產率紅利；中國可以借助AI提高製造與治理能力，但許多普通人的就業、收入、職業安全與自主性卻未必同步改善，甚至可能因此受損。公司贏了，國家未必贏；國家贏了，普通人也未必贏。
更重要的是：兩國分別會用AI建設一個什麼樣的未來？生產力紅利由誰獲得？技術風險和後果由誰承擔？國家能力的增強，是否同時擴大了普通人的機會、選擇和尊嚴？
在這場摧枯拉朽的AI浪潮中，每個人都應經常叩問自己：我，是不是贏家？ (經濟觀察報)