全球科技公司2026年在AI基础设施上的投入预计超过6500亿美元。英伟达的显卡被抢到断货，数据中心跟民用抢电，OpenAI一年亏80亿美元还在拼命烧钱。
所有人都在拼命跑。但很少有人停下来问一句：跑到终点以后呢？
两条路
中美都在搞AI，但走的完全是两条路。
美国那边的思路很清晰：做一个万能的大模型，一个模型解决所有问题。ChatGPT写文章，Midjourney画图，Sora做视频，底层都是同一个逻辑——让AI变成一个什么都能干的”通用智能”。这是奔着AGI去的。
中国这边不太一样。中国也在做大模型，但更在意的是把AI塞进工厂、塞进车间、塞进每一个实际的生产环节里。2025年中国工业机器人装机量29.5万台，全球占比54%。美国多少？3.42万台，约6%。差了将近9倍。
这个差距不是一年两年形成的。2021年扎克伯格把Facebook改名叫Meta、赌元宇宙的时候，中国在干嘛？在往工厂里装机械臂和视觉检测系统。
一边在建虚拟世界，一边在改造现实工厂。从那个时候起，两条路的方向就已经不同了。
为什么美国非要搞AGI
不是说美国的研究者不懂”AI应该落地”这个道理。他们当然懂。但美国的资本结构决定了他们只能选这条路。
原因其实挺简单：
第一，美国产业空心化严重，工厂没剩多少了，想搞工业AI也没那么多场景可以用。硬搞的话，投资大，回报慢。
第二，做大模型可以收API费。全世界都来调用你的接口，按Token付费，这个商业模式很清晰，短期就能见到钱。模型参数从7B涨到70B再涨到1.6万亿，投资者一眼就能看到”进步”——花钱了，模型变大了，没白投。
第三，垄断叙事足够性感。”谁先做出AGI谁就统治世界”，这种故事能融到最多的钱。
所以你会看到一种很魔幻的景象：OpenAI 2025年收入近200亿美元，亏损超过100亿美元。2026年预计亏损250亿美元，烧钱率83%。收入增长的同时，亏损增长得更快。但投资者依然在往里砸钱——因为他们赌的不是今天的回报，是垄断之后的收租权。
这不是短视，而是资本的理性。只是这个”理性”指向的方向，恰好不是”让AI服务现实生产”。
为什么中国走的是另一条路
中国没有美国那样的融资规模——2025年美国私人AI投资2859亿美元，中国只有124亿美元，差了23倍。钱少，就得把每一分钱花在能产生实际回报的地方。
而中国刚好有全球最全的工业门类和最大的制造业体量。工信部2025年数据显示，中国已建成3.5万个基础级智能工厂、8200个先进级智能工厂。沈阳某工厂引入AI后，生产效率提升40%，研发周期缩短21%。
这些不是PPT上的数字。是真实发生在车间里的事。
中国的逻辑是：先用起来，在用的过程中产生数据，用数据改进模型，模型改进了再回去提升生产效率。腾讯自研大模型在内部超过900个场景落地，百度、阿里、字节都在干类似的事。
这是一个闭环：AI提升生产 → 产业加速创造新需求 → 新需求推动AI研究 → AI能力提升 → 再提升生产。
每转一圈，两边都在涨。
数据会枯竭的
前面说的那个正向循环能不能持续，关键在一样东西：数据。
互联网上的高质量文本数据正在被吃光。OpenAI前科学家苏茨克维尔说过一句话：”我们只有一个互联网。” Nature专门发文章讨论AI正在耗尽人类数据的问题。数据增长放缓了，而AI对数据的胃口还在膨胀。
更麻烦的是数据污染。大量AI生成的内容被混入训练数据，通过递归迭代产生”污染链条”，最终导致模型性能下降——研究人员管这叫”模型崩溃”。用AI生成的内容训练AI，就像用复印件的复印件去复印，每一代都在失真。
互联网上的信息在增加，但信息量没有增长。大量内容是AI生成的，属于”信息的冗余”而不是创新。这就是信息内卷——数据越来越多，营养越来越少。
中国的情况不太一样。工业场景每时每刻都在产生数据：传感器读数、生产流程记录、质量控制参数、设备运行状态。这些是第一手的现实数据，不存在”AI吃自己尾巴”的问题。只要工厂在运转，数据就在源源不断地产生。
腾讯说过一句话很直白：”高质量的数据、广泛的生态和场景，将成为拉开竞争差距的重要因素。”
这话说到了点上。
电也不够用
还有一个容易被忽略的问题：电。
美国数据中心2024年耗电183 TWh，占全国4%以上。高盛预测2027年需求比2025年翻倍，缺口47吉瓦——相当于9个迈阿密的用电量。近一半的新建数据中心项目因为电力短缺而延期。微软甚至包下了三里岛核电站重启后20年全部电力产出。
中国呢？发电量是美国的2.6倍，绿电装机是美国的4.4倍，西部绿电电价0.03美元/千瓦时，只有美国的四分之一到五分之一。
AI要跑起来，模型要训起来，需要算力。算力的尽头是电力。这不是一个技术问题，是基础设施问题。
所以，AI到底用来干什么
回到最开始的问题。
当全球的科技巨头都在疯狂采购英伟达显卡的时候，当AI公司在跟居民抢电的时候，当几千亿美元砸向大模型训练的时候——有必要想一想，这一切的目的是什么。
AI写文章，画画，做视频，聊天，这些当然有用。但如果AI只能做这些，那它充其量是一个更高级的娱乐工具。
人活着需要物质。需要食物，需要衣服，需要房子，需要药品，需要交通工具。这些不是写篇文章就能变出来的。生产力的提升才是根本——更多的产品、更快的生产、更低成本、更高效率。这些事情需要AI走进工厂、走进产线、走进每一个实际的物理环节里去。
设计AGI的方向没有错，人类确实需要一个能适应各种变化的通用智能。但脱离现实应用的AGI，就是无源之水。它没有来自真实世界的数据喂养，没有来自真实场景的问题驱动，只能在互联网的存量信息里打转，最后吃自己的尾巴。
中国的做法不是不搞AGI，而是把AGI的路径建立在现实之上。AI先解决实际问题，在解决问题的过程中积累数据和经验，一步步向通用智能靠近。也许慢一点，但每一步都踩在实处。
斯坦福2026年AI指数报告有一个值得注意的结论：中美顶级模型性能差距只剩2.7%，中国已经从”跟跑”进入”并跑”。DeepSeek-R1在2025年2月首次追平美国顶尖模型。基础模型能力的差距在缩小，而不是在扩大。
这意味着中国”应用驱动”的路线没有在基础层掉队，反而因为拥有越来越多的真实场景和真实数据，后劲可能更足。
不是一个零和游戏
最后说一点个人的看法。
我不觉得这是一个”中国赢美国输”的故事。AI太大了，大到没有任何一个国家可以通吃。
美国在基础研究、顶尖模型、算力集群上的优势是实打实的。中国在全球最全工业门类、最大应用场景、数据生产能力和电力基础设施上的优势也是实打实的。两条路各有各的道理，也各有各的风险。
美国的风险是：烧了几千亿美元，最后发现AGI是一个比预期远得多的目标，而中间过程没有足够的现实应用来支撑持续投入。钱烧完了，路还没走通。
中国的风险是：应用层跑得快，但基础层如果掉队太多，上面的应用也会碰到天花板。
但从目前的数据来看，中国的基础模型能力没有掉队。差距在缩小，应用场景的优势在扩大。一个正向循环已经转起来了。
AI最终要回到一个根本问题：它是为谁服务的？
不是为投资者的PPT服务的，不是为技术人员的论文服务的，不是为社交媒体上的惊叹号服务的。
它是为人服务的。为人的生产服务，为人的生活服务。让人有更多的产品可以用，让生产变得更高效，让日子过得更富足。
这一点，才是判断两条路谁更远的最终标准。
参考资料
- 斯坦福HAI《2026年AI指数报告》全文（PDF）：hai.stanford.edu，2026年4月
- 斯坦福AI指数技术性能页面（中美模型差距2.7%）：hai.stanford.edu
- 中美AI投资差距（美国2859亿 vs 中国124亿）：nerdleveltech.com
- OpenAI亏损与烧钱率：Fortune、CNBC、The Register（单季亏损115亿推算）
- Meta Reality Labs亏损与元宇宙预算削减30%：CNBC、LA Times、TechSpot
- AI数据枯竭（Nature原文）：nature.com，2024年12月
- 模型崩溃研究（Nature原文）：nature.com，2024年7月
- Ilya Sutskever “预训练将终结”演讲：机器之心、IT之家，2024年12月
- 中国工业机器人装机量29.5万台（IFR报告）：ifr.org（PDF）、China Daily，2025年9月
- 中国智能工厂数据（3.5万基础级+8200先进级+500卓越级）：国务院官网、百度百家号（工信部发布会），2025-2026年
- 美国数据中心电力需求翻倍预测（高盛）：goldmansachs.com，2026年5月
- 微软包销三里岛核电站20年电力：NPR、Data Center Dynamics
- 腾讯混元大模型900+内部场景落地：Tencent Cloud，2026年1月
- 全球科技巨头2026年AI基建投入超6500亿美元：TechCrunch
- 中国发电量与绿电数据：CarbonCredits、US EIA
「本文首发于 CNELECAR 英文站，此处为中文版」
