Kimi K3 重磅發佈：中美大模型競爭牌局驟變？

作者：Biteye

TL;DR

如果讓你在外圍賭一把德撲誰會贏，絕對不要在牌局初期就草草下注。

1. 起手牌，美國目前佔優。 前沿模型、高端芯片、美元資本、雲平臺和全球軟件入口，構成了美國最整齊的一手牌。如果今天立刻攤牌，美國勝率更高。
2. 牌面更新太快，優勢不是勝勢。 大模型領先窗口正在從穩定的代差，縮短為不斷開合的時差。Kimi K3在部分長程代碼評測上的局部反超，說明中國看牌、拆牌和重新組合的速度已經大幅加快。
3. 算力決定籌碼深度，算法重新標註籌碼面值。 美國掌握高端芯片、HBM、互聯、CUDA和超大集群，擁有更多同時押注、反覆試錯的機會；中國拿不到同樣多的高面值籌碼，就設法提高每一枚籌碼的購買力。
4. 美國扣住底牌，中國擴大牌桌。 OpenAI和Anthropic要把能力領先變成可以反覆收費的“模型租金”；中國廠商用低價、開放權重和本地部署換取分發權，爭奪雲服務、產業部署與開發標準形成的“生態租金”。
5. Token價格只是下注額，單位任務成本才對應底池。 便宜離絕殺還很遠。真正的較量，是完成同一項工作最後花多少錢。美國守住失敗代價最高的關鍵任務，中國則試圖讓數量更龐大的普通任務也有資格入池。
6. 資本既購買試錯權，也啟動回報倒計時。 美國私人AI投資規模顯著領先，能同時押注更多路線；中國的資本更分散，也更依賴大廠、產業資本和政策力量。雙方燒掉的都不只是錢，還有從未來借來的時間。
7. 場景多不等於已經成牌。 中國手裡不缺帶有真實輸贏的業務牌譜，但只有交易、履約、質檢和設備運行的結果能夠迴流訓練，產業規模才會轉化為模型優勢。
8. 最後還要看誰能控制回撤，並躲過掀桌變量。 就業震盪、詐騙、隱私事故、Agent失控、資本泡沫、封鎖升級乃至AGI提前到來，都可能讓今天最值錢的籌碼重新定價。

序：玩家入座，德州開牌

燈從天花板低低地垂下來，綠呢桌面吸走了四周的冷光，只留下籌碼、撲克牌和兩雙不肯先眨的眼睛。空氣裡混著咖啡、冷煙、服務器散熱和新印鈔票的迷幻氣味。那是有人準備把未來拿來抵押的味道。

荷官低頭洗牌，手指乾淨，動作溫柔。時間總是這樣。它替你發牌，卻不替你負責。

AI的桌邊原本坐過不少人。歐洲拎著監管文件來過，日韓死咬著芯片供應鏈裡的位置，中東把能源和石油資本一摞摞放上桌。但隨著盲註上漲，真正還能把前沿模型、超大集群和全球入口一輪輪跟下去的，主要只剩美國和中國。

美國面前的一垛垛籌碼壘得像曼哈頓天際線。OpenAI、Anthropic、Google和Meta亮在明處，風頭無兩；英偉達、雲平臺、美元資本和全球軟件入口壓在下面，結結實實。中國的籌碼沒有那麼整齊，卻在迅速變厚：DeepSeek、Qwen、Kimi、智譜、MiniMax、階躍，以及背後的互聯網平臺、開源社區、國產芯片和龐大應用市場，已經厚實到讓對手不能再按照舊賠率悠閒下注。

荷官無言，翻開牌面，上面用水性光油赫然寫著：大模型。

ChatGPT問世時確實震撼，但最初進入用戶生活，或許也只是一個更加聰明的Siri。人們讓它寫詩、編故事、解釋量子力學，也把它一本正經的胡說八道截成圖片四處轉發。僅僅幾年過去，那個聊天框已經不知不覺鑽進搜索、編程、辦公、客服和研究流程。

它真真切切地開始接管工作，或者說，生產力。

一、前沿模型能力：先看牌面，再看能不能成牌

不管是打德州還是其他牌局，都有一個很樸素的道理：抽到大牌不等於贏。因為大牌距離成牌仍是山高路遠。

A和K拿在手裡當然氣勢逼人，但翻牌如果毫無關聯，它們暫時也只是一張A高。相反，兩張不起眼的小牌，一旦和公共牌接上，反而可能暗度陳倉，連成順子。

大模型正是這張起手牌。

1. 先看牌面：美國牌大，中國已坐進前排

不同Benchmarks測量的是不同能力，不能直接混成一個總分。但把截至2026年7月17日的幾張核心榜單鋪開來看，仍能看出當前牌桌的大致形狀。

大牌越來越多，但還沒有一張牌能夠通吃。

如果只看最強模型，美國仍然握著更大的起手牌。Anthropic、OpenAI、Google、xAI與Meta構成了一整排前沿模型堡壘，能夠在通用推理、Coding、多模態和Agent之間輪番領跑。美國的優勢不是某家公司偶然衝上榜首，而是前沿模型供給的整體厚度。

但今天發佈的Kimi K3顯著縮小了中國與最大牌面的距離。第三方Artificial Analysis給K3打出57分，位列綜合智能榜第4，與Claude Fable 5約60分、GPT-5.6 Sol約59分之間只差兩三分。中國模型由此開始貼近全球綜合能力上限。

Coding則是K3打得最漂亮的一張牌。在公開的同組測試中，K3的Program Bench為77.8分，略高於GPT-5.6 Sol的77.6分；SWE Marathon為42.0分，高於Sol的39.0分；Terminal-Bench 2.1則以88.3分緊貼Sol的88.8分。在由用戶盲選作品的Frontend Code Arena中，K3又以1679分登頂，並在七個前端細分領域中的六個排名第一。

牌面因此發生了變化。美國仍掌握綜合能力、通用體驗和系統化Agent能力的上限，但中國已經能夠在Coding這張高價值公共牌上贏下幾手。

中美前沿模型的競爭，正在從全面追趕轉向局部互有勝負。

2. 牌局節奏：代差正在變成時差

Benchmarks依舊重要，但它逐漸沒那麼重要了。

關鍵在於，它越來越只能告訴我們牌桌在這一秒的定格照是什麼樣子，卻很難告訴我們幾周以後誰還能笑傲榜首。

模型迭代較慢時，一次領先往往意味著半年乃至更長時間的代差。那時，榜單高分不只是一張漂亮成績單，也代表一條足夠寬的技術護城河。26年3月，斯坦福《2026 AI Index》顯示，美國頭部模型已擠進不到25個Arena Elo分的狹窄區間，Qwen和DeepSeek也進入前沿區域；自2025年以來，中美模型多次交換位置，到2026年3月，雙方頂尖模型的公開性能差距約為2.7%。

所以，benchmark正在失去的不是測量能力，而是預測終局的能力。

“中美大模型只差三個月”，正是在這種背景下出現的說法。這其實並不是中國在所有方向上固定落後美國三個月，而是雙方的競爭正從相對穩定的“代差”，變成不斷開合的“時差”。月之暗面從6月12日發佈代碼專項模型K2.7 Code，到7月17日推出旗艦K3，中間只隔了35天。代碼、數學、多模態、Agent與真實產品體驗各走各的鐘，有的相隔幾個月，有時則只剩幾周。

讓追趕進一步提速的，還有蒸餾。學生模型不需要看到教師模型的參數，只需大量學習其回答、代碼方案和工具使用方式，就可能沿著對方已經走通的路，更快掌握部分判斷路徑。蒸餾本身是常見技術；爭議只在於，競爭者是否未經許可大規模調用另一家商業模型。

2026年6月，Anthropic致信美國參議員，指控與阿里巴巴及Qwen團隊有關的操作者通過近2.5萬個虛假賬戶，與Claude進行約2880萬次交互，試圖提取其Agent推理、軟件工程和長程任務能力。相關說法來自Anthropic，仍應與獨立調查結論區分。但它至少揭示了一件事：美國前沿模型公司已經不再只把參數、芯片和訓練代碼視為戰略資產，連模型生成的答案，也開始被視為可能洩露能力的出口。

美國仍在更頻繁地打出新牌，中國看牌、拆牌和重新組合的速度卻已經遠快於過去。榜首變成了一項短期行動權，而不再天然等於長期勝勢。

二、重算勝率：算力、算法、數據和人才如何改變牌面

樹欲靜而風不止，牌欲靜而心不止。

一個玩家明明拿著更好的牌，卻可能籌碼太淺、信息不足，或者根本沒有看懂對手的範圍而落敗；另一個玩家起手稍弱，只要能以更低代價多看幾輪，也可能把勝率一點點扳回來。

算力、算法、數據和人才，合起來決定的正是這部分尚未兌現的勝率。它們決定一家AI公司能嘗試多少條路線、一次試錯有多貴、經驗能否留存，以及下一輪模型更新後還能不能再次坐上牌桌。

1. 算力：美國控制最高面值，中國爭奪經濟可用

相比基模這張起手牌，算力才是美國手中真正的金籌碼。牌不好還可以等下一張公共牌，籌碼斷了，就很難繼續坐在桌邊。

美國掌握著高端AI算力的鑄造權：英偉達定義加速器、互聯和軟件棧，臺積電承擔先進製造，日韓企業供應HBM，雲廠商再把數萬顆芯片組織成訓練集群。芯片、網絡、存儲、供電和CUDA彼此咬合，前沿競爭早已不是比較單卡跑分，而是看一座“AI工廠”能否把數萬顆芯片擰成一個整體。

中國已經越過“有沒有國產AI芯片”的門檻。華為CloudMatrix把昇騰、鯤鵬、網絡和軟件組織成統一系統，並用於DeepSeek模型訓練與推理。真正還要跨過的，是從“能夠運行”走向“經濟實用”：芯片要供得上、連得穩、調得動；模型遷移不能付出無法接受的工程代價；萬卡集群運行一個月，也不能讓大部分時間被通信、故障和兼容問題吃掉。

有效算力比芯片數量更誠實。理論算力要經過內存帶寬、節點通信、軟件算子、故障與利用率的層層折損。一萬張卡寫在紙上氣勢驚人，真正連續用於訓練的能力卻可能遠低於簡單相乘。美國的優勢，是芯片、HBM、互聯和軟件已經圍繞同一種訓練需求共同優化；中國的難處，是每補上一環，瓶頸就可能立刻轉移到下一環。

一旦中國跨不過“經濟實用”這道門檻，美國就能把籌碼優勢不斷映射到模型勝率；一旦跨過，出口管制仍會增加成本，卻很難再讓中國離桌。

2. 算法與工程：DeepSeek重新標註籌碼面值

德州撲克裡，籌碼越多當然越有優勢。但倘若對方能把你手裡10000面值的籌碼抹去兩個零，場上的購買力就會被重新計算。

中國就曾經打出過這樣一張技驚四座的牌，DeepSeek。

DeepSeek-V3技術報告給出了一張罕見的明細賬：最終一次完整訓練約使用278.8萬H800 GPU小時。這個數字沒有計算前期探索、失敗實驗、硬件採購和基礎設施，因此“只花約600萬美元訓練出前沿模型”省略了大半張賬單。但它仍然震動行業，因為它撕開了一條被許多人視為常識的舊賠率：模型能力與算力投入之間，並不存在一成不變的匯率。

V3採用MoE架構，每個token只激活部分參數；多頭潛在注意力壓縮緩存，FP8訓練降低計算與通信成本，負載均衡減少專家閒置。R1又把效率推進到後訓練階段：在數學、代碼等結果可驗證的任務上，模型通過強化學習反覆試錯，把一部分昂貴的人工推理示範換成可自動判定的獎勵信號。也就是說，DeepSeek沒有憑空獲得更多芯片，它重新使芯片更高效地工作。

美國仍然更擅長探索新路線。Transformer、Scaling Law、RLHF及多種Agent框架，大多首先由美國研究機構和企業推向前沿；更深的資本池，也允許實驗室同時押注多條尚未證實的方向。中國過去更強的是復現、壓縮和工程優化。DeepSeek之後，這條邊界開始鬆動：中國團隊不再只是把別人的路線做得更便宜，也開始提出足以改寫行業成本預期的方法。

不過，算法紅利不會永久替代硬件。論文會擴散，領先模型也會吸收同樣技巧；效率提高還會刺激更多調用，讓省下來的算力很快被新需求吃掉。牌手學會了更精確地控制下注，盲注卻也在繼續上漲。

所以，工程效率對中國的戰略價值，更多的是可以用有限算力增加實驗次數、縮短驗證週期，併為國產硬件成熟爭取時間。

3. 數據：帶著結果的數據正在升值，而美國目前佔優

職業牌手覆盤，自然不會只記錄自己拿到了A還是K。他要保存完整行動：誰先下注，轉牌圈如何加註，公共牌怎樣變化，對手最後亮出什麼，自己的判斷又錯在哪裡。

數據之於模型，正是如此。

早期大模型主要從公開互聯網學習語言、知識和代碼，美國依靠英文網頁、GitHub、論文出版與全球數字平臺獲得先發優勢。隨著高質量公開語料被反覆使用，真正稀缺的已經不只是模型沒讀過的文本，而是那些帶有明確結果、能夠判斷任務成敗的數據。

一段客服對話的價值，不只在於客服說了什麼，還在於問題是否解決；一段程序代碼的價值，不只在於它看起來是否合理，還在於修改後能否通過測試。不能指向結果的數據，更多隻是噪音。

2026年初，阿里為編程Agent Qoder訓練定製版Qwen-Coder，把真實軟件任務、產品環境和工程獎勵引入訓練。阿里披露，迭代後代碼線上保留率提高3.85%，工具異常率下降61.5%，token消耗減少14.5%。數字來自廠商，仍待外部驗證，但它點破了專業數據最昂貴的部分：不是那段文本，而是文本背後一個可以核驗的結果。

美國擁有更廣泛的反饋入口。ChatGPT、Claude、Gemini、GitHub和辦公套件連接全球消費者、開發者與企業，模型公司可以觀察用戶在哪裡修改答案、程序員保留哪些代碼、Agent在哪一步失敗。

中國的機會則在更密集的業務過程。字節的短視頻與廣告，美團的外賣和配送，阿里的電商與履約，新能源汽車的智駕，工廠的質檢與設備運行，每一條鏈路都帶著真實輸贏。

中國真正缺少的，是高質量的完整牌譜。大量產業數據仍被切在不同企業、部門和地方系統中。只有任務可以標準化、結果可以驗證、數據能在合規條件下流動，業務痕跡才會變成模型資產。場景多隻是原料多，能不能形成“模型執行、現實反饋、結果迴流”的短鏈條，才決定下一輪訓練吃到的是營養，還是一倉庫無法清點的舊牌。

4. 人才：中國是人才上游，美國則是人才放大器

前幾輪牌局裡，中美之間的競爭看起來總是由一個個科技公司下場出面。美國這一邊，出 OpenAI、Anthropic、Google、Meta；中國這一邊，就出 DeepSeek、智譜、月之暗面、阿里、字節。

科技公司發佈模型、囤積算力、爭奪用戶，也代表各自國家在牌桌上不斷“出戰”。但公司終究只是大國競爭在商業世界中的載體。真正決定一家公司能讀懂什麼牌、敢押哪條路線，又能不能把一次領先延續下去的，仍然是組織背後的人才。

人才可以是提出新架構的研究者，是搭建訓練系統的工程師，也可以是把模型推向市場的產品團隊。倘若範圍擴大些，還可以包含持續為整個大模型體系培養、輸送新人的大學、實驗室和競賽體系。

大模型的成功常被講成某位科學家的一次靈光，這是一種具有造神傾向的謬誤。就像職業德撲雖然由一個人坐在桌前，頂尖牌手背後卻有教練、Solver、手牌數據庫、體能管理和長期資金管理。真正穩定的優勢、勝勢，不只來自某一次神來之筆，而來自一整套持續覆盤與糾錯系統。

AI 公司也是如此。頂尖研究者可以對一條路線是否值得下注做決策，但背後數百名系統工程師會投入進計算損耗、處理故障，並把一次偶然成功變成能夠反覆複製的訓練和產品。

大國人才競爭，本質還是對比誰能提供一張更值得坐下來的牌桌。頂尖研究者會選擇薪資更多、算力更深、同伴更強、問題更重要，也更允許失敗的地方。美國長期吸引全球高手，靠的正是這種“牌桌選擇權”。

這張表最弔詭的地方在於：中國並不是沒有人才。恰恰相反，中國已經是全球頂尖 AI 人才最重要的上游之一。問題在於，許多人才完成早期訓練後，最終接入的是美國的放大器。

美國大模型優勢不是一個封閉體系自給自足的結果。它更像一臺巨大的全球人才離心機：把中國、印度、歐洲和世界各地最聰明的一批年輕人吸入美國博士體系，再送進 Stanford、MIT、Berkeley、CMU的頂級實驗室，最後輸送進 OpenAI、Anthropic、Google DeepMind、Meta、Microsoft、NVIDIA 等公司。

大學仍然提供方法、論文和人才，但真正能把方法放大到萬卡集群、全球產品和商業收入裡的主體，已經越來越集中到企業。Stanford AI Index 的統計也顯示，重要前沿模型的發佈主體已經高度產業化。大學負責發明牌型，企業則掌握了真正的大額牌桌。

中國的牌不完全一樣。中國優勢不在於少數明星一定更多，而在更大的工程人才池、更短的責任鏈和更貼近產業現場的任務密度。

這種工程隊伍的價值，只有在大模型進入複雜系統後才真正顯現。前沿模型需要少數頂尖科學家，但模型落地需要成百上千名系統工程師、數據工程師、推理優化工程師、芯片適配工程師和產品團隊。美國擅長把少數頂尖人才推到能力邊界，中國更擅長把大量工程師鋪進產業現場。前者適合衝擊通用能力上限，後者適合快速改造、部署和交付。

這也是 DeepSeek、月之暗面等公司給中國大模型敘事帶來的變化。它們證明中國公司可以用另一種組織方式參與牌局：更緊的團隊、更短的反饋鏈、更強的工程壓縮能力，以及讓年輕人更快進入核心任務的空間。

或許，中美大模型牌局真正的勝負不在現在，取決於下一代的學霸們從北京、上海、廣州等地出發時，他會把哪個地點視為自己的主場。是飛向硅谷，接入美國的超級放大器；還是留在中國，在一張正在擴建的新牌桌上，把國產模型、芯片、系統和產業場景連成閉環。

三、牌路打法：美國佔領制高點，中國農村包圍城市

當模型領先從代差壓縮成時差，問題就不再只是“誰先打出一張大牌”，而是這張牌能不能被轉化成長期優勢。

1. 美國守住底牌，是為了證明定價權

OpenAI、Anthropic和Google把最強模型留在訂閱產品、API和雲平臺。開發者可以調用，卻不能下載完整權重、自由修改或繞開平臺部署。

閉源首先是一種定價策略。

OpenAI與Anthropic無論何時進入公開市場，都要面對硅谷和華爾街的定價邏輯。資本市場不會長期為一次benchmark登頂付費，更關心收入、留存、毛利和議價能力。只有控制最先進模型的入口，它們才能對每次調用、每個訂閱用戶和每份企業合同收費，把暫時領先變成可以反覆出售的資產。

這兩家公司承擔的是芯片、數據中心和能源的重資產成本，卻希望獲得軟件平臺的估值。如果權重完全開放，雲廠商和應用公司可以迅速託管、包裝和降價，基礎模型就可能變成同質化原料。訓練者承擔最重的風險，利潤卻流向算力和入口。

所以，美國守住的不只是技術秘密，也是模型租金。API、Agent框架、企業權限、數據連接和安全審計，都在模型外圍增加鎖定層。客戶接得越深，遷移成本越高，暫時領先才越可能穿過下一次榜單洗牌。

2. 中國公開部分牌路，是為了換取分發權

今天，習近平在WAIC（世界人工智能大會）上提出堅持開放共贏，鼓勵開源開放、合作共享，並把幫助全球南方國家加強能力建設、彌合數智鴻溝列為全球人工智能治理的重要方向。同日發佈的大會主席聲明進一步提出，應當以負責任的方式共建開源生態，在尊重企業自主選擇和知識產權保護的前提下，提高人工智能技術與服務的可及性。

多數中國模型公司沒有ChatGPT、Google和Workspace此類的全球入口。故而把大模型鎖在自己的平臺裡，未必能像硅谷模式一樣換得來高利潤。

因此，開放權重首先是一種分發手段。

DeepSeek、Qwen、GLM和用可下載權重、低價API、接口兼容和本地部署爭奪開發者。今天發佈的Kimi K3，更是把這條路線推到了“慷慨”的極致：總參數2.8萬億，原生支持視覺，最高上下文達到100萬token。月之暗面稱它是首個開放的3T級模型，並承諾在7月27日前放出完整權重。

中國允許別人拿走自己手裡的這副牌，自行觀摩、摸索，讓更多國家擁有另一套不必完全依附美國API的技術選項。這就是“農村包圍城市”的邏輯：不先爭奪最昂貴、最封閉的中心市場，而是用開放權重、低價API和硬件適配，進入數量更多、預算更緊、數據不願出域的場景。

對許多發展中國家而言，最重要的未必是模型在排行榜上多贏兩分。它們更關心模型能否支持本地語言，數據是否必須離境，價格是否可以承受，能否部署在本國服務器，以及供應商會不會因為地緣政治變化突然切斷服務。

習近平在講話中宣佈，未來5年中國將面向發展中國家提供5000個人工智能專題研修培訓名額，面向東盟、阿盟、非盟、拉共體、上合組織和金磚國家建設國際人工智能應用合作中心，並推動氣象智能預警方案在30個國家落地。世界人工智能合作組織也在上海宣告成立。

由此，中國正在形成三層相互配合的分發體系。

第一層是模型：用開放權重和低價API降低使用門檻。

第二層是基礎設施：用雲計算、國產芯片、本地部署和行業解決方案承接實際需求。

第三層是制度網絡：通過培訓、合作中心和國際組織，把一次模型下載變成更長期的技術關係。

當然，開放能換來全球注意力與採用率，卻不能期待龐大雲業務替它們自動回收成本。它們必須再從官方API、企業服務、私有部署和上層產品裡尋找現金流。

中國必須在一個可預計的時間維度裡，把開放權重轉化成開發標準，把開發標準轉化成雲與應用收入，再把國際採用轉化成長期生態。否則，所謂分發權就只是短暫的下載量，而不是能夠反哺下一代模型的商業閉環。

3. 美國收模型租金，中國爭生態租金

美國想收取的是模型租金：憑藉最高能力和平臺鎖定，讓調用、訂閱與企業合同持續經過自己的收費入口。中國更傾向爭奪生態租金：降低模型本身的價格，用開放換取開發者、雲工作負載、企業部署和技術標準，再從其中一層回收價值。

兩條路線都可能掉進自己的陷阱。閉源平臺最怕能力差距縮小，高牆如果沒有明顯更好的能力支撐，就會從護城河變成收費站；開放路線則容易贏得掌聲、失去現金，海外雲和應用公司拿走收入，原始廠商卻承擔最昂貴的訓練成本。

中國路線必須完成一次轉換：從開放權重變成開發標準，從開發標準變成雲與部署收入，再從收入和真實任務中獲得下一代模型需要的算力與數據。美國也必須證明，自己的領先足以深入用戶工作流，成為無法輕易替換的那層智能。

美國在證明：我的牌足夠稀缺，所以每看一次都要付錢。

中國在押注：只要足夠多的人使用同一副牌，擴散本身也會產生議價權。

四、判斷底池賠率：便宜不是恩惠，是規模化的前提

底池賠率回答的是一個冷冰冰的問題：為了爭奪桌上的籌碼，還要付出多少代價？牌再漂亮，如果每次跟注都貴得離譜，長期也會把本金燒光。

1. API價目表只是第一張賬單

截至2026年7月17日，幾款代表性模型的公開API價格如下，單位為每百萬token。（價格隨時會調整，也不代表企業長期合同價。Kimi K3的輸入價按緩存未命中計算。）

這張表仍能看出國產模型的價格優勢，卻已經不能再用“國產模型一律便宜幾十倍”概括。DeepSeek繼續把低價壓到極致，Kimi K3則試圖憑藉前沿代碼能力和100萬token上下文向上定價。中國模型的打法，正在從單一價格戰分化成低價走量與高端溢價兩條牌路。

事情沒有這麼簡單，Token也沒有這麼慷慨。

企業的完整賬單至少需要包含token、工具調用、失敗重試、人工檢查，以及為延遲和穩定性預留的冗餘。價目表只列出第一項，一旦出錯，企業需要為後面的全部糾錯環節買單。

真正公平的比較不是“一百萬token多少錢”，而是完成同一項工作，最後從賬上划走了多少錢。

不過，即便如此，低價仍是一張很兇的牌。客服、摘要、文檔處理和批量代碼審查每天可能調用數百萬次，單次差價會被規模迅速放大。便宜意味著創業團隊敢試錯，中小企業能夠入場，Agent也有機會從演示臺走進日常工作。中國正試圖讓更多普通任務有資格入池。

2. 資本雙刃劍：融資規模購買試錯權，也啟動回報倒計時

如果進一步把四家前沿實驗室放到一起，資本結構的差異會更加直觀。

融資的量級差足以說明，美國頂級實驗室可以一次性把未來數年的芯片、數據中心和人才預算搬到今天。

資本支撐的實際上是大模型公司的試錯權。錢只要足夠深，就能讓十條研究路線同時跑，讓九條失敗後第十條繼續活著，也能在收入尚未形成前先鎖住數據中心和電力合同。

但所有命運的饋贈都在暗處標好了價格。錢越多，回報的時鐘也走得越響。鉅額估值、信貸和基礎設施承諾都在向未來現金流催債。OpenAI和Anthropic必須把能力領先變成訂閱、API和企業合同，證明自己承擔的是重工業成本，卻擁有軟件平臺的利潤結構。資本給了它們更深的籌碼，也把盈利日期悄悄寫在牌桌底下。

中國的資本結構相對更分散。互聯網大廠用雲和消費業務託底，創業公司接受產業資本與地方乃至中央政策支持，公共算力設施承擔一部分基礎投入。這能讓關鍵路線不因短期利潤不足立刻停擺，也可能製造重複建設、低利用率集群和只對補貼負責的項目。

美國的風險，是熱錢足夠多，容易把仍待驗證的需求提前資本化；中國的風險，是熱錢不夠集中，前沿研究可能在最需要長期投入時被迫轉向短期交付。前者必須證明高價模型足以覆蓋鉅額投入，後者必須證明低價和開放不是永久補貼，而能換回雲收入、企業部署與產業效率。

在這輪牌力，雙方燒掉的遠不只是錢，最珍貴的，是從未來借來的時間。

3. 電力限制策略空間：中國擁有基礎設施縱深

訓練是集中爆發的負荷，搜索、辦公和Agent推理則是晝夜不停的負荷。當模型被調用數十億次，電價、併網、散熱和芯片利用率都會進入每一次任務的成本。

中國能源基礎設施的優勢，首先是規模。

作為“基建狂魔”，中國擁有更大的電力系統，還在持續不斷建設風電、光伏、儲能、核電和跨區域輸電網絡。當大模型所需的數據中心建設帶來新的大規模負荷時，中國顯然擁有更大的供給縱深和更強的工程擴張能力。

美國的問題，是資本與芯片已經等在門外，電網卻不能靠一次軟件更新完成擴容。美國能源部的研究顯示，高壓輸電項目從開發、審批到建成平均需要約10年，典型區間為5年至17年；電源項目從申請接網到投運的平均時間也已由2008年的約2年延長至2023年的約5年。

就在2026年6月，美國聯邦能源監管委員會進一步要求六家區域電網運營商解釋或改革大型負荷接網規則。聯邦制度的分權特性決定了地區輸電線路審批緩慢，變壓器等設備交付週期較長，不同州、發電企業、電網運營商和數據中心之間還要反覆協商成本由誰承擔。

相比之下，2026年全面投用的中國移動寧夏中衛數據中心園區，累計投產IT功率達到332兆瓦，智算規模超過100 EFLOPS，綠電比例穩定在80%以上，綜合電價約0.36元/千瓦時。這個項目的意義不只在於電價便宜，而在於電源、電網、儲能和數據中心可以同步建設，把能源資源直接變成算力供給。

因此，在能源基礎設施這一層，中國的優勢反倒是比Benchmarks上的優勢更加明確。國際能源署預計，全球數據中心用電將從2025年的約485 TWh增至2030年的約950 TWh。美國和中國將貢獻其中近80%的增量。隨著競爭從模型訓練轉向數十億次持續推理，中國的能源基礎設施優勢會變得更加重要：訓練可以等待一次集群排期，推理服務卻需要全年不間斷地獲得穩定、低價的電力。

不過，能源優勢最終仍需經過芯片效率、軟件優化和集群利用率的折算。廉價電力如果被低效率芯片和閒置機房消耗，也不能自動變成低成本智能。真正需要比較的，是完成一百萬次真實任務需要多少電力、芯片折舊和人工運維。

誰能率先實現更低的單位任務成本，誰就更有能力把這場競爭拖入長期消耗戰。在這一點上，中國的舉國體制或許會更佔上風。

4. 中國需要飛躍的，是一條成本閉環

把API、資本和能源疊在一起，勝負很容易被輕巧地歸結為“誰更有錢”。美國確實可以用高投入衝擊模型上限，再通過全球訂閱、雲和企業軟件收回成本；中國則試圖用工程優化、低價模型和基礎設施降低調用門檻，再從大規模使用中尋找收入與數據。

中國路線的風險在於，每一環都在壓價，卻沒有地方留下足額利潤。低價API如果只帶來調用量，開放權重如果只帶來下載量，地方數據中心如果只有建設規模，三者相加仍可能是一筆巨大虧損。美國路線的風險相反：每一環都能收高價，但成本高到必須持續維持顯著能力差距。

當前的底池賠率仍偏向美國，因為它能把技術領先賣給全球最昂貴的客戶。可一旦模型能力逐漸靠近，單位任務成本的分量就會迅速變重，中國的低價、電力和工程效率也會隨之顯出鋒芒。

前提是，這些優勢最終匯進同一條現金流，而不是留下三本各自好看、卻孤零零的賬本。

五、收取底池：誰能把模型鋪進真實工作

牌面領先不會自動把籌碼推到面前。只有用戶持續使用、企業願意付費、任務留下可以驗證的結果，技術優勢才算兌現。LLM競爭真正的底池只有四樣東西：收入、入口、反饋數據，以及被模型重新組織的工作流程。

1. 美國先佔據入口，中國更靠近交易

ChatGPT先改變人們尋找答案的習慣，隨後進入寫作、研究、代碼和企業工作區；Google把Gemini嵌入搜索、Workspace與雲；Anthropic依靠Claude和Claude Code進入知識工作和軟件開發。美國模型公司身後本來就有瀏覽器、辦公套件、代碼倉庫與全球雲平臺。

入口是比榜單更難追趕的優勢。企業一旦接好身份、權限、數據和採購，更換模型就不再只是改一個名字，而是要重新拆掉一部分工作流。OpenAI公佈的Signals數據顯示，用戶註冊半年後日均消息數提高約50%，嘗試任務種類翻倍，主要使用非英語的用戶已佔活躍用戶一半以上。

中國平臺離全球辦公入口更遠，卻更靠近具體交易。阿里把Qwen接入淘寶和天貓數十億件商品目錄，用戶可以在對話中比較、下單、查物流和處理售後。模型連接的不只是網頁，而是商家、訂單與履約系統。用戶有沒有下單、推薦是否被接受、物流和售後是否完成，每一步都有結果。

美國通用模型先佔據用戶入口，再連接外部服務；中國超級平臺則可以從第一天起把模型放進交易閉環。前者擁有更強的全球分發，後者貼著更密集的行為反饋。

2. Coding是第一塊高價值試驗田

Coding最早形成穩定付費，因為結果容易驗證：補全是否被接受、項目能否編譯、測試是否通過、Bug有沒有修復，哪個大模型好用，一目瞭然。

在Coding方面，美國原本握有最整齊的牌：GitHub、Microsoft、OpenAI、Anthropic和大量開發工具控制全球代碼入口，頭部模型也長期領先複雜倉庫任務。Kimi K3讓模型能力這一欄出現了新的缺口。按月之暗面披露的評測，它在Program Bench和SWE Marathon超過GPT-5.6 Sol與Claude Fable 5，在Terminal-Bench 2.1只落後GPT-5.6 Sol 0.5分，並在部分GPU內核優化、編譯器開發和芯片設計任務中展示了長程執行能力。但模型贏下幾項評測，不等於已經拿走開發環境。Kimi Code和開放權重正在補分發，中國仍需追趕GitHub、Codex和Claude Code積累的用戶、工具鏈與反饋閉環。

代碼已經露出未來市場的形狀：最強模型承接複雜任務，便宜模型負責補全、測試和批量審查，企業再按難度與敏感性在閉源雲和本地模型之間切換。最終收走價值的，未必是某一款模型，而可能是那個知道何時該用哪一款模型的系統。

誰掌握開發環境，誰就能更快修正模型。代碼被保留還是撤回、測試在哪一步失敗、開發者怎樣改動，都會成為下一輪訓練的牌譜。

3. To C Agent：爭奪用戶心智的下沉王牌

如果說前沿模型比較的是牌面，那麼To C Agent爭奪的，就是誰能把模型能力變成千千萬萬用戶的下意識動作。

當一個人想搜索資料、整理文件、製作演示、規劃旅行或者解決工作問題時，他首先打開誰？

美國目前最有代表性的，是OpenAI與Anthropic兩張牌。

ChatGPT已經形成了最強的AI原生品牌心智。OpenAI又把這張牌拆成兩路：ChatGPT Work（CodeX）負責研究、文檔、表格、演示和其他完整交付。用戶不必離開ChatGPT，就能從提出問題一路走到拿到成品。

Anthropic佔據的心智相對較窄，卻更深，也更值錢，在披露的年化營收上甚至一度超過OpenAI。Claude Code已經成為不少程序員處理複雜項目的優先選擇；Claude Cowork則把相同的工作方式推向研究人員、分析師和其他知識工作者，讓Claude直接處理本地文件、桌面應用和多步驟任務。

美國正在建立一種非常清楚的產品認知：遇到一件複雜工作，不必先想該打開哪幾個軟件，先把它交給Agent。

而中國其實原來走的不是這條路。

起初，中國企業一直嘗試的是把Agent壓進企業本就擅長的場景。

阿里把千問接入淘寶與天貓的40億件商品。用戶可以在對話中搜索、比較、下單、查詢物流和處理售後。千問背靠的，是阿里本來就運轉超二十年的，商品、商家、支付、物流和售後這一整條交易鏈。

字節跳動則把籌碼壓在內容生產上。Seedance 2.0允許普通用戶用文字、圖片、音頻和視頻控制完整的視聽創作，全面接入豆包、抖音、剪映和創作者生態構成的內容分發網絡。

美團基於LongCat升級的“小團”，則已深度介入吃喝玩樂、出行和問診等生活場景。2026年“五一”期間，美團稱宣佈小團”服務過億人次。與通用Agent相比，美團掌握的不只是答案，還包括商戶、評價、位置、庫存、履約和交易結果。

於是，中美To C Agent形成兩種不同的擴張方式——美國從AI原生入口向外延伸，中國則從既有場景向內包圍。

中國路徑的風險在於心智割裂，購物時打開千問，創作時打開豆包，辦公時使用WorkBuddy，這本身就是一種混亂。場景很深，入口卻依然分散。中國擁有許多位置不錯的牌桌，卻還沒有出現一個像ChatGPT那樣，能夠把所有用戶心智收攏到同一個名字下面的超級入口。

而現在，中國大廠紛紛意識到了這一點，開始看齊美國已經驗證的通用Agent形態，把聊天框改造成工作臺。

騰訊WorkBuddy已經能夠從一條指令出發，完成資料整理、數據分析、文檔製作和內容創作；Kimi的通用Agent、Kimi Claw以及小米MiMo Claw，也在嘗試接管文件、工具和長程任務。它們做的事情，與ChatGPT Work和Claude Cowork越來越相似：用戶只提出目標，Agent負責拆解步驟、調用工具，最後交付成品。

因為，一張好牌只能贏下一手，但搶佔住用戶的默認入口，卻能“作弊式”地讓此後的每一個應用場景都化為訓練經驗，從而“作弊式”的看到所有手牌。

六、控制回撤：制度與社會承壓能力

德州從來不是一場只贏不輸的遊戲。再強的牌手也會拿到爛牌，會在判斷正確時被小概率反超，也會眼看一個巨大底池被推向對面。

真正區分職業玩家和普通玩家的，不是前者從不虧損，而是他能控制回撤，避免情緒失控，不讓上一手損失毀掉下一手判斷。

AI競爭同樣如此。模型提高生產率，也可能壓縮就業；降低內容成本，也會放大詐騙和深度偽造；進入企業系統後，它能提高效率，也可能把一次錯誤擴散到支付、代碼與關鍵數據。

1. 監管決定入池範圍

美國更接近寬範圍打法。企業先發布產品，再由市場、法院、州級立法和監管機構劃定邊界。它給予企業更多試驗機會，也意味著部分版權、隱私與產品傷害會先由社會承擔，再事後糾正。

中國更強調預先劃定邊界。備案、內容治理、平臺責任和行業試點能夠減少明顯風險，也便於形成統一標準；但邊界如果模糊，企業與地方為了規避責任，就可能層層加碼，把止損變成過早棄牌。

美國承受更高波動，換取更多試驗；中國降低失控概率，換取更穩定推進。真正高明的制度，不是永遠松，也不是永遠緊，而是知道什麼時候擴大範圍，什麼時候把籌碼收回來。

2. 就業衝擊決定社會能承受多大回撤

LLM最先影響的是語言和信息處理佔比較高的工作：客服、翻譯、行政、內容、基礎編程、法務檢索和部分分析。國際勞工組織估計，全球約四分之一崗位存在某種程度的生成式AI暴露，但處於最高暴露等級的就業約佔3.3%。這更像任務被重組，而不是所有職業整齊消失。

危險不在某個崗位消失，而在變化速度超過社會重新安排崗位、收入與保障的速度。企業幾個月就能引入AI，勞動者卻可能需要幾年重學技能；經濟體長期仍在增長，一部分人卻已經接近破產。

美國勞動力市場更靈活，企業敢重組崗位，但成本更多落在個人與家庭身上。中國能夠通過職業教育、產業政策和大型組織協調培訓，卻面對更大就業人口與更高穩定要求。

優秀的風險管理不是保證永不回撤，而是確保一次回撤不會讓人失去重新入局的能力。

3. 最危險的不是輸牌，而是Tilt

Tilt，是牌手遭遇連續壞運氣後失去理性，開始追損、擴大下注，拋棄原本有效的策略。社會也可能在技術狂熱與監管恐慌之間反覆Tilt。

如果AI不斷帶來詐騙、虛假內容、就業焦慮和隱私事故，公眾會從好奇轉向不信任。企業可能仍相信下一代模型能解決一切，社會卻可能因幾次嚴重事故要求全面限制。前者容易形成泡沫，後者可能因為短期損失放棄長期收益。

成熟的社會接受度，不是要求所有人保持樂觀，而是讓公眾知道技術邊界，擁有知情權、退出權和申訴權。風險治理也不能只盯著模型“說了什麼”，更要追問它“有權做什麼”：Agent執行轉賬、修改代碼或調用關鍵系統時，最小權限、二次確認、日誌審計和事故責任必須進入流程。

真正的承壓能力，是失敗發生以後仍能保持判斷、控制回撤、修正策略，不讓一部分人的損失把整場技術進步變成沒人願意繼續承擔的壞賬。

七、掀桌變量：賭局失效的可能外部衝擊

前面所有比較都隱含著一個前提：牌局會按照目前規則繼續。模型漸進提升，算力保持稀缺，資本持續投入，供應鏈維持運轉，社會也願意承受震盪。

現實未必如此。

技術革命的轉折往往不是牌桌上的加註、跟注或棄牌，而是某個變量突然改變籌碼價值、重寫規則，甚至直接掀翻牌桌。

1. AGI是否提前到來。 如果某個系統能夠穩定完成長期科研、編程與工程設計，並實質參與下一代模型研發，幾個月領先就可能滾成難以追趕的斷層。短期看，這更有利於擁有前沿實驗室、頂級芯片和雲平臺的美國；但能力是否洩露、複製和蒸餾，又會決定優勢能否獨佔。
2. 算力瓶頸是否被突破。 如果新架構、低精度計算或專用芯片把同等能力所需計算量降低一個數量級，美國超大集群的部分優勢會被重新定價；如果長鏈推理和Agent繼續吞噬更多token，芯片、能源、雲與資本則會進一步集中。
3. 封鎖是否升級，供應鏈是否中斷。 美國若把限制繼續擴展到雲端算力、HBM、設備維護、模型訪問和人才合作，中國短期成本還會顯著上升。但封鎖越持久，中國越不會把美國供應當作可靠地基。更極端的地緣衝突會同時打擊美國設計聯盟與中國製造市場，競爭將從誰創新更快，退回誰庫存更厚、替代產能更多。
4. AI泡沫是否破裂。 如果Agent節省的成本不足以覆蓋模型賬單，資本市場會重新按現金流和利潤定價。泡沫破裂不會讓LLM消失，卻會把依靠估值、補貼和低利用率設施維持的參與者清出牌桌。
5. AI失業是否引發社會反彈。 社會不必等到大規模失業發生才會反應。只要初級崗位減少、職業入口收窄，生產率收益又主要流向平臺與資本，自動化審批、就業保護和新的分配政策就可能提前到來。
6. 開放模型是否改變權力結構。 v如果開放權重持續把差距壓到“多數任務夠用”，權力會從少數實驗室轉向雲平臺、應用公司和擁有本地數據的國家。但開放不天然屬於中國，真正要看誰能把下載量沉澱成工具鏈、標準、收入和下一代訓練資源。
7. 重大安全事故是否導致監管急剎車。 一旦高權限Agent造成嚴重金融、醫療、網絡或基礎設施事故，模型許可、責任保險和部署審批都可能迅速收緊。安全也可能成為產業工具，重新劃分外國模型、數據與算力能夠進入的市場邊界。

這些變量不會排著隊來。封鎖可能加速國產芯片，開放模型可能降低成本也放大濫用，泡沫破裂可能推遲AGI，也可能把資源趕向更少的公司。就業震盪和安全事故，還可能在同一個晚上把兩國監管叫醒。

歷史真正轉彎的時候，動靜往往來自正在進行的牌面之外。

它會讓最值錢的籌碼突然貶值，也會給原本落後的一方，打開一條誰都沒有計算過的路。

結語

視線回到開頭那張綠呢桌面，機房頂的燈還冷冷地亮著。

美國仍握著更大的起手牌。它控制前沿模型、高端芯片、資本和全球入口，今天若立刻攤牌，勝率依舊更高。中國卻在改變跟牌方式：用算法重新標註籌碼面值，用開放擴大牌桌，用產業場景尋找帶有真實輸贏的牌譜，再試圖把成本優勢變成一套自我強化的循環。

這場競爭會繼續消耗電力、資本、人才和社會耐心，直到其中一方真正建立起能力、收入、數據和算力之間的閉環，或者直到雙方發現，贏下這場牌局的代價，已經高得不像勝利。

荷官沒有催促，只把手按在牌堆上。門外間或傳來一點風聲，很輕很輕，像一條還沒來得及寫進財報的壞消息。

牌桌上的人都沒有起身。