AI的真正使命：应用与未来的抉择

全球科技公司预计2026年将在AI基础设施上投入超过6500亿美元。英伟达显卡供不应求，数据中心用电紧张，OpenAI年亏损达80亿美元却仍在持续烧钱。

各方都在全力冲刺。但鲜有人思考：抵达终点之后又该如何？

美国的发展路径非常明确：打造一个全能的大模型，用单一模型解决所有问题。让AI成为能处理各类任务的“通用智能”，这是奔着AGI的方向去的。

中国的做法有所不同。中国同样在发展大模型，但更注重将AI嵌入工厂、车间及各个实际生产环节。2025年中国工业机器人安装量达29.5万台，占全球54%。美国为3.42万台，占比约6%，差距接近9倍。

这种差异并非一朝一夕形成。早在2021年扎克伯格将Facebook更名为Meta、押注元宇宙时，中国正在向工厂部署机械臂和视觉检测系统。

一边是构建虚拟世界，一边是改造现实工厂。从那时起，两国的发展方向就已分道扬镳。

这并不意味着美国研究者不懂AI落地的重要性。他们当然明白。但美国的资本结构决定了他们只能选择这条路。

原因其实很简单：

第一，美国制造业空心化严重，工厂数量有限，缺乏足够的工业AI应用场景。强行推进的话，投资大、回报慢。

第二，大模型可以通过API收费。全球调用接口、按Token计费的模式非常清晰，短期内就能看到收益。模型参数从7B增长到1.6万亿，投资者能直观看到“进步”——投入资金后模型变大，说明没白投。

第三，垄断叙事极具吸引力。“谁先做出AGI谁就统治世界”，这种故事最能吸引投资。

因此你会看到一种奇特的现象：OpenAI 2025年收入近200亿美元，亏损却超100亿美元。2026年预计亏损250亿美元，烧钱速度达83%。收入增长的同时，亏损增长更快。但投资者仍在继续注资——因为他们赌的不是当前回报，而是未来垄断后的收益权。

这并非短视，而是资本的理性选择。只是这种“理性”并未指向“让AI服务现实生产”。

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，中国仅124亿美元，差距达23倍。资金有限，必须确保每一分钱都花在能产生实际回报的地方。

而中国恰好拥有全球最全的工业体系和最大的制造业规模。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，而是真实发生在车间里的变化。

中国的逻辑是：先用起来，在使用中产生数据，用数据优化模型，再用优化后的模型提升生产效率。腾讯自研大模型已在内部超过900个场景落地，百度、阿里、字节都在做类似的事。

这是一个正向循环：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，两边都在提升。

这个正向循环能否持续，关键在于数据。

互联网上的高质量文本数据正在被消耗殆尽。OpenAI前科学家苏茨克维尔曾说：“我们只有一个互联网。” Nature专门发文讨论AI正在耗尽人类数据的问题。数据增长放缓，而AI对数据的需求仍在增加。

更麻烦的是数据污染。大量AI生成内容混入训练数据，通过递归迭代形成“污染链”，最终导致模型性能下降——研究人员称之为“模型崩溃”。用AI生成内容训练AI，就像复印件的复印件再复印，每一代都在失真。

互联网信息在增加，但信息量未增长。大量内容是AI生成的，属于“信息冗余”而非创新。这就是信息内卷——数据越来越多，质量却在下降。

中国的情况不同。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。这些都是第一手现实数据，不存在“AI吃自己尾巴”的问题。只要工厂运转，数据就在不断产生。

腾讯曾说：“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。

还有一个常被忽视的问题：电力。

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电力短缺延期。微软甚至包下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要运行，模型要训练，需要算力。算力的尽头是电力。这不是技术问题，而是基础设施问题。

回到最初的问题。

当全球科技巨头疯狂采购英伟达显卡，当AI公司与居民抢电，当几千亿美元砸向大模型训练时——有必要思考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，那它充其量是个高级娱乐工具。

人需要物质生活。需要食物、衣服、房子、药品、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——更多产品、更快生产、更低成本、更高效率。这些需要AI走进工厂、产线、每个实际物理环节。

设计AGI的方向没错，人类确实需要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。它没有真实世界数据喂养，没有真实场景问题驱动，只能在互联网存量信息里打转，最后吃自己的尾巴。

中国不是不搞AGI，而是把AGI路径建立在现实之上。AI先解决实际问题，在解决问题中积累数据和经验，一步步向通用智能靠近。也许慢一点，但每步都踩在实处。

斯坦福2026年AI指数报告有个值得注意的结论：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。基础模型能力差距在缩小，而非扩大。

这意味着中国“应用驱动”的路线在基础层没有掉队，反而因拥有越来越多的真实场景和真实数据，后劲可能更足。

最后说点个人看法。

我不认为这是“中国赢美国输”的故事。AI太大，没有任何国家能通吃。

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。两条路各有道理，也各有风险。

美国的风险是：烧了几千亿美元，最后发现AGI目标比预期远得多，而中间过程没有足够现实应用支撑持续投入。钱烧完，路没走通。

中国的风险是：应用层跑得快，但基础层如果掉队太多，上面应用也会碰天花板。

但从目前数据看，中国基础模型能力没有掉队。差距在缩小，应用场景优势在扩大。一个正向循环已经转起来了。

AI最终要回到根本问题：它是为人服务的。

不是为投资者PPT服务，不是为技术论文服务，不是为社交媒体惊叹号服务。

它是为人服务的。为人的生产服务，为人的生活服务。让人有更多产品可用，让生产更高效，让日子更富足。

这一点，才是判断两条路谁更远的最终标准。

参考资料：

「往期观点推荐」

▶高市早苗在澳大利亚下跪——放弃幻想，准备战斗

▶“杀猪宴”错在哪？

▶何同学都出海了，UP主们还内卷啥呀！