过去几年，中美人工智能竞争最容易被看见的是模型排行榜、GPU数量和参数规模。但到了2026年，竞争的重心正在发生变化：模型能力仍然重要，真正决定一套技术路线能否持续扩张的，越来越包括推理成本、开发者生态、云服务、企业部署、真实场景数据以及规则制定能力。

开源与闭源因此不再只是工程师之间的技术路线之争。对企业而言，它关系到商业模式和客户控制权；对产业而言，它决定模型能以多低的成本进入制造、物流、机器人和各类企业系统；对国家层面而言，芯片出口管制、知识产权和模型安全又把这种技术选择推向了更复杂的制度博弈。原来可以用“谁的模型更强”概括的竞争，正在变成一场跨越算力、模型、生态和实体产业的综合竞争。

从“拼模型”到“拼体系”

这种变化首先来自算力约束。自2022年以来，美国持续收紧对华先进人工智能芯片出口限制。2026年1月，美国商务部工业与安全局又调整了部分对华半导体出口许可政策，对英伟达H200、AMD MI325X及类似产品改为满足条件后的逐案审查。政策并非简单地一路收紧或一路放松，而是在安全、产业利益和市场需求之间不断调整。

在这一背景下，中国人工智能企业更强调算法效率、推理成本和开放权重。DeepSeek、Qwen等模型的影响力，很大程度上并不只来自某一次基准测试，而来自“能力接近前沿、价格更低、可以下载和二次开发”的组合。严格来说，行业经常把这类路线统称为“开源”，但其中相当一部分更准确的说法是“开放权重”：模型参数可以下载、微调和私有化部署，但训练数据、完整训练流程和部分工具链并未全部公开。

这一差别看似技术化，实际上直接影响商业扩散。闭源模型通常以云端API和订阅方式交付，供应商能够持续控制模型版本、访问权限和收费标准；开放权重模型则更容易进入企业本地数据中心、边缘设备和专有业务系统。对于对数据合规、成本和定制化要求较高的企业客户而言，后者提供了另一种选择。

为什么开放权重在中国形成了更强的生态扩散

开放权重的价值，不只是降低一次调用价格，而是降低整个生态的试错门槛。美国国会下属美中经济与安全评估委员会（USCC）在2026年3月的一份报告中，将中国开放模型的发展概括为两个相互强化的循环：一条发生在数字世界——模型发布、开发者下载、微调和再迭代；另一条发生在实体产业——模型进入制造、物流和机器人场景，产生真实运行数据，再反过来推动模型改进。这是该机构对中国AI路径的分析框架，并不意味着所有企业都遵循同一种路线，但它提供了一个观察产业差异的角度。

开发者生态已经成为重要变量。USCC当时统计，阿里Qwen已经形成超过10万个衍生模型；Hugging Face此后披露的数字继续增长。这类衍生生态的意义在于，一个基础模型一旦被大量开发者用于代码、视觉、语音、行业知识和边缘部署，就不再只是一个“产品”，而逐步接近一种技术底座。基础模型本身未必直接获得最高利润，但它可以带动云计算、推理服务、企业部署、工具链和硬件需求。

这也解释了为什么中国大型科技企业更容易接受“模型低价甚至免费、在其他环节变现”的商业逻辑。对拥有云平台、企业客户和产业场景的公司而言，模型可以是入口，而不是唯一收费点。相反，对只有前沿模型、缺乏云平台和应用入口的创业公司而言，持续开放模型会带来更直接的商业化压力。因此，所谓“开源路线”本身也并非一个统一模式，不同公司的收益结构并不相同。

美国科技产业也不是单一的“闭源阵营”

把中美AI竞争简单概括为“中国开源、美国闭源”，同样会遗漏越来越多现实变化。2026年7月，包括英伟达、微软、Meta和IBM等在内的多家美国科技公司公开支持开放权重模型，认为过早限制开放模型可能压制创新和竞争。与之相比，部分前沿模型实验室更强调模型能力扩散后的安全风险、知识产权保护和可控性。

这种分歧首先是商业利益不同。芯片公司希望模型越多、应用越广，算力需求就越大；云厂商需要大量不同模型进入企业工作负载；下游软件公司也希望降低对单一模型供应商的依赖。前沿模型实验室则投入巨额资本进行训练，其商业回报更依赖模型能力本身保持稀缺，以及客户持续通过API和订阅付费。对开放权重的态度，实际上与各家公司位于产业链的什么位置高度相关。

安全逻辑也并非只有一种答案。闭源系统便于供应商统一增加护栏、限制访问并持续更新，但企业也会面临供应商锁定和数据控制集中等问题；开放权重模型可以本地部署和审计，却也意味着模型发布后很难完全收回，对能力滥用的控制更困难。因此，开放与封闭更像两组不同的风险—收益组合，而不是简单的“先进与落后”之分。

蒸馏争议把竞争推向了知识产权和规则层

随着模型性能差距缩小，争议也开始从芯片和模型开放度延伸到训练方法。蒸馏本来是一种常见的机器学习技术：用能力更强的“教师模型”生成数据，再训练成本更低的“学生模型”。真正产生争议的，是企业是否未经授权、大规模利用竞争对手模型输出，以及是否通过规避访问限制获取训练数据。

2026年，美国政府和Anthropic等公司先后公开指责部分中国人工智能企业存在未经授权的“工业规模蒸馏”；中方则否认相关指控，并强调蒸馏本身是一项中性的通用技术。就目前公开信息而言，技术方法本身与是否违反合同、知识产权或访问规则需要分开讨论。这一争议的意义在于，中美AI竞争已经不仅是谁能训练出更强模型，也在争夺什么样的模型训练行为可以被接受、开放模型应该承担何种安全义务，以及跨境AI服务如何适用现有法律。

规则的不确定性会反过来影响产业结构。如果闭源模型进一步加强身份验证、访问频率控制和异常调用识别，后训练数据的获取成本会提高；如果各国对开放模型设置更严格的部署或出口要求，开放生态的扩散速度也可能发生变化。因此，模型能力正在快速商品化的同时，数据来源、授权关系和合规能力反而可能成为新的竞争壁垒。

真正拉开差距的，可能是模型之外的能力

从当前格局看，开源与闭源并没有出现一条路线完全取代另一条路线的迹象。前沿闭源模型仍然能够依靠高强度资本投入、先进算力和集中研发推进能力上限；开放权重模型则在成本、私有化部署和开发者扩散上更具灵活性。企业客户也很可能同时使用多种模型：高价值、高敏感任务使用更强的封闭系统，成本敏感或需要本地部署的场景使用开放模型。

因此，中美AI竞争越来越难用单一指标判断。参数规模、基准测试和GPU数量仍然重要，但它们只是其中一部分。更值得持续观察的，是哪一方能够把模型能力转化为更低的推理成本、更广的开发者网络、更成熟的工具链、更稳定的商业收入，以及更大规模的企业和实体产业部署。

这也是为什么制造业和真实场景开始进入AI竞争的核心视野。大模型训练可以依赖互联网文本和合成数据，但机器人、工业质检、供应链优化、研发设计等应用需要大量真实世界数据。谁能更快形成“部署—数据—再迭代”的闭环，谁就更有可能在下一阶段获得持续的产业反馈。这个过程未必直接体现在某一次模型榜单上，却可能决定AI技术能否真正进入千行百业。

如果说过去几年的人工智能竞争主要是在回答“谁能做出更强的模型”，那么下一阶段更重要的问题可能是：谁能以更可承受的成本，把模型变成企业和产业可以长期使用的基础设施。开源还是闭源，只是表层选择；背后真正竞争的是算力供给、商业模式、开发者生态、产业场景和规则体系能否形成相互强化的闭环。