西方人也纳闷：明明中国精英都往美国跑，为何中国反而越来越强？

硅谷深夜的灯光下常坐着华人工程师；大洋彼岸的中国车间里，年轻技术员正满头大汗地调试着智能设备。

西方人百思不得其解：明明中国精英都往美国跑，为何中国反而越来越强？这其实源于截然不同的人才战略。

美国靠高薪“摘桃子”，本土基础教育却面临断层；中国则踏实“种树”，每年培养数百万实战型工程师。

数据显示，近八成留学生带着前沿技术逆流返乡，毫不犹豫地投入硬核产业。谁掌握了这支庞大的实干大军，谁就拿到了通往未来的入场券。

从前沿的AI博弈说起。

大模型是AI五层蛋糕结构当中的第二层，人们日常生活中经常会混淆第一层和第二层的区别。这里可以做一个简单的区分：大部分用户平常接触到的应用软件，像是豆包、DeepSeek这些对话类软件，其实都属于应用层。每一个应用软件的下面，都有一个大模型来支撑，比如豆包下面的模型是字节跳动的Seed，DeepSeek下面的模型就是DeepSeek的V3、V4这些大模型。

今天所说的最直观的AI竞赛，就是在大模型这一层发生的，这一层也是现在内卷和竞争非常剧烈的一个赛道。

现在大部分的模型，特别是开源模型，发布的时候都要同步发布一个跑分成绩，市面上也有很多用来评估大模型的标准，相当于大模型的高考题。每一个模型发布之前都要先做一做这些“高考题”，考出好分数，胜过其他的模型，才会被市场买单。现在的美国闭源AI巨头，非常看重模型性能的表现，模型性能就是定义美国能不能“赢”的一个关键维度。

今年四月份，这个领域出现了一个很大的争议：中国的大模型究竟有没有对前沿的美国大模型进行所谓的“蒸馏攻击”？

讲这个事件之前，首先要回顾一个大背景：去年的DeepSeek冲击。去年1月份的时候，DeepSeek发布了它的R1开源模型，当时这个模型发布之后引发了非常广泛的震动。这个模型在性能和效果上，当时几乎已经赶上了OpenAI的一个不错的OE模型，但是它的训练成本和使用成本，要远远低于这些美国公司的闭源模型。

根据当时公开的数据，训练出R1模型的总成本大概也就是550万美元左右，和闭源的美国模型相比，这是一个非常低的数字。

但是这一次的DeepSeek冲击，刷新了很多人的固有认知，他们发现中国公司花四百多万美元，就训练出了一个很不错的模型。

那美国公司大规模扩张、买了这么多芯片，这么多资本涌向英伟达这样的算力公司，会不会在路线上就犯了错？其实训练AI模型根本不需要这么多的投入、这么大的算力？因为这样的逻辑，当时英伟达的股价一天之内暴跌了17%，这是美股历史上单日一家公司暴跌市值最高的记录。

后来事实证明英伟达的硬实力还是在的，人们对于算力、大模型的认知也慢慢回到了正常的中间轨道。现在普遍的共识是算力依然很重要，但是算法同时也很重要，无论哪条路径，对于算力的硬需求还是存在的。

所以像英伟达这样生产硬件的公司，在这次DeepSeek冲击之后其实还是恢复了过来。但是对于美国的闭源AI巨头来说，这个冲击的影响到现在还在持续着。

DeepSeek发布之后，中国还有很多和它很像的开源大模型都在崛起，比如月之暗面的Kimi，比如智谱的GLM。如果现在拉一个AI大模型的性能排行，这些中国的开源模型虽然跑分结果还达不到美国前沿模型的水平，但是基本能够保持在第一梯队当中，而且这些模型的训练成本和使用成本都是远低于美国闭源模型的。

这件事让美国的AI巨头百思不得其解，为什么中国的开源大模型能够在这么低廉的成本下训练出来，他们必须要有一个解释。

这种低成本突围让西方深感困惑，而中国越来越强的答案，其实藏在截然不同的生态路径里。

所谓的AI胜利，不是说哪个国家能跑出分数更高的模型，更重要的是哪个国家能尽可能推广AI的落地和应用。

在这件事上，中国和美国都把AI落地和应用当做各自战略规划的一部分，但中国的战略做得更彻底，核心就是推广开源大模型。AI的真正落地场景，比如具身智能、自动驾驶、工业自动化，小到一个网店的客服机器人，这些场景里其实不需要用最前沿、性能最好的模型，反而是物美价廉的开源模型最适合推广。

现在很多国内产业用开源模型的话，AI都可以迅速部署并赋能这些产业，尤其是现在很多新兴产业还没有太强的能力购买很贵的模型，正好可以提前把生态营造起来。

从国际视角来看，这种成本优势也很有助于中国的大模型走出去，抢占国际市场，尤其是对于消费能力不高的地区来说，物美价廉的开源模型在经济上会更加划算。

开源战略不仅让中国精英大放异彩，也倒逼着硬件层面的底层重构。

在黄仁勋眼中，他当然承认算力优势对美国国家利益很重要，但算力只会让人算得更快，不会让人算得更好。如果美国现在还想只靠算力获胜，绝对是幻觉，美国应该争取的不是算力优势，而是生态优势。

对黄仁勋来说，最理想的情况是全世界的国家都在英伟达建立的开发技术生态上训练大模型。这样所有国家、所有公司都会依赖英伟达的芯片，这才是美国长久保持优势的关键。

如果美国还像过去那样禁止向中国出口芯片，结果人们现在已经看到了：就是倒逼中国开发自己的国产芯片。

虽然这些芯片性能暂时还有差距，但中国能源优势大、人才优势也大，完全耗得起多出来的成本。同时中国也在鼓励开源大模型积极适配国产芯片，形成全国产的技术生态。

现在中国的开源大模型正在逐步走向世界，外国的开源用户如果想进入中国的开发生态、用这些全球最好的开源模型，就要接受模型和国产硬件的深度绑定。

想用中国的模型，就要买中国的芯片，甚至要学中国的开发生态。久而久之，这种生态会靠低成本这个核心优势迅速铺开，到时候英伟达再想抢市场，难度就非常大了。

随着生态的逆转初显成效，美国固有的算力壁垒也开始出现根本性的裂痕。

美国现在愿意卖给中国芯片，中国已经不愿意买了。国产芯片和国产生态的构建，是中国整个AI战略中不可逆转的大趋势。

当然人们也不能盲目自信，和美国相比，中国现在最明显的劣势就是芯片算力。当然不能说算力没用，算力肯定有用，算力越高，模型在各个方面的开发都会更有利。

但另一方面，算力只会让大模型训练得更快，不会让大模型训练得更好。从黄仁勋的观点来看，美国不可能靠算力高的优势高枕无忧，中国反而可以通过能源优势、人才优势，用时间换空间，最终追上和美国的差距。

反过来，美国的能源是个大问题，美国能源成本一直很高，加上现在伊朗战事导致的全球能源危机，未来能源会不会成为美国自己卡自己脖子的因素，非常值得关注。

如果美国能源出了问题，再强的算力都没用。对中国来说，国产芯片的发展肯定是不可逆转的大势所趋。比如华为升腾、阿里平头哥、摩尔线程、沐曦这些厂商，都在加速追赶英伟达。

如果中国的这些厂商能在保持成本优势的前提下，尽可能缩小和英伟达的差距，现在的算力约束就不会让中国产业太难受。

最终决定这一切的还是人才。

中国的AI科学家们是带着镣铐跳舞，在算力和成本的约束下，思考更精妙更高效的算法。这个过程中，他们也在尽力建设普惠、共享的AI生态，这才是中国决胜AI竞赛的重中之重。

当技术封锁反向催生出这股更坚韧的力量，西方人的疑惑至此迎刃而解。

在这场波澜壮阔的技术长跑中，真正撑起国家高速向前的，正是那几千万扎根产业的工程师队伍。美国“抽水”式的收割掩盖不了底层人才断层的虚弱，而中国完整宏大的教育体系正源源不断地持续造血。

中国精英出海并不代表底座被掏空，坚实庞大的实干生态反而让中国越来越强。

人才从来都是因为珍贵才会被人惦记，但这片土地上脚踏实地的奋斗者们，正用代码和图纸，书写着比任何西方神话都更有分量的未来。