美智库：我们摸底了中美1181家企业，发现中国AI在物理世界的布局让人担忧

文化纵横官网：wenhuazongheng.cn

✪ Jon Schmid、Prateek PuriVitor Melo、Anthony Hakim美国兰德公司✪ 刘懿阳(编译) | 文化纵横新媒体

【导读】昨天，刚刚在北京闭幕的2026世界机器人大会释放了一个鲜明的信号：人工智能竞争正在离开单纯比拼大模型参数和基准测试成绩的赛道，开始进入机器人、制造业和现实世界。“能不能用、好不好用”正在取代单纯的技术炫技，成为AI产业关注的焦点。本届大会上，宇树科技依然是最受关注的明星企业之一。王兴兴在主论坛上提出，机器人产业正接近自己的“ChatGPT时刻”——一旦软件和具身智能取得关键突破，机器人可能迎来类似大模型过去几年那样的爆发式增长。

这也使中美人工智能竞争出现了一个值得追问的问题：当美国拥有OpenAI、谷歌、Anthropic、Meta等全球领先的大模型企业，中国人工智能产业的竞争力究竟来自哪里？兰德公司最新报告对上千家中美AI开发企业进行比较后发现，两国在基础模型和主流技术架构上差距没有想象中那么大，Transformer（基于自注意力机制的神经网络架构）在两国均占据主导地位，基础模型开发企业都只占约两成，多数公司都在围绕具体任务和行业开发产品。

差异更多出现在AI最终被放进了哪里：美国企业更集中于软件、医疗、科研和网络安全，中国企业则更深地进入机器人、自动驾驶、制造、交通和能源。换句话说，美国正在努力让AI变得更聪明，中国则同时在想办法让AI长出“手脚”，走进工厂、汽车和真实世界。这种差异会不会决定AI竞争的下半场？

兰德报告因此提醒美国政策界，围绕中美AI竞争的判断如果长期集中在GPT、Gemini、Claude和DeepSeek等前沿模型的性能排名上，可能会遗漏另一场正在展开的竞争——谁拥有更丰富的现实场景，谁能让人工智能在物理世界里获得更多数据、工程经验和商业需求。报告本身也提示，中国在机器人、自动驾驶和工业自动化上的企业布局，为AI进入物理世界提供了较厚的产业基础。

本文改编自美国兰德公司2026年8月17日发布的《美国与中国的人工智能发展：来自AI开发企业新数据集的证据》（AI Development in the United States and China: Evidence from a New Dataset of AI Developer Firms）报告。文章压缩方法论和附录中的重复说明，保留主要统计口径、数据与图表；对原文服务于美国政策讨论的部分作了删节，并从中国及全球南方的技术可获得性、产业应用和发展能力出发补充评述。原报告的判断与编者分析在文中分别交代。文章为文化纵横新媒体原创编译，仅代表作者观点，供读者参考。

文化纵横新媒体·国际观察

2026年第44期 总第324期

中美人工智能开发企业生态比较——1181家企业数据所呈现的产业结构与技术路径▍报告要点

报告主要呈现三方面结果。第一，中美AI开发企业在模型架构和商业定位上存在较多共同点：Transformer均居主导地位，基础模型开发者在两国样本中都约占20%，多数企业面向具体应用开发产品。第二，两国在产品形态和应用领域上的差异较为明显：美国样本中61%的企业提供纯软件产品，中国为26%；中国企业更多分布在人形机器人、地面机器人、自动驾驶，以及制造、交通和能源等领域。第三，OpenRouter平台数据显示，2024年末至2026年4月，中国模型在该平台前列模型token用量中的份额由接近于零升至与美国大致相当。报告认为，较低价格与接近前沿模型的性能是这一变化的重要原因。

▍报告缘起与研究方法

报告回应的是美国政策界关于人工智能发展路径的一场争论。OpenAI、谷歌、Anthropic、Meta、xAI等企业持续加大对Transformer架构和规模化训练的投入，美国国内由此出现技术路线过度集中的担忧。与此同时，中国自2025年以来加强对具身智能、人形机器人和神经形态计算的政策支持，一些美国观察者据此推测，中国可能在机器人、工业系统和其他非Transformer方向形成先发优势。兰德研究团队试图用企业层面的系统数据检验这些判断。

报告将AI开发企业界定为直接开发、训练或发布AI模型或AI赋能系统，并在内部形成核心AI能力的营利性企业。仅从事下游部署、系统集成，或只提供算力、数据等基础设施的企业不在样本之内。研究团队首先从职业轨迹数据库Enrich Layer、SciVal论文数据、Derwent创新索引专利数据和AI企业榜单中汇集26,629个候选实体，再按企业性质、总部所在地和AI开发证据进行筛选，最终保留美国743家、中国438家，共1,181家。对缺乏具名模型、训练说明、技术论文或成建制研究部门等直接证据的企业，报告不纳入AI开发者样本。研究团队随后使用以Gemini 2.5 Pro为主的大语言模型搜索代理填充标准化变量，并以随机抽取的25家企业进行人工盲评；人机一致性较低的变量被剔除，最终保留变量的一致率均超过90%。

这组数据有三重局限。其一，企业信息采集于2026年1至2月，只能反映当时状况；其二，中美企业的公开信息完整度不同，中国企业在若干变量上的缺失率更高，相关计数应视为下限；其三，样本只覆盖商业企业，高校、政府研究机构和其他非营利主体均未纳入。

▍样本结构与地理分布

（一）企业基本特征

表1汇总了五项企业特征。两国企业成立年份中位数接近，美国为2016年，中国为2014年。中国样本中的上市企业比例为33.8%，美国为13.6%；中国企业隶属于多元化集团的比例为56.6%，美国为28.8%。美国样本中被记录为具有军事AI关联的企业占30.0%，中国为16.2%。由于中国军工相关活动的公开信息相对有限，报告认为后一比例可能偏低。

从组织形态看，中国样本中隶属于多元集团的企业更为常见，美国样本中单一业务的创业企业占比较高。报告的变量只能说明企业是否属于多元化集团，无法据此直接判断所有制或创新效率。不过，这一差异会影响研发资源、应用场景和商业化方式，也是理解后续技术分布的重要背景。

表1　中美AI开发企业描述性统计

指标类别美国（n=743）中国（n=438）合计（n=1,181）总部国别
743（62.9%）438（37.1%）1,181（100.0%）成立年份中位数［四分位距］2016［2010–2019］2014［2003–2017］2015［2007–2019］是否上市是101（13.6%）148（33.8%）249（21.1%）是否上市否641（86.3%）289（66.0%）930（78.7%）军事AI关联是223（30.0%）71（16.2%）294（24.9%）军事AI关联否518（69.7%）366（83.6%）884（74.9%）多元化企业是214（28.8%）248（56.6%）462（39.1%）多元化企业否529（71.2%）188（42.9%）717（60.7%）

（二）地理分布

美国AI开发企业主要集中在沿海科技集群，数量居前的五个州依次为加利福尼亚（350家）、马萨诸塞（75家）、纽约（70家）、得克萨斯（36家）和宾夕法尼亚（25家）。中国企业主要集中在东部和南部，前五个省级地区为北京（159家）、广东（90家）、上海（58家）、浙江（29家）和江苏（26家）。两国企业都高度依赖少数人才、资本和算力密集的城市群，区域分布并不均衡。

▲ 图1　美国AI开发企业按州分布（2026年）。加利福尼亚一州即占350家，显著领先于其余各州。

（三）成立时间

两国成立企业数量最多的年份区间均为2014至2018年，与2010年代早中期深度学习突破之后的AI商业投资和创业浪潮大体一致。

▲ 图2　AI开发企业成立年份分布（2000—2025年）。两国企业成立高峰均集中于2014—2018年。

▍商业定位、模型来源与应用领域

报告从商业定位、模型来源、应用领域和开源权重状态四个维度描述企业。同一维度内的类别可以重叠，例如一家企业可以同时开发基础模型并对既有模型进行适配，因此同一维度的比例合计可能超过100%。

（一）商业定位

报告参照云计算的分层服务方式，将企业分为模型即服务、推理即服务、应用型AI产品和内部使用四类。两国企业均以应用型产品为主，美国约占90%，中国约占75%；以API等方式出售模型访问权限的模型即服务企业，在两国都约占10%。这说明前沿模型提供商虽然受到高度关注，在全部AI开发企业中仍属少数。中国样本中主要供母公司内部使用的企业约占16%，美国约占10%；前者多见于大型企业、公用事业、银行和电信行业。

▲ 图3　企业商业定位分布（中美对比）。两国均以应用型AI产品为主；中国样本中主要供企业内部使用的比例较高。

（二）模型来源

两国基础模型开发者的比例都约为19%。更多企业选择训练面向特定任务的窄域模型，使用私有数据适配现有基础模型，或把第三方模型接口集成进垂直产品。美国企业中任务专用模型开发者占52%，中国为38%，但中国样本在这一变量上的缺失率达到28%，两者差距可能受到信息披露程度影响。美国案例包括医疗语音识别企业Abridge、细胞成像企业Recursion和肿瘤数据企业Tempus AI；中国案例包括宇树科技的机器人运动控制模型、科大讯飞的工业语音模型，以及比亚迪的自动驾驶感知与规划模型。

▲ 图4　企业模型来源分布。美国任务专用模型开发占比（52%）高于中国（38%），但中国数据缺失率较高。

（三）应用领域

应用领域最能体现两国的结构差异。中国企业在制造业（30%对15%）、交通（26%对15%）和能源（12%对6%）中的占比更高；美国企业更多分布于医疗保健与生命科学（28%对17%）、科学研究（10%对5%）和网络安全（7%对3%）。差距最大的是国防领域（美国13% 对 中国4%），报告也同样提示中国国防工业AI常由国有机构承担、公开披露少。可见，中国企业集中于实体经济垂直领域，美国企业集中于知识密集型领域。

这一差异与两国的产业结构和市场需求有关。中国企业更多面向制造、交通、能源等需要软硬件协同的场景，把智能放进物理世界和生产过程；美国企业则较多服务于医疗、科研和网络安全等专业知识领域，把智能放进知识和服务的流程。用报告的话说，这是“两个生态系统为不同环境和应用领域构建AI”。不过，这些数据反映的是企业应用重心，不能直接换算为整体技术水平的高低。

▲ 图5　企业应用领域分布。中国集中于制造、交通、能源等实体经济垂直领域，美国集中于医疗、科研、网安等知识密集型领域。

（四）开源权重模型

发布过开源权重模型的企业占比在两国接近，美国约15%，中国约17%。企业是否发布开源模型，只能说明供给情况；模型被开发者采用的规模，更能反映技术生态的实际影响。为此，报告进一步使用OpenRouter平台的调用数据观察开发者选择。

▲ 图6　发布开源权重模型的企业占比。两国接近（美国约15%、中国约17%）。

▍中国开源模型的开发者采用趋势

OpenRouter是面向开发者的模型路由平台，聚合约300个前沿模型和开源模型。报告以该平台经第三方开发者中转的token调用量观察模型采用情况，消费者聊天流量和直接连接企业官方接口的调用量不在统计范围内。

这组数据需要谨慎使用。OpenRouter在全球开发者API流量中的占比不明，可能只覆盖较小部分；平台对开源模型更为友好，用户也较多是技术能力较强、对成本敏感的开发者。因此，它更适合显示变化趋势，不能代表总体市场份额。兰德另一项全网流量分析显示，同期中国模型的全球份额约由3%升至13%，明显低于OpenRouter所呈现的水平。企业内部调用和定制接口流量也未被纳入。

2024年末，美国模型约占OpenRouter平台前七名模型token量的85%至90%，中国模型接近于零；到2026年4月，两国份额已大致相当。中国模型在2025年上半年依靠DeepSeek-V3和通义千问系列升至约25%，随后因美国新模型发布而回落，2026年第一季度再次上升。截至2026年4月30日，该平台流量居前的九家供应商中，美国企业有Anthropic、谷歌和OpenAI三家，中国企业有腾讯、月之暗面、DeepSeek、阿里通义、MiniMax和智谱六家。六家中国供应商的旗舰模型均采用开源权重方式，美国供应商中只有谷歌Gemma的小尺寸模型属于这一类别。

▲ 图7　中美在OpenRouter平台token量份额变化（2024年末—2026年4月）。中国模型从近零升至与美国持平。

价格与性能的组合有助于解释这一变化。中国开源模型集中在每百万token约1至2美元、外部智能基准约48至54分的区间；美国专有模型的价格约为1至12美元，基准分约为48至60分。美国模型在最高分段仍然领先，但在许多开发任务中，中国模型以约四分之一至五分之一的价格提供了接近的性能。随着能力差距缩小，调用成本在开发者选型中的作用随之上升。

从全球南方的使用条件看，模型价格、开放程度和部署灵活性具有直接意义。预算和算力有限的企业与公共机构，很难长期承担高价专有接口。中国开源权重模型在OpenRouter上的增长表明，较低成本和二次开发空间能够扩大模型的可获得性。一旦“便宜且够用”成为共识，闭源模型的高定价模式将面临持续压力，这对依赖API收入支撑巨额算力投入的美国实验室来说是一个不可忽视的长期变量。不过，模型本身只是应用条件之一；本地数据、语言适配、数字基础设施和技术人才仍会影响实际使用效果。

▲ 图8　前沿模型每百万token混合成本与外部智能基准分。中国开源模型以约四分之一至五分之一的价格提供接近的性能。

▍技术分布与产品形态

报告从模型架构、学习范式、数据模态、物理形态和核心功能五个技术维度来比较企业特征这些维度的技术信息主要来自企业的技术博客、白皮书和研究论文，所以数据天然偏向愿意公开技术细节的企业，对低调研发的企业存在可见性偏差，公开程度差异较大。模型架构变量的未知率在美国为56%、中国为68%；学习范式变量的未知率分别为35%和60%。技术披露不均是共性问题，因此技术对比需谨慎解读。

（一）模型架构

在能够明确分类的企业中，Transformer（基于自注意力机制的神经网络架构，为当前主流大模型的底层架构）在两国均为最常见架构，美国占28%，中国占27%；卷积神经网络分别占13%和11%，扩散模型均约占7%。企业样本中的整体分布较为接近，未显示中国商业企业在非Transformer架构上形成明显不同的投入结构。

▲ 图9　企业模型架构分布。两国均以Transformer为主，各架构占比高度相似。

（二）学习范式

监督学习在美国企业中的占比为56%，中国为35%；用于大模型预训练的自监督学习分别为20%和16%；强化学习在两国都占19%。强化学习（reinforcement learning，RL）两国均19%，但应用方式有所不同。美国多为面向语言模型的偏好型RL（如基于人类反馈的强化学习RLHF），中国多为面向机器人、自动驾驶与工业自动化的环境型RL。这个“同分异构”值得注意：同样的强化学习标签下，美国指向“让模型更听话”的对齐技术，中国指向“让机器更会动”的控制技术；中国和美国在技术栈、数据来源与硬件需求差异巨大，也从侧面印证了两国技术路径正在软件与物理两个方向上分化。

▲ 图10　企业学习范式分布。美国企业采用监督学习的比例较高；两国强化学习占比相同，应用场景有所不同。

（三）数据模态

视觉和文本是两国最常见的数据模态，视觉数据占比为美国60%、中国67%，文本数据为58%和51%。中国企业在3D或空间数据（36%对27%）以及传感器、物联网数据（29%对25%）上的占比较高，与机器人、自动驾驶和工业场景的企业分布相呼应。美国企业在表格或结构化数据、时序数据、基因组和分子数据等方面略高。

▲ 图11　企业数据模态分布。视觉和文本在两国最为普遍；中国企业使用3D、空间和传感器数据的比例较高。

（四）产品形态

产品形态是两国差异最明显的维度。美国企业中61%提供纯软件产品，中国为26%；中国人形机器人企业占12%，美国占2%；地面机器人或四足机器人分别占24%和16%，自动驾驶汽车分别占14%和7%。这一分布同应用领域的统计基本一致：中国企业更多进入制造、交通和能源场景，美国企业较多集中在软件化程度较高的医疗、科研和网络安全领域。即使考虑中国样本22%的未知率，两国在产品载体上的方向性差异仍较明显。

这个差异在战略上很关键。具身智能被普遍看作通往通用人工智能的一块重要拼图，它要求智能体在真实物理环境中感知、推理与行动。中国企业在这方面的规模化布局，正在转化为数据、场景与工程经验的积累。反观美国，软件优先的路径虽然在语言与知识领域领先，但在“智能体落地”这个可能决定下个十年竞争格局的方向上，生态厚度相对薄弱。

中国在机器人、自动驾驶和工业自动化领域形成了数量较多的企业样本，背后涉及制造体系、零部件供应链和真实应用场景的共同支撑。报告数据只能描述企业数量及其公开活动，无法直接判断不同技术路线通向通用人工智能的可能性；但它显示，中国AI商业化与实体产业结合较深，这一能力在评估产业竞争力时不应被模型基准排名遮蔽。

▲ 图12　企业产品形态分布。纯软件产品占比为美国61%、中国26%；中国在人形机器人、地面机器人和自动驾驶企业中的占比较高。

（五）核心功能

感知、语言理解、规划与自主是两国企业最常见的功能，均有约半数以上企业涉及。较大的差距出现在预测分析（美国44%、中国27%）和检索搜索（17%、8%），与美国企业较多分布于知识密集型行业相符；中国企业在规划与自主方面占比较高，与机器人和具身智能应用较多的情况一致。

▲ 图13　企业核心功能分布。三大核心功能两国相近，美国在预测分析、检索搜索上领先。

▍告别模型排行榜：AI竞争正在进入具身世界

兰德报告首先修正了若干依靠政策文件和少数明星企业形成的印象，主要发现可以归纳为三点：第一，中美企业的模型架构高度相似，均以Transformer为主，中国企业并未在神经形态或后Transformer架构上形成明显偏移；第二，两国更突出的差异出现在AI的物理形态：中国企业更多通过人形机器人、地面机器人和自动驾驶汽车交付AI，并集中于制造、交通和能源等实体经济领域，美国企业则在纯软件、医疗、科研和网络安全领域占比较高；第三，如果变革性AI的发展需要机器人、世界模型与物理环境学习协同推进，中国企业对具身载体和产业场景的持续投入，可能构成美国以软件为主的企业生态中较为欠缺的一条技术路径。

由此看，模型排行榜只能解释中美AI竞争的一部分。中国企业在机器人、自动驾驶和工业自动化领域的布局，为AI进入物理世界提供了更丰富的产业基础。如果具身智能、世界模型和环境学习成为下一阶段的重要方向，这种软硬件结合能力将形成独特优势。与此同时，中国开源模型的价格优势正在吸引更多开发者，模型供给与应用生态之间的相互促进也值得持续关注，而生态一旦形成，会产生网络效应与路径依赖，甚至比单纯的模型能力差距对于全球AI格局更为长期的影响。

从全球南方视角看，报告将研究对象限定在美国和中国，本身无法呈现其他发展中经济体的企业生态。但其价格数据提示了另一项重要问题：当先进模型主要由少数美国企业以专有接口提供时，技术使用容易受到成本、服务条件和平台规则制约；更低价格的开源权重模型，为本地部署、行业适配和多语种开发提供了更多选择。这种开放并不会自动消除数字鸿沟，各国仍需建设算力、数据、人才和治理能力。它的现实价值在于扩大技术选择，为发展中经济体保留形成自主应用能力的空间。

当然，这份报告也有其边界。它以美国政策争论为问题起点，只覆盖商业企业，并且较依赖英文和公开网络信息。高校、政府研究机构以及披露较少的企业被排除或低估，中国样本在任务专用模型、学习范式和若干功能变量上的缺失率也更高。因此，文中比例适合用于识别企业生态的结构特征，不宜被解释为两国全部人工智能能力的排名。后续研究还需纳入科研机构、产业链、算力供给和不同地区的实际部署情况。

编辑 | lyy 标题&荐文｜渡波

本文依据报告全文进行选择性摘译、删节和结构调整，保留主要数据与图表。兰德报告的事实与判断均以原文为准；有关中国及全球南方的评述由编者根据报告数据作出，仅供学术研究和政策讨论参考。欢迎个人分享，媒体转载请联系版权方。

修远基金会是中国最具影响力的社会智库之一。在时代转型与深刻变革的背景下，修远基金会通过洞察社会发展的核心命题、把握宏观趋势的深层脉络，为各类组织与决策主体提供扎实的研究支撑与战略前瞻。合作与建言，请致信：wenhuazongheng@163.com