文 | 嘯天的 AI Lab

最近這一年，只要聊到 AI，很多人最后都會繞回同一個問題：中國和美國，到底差在哪里？

這個問題太容易被講成一個技術(shù)問題。GPT-5 比國產(chǎn)模型強(qiáng)多少，Claude Code 比國內(nèi)工具順手多少，H100 禁售會不會卡住訓(xùn)練，DeepSeek 和 Qwen 到底追到了哪一步。這些當(dāng)然重要，但我越來越覺得，如果只這樣聊，中美 AI 的差距會被講淺。

前陣子，我有一次比較特殊的機(jī)會，和一位做內(nèi)部調(diào)研的朋友聊了將近一個小時。對方想了解的不是某個產(chǎn)品、某家公司，而是一個更大的問題：站在一線使用者和從業(yè)者的角度，怎么看中美 AI 的真實差距。

我當(dāng)時把它拆成了很多層：工具、模型、生態(tài)、文化、基建、信息、人才。講到最后，我自己反而越來越清楚一件事：

中國 AI 真正缺的，不是另一個 Claude 或 GPT

模型當(dāng)然要追，工具當(dāng)然要追，算力當(dāng)然要補(bǔ)。但這些都不是最難的部分。真正難的是，當(dāng)一個普通人、一個工程師、一個產(chǎn)品經(jīng)理、一個被大廠裁掉的中年老兵，真的想用 AI 做點(diǎn)什么的時候，這個社會有沒有一條路，讓他把東西做出來、發(fā)出去、賣出去、活下來。

美國 AI 的核心優(yōu)勢，不只是 OpenAI 和 Anthropic。它更深的優(yōu)勢是：一個人有了想法，下午就能開工，晚上就能上線，第二天就能收錢，第三天就能被全世界看見。

中國 AI 的核心問題，也不只是模型差一代。它更深的問題是：很多人明明有能力、有經(jīng)驗、有想法，卻卡在一堆看起來不屬于 AI 的地方。

收款、備案、網(wǎng)絡(luò)、合規(guī)、社保、年齡、輿論、家庭期待。這些東西疊加在一起，才是真正的差距。

第一層：模型和工具，其實不是最可怕的差距

先說最顯眼的那層。如果只看模型和工具，中美當(dāng)然有差距。但這層差距，我反而沒那么焦慮。

我自己每天重度使用 Claude Code。寫代碼、改項目、讀倉庫、整理文檔，很多時候它已經(jīng)不是一個聊天機(jī)器人，而像一個坐在終端里的工程同事。它能理解一個復(fù)雜項目的上下文，能跨文件修改，能跑命令，能在我沒說完整的時候補(bǔ)上意圖。

這類體驗，國內(nèi)產(chǎn)品確實還差一點(diǎn)。

國內(nèi)也有 Trae、通義靈碼、豆包、Kimi、DeepSeek、Qwen。日常寫作、問答、代碼補(bǔ)全、簡單工具開發(fā)，已經(jīng)能做很多事。尤其是 DeepSeek 和 Qwen 這一輪開源，是真的打進(jìn)了全球開發(fā)者社區(qū)，不是國內(nèi)自嗨。很多海外開發(fā)者開始主動用中國模型，這件事放在上一輪技術(shù)浪潮里很少見。

所以我對模型層的判斷反而比較克制：

閉源前沿模型，我們很難追上 OpenAI 和 Anthropic；但開源模型，中國已經(jīng)有世界級選手。

真正的短板，不在“能不能回答問題”，而在兩個更細(xì)的地方。一個是 Agent 能力，也就是模型能不能穩(wěn)定地規(guī)劃多步任務(wù)、調(diào)用工具、讀寫文件、自己修錯。另一個是長上下文一致性，也就是當(dāng)上下文超過幾十萬字之后，它還能不能保持判斷不跑偏。

這兩個能力，正好是 AI 從“聊天工具”變成“生產(chǎn)力系統(tǒng)”的關(guān)鍵。但即便如此，這層還是能追的。因為它可量化、可對比、可訓(xùn)練、可迭代。今天差 1 代，明年可能差 0.5 代。今天 Agent 不穩(wěn)定，明年工具調(diào)用可能就成熟一大截。

技術(shù)差距最殘酷的地方，是它很顯眼；但技術(shù)差距最不殘酷的地方，也恰恰是它很顯眼。顯眼，就意味著有人盯著，有資本砸，有團(tuán)隊追，有榜單比較，有用戶天天罵。它會形成壓力，也會形成進(jìn)步。

真正讓我擔(dān)心的，反而是那些沒有榜單、沒有 benchmark、沒有發(fā)布會的差距。那些差距不顯眼。

但它們更硬

第二層：美國在養(yǎng) Builder，中國在養(yǎng) Talker

再往下走一層，差距就不只是產(chǎn)品體驗了。它變成了一種生態(tài)和文化的差別。

我有時候會想象這樣一個畫面：一個硅谷工程師，下午突然想到一個小工具，晚上用 Cursor 和 Claude 寫出來，部署到 Vercel，發(fā)到 Product Hunt 或 Hacker News，第二天有人試用，第三天接上 Stripe 開始收錢

這個路徑在美國并不浪漫。它甚至有點(diǎn)普通。

但在中國，同樣一個人、同樣一個想法、同樣一個 AI 工具，腦子里很可能先冒出來的不是“我今晚試試”，而是：公司競業(yè)會不會有問題？域名要不要備案？收海外款怎么處理？會不會涉及內(nèi)容合規(guī)？小程序?qū)徍艘嗑茫縿e人會不會覺得我不務(wù)正業(yè)？做出來以后發(fā)到哪里？如果火了，會不會反而惹麻煩？

差距，就在這種下意識的反應(yīng)里。

美國獨(dú)立開發(fā)者默認(rèn)自己可以做一個小產(chǎn)品。中國開發(fā)者默認(rèn)自己要先判斷一圈風(fēng)險。

這不是中國人不聰明，也不是中國人不勤奮。恰恰相反，我看到的大量中國開發(fā)者、產(chǎn)品經(jīng)理、創(chuàng)作者，動手能力很強(qiáng)，執(zhí)行力也很強(qiáng)。問題是，他們做出來以后，經(jīng)常沒有一個順暢的地方可以被看見，也沒有一個穩(wěn)定的地方可以變現(xiàn)。

所以一個很奇怪的現(xiàn)象出現(xiàn)了：

硅谷最受尊重的是 Builder，中國最容易賺錢的是講 Builder 的人

美國有 Pieter Levels 這樣的獨(dú)立開發(fā)者，一個人做多個產(chǎn)品，公開收入，公開失敗，公開迭代。大家羨慕的是“他做出了什么”。

國內(nèi)也有很多優(yōu)秀的 AI Builder。但如果你看熱鬧的地方，會發(fā)現(xiàn)最容易被看見的往往不是做產(chǎn)品的人，而是講方法論的人、賣課程的人、做社群的人、解讀趨勢的人。

這不是道德批評。因為在一個做產(chǎn)品不容易變現(xiàn)、發(fā)產(chǎn)品不容易被看見、合規(guī)成本又很高的環(huán)境里，講“怎么做”當(dāng)然比真的“做一個產(chǎn)品”更穩(wěn)。

聰明人會順著激勵結(jié)構(gòu)流動。

如果一個生態(tài)長期獎勵 Talker，而不是 Builder，最后就會慢慢形成一種反向選擇：最會表達(dá)的人去賣課，最會做東西的人沉默，最有潛力的產(chǎn)品要么死在朋友圈，要么干脆出海。

所以我越來越覺得，中國 AI 生態(tài)最深的差距，不是“有沒有聰明人”，而是：

聰明人最終被引導(dǎo)去做什么。

美國的路徑是：做出來，發(fā)出去，賣給全球用戶。中國的路徑常常變成：學(xué)會了，總結(jié)成課，賣給想學(xué)的人。

前者長出產(chǎn)品。后者長出內(nèi)容。

內(nèi)容當(dāng)然也有價值。我自己也在寫公眾號，也在做個人表達(dá)。但一個國家的 AI 產(chǎn)業(yè)不能只靠解釋 AI 的人，它終究要靠真正用 AI 做出新東西的人。

如果 Builder 只是亞文化，AI 就很難長成主流生產(chǎn)力。

第三層：最該改的，不是口號，是基礎(chǔ)設(shè)施

但我不想把問題都推給文化。文化很慢，十年都未必改得過來。可有些東西，其實今天就能改。

比如基礎(chǔ)設(shè)施。

一個美國獨(dú)立開發(fā)者想做一個 SaaS，他可以用 Stripe 收款，用 Vercel 部署，用 GitHub 協(xié)作，用 Gumroad 賣數(shù)字產(chǎn)品，用 Product Hunt 獲取第一波流量。

這些東西聽起來不像 AI，但它們決定了 AI 能不能變成產(chǎn)品。因為 AI 只是把“做出來”的成本降低了?？梢粋€東西要真正成為生意，還要經(jīng)過上線、訪問、收款、納稅、客服、分發(fā)、合規(guī)。美國這套基礎(chǔ)設(shè)施，是圍繞小團(tuán)隊和獨(dú)立開發(fā)者長出來的。

中國并非缺乏基礎(chǔ)設(shè)施。我們有強(qiáng)大的平臺、云廠商、支付系統(tǒng)、小程序生態(tài)和企業(yè)服務(wù)能力。但這些設(shè)施大多是為大公司、成熟業(yè)務(wù)、強(qiáng)組織設(shè)計的，很難適配一個人從零到一搭一個輕量產(chǎn)品的需要。

最典型的是備案

如果你只是想用 AI 做一個小網(wǎng)站，驗證一個想法，在中國你很快會遇到域名備案、服務(wù)器備案、內(nèi)容審核、平臺規(guī)則、小程序?qū)徍恕Ｃ恳粋€環(huán)節(jié)單獨(dú)看都有道理，但疊在一起，就會把一個輕量實驗變成一個重型項目。

我自己做網(wǎng)站、做小程序的時候，對這件事感受很深。AI 讓我一天能寫出一個原型，但現(xiàn)實流程能讓我一個月都上不了線。

這個錯位特別荒誕。前沿模型在按周迭代，基礎(chǔ)流程還在按月消耗人。

所以我想把這句話說得重一點(diǎn)：

美國基建是給 Builder 加速的，中國基建經(jīng)常是在給 Builder 做壓力測試

還有信息訪問。今天一個 AI 開發(fā)者真正需要的，遠(yuǎn)不只是中文公眾號和二手解讀。他需要 GitHub、Hugging Face、arXiv、官方文檔、Discord 社區(qū)、X 上的一線討論。他需要看到源頭，而不是等別人轉(zhuǎn)述。

但現(xiàn)實是，很多最重要的技術(shù)信息，在國內(nèi)訪問都不穩(wěn)定。GitHub 大文件慢，Hugging Face 模型下載不穩(wěn)，Discord 技術(shù)社區(qū)打不開，很多官方文檔加載困難。于是中國開發(fā)者常常不是站在同一條起跑線上，而是先花一部分精力去“找入口”。

這個差別會被低估。一天沒什么，一周沒什么，但一年下來就是代差。美國開發(fā)者的信息是自動流到他面前的。中國開發(fā)者的信息是他主動翻回來的。

這不是姿勢差異，這是摩擦差異。而創(chuàng)新最怕的就是摩擦。

我并不覺得這些問題都需要靠“大政策”解決。很多事情其實可以很具體：給獨(dú)立開發(fā)者更輕的備案機(jī)制，給小團(tuán)隊合規(guī)的海外收款通道，給科研和開發(fā)者群體穩(wěn)定訪問技術(shù)資源的白名單，把 AI 開發(fā)者當(dāng)成一種基礎(chǔ)生產(chǎn)力人群，而不是一群偶爾折騰副業(yè)的人。

這類改動沒有那么宏大，但它可能比多喊一百句“鼓勵 AI 創(chuàng)新”更有用。

第四層：被浪費(fèi)的 35 歲，可能是中國 AI 最大的金礦

最后一層，是我這次對談之后最想寫下來的。

談 AI 人才的時候，大家很容易盯著兩類人。一類是頂級科學(xué)家、清北博士、海歸研究員、OpenAI 和 Anthropic 里的華人。另一類是年輕工程師，應(yīng)屆生，算法新人，未來十年的 AI 原生一代。

這兩類當(dāng)然重要。但我覺得我們漏掉了中間一層人：

30 到 45 歲，被大廠訓(xùn)練過、也正在被大廠淘汰的那批中高級老兵

這批人很尷尬。他們在過去十幾年里做過產(chǎn)品、做過運(yùn)營、做過增長、做過商業(yè)化、做過供應(yīng)鏈、做過私域、做過項目管理。他們懂業(yè)務(wù)，懂組織，懂客戶，懂流程，懂一個東西從 PPT 到真實落地之間到底會死在哪些地方。

但在傳統(tǒng)就業(yè)市場里，他們又越來越不被歡迎。年齡貴，包袱重，不夠“年輕有沖勁”，簡歷上只要有一段 gap，就會被問“這半年你干嘛去了”。很多人 35 歲之后突然發(fā)現(xiàn)，自己過去十幾年的經(jīng)驗，在招聘系統(tǒng)里沒有想象中那么值錢。

可 AI 出現(xiàn)以后，這件事有了一個反轉(zhuǎn)。因為 AI 把“做出來”的門檻降下來了。

過去，一個產(chǎn)品經(jīng)理有想法，但不會寫代碼，想做一個小工具，需要找前端、后端、設(shè)計、測試?，F(xiàn)在，一個有業(yè)務(wù)經(jīng)驗的人，加上 Claude Code、Cursor、現(xiàn)成 API 和云服務(wù)，就能把很多想法先做成一個能跑的版本。

這意味著，AI 時代最稀缺的能力，未必是從零寫代碼，而是判斷什么值得做。這恰恰是那批 30 到 45 歲老兵最有價值的地方。

他們知道一個企業(yè)真實的工作流是什么樣，知道客戶嘴上說的需求和真正愿意付錢的需求差在哪，知道一個流程看起來簡單但為什么在組織里推不動，知道哪些自動化是錦上添花，哪些自動化能真的救命。

這些不是學(xué)校里教出來的。這是在一線被需求、老板、客戶、預(yù)算、KPI、協(xié)作反復(fù)捶出來的。

我自己對這件事感受很強(qiáng)。我不是程序員。我是一個做了十幾年 B 端產(chǎn)品的人。沒有 AI 的時候，我的很多想法都停在文檔里。因為我要做出來，需要一個團(tuán)隊。

但過去半年，AI coding 工具讓我一個人做了很多以前不敢想的事：小程序、自動化流程、視頻混剪系統(tǒng)、個人 AI 助理、內(nèi)容生產(chǎn)系統(tǒng)。

這些東西不一定都成功。但它們讓我第一次很清楚地感覺到：過去那些看起來“只能寫進(jìn)方案”的經(jīng)驗，開始可以被我親手變成工具。

所以我在那次對談里脫口而出一句話：

Claude 和 GPT 治好了我的 35 歲焦慮。因為我真的有事干

這句話聽起來有點(diǎn)私人，但我覺得它背后是一個公共問題。如果 AI 真的能把一批有經(jīng)驗的人重新激活，讓他們從“被優(yōu)化的中年人”變成“能獨(dú)立做事的小團(tuán)隊”，那這可能是中國和美國完全不同的一條路。

美國有全球頂級 AI 科學(xué)家，有灣區(qū)工程師，有資本和創(chuàng)業(yè)生態(tài)。中國有什么？

中國有過去二十年互聯(lián)網(wǎng)、制造業(yè)、電商、游戲、供應(yīng)鏈、私域、線下零售、企業(yè)服務(wù)里沉淀出來的一大批經(jīng)驗型人才。

這些人未必會訓(xùn)練大模型。但他們知道 AI 應(yīng)該落到哪里。

這才是中國 AI 最可能形成差異化的地方。不是再造一個 OpenAI，而是讓一大批懂業(yè)務(wù)的人，借助 AI 變成能動手的 Builder。

但前提是，社會要接得住他們。

社保、醫(yī)保、稅務(wù)、貸款、子女教育、創(chuàng)業(yè)過渡期、個體工商戶、靈活就業(yè)保障，這些東西聽起來都不性感，和 AI 發(fā)布會沒有關(guān)系。但它們決定了一個 38 歲的人敢不敢離開公司，敢不敢試半年，敢不敢把自己十幾年的經(jīng)驗?zāi)贸鰜碇匦陆M合。

如果一個社會只會用 offer 判斷一個人的價值，那它就很難看見 AI 時代真正有價值的那批人。

模型追上以后，問題才會真正顯形

寫到這里，回頭看中美 AI 差距，我會把它壓縮成四層。

第一層是模型和工具。這一層能追，也正在追。中國的開源模型已經(jīng)打出了一張很硬的牌。

第二層是生態(tài)和文化。美國在養(yǎng) Builder，中國還在讓太多聰明人變成 Talker。這一層最慢，也最難。

第三層是基礎(chǔ)設(shè)施和信息。這一層不是不能改，而是還沒有被當(dāng)成核心問題來改。

第四層是人才。中國真正的機(jī)會，可能不是培養(yǎng)更多“從零開始的 AI 新人”，而是激活那批已經(jīng)懂業(yè)務(wù)、懂組織、懂客戶、但被傳統(tǒng)系統(tǒng)低估的中年老兵。

這四層疊在一起，你會看到一個有點(diǎn)反直覺的結(jié)論：

模型差距可能是最容易被解決的差距。

因為它最顯眼，最被討論，最容易被投入資源。真正決定中國 AI 命運(yùn)的，反而是那些不太像 AI 的東西：一個人能不能訪問世界前沿信息，能不能快速上線一個產(chǎn)品，能不能合規(guī)收到第一筆錢，能不能在沒有穩(wěn)定 offer 的半年里不被生活壓垮，能不能在 35 歲之后還有機(jī)會重新下場。

這也是為什么我說，中國 AI 真正缺的，不是另一個 Claude 或 GPT。我們當(dāng)然需要更強(qiáng)的模型，但更需要的是一條讓 Builder 活下來的路。

如果沒有這條路，再強(qiáng)的模型也只會變成少數(shù)大廠的生產(chǎn)工具，變成一批課程和社群的銷售話術(shù)，變成很多人朋友圈里又一次“看起來很熱鬧”的時代背景。

如果有這條路，事情會完全不一樣。一個產(chǎn)品經(jīng)理可以變成半個工程師，一個剪輯師可以變成一個視頻工廠，一個中年運(yùn)營可以把十年的業(yè)務(wù)經(jīng)驗變成一套自動化系統(tǒng)，一個小團(tuán)隊可以服務(wù)過去只有大公司才能服務(wù)的客戶，一個普通人也許不再只是等待下一次組織分配機(jī)會，而是可以自己造出一個入口。

我越來越相信，AI 時代真正的國家競爭，最后拼的不是誰有最多會用 AI 的人，而是誰有最多敢用 AI 去做事的人。

會用，是技能。

敢做，是生態(tài)。

所以這篇文章如果非要收束成一句話，我會選這一句：

中國 AI 不缺能力，缺的是讓能力被看見、被連接、被交易、被長期養(yǎng)活的通道

模型會繼續(xù)追。工具會繼續(xù)追

但那條通道，不能等模型追上以后才修。因為等到模型真的追上的那一天，我們才會發(fā)現(xiàn)，真正的差距，早就不在模型里了。