中美人工智能发展对比报告

2026年8月17日，某美国研究机构发布《美国和中国的人工智能发展：来自人工智能开发企业新数据集的证据》。报告没有继续围着几家头部企业谈“谁领先”，而是从26629个候选组织中筛出1181家商业人工智能开发企业，比较它们怎样做模型、怎样进入市场、怎样连接现实产业。它给出的核心判断颇值得琢磨：中美企业在技术架构上比想象中更相似，真正醒目的分野，是美国更偏软件，中国更偏具身智能与实体经济。

一、这份比较到底比了什么

（一）样本边界先要看清

它研究的不是全部人工智能。报告把“人工智能开发企业”限定为自行开发、训练或发布模型及人工智能系统的营利性公司。只做系统集成、提示词工程、检索增强生成，或者只提供芯片、云计算和数据而不开发模型的企业，原则上都被排除。

企业之外的大量力量没有入表。高校、政府实验室、科研院所、个人研究者和非营利机构均不在1181家样本之内。因此，报告更适合解释商业开发生态和产业落地方向，不宜被当作两国人工智能科研实力、算力基础或国家创新体系的总排名。

样本形成分了三步。研究团队先从人工智能岗位、论文、专利和模型排行榜四条线索中汇集26629个候选组织，再按公司属性、总部所在国和是否真正开发人工智能三项标准筛选，最后用联网大模型检索代理补齐企业变量，并加入人工复核。

筛选口径相当保守。没有模型发布、技术论文、专利或专门研发部门等直接证据时，分类默认判为“不符合”；推理中一旦出现“可能”“似乎”“据称”等猜测性表达，也要退回否定。附录还公开了分类提示词、证据等级和DeepSeek、Abridge两个工作样例，这一点提升了方法透明度。

（二）基础样貌已经出现差别

两国样本规模并不对称。1181家企业中，美国743家，中国438家；企业成立年份中位数分别为2016年和2014年。美国样本更像一批较新的专业人工智能公司，中国样本中大型综合企业和上市公司占比更高。

指标

美国企业

中国企业

应怎样理解

样本数量

743家

438家

不是完整企业名录

成立年份中位数

2016年

2014年

反映样本年龄结构

上市公司占比

13.6%

33.8%

中国综合型企业更多

综合型企业占比

28.8%

56.6%

人工智能常嵌在大集团内

公开可核军事关系

30.0%

16.2%

中国数据很可能低估

地理集聚也很明显。美国样本主要集中在加利福尼亚州、马萨诸塞州和纽约州，其中加州有350家；中国样本主要集中在北京、广东、上海、浙江和江苏，其中北京有159家。两边都不是平均生长，而是依赖少数人才、资本和产业高度集中的区域。

二、商业生态并没有完全分道扬镳

（一）绝大多数企业都在做应用

头部模型竞赛只是生态的一角。美国约90%的样本企业、中国约75%的样本企业都在销售面向用户或行业的人工智能产品。向外出售模型接口的“模型即服务”企业，在两国都只占约10%。媒体最常见的叙事是真实的，却只覆盖企业数量很小的一层。

基础模型企业占比几乎相同。两国样本中，被标记为基础模型开发者的企业都约为19%。更多企业是在训练特定任务模型、改造既有基础模型，或者把第三方模型嵌入行业产品。换句话说，人工智能产业的主体不是少数“造通用大模型”的公司，而是数量更大的专业化开发者。

美国的窄领域模型更显眼。报告将52%的美国企业标记为特定任务模型开发者，中国为38%。但中国企业在这一变量上的未知比例达到28%，所以这14个百分点不能直接读成真实能力差距，它也可能包含英文资料不足和企业披露较少造成的统计阴影。

（二）真正的商业差异在应用场景

中国企业更贴近实体经济。制造业应用在中国样本中占30%，美国为15%；交通运输为26%对15%；能源为12%对6%。这些领域要求人工智能进入设备、车辆、工厂和基础设施，商业价值往往通过生产效率、运行可靠性和现场自动化兑现。

美国企业更集中于知识工作。医疗与生命科学占28%，中国为17%；科学研究为10%对5%；网络安全为7%对3%。这类业务可以较多通过软件、数据和专业工作流交付，也更容易与语言模型、预测分析、检索和生成工具结合。

国防关系数据最不宜机械比较。报告识别出30%的美国企业、16.2%的中国企业存在公开可核的本国军事人工智能合同或研发关系。作者明确提醒，中国国防工业人工智能活动公开披露有限，4%的中国“国防应用”占比和16.2%的关系占比都很可能只是下限。

三、开放权重正在改变开发者选择

（一）企业数量相近，使用强度不同

开放权重首先是一种生态选择。发布过开放权重模型的企业，美国占15%，中国占17%，从企业数量看差别不大。真正值得注意的是模型被多少开发者调用、改造和部署，因为使用量会沉淀工具链、接口习惯和事实标准。

OpenRouter给出了一条陡峭曲线。在这个面向开发者的模型路由平台上，2024年末美国模型占前七大模型令牌量的85%—90%，中国模型接近于零；到2026年4月，两者已接近持平。4月30日流量最高的9家提供者中，有6家来自中国，且其旗舰模型均开放权重。

报告图4.6：美国与中国模型在OpenRouter令牌量中的份额变化

价格很可能是重要推力。报告把中国开放权重前沿模型放在每百万令牌约1—2美元的窄区间，美国专有模型约为1—12美元。在报告采用的外部智能基准上，中国模型大体处于48—54分，美国模型约为48—60分。顶端性能仍由美国专有模型领先，但大量开发任务面对的是约四分之一到五分之一的价格差。

（二）“平台持平”不等于“市场持平”

这个结论只能限定在特定人群。OpenRouter天然偏向开放权重模型，用户也更懂技术、更在意成本；它没有覆盖消费者聊天机器人、企业内部部署，以及直接调用OpenAI、Anthropic、Google等厂商接口的流量。用它观察趋势可以，用它代替全球份额不行。

另一组数据恰好说明口径差异。报告引用的兰德公司2026年另一项研究，以135个国家的网站访问量观察大众使用。该研究发现，中国模型份额曾从3%升至13%，到2025年8月又回落到约6%，美国模型仍占约93%。一个看开发者中间平台，一个看大众网页访问，两者回答的不是同一个问题。

更稳妥的判断是影响力在扩散。中国开放权重模型已经能在成本敏感、重视可部署性的开发者群体中快速扩大使用，但公开证据还不能证明全球人工智能市场已经平分。真正需要跟踪的，是这种开发者采用能否继续转化为本地部署、衍生模型、行业工具链和标准接口。

四、技术底盘相似，载体选择不同

（一）架构上的相似性超过分歧

两边都由Transformer主导。在可以确定架构的企业中，Transformer架构占美国样本28%、中国样本27%；卷积神经网络分别为13%和11%；扩散模型均约7%。报告没有发现中国商业开发企业在神经形态或后Transformer架构上明显高于美国。

学习范式也并非两套世界。强化学习在两国样本中都占19%，自监督学习为美国20%、中国16%。真正的差别在强化学习用在哪里：美国企业更多用于语言模型偏好对齐，中国企业更常用于机器人运动控制、自动驾驶和工业自动化。

数据模态进一步印证这一点。视觉和文本在两国都居前列；中国企业处理三维或空间数据的占比为36%，美国为27%，传感器或物联网数据为29%对25%。差距不算悬殊，却与实体设备和现实环境中的训练需求方向一致。

（二）物理形态才是最清楚的分水岭

报告自己把话说得很直。图5.5附近的原文是：“Physical form factor is the dimension on which the two ecosystems diverge most sharply.”也就是说，两国商业人工智能最尖锐的差别，不是模型名字，而是智能最终寄身于纯软件，还是机器人、车辆和传感网络。

报告图5.5：中美企业按人工智能物理形态的分布

软件化差距达到35个百分点。美国样本中61%的企业是纯软件，中国只有26%。与此同时，人形机器人企业占比为中国12%、美国2%；地面机器人或四足机器人为24%对16%；自动驾驶车辆为14%对7%。中国企业显然押注了更宽的具身载体组合。

但这还不能写成胜负。中国样本在物理形态上的未知比例为22%，具身类别的已知数量应被视为下限；另一方面，企业数量不等于技术质量、交付规模、可靠性或商业收入。报告没有比较机器人任务成功率、使用时长、单位成本和规模化部署，因此“组合更宽”只能说明方向性对冲，不能证明已经形成稳定优势。

具身路线的意义在于保留可能性。兰德公司此前关于通用人工智能多路径的研究认为，大语言模型继续扩展仍可能成功，但物理因果、强化学习、神经符号、神经形态计算和具身交互也可能成为必要补充。若通用能力最终需要从现实环境中学习，中国较宽的具身企业组合就构成了一种美国商业生态相对欠缺的技术对冲。

五、这份报告最值得肯定也最该警惕的地方

（一）价值在于把轶事变成可比较数据

它纠正了“只看明星企业”的偏差。头部公司、国家规划和政策口号很重要，却不能自动代表整个产业。报告用统一口径观察1181家企业，使“架构相似、场景分化、开放权重扩散”第一次有了较成体系的企业级证据支撑。

方法公开比结论更耐用。九个分类维度、未知项回退、证据等级、提示词和人工审核规则都放在附录中。研究团队还用约100个随机“企业—变量”组合调试提示词，再用独立的25家企业做留出审查；保留变量的人工与模型一致率大多超过90%。

（二）小心把漂亮百分比读得过实

25家审查样本仍然偏小。报告自己计算，若25个样本观察到90%一致率，95%置信下的误差幅度约为11.8个百分点。它能发现明显的分类问题，却不足以为每个细分类别都提供很窄的统计误差。

中英文信息不对称贯穿全表。模型架构未知比例，美国为56%、中国为68%；学习范式未知比例，美国为35%、中国为60%。企业检索证据又以英文资料为主，中国国有企业、受监管行业和部分工业集团披露更少，所以小幅差距经常落在“信息缺失噪声”以内。

时间也在迅速侵蚀结论。企业变量集中采自2026年1—2月，而报告8月发布。半年里，企业可能发布新模型、转向新业务、退出市场或改变开放策略。它是一张方法严谨的快照，不是一份可以多年不更新的静态排行榜。

六、从中国视角看，下一步该抓什么

（一）把既有优势转化为可验证能力

场景多不等于能力强。制造、交通、能源和机器人企业占比更高，说明中国拥有丰富的现实训练场和产业接口；但真正决定价值的是任务成功率、效率提升率、安全可靠性、经济可行性和跨场景迁移能力。2026年工业和信息化部、国务院国资委的实景实训专项行动已经把这些指标写入应用验证要求，方向是对的。

开放权重还要接上工具和标准。低成本模型能吸引开发者，只是第一步。只有进一步形成稳定的推理框架、评测套件、行业数据规范、软硬件适配和长期维护机制，下载量与令牌量才会沉淀为生态黏性，而不是一次模型发布带来的短期波峰。

技术路线仍需保留纵深。报告没有发现中国企业在非Transformer架构上显著领先，这提醒我们，具身智能不能被窄化为“给大模型装一个机器人身体”。物理因果、世界模型、控制理论、强化学习、神经符号和低功耗计算，都需要持续投入和可重复试验。

跨国比较要补自己的底表。这份报告最大的启发，不是接受它对中国企业的全部分类，而是建立持续更新、中文资料充分、分类证据可回溯的本土数据库。只有把企业、模型、论文、专利、场景验证和开放生态连起来，才能知道结构优势是否真的转化为质量、规模与影响力。

七、结论与建议

（一）结论

中美人工智能并非两条毫不相干的路线。两国商业开发企业都以Transformer、应用型产品和约两成基础模型开发者为主要结构，技术底盘高度重叠。真正的分野，在于美国更偏知识密集型软件交付，中国更偏制造、交通、能源以及机器人等现实载体。

中国的具身布局是一种有价值的对冲。它为人工智能从文本世界走向物理世界保留了更宽的企业组合，也与完整产业体系和丰富应用场景相互咬合。但现有数据只能证明方向和结构，尚不能证明规模化效果，更不能把企业数量直接兑换成技术领先。

（二）建议

●把场景优势做实。应以真实任务成功率、连续运行时间、故障恢复、安全边界和经济成本检验具身智能，避免用演示效果或企业数量替代长期能力。

●把开放生态做厚。应围绕开放权重模型建设可复现评测、行业适配、开发工具和维护机制，让成本优势进一步转化为开发者习惯与标准影响力。

●给多条路线留钱。应在大模型扩展之外，持续支持物理因果、强化学习、神经符号、世界模型和低功耗计算，防止产业热点挤压长期技术储备。

●建立动态证据库。应按统一分类口径持续跟踪企业、模型、论文、专利和场景验证，公开证据来源与未知项，使结构判断能够复核、更新和纠偏。

免责声明：本文转自“占知智库”，原作者占知知道。文章内容系原作者个人观点，本公众号编译/转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！

转自丨占知智库

作者丨占知知道

研究所简介

国际技术经济研究所（IITE）成立于1985年11月，是隶属于国务院发展研究中心的非营利性研究机构，主要职能是研究我国经济、科技社会发展中的重大政策性、战略性、前瞻性问题，跟踪和分析世界科技、经济发展态势，为中央和有关部委提供决策咨询服务。“全球技术地图”为国际技术经济研究所官方微信账号，致力于向公众传递前沿技术资讯和科技创新洞见。

地址：北京市海淀区小南庄20号楼A座

电话：010-82635522

微信：iite_er