记者问：“中美 AI 差距到底有多大？” 梁文锋毫不避讳、一针见血地回答：“表面上中国 AI 与美国可能仅有一两年的技术代差，但真实的差距是原创和模仿之差。如果这个差距不改变，中国永远只能是追随者，所以有些探索是逃不掉的。 咱们的大模型现在能写代码、能创作，看着和ChatGPT差不了多少，可核心的模型架构还是绕不开Transformer，这是美国团队先搞出来的东西。 咱们更多是在这个架子上添砖加瓦，调调参数、喂喂数据，就像在别人设计好的房子里装修，再精致也不是自己盖的地基。 更有意思的是，咱们偶尔冒出点原创的小东西，还会被美国同行“悄悄借鉴”。 比如清华大学团队用独家的“清华简”数据集训练出的大模型，能识别战国古文，结果斯坦福大学的一个团队发布的模型，不光能做同样的事，连做错的样例都一模一样，最后被戳穿只能道歉下架。 这事儿看着是咱们的原创被认可，反过来想也说明，真正的原创性突破在咱们这儿还是太少，才会让一次小小的技术创新都显得那么扎眼。 再看核心硬件，AI就像个吃算力的“大胃王”，而能喂饱它的高端芯片，长期被英伟达的A100、H100垄断，全球大部分AI企业训练模型，都得靠这些“进口口粮”。 咱们的华为昇腾、寒武纪思元芯片虽然一直在追，但在算力密度、能效比这些关键指标上，还差着好几代的距离，就像别人开的是高铁，咱们还在升级特快，能到目的地，但速度和稳定性就是差一截。 底层的深度学习框架也一样，谷歌、脸书占据了八成以上的市场，开发者们都习惯了在这些国外框架上做开发，咱们的百度飞桨、华为虽然努力突围，在国内有了一定市场，但在全球开发者数量、开源社区活跃度上，差距还是明显。 人才层面更能说明问题，这些年中国AI人才规模涨得飞快，从不足万人冲到五万多人，和美国的六万多人几乎持平，高校里的AI专业像雨后春笋一样冒出来，六百多所院校都在培养相关人才，论文数量更是名列前茅，中国科学院的高影响力论文还排到了全球第一。 但热闹背后是结构问题，美国的高校和企业之间有个“人才旋转门”，卡内基梅隆大学和当地企业的人才流动率能到三成多，学生本科阶段就能进谷歌、微软的实验室，接触最核心的底层技术研发，他们是在学着造工具。 而咱们的高校和企业互通率还不到一成五，学生更多是学着怎么用好别人造的工具，课程偏向应用场景，缺乏长期打磨底层系统的机会，培养出来的人才大多是“熟练工”而非“开创者”。 反映到企业端，谷歌、微软这些美国巨头的人均科研产出效率，比咱们的腾讯、阿里、华为高出不少，他们的论文在基础理论领域的引用率也更高，这就是长期沉淀的原创实力差距。 咱们总说中国AI在应用上厉害，这话没毛病，移动支付、自动驾驶、智慧消防这些场景，确实把AI用得风生水起，百度文心一言都有四亿多用户，抖音的语音生成模型在中文对话上还能超过ChatGPT。 但这些应用创新，本质上是把别人的核心技术拿来，结合本土市场做了优化，就像把进口的面粉做成了各种花样的馒头包子，好吃是好吃，可一旦别人断了面粉供应，巧妇也难为无米之炊。 美国之所以能时不时抛出Sora这样的颠覆性产品，就是因为他们掌握了底层的原创技术，能从无到有地开辟新赛道，而咱们更多是在别人开辟的赛道上加速追赶。 DeepSeek这样的中国企业被美国质疑抄袭，哪怕没有实锤，也从侧面说明，当你没有自己的原创架构时，做得再好也容易被贴上“模仿者”的标签。 表面上看，中国AI和美国的差距好像就一两年，你出个大模型，我很快就能跟上，你做视频生成，我也能快速迭代开放。 但这层薄薄的技术代差背后，是原创能力的鸿沟，是从基础理论到核心器件，从人才培养到生态构建的全方位差距。 咱们现在能当一个优秀的追随者，甚至在某些应用场景里实现局部领先，但要想真正领跑，就不能一直踩着别人的脚印走。 那些需要长期投入、风险高、短期内看不到回报的基础研究，那些打破现有技术路径的底层创新，那些能培养出“造工具”人才的教育模式改革，都是绕不开的探索。 毕竟，追随者永远只能看着别人的背影，只有走出自己的原创之路，才能真正掌握主动权。
