7月17日，国家主席习近平在出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式并发表主旨讲话时指出，全球人工智能技术创新进入前所未有的活跃期，既蕴含巨大机遇，也面临治理挑战。明确要驱动创新发展、确保安全可控、促进文明互鉴、完善全球治理，与各国携手构建公正合理的全球人工智能治理体系。

　　斯坦福大学人工智能研究所近日发布的《2026年人工智能指数报告》（以下简称《AI指数报告》）显示，中美AI性能差距已基本消除，全球AI竞争正向成本、可靠性及安全性方向转变。这意味着，早期围绕算法模型和性能指标展开的竞赛，正转向算力基础、数据资源和应用场景等的综合能力比拼。

　　随着AI竞争从单纯的技术角逐演变为围绕技术壁垒、供应链安全和数字时代话语权的系统性博弈，准确把握全球AI发展的趋势脉搏，对于我国明确方向、找准赛道、赢得主动至关重要。

模型竞争：我国以高性价比获得高采用率

　　《AI指数报告》显示，中美两国的前沿模型数量居全球前列，2025年以来，两国人工智能模型多次在性能测试中交替领先，中美模型间的性能差距已基本消除。今年7月，月之暗面发布的参数规模达2.8万亿的Kimi K3模型，在与美国Anthropic、OpenAI等通用人工智能大模型的横向对比中，表现亮眼，刷新“史上最大开放模型”纪录。而当模型“智商”相当时，企业使用哪种通用人工智能大模型，其选择逻辑就从“谁更聪明”转向“谁的性价比更高”。这也意味着，完成一个标准任务，中美的人工智能大模型谁的综合成本更低、效率更高，便能赢得更高的市场采用率。

　　根据独立AI测评机构Artificial Analysis在6月中旬发布的测试结果，在相近智能水平下，中国AI大模型的单次任务完成成本具有压倒性的优势。以DeepSeek V4 Pro为例，其智能水平仅略低于美国主要的通用人工智能大模型Claude Opus 4.8、GPT-5.5，但以完成同一项任务进行测试，三款大模型完成任务的费用分别为：DeepSeek V4 Pro，成本0.04美元；Claude Opus 4.8，成本1.78美元；GPT-5.5，成本0.99美元。DeepSeek V4 Pro的成本分别是Claude Opus 4.8的2.2%、GPT-5.5的4%，中国的人工智能大模型“性价比”表现十分突出。

　　而使用AI大模型聚合分析平台OpenRouter对比，可获得中国前沿通用人工智能大模型在调用处理各环节的成本显著优于美国同级别大模型的结论（详见表1）。

表1：中美主要通用人工智能大模型处理成本与速度比较

数据来源：OpenRouter（截至7月25日）

　　中国AI大模型极致的性价比源自算法优化、算力调度和工程化落地上的系统性创新。例如，虽受美国芯片出口管制影响，但我国模型以更优惠的国产芯片替代，降低了硬件成本，叠加稳定、充足、物美价廉的绿电供应，数据中心的运营成本不断下降。全链路成本的系统优势，使我国模型拥有更高的性价比与利润空间。

　　这种成本优势正加速转化为市场优势。据统计，自今年2月8日起，美国企业调用我国AI模型的词元占比每周均超过30%，最高时达到46%。同时，与美国AI企业主要依靠闭源模式建立技术壁垒不同，我国AI企业更多采用开源策略，通过公开模型参数、降低开发门槛，进一步吸引全球开发者参与模型优化和应用开发。例如，DeepSeek、Qwen等模型通过开放权重和较低使用成本，迅速进入海外开发者社区和企业应用场景。

算力竞争：我国高端芯片性能与算力产出效率仍有提升空间

　　算力是大模型竞争的基础支撑。面对美国依托先进GPU、超大规模集群构建的“高性能算力体系”，我国并未简单复制其“堆芯片、扩集群”的模式，而是探索一条以规模化建设、低成本能源、资源高效利用为特点的算力突围路径。美国掌握着全球高端算力优势，我国在高端芯片性能、AI芯片生态、云计算和数据中心规模方面仍有提升空间。

　　美国为巩固人工智能领导地位，在去年宣布启动人工智能大规模基建项目“星际之门”计划（Stargate），旨在建立由美国主导的全球人工智能算力网。《AI指数报告》也指出，全球AI算力资源高度依赖英伟达生态，占比超过60%，同时，美国拥有全球最多的数据中心，数量达5427个。此外，微软、谷歌、亚马逊等科技巨头持续加码AI基础设施建设，依托超大规模云平台构建万卡、十万卡级的AI训练集群，为GPT、Gemini等前沿模型提供了强大的训练能力。

　　在资金支持方面，2025年，美国AI领域私人投资达2859亿美元，中国为124亿美元，资本优势有助于进一步强化美国的算力优势。

　　不过，美国发展高性能算力网，也面临建设造价较高、核心区域电价溢价、电网扩容滞后、电力设备供给依赖进口等种种问题。国际能源署（IEA）数据显示，美国部分地区由于AI数据中心集中建设，已经出现电网容量不足、电力价格上涨等问题。与此同时，美国高端GPU主要依赖英伟达等企业，其高性能芯片价格高昂，大规模AI训练对硬件采购成本和能源消耗要求更高。

　　当前，我国正通过加快完善算力基建体系，持续降低AI应用成本。一方面，推动算力资源从“分散建设”向“互联调度”转变。例如，针对算力资源区域分布不均、部分地区算力利用率不足的问题，工信部正推进国家算力互联互通节点建设、算力资源统一调度体系建设，以实现不同地区、不同主体、不同架构算力资源协同使用。另一方面，推动国产算力生态建设，降低供应链成本。围绕华为昇腾、寒武纪等国产AI芯片，推动芯片、服务器、云平台和行业应用适配，加快形成国产算力替代体系。

　　随着人工智能向更大规模、多模态和智能体方向发展，算力需求将持续增长，我国在发挥低成本优势的同时，仍要继续在高端芯片、大规模算力集群效率、软件生态等方面突围，加快形成从算力底座、模型能力、软硬件生态到产业应用的多维度优势，并以“人工智能+”行动实现人工智能的全行业全方位渗透，形成‌全链条、体系化发展的完整生态闭环，抢夺全球人工智能竞争的主导地位。

　　（作者：钟玲玉，广东省省情调查研究中心省情参考与综合出版部编辑）