《科技爱好者周刊（第 399 期）：中国 AI 大厂访问记》

导语

阮一峰这期周刊摘录美国科技分析师访问中国 AI 和机器人公司的观察。它的重点不是给某家公司排名，而是从外部视角比较中美 AI 生态：算力差距、效率压力、开源策略、产业分工、数据供给和商业化路径如何共同塑造中国 AI 公司的打法。

1. 算力差距是所有访问者都感受到的硬约束

访问团在多家公司都听到同一个问题：算力不足。美国出口管制让中国公司无法像美国巨头那样大量使用最新 Nvidia 系统。文章提到，中国公司虽然仍能拿到部分 H100、B200、B300，但数量至少少一个数量级。

更关键的是，美国公司正在订购 GB300 NVL72 等新系统，其推理速度、内存和能耗都明显优于几年前的 H100 集群。华为 Ascend 芯片进步很快，但性能和出货量仍难以弥补差距。中国 AI 公司面对的不是完全无芯可用，而是实验次数、模型规模和迭代速度都被算力上限压住。

2. 中国公司把算力更多用在服务客户和效率优化上

文章指出，美国的大部分算力用于模型训练，而中国公司更常把算力用于服务客户。这意味着中国公司必须更重视推理效率、成本控制和可落地产品，而不是无止境堆训练规模。

这种约束带来一种倒逼：模型要更小、更便宜、更会工程化。DeepSeek 这样的案例让外部观察者意识到，算力不足并不必然阻止模型突破，但会改变研发路线。中国 AI 生态的一个重要特征，是在受限条件下追求效率，而不是复制美国超大算力路径。

3. 人才和组织方式也在适应资源约束

访问者注意到，中国公司大量使用年轻工程师、实习生和高强度组织方式。美国分析师对中国团队的执行速度、工作时长和工程动员能力印象深刻。

这并不只是“卷”。在算力受限、资本环境不同、市场压力强的情况下，组织效率本身成为竞争资产。中国公司必须用更快产品迭代、更强工程执行和更紧密的商业连接来弥补部分硬件劣势。

4. 开源策略既是生态入口，也是商业权衡

周刊提到中国 AI 公司在开源模型上更积极，但内部也存在分歧。开源可以吸引开发者、扩大生态、建立声誉，也能在国际市场绕开部分信任障碍。

但开源并不自动带来商业成功。公司仍要在模型开放、API 收费、企业服务和垂直应用之间找到平衡。中国 AI 公司开源的一部分动机，是用生态广度对冲算力和品牌劣势。

5. 数据产业和付费习惯与美国不同

访问者还关注数据供给和商业模式。中国的数据产业、企业付费习惯和消费市场与美国不同，这会影响 AI 公司如何训练模型、如何销售产品、如何找到可持续收入。

如果美国公司更容易面向高付费企业和全球软件市场，中国公司则更需要在本地场景、低成本部署、政府和产业客户中寻找价值。AI 商业化不是模型能力自动兑现，而是与市场结构深度绑定。

6. 政府和大公司在本地 AI 生态中扮演关键角色

文章显示，地方政府、大型互联网公司、芯片企业、机器人公司和开源社区共同组成中国 AI 生态。外部观察者看到的不只是创业公司，还有一整套国家产业路线和地方资源配置。

这种结构既能加速产业动员，也可能带来路径依赖。中国 AI 公司的优势和限制，都不能只从单个模型榜单上看出来。

结论

这期周刊的核心价值，是把中国 AI 大厂放进约束条件里理解。算力差距是真实的，但中国公司并非只能落后；它们通过效率优化、开源生态、工程执行和本地商业化形成另一套打法。真正的问题是，这套打法能否在长期模型能力、芯片供给和全球市场中持续成立。

思想框架

文章先建立访问团视角，再按算力、效率、人才组织、开源、数据商业化和产业生态展开。它的逻辑不是比较谁更先进，而是解释不同资源条件如何塑造不同 AI 发展路径。

建议阅读原文：这篇是中文内容，精准输入只帮助你快速抓住重点，原文的访问摘录、公司名单和数字比较仍值得回读。