刚看完世界杯佛得角对阿根廷的比赛，就跟很多人一样被 " 佛得角奇迹 " 深深震撼。靠着顽强的防线，高效率的进攻，以及门将连场神勇发挥，这个五十万人口的岛国，在 90 分钟比赛时间里先后逼平了西班牙、乌拉圭、阿根廷三个世界杯冠军。

而这个可歌可泣的故事，也让我产生了一点足球之外的想法。

" 佛得角奇迹 " 的内核是两个字：逼平。

足球世界里，尤其是在杯赛当中，弱队打最强队的最佳方案就是严防死守，抱着打平即胜利的心态，把强队拖到加时赛和点球。比如小组赛第一轮佛得角对西班牙，就践行了不进攻只防守的战术，半场都不过，最终成功在前世界杯冠军身上拿到了分数。

足球里，坚决防守的结果往往出人意料的好。但在科技世界里就不一定了。" 一切为了逼平 "，往往会陷入十分危险的境地。

不知道大家发现没有，如火如荼的中国 AI，多年以来都践行着 " 佛得角战术 "。即美国做什么我们也做什么，步步紧逼，严防死守，但也绝不超前，一切为了能够追赶和模仿，最终逼平美国 AI 的进度。

但用了佛得角战术，真的就能创造佛得角奇迹吗？

中国 AI 这几年发展的速度有目共睹。可以说是对美国进行了全力追赶，但问题是，好像也始终是在追赶。

六个字可以总结中国 AI 的核心逻辑，" 跟热点，做增量 "。

先说所谓做增量。中国 AI 虽然专利与论文的数量很多，但很少出现基础算法或者底层平台的核心创新，即使有，也很难得到业界的共同认可与大规模应用。久而久之就变成了著名的" 美国 AI 从 0 到 1，中国 AI 从 1 到 99"。

只做增量，不做基础，让中国 AI 的底层技术基本完全依赖美国提供。比如，如今国内主流 AI 开发框架依然是 Meta 的 PyTorch 和谷歌的 TensorFlow。在基础模型方面，LLaMA/LLaMA 2 开源之后，国内中小 AI 企业和开发者基本都选择基于 LLaMA 系列做模型微调。这让一款美国的开源模型，很快变成了在中国各个行业广泛应用的产业底座。在 AI 硬件方面，对英伟达 CUDA 生态的依赖已经是老生常谈。从训练到推理，AI 各个栈层几乎都由美国企业主导。中国 AI 只能在目前还开放的框架、模型、芯片之上，结合本土需求雕琢增量业务。

底座依赖的同时，中国 AI 行业还表现出对美国 AI 热点的高度关注与全力模仿，也就是所谓 " 追热点 "。2022 在 ChatGPT 爆火之后，国内主流大模型集中在 2023 年爆发式推出，一度达成了百模大战的局面。这上百款模型无论在模型架构、训练方式、能力表现上，基本都高度对齐 ChatGPT。

此后，多模态模型、视频生成模型等热点，中国企业也是一步不落。在每个风口都实现了咬紧牙关，迎头赶上。今年年初，随着 OpenClaw 火爆全网，国内又形成了无处不 Agent、无厂不龙虾的局面。

技术路径追赶的同时，中国 AI 还在全力复制美国 AI 的商业化路径。大模型 API 服务、SaaS 化 AI 工具、一人公司、token 经济，这些商业模式都是在美国市场验证过或受到高度关注的，它们也都在中国得到了大力的本土化复刻。

在很多国内 AI 从业者看来，反正美国 AI 技术和产品都进不来。那么只要像互联网时代那样，复制出来一套本土版，再搭配国内巨大的市场，这场球就能一直踢下去。

逼平，似乎就是胜利。

当然，从 1 到 99 的创新也没什么不好。但全力逼平的最好结果往往就是平局，并且很多时候连平局都守不住。

这几个月，AI 行业热议的话题之一是模型代差重新拉大。在 2024 年左右，伴随轰轰烈烈的百模大战，中国与美国的 AI 基础模型差距一度被认为从 1 年缩短到了 3 个月左右。然而在 2025 年下半年左右，美国企业加大了基础模型的更迭力度，新一代模型很快初具规模。但在这个时间节点上，中国企业陷入了大模型市场的重视营销、轻视研发的行业洗牌阶段。到 2026 年，原本认为不断缩小的模型代差重新加大，基础模型的使用体验又产生了明显区别。

无论这个观点正确与否，它至少提醒我们全力模仿并不意味着一定可以模仿成功。中美两国在 AI 人才、资本以及基础设施环境等诸多因素上差异很大，最终形成的 AI 技术也必然有区别。一味跟随模仿，多少有削足适履的嫌疑。而一旦跟随失败，就会像球场上摆铁桶阵的球队率先丢球。这时候攻不上去，守没意义，场面会非常被动。

跟随失败风险之外，中国 AI 只做增量的另一个问题是切断供给风险。芯片、操作系统上的卡脖子中国科技圈已经非常熟悉，但这件事正更多发生在 AI 本身。比如 Anthropic 的网络安全模型 Mthos，就只对美国本土开放，甚至连美国境内的外国公民都不允许使用。随着 AI 技术的战略意义愈发清晰，类似的封闭主义 AI 策略只会更加明显。所有中国 AI 行业依赖的基础模型、开发工具、软硬件生态，可持续性都要被打上问号。

更为可怕的，是创新飞轮失速。AI 从研发到工程化、产品化、商业化是一条完整的循环履带，任何环节的缺失，都会导致接下来的环节丧失竞争力。但在目前阶段，中国 AI 行业在投入了大量研发、市场成本之后，已经赢得市场份额的企业极度渴望商业化回报。由于长期践行跟随策略，他们普遍不认为有主导下一轮创新的必要性与可能性，于是在技术上很快变得保守和封闭。今年在一片龙虾声中，国内 AI 行业的核心创新正在大幅减少，给未来埋下了新的隐患。

工业革命历史上有个奇特的现象，往往处于追赶和模仿状态的国家，最多只能达成主导科技迭代国家所实现结果的 80%。日本、欧洲、苏联，都曾经在工业革命竞赛里陷入这种 " 追赶者陷阱 "。

最重要的是，始终处在跟随状态，会给人一种总是害怕跟不上，总是要紧盯对手的焦虑感。

从业者和政策制定者会非常担心一次失败的 " 贴身防守 " 造成连锁反应。

这种焦虑始终在中国 AI 行业中蔓延，相信从业者应该都有所体会。

事实上，中国 AI 在这些年里也不是没有做出过主动进攻，在中美 AI 博弈中完成一些 " 人无我有 " 的创新。但这些创新的结果大多不太理想。往往是我们这边刚搞起一点火苗，美国那边新技术、新风口的熊熊烈火袭来，大家的注意力都被带走。这点火苗就在无人看管下悄然熄灭了。

举几个例子。飞桨是国内最成功的深度学习开发框架，也一度是百度在 AI 行业中的战略重心。它率先提出了将模型、工具，甚至行业解决方案集成在框架层的方案。这种把框架做厚，甚至让框架变成 AI 时代操作系统的构想，与美国主流框架形成了显著区别，可以说毫无疑问是中国 AI 的独创，并且在 AI 开发者生态上已经非常成熟。

但随着大模型时代到来，百度原本投入到框架上的注意力被大模型带走。飞桨获得的资源倾斜肉眼可见地减少。目前飞桨更多是在国内部分政企场景应用，与美国主流框架的差距依旧很大。飞桨很多比较成功的功能开发与社区运营，都进入了停滞阶段。不得不说非常遗憾。

另一个例子是华为的盘古大模型。早在布局大模型之前，华为就提出了行业智能体概念，始终将 AI 与行业结合看作是核心方向。盘古大模型推出之后坚持了这个方向。矿山、交通等行业用到的第一款大模型都是盘古，但随着后来众所周知的争议，盘古大模型一度陷入消沉。继而给 " 中国 AI 的出路在产业 " 这条核心共识蒙上了一层阴霾。

DeepSeek 在 2023 年的爆火让人记忆犹新。而其在技术上的核心突破，一般认为是对 MoE 模型的改进。MoE 并非 DeepSeek 首创，但其对传统 MoE 的核心缺陷进行了系统性优化，形成了当时业界最为成熟的 MoE 方案。在当时，全球很多 AI 公司与开发者都相信 MoE 可以实现 " 参数翻倍，算力不变 " 的线性增长，甚至很多人认为 DeepSeek 要掀英伟达的桌子。

但后来的走势是，MoE 的收益比预期要低，并且工程化调优无法解决其核心短板。比如到了推理阶段，MoE 模型就会显得笨拙，反而浪费大量算力。这张一度被认为是中国 AI 王炸的牌，很快也就消融于浩浩荡荡的 AI 创新中，变成诸多模型升级方案中的一项而已。

基础设施投入大不好做，还很容易被抛弃。模型创新你不做也早晚有人做，到时候学一下就得了。久而久之，行业形成了这样的惯性认知。渐渐把高薪挖人当作提升技术能力的核心解决方案。

但我还是喜欢这些独属于中国的 AI 创新。

防守可以不输，但进攻永远耀眼。

足球界经常说，场上有强者思维和弱者思维。

弱者思维天然要让出球权，摆铁桶阵，而强者思维是必须用自己的风格完成比赛。要高位逼抢，要快速转化，要 Tiki-Taka。

中国 AI 最终必须回答这样一个问题：我们对自己这支球队的定位是佛得角，还是阿根廷、法国、西班牙？

如果我们始终想当第二，只要不掉队即可，输少也当赢，那么当前的策略没什么问题。但如果中国 AI 的目标是夺下锦标，是踏出国门参与全球竞争，那就是时候面对疾风了。从某个阶段开始，中国 AI 必须构建属于自己的 " 强队思维 "。

插一句题外话，个人认为国足学学佛得角挺好的，但估计短期内也学不来。

所谓 " 强队思维 "，是必须发挥优势，把握主动。让模仿和独创并重，并实现二者交融。中国 AI 的目标是 " 人有我有，我有人无 "。这一点，在芯片和基础软件上已经初见成效，现在需要向 AI 上进行探索。

那么，中国 AI 有哪些可以发挥的优势？粗略看看至少有这么几个：

1. 新型举国体制。

体制保障是一个看似宏观，但作用效果明显的东西。多年以来，为了解决芯片与基础软件层面的 " 卡脖子 " 问题，中国在科技领域探索出了行之有效的新型举国体制行动方法。将制度优势释放到 AI 领域，将会是从科技自立走向科技自强的关键战役。

2. 行业智能化。

中国 AI 的出路在行业，这条路已经得到了实打实的认证。放弃或者弱化行业市场，埋头在个人用户市场与美国 AI 中门对狙，基本等于是自废武功。行业场景与 AI 结合的可能性开发还严重不足。AI 的本质是工业革命，这句话或许才是中国的底牌。

3. 硬件能力。

中国 AI 一个容易被忽视的能力，是中国拥有强大的硬件设计、制造与产品化能力。但要注意的是，AI 竞赛需要的不是用 AI 增强硬件，比如机器人赛道，而是用硬件增强 AI，让硬件成为 AI 的放大装置。这上面可以挖掘出独属于中国的价值潜力。

4. 工程化突破。

DeepSeek 的成功，至少证明了发挥工程化优势在 AI 核心技术创新中依旧十分必要。中国拥有强大的软件工程能力，并且拥有庞大的软件工程人才队伍。用工程化突破来形成核心技术锚点，将是一条客观的未来之路。

在 AI 领域，我们普遍承认基础理论原创、底层软硬件生态、颠覆性创新范式等方面，中国与美国差距显著，必然长期追赶。

但或许是时候思考这件事了：长期追赶意味着只能追赶吗？是不是可以同时打造一套更符合中国 AI 底色的战术与战略？让自己的优势参与竞争，而不是将逼平视作唯一目标。

中国 AI 不需要 " 佛得角奇迹 "。

我们需要靠自己证明，中国 AI 赢下比赛绝对不是奇迹。