美国 AI 商业化竞争优势分析

美国正在赢得 AI 竞赛，而且赢在最关键的地方：商业化。自 2025 年 1 月 DeepSeek R1 震动市场以来，美国公司的行动变得更快了。OpenAI 更积极地推进 Agent 和 Codex；Anthropic 把 Claude Code 做成了一门生意。中国也有实力强劲的竞争者，但在营收、采用率、工具和覆盖范围方面，美国显然处于领先地位。

Trump 非常契合当下这个时刻。他骨子里是个推销员，Larry Ellison 也是。这有助于解释，为什么 AI 基础设施很容易被包装成一种政治产品。如今推销 AI，比 20 世纪 80 年代推销 Oracle 数据库容易得多。因为这一次，oracle 会说话了。

DeepSeek 的重要性体现在另一个方面。它对中国的战略价值，主要并不在商业层面。它可以帮助中国减少对 Nvidia 的依赖，并推动推理工作负载转向 Huawei Ascend 等国产技术栈，从而增强供应链自主性。但这与实现可盈利的 AI 领先地位并不是一回事。

SAP 的 Christian Klein 曾表示，欧洲不需要更多数据中心，而且仅有大语言模型并不足够。他说模型本身不够，这一点是对的。欧洲在 2023 至 2024 财年还花费了约 588 亿美元购买印度软件服务，下一财年更是花了约 671 亿美元。只有与真实数据、真实工作流和真实产品结合起来，AI 才能创造价值。但他更宏观的判断忽略了一个最关键的事实：美国之所以正在胜出，是因为它同时构建了所有主要层级——芯片、电力、数据中心、云平台、开发者工具、消费级平台和企业软件。

很多人采用了错误的评分标准。论文数量和工程师人数并不能证明谁在 AI 领域处于领先地位。真正的检验标准是：谁有能力为基础设施融资，谁能大规模训练和提供模型服务，以及谁能把 AI 应用到整个经济体系之中。

能源也是美国领先优势的一部分。现代 GPU 和 TPU 系统将电力转化为算力。电力越便宜，模型成本就越低。这就是电价至关重要的原因。

美国的电力成本低于西欧几大经济体，加拿大则更便宜。在这项比较中，中国和俄罗斯的成本又低于美国。所以，电力确实重要。但它并不是最重要的层级。

真正具有决定性的层级是云基础设施和数据。全球 hyperscaler 掌握在美国手中。AWS、Azure 和 Google Cloud 为美国公司提供了模型触达全球市场的主要渠道。美国还拥有那些在 AI 时代生产和组织数据的平台。YouTube 是一个视频语料库；Google Drive 和 Microsoft 365 深度嵌入人们日常的办公流程；GitHub 则深度嵌入软件开发。这些既是分发系统，也是数据平台。新模型可以被直接推送到人们每天都在使用的产品中。

正因如此，电力本身并不能决定这场竞赛的胜负。一个国家可以拥有廉价电力，但如果它缺少云规模、平台覆盖能力、开发者生态，以及获取海量有用数据流的渠道，它仍然会输。美国同时拥有这一切。凭借庞大的国内市场，中国也拥有其中很大一部分。欧洲则没有。

长期以来，欧洲一直拥有优秀的工程人才。但仅有人才是不够的。美国的 hyperscaler 已经主导了市场，想要追赶是一个漫长的过程。即使欧洲今天就决定投入资金，打造真正具有竞争力的云计算巨头，建成基础设施也仅仅是第一步。接下来，欧洲还需要让银行、制造商和公共机构迁移到这些平台上。这个过程将耗去近十年时间。等到那时，AWS、Azure 和 Google Cloud 在规模、软件和数据方面只会领先得更远。

有一个例外。Arkady Volozh 正试图把 Nebius 打造成一家欧洲 AI 基础设施公司。但这恰恰印证了上述规律：欧洲仍然处于起步阶段。

因此，Klein 认为仅有 LLM 还不够，这一点是对的。但我们不应由此得出数据中心没那么重要的结论。真正的启示是，数据中心只有置于一个庞大得多的系统之中，才能发挥作用。美国之所以正在胜出，是因为它拥有电力、资本、云基础设施和数据平台，而且这些要素正在协同运转。能源很重要，但云和数据更加重要。而这正是美国优势最强的地方。

还有另一条前沿战线：武器化 AI。下一阶段可能演变为 X 国的 AI 与其他国家的 AI 在 bot 网络、网络攻击行动和自主武器领域展开对抗。要实现这一点，AI 提供商并不需要什么魔法。通过调优，让系统把对手非人化、为暴力行为辩护，或将整个群体设为打击目标，容易得令人不安。一旦模型被嵌入媒体、网络和武器，偏见就会转化为力量。AI 竞赛同时也是一场安全竞赛。

Anthropic 的 Mythos 等模型指向了另一种转变。过去，Linux 所代表的本能是让许多人共同审视开放代码。前沿网络安全模型却可能推动国家和国防企业转向相反的逻辑：通过隐蔽实现安全，采用封闭的软件、封闭的工具、封闭的固件和封闭的芯片。如果模型无法用目标技术栈的代码和架构进行训练，它通常就会掌握更少的上下文，行动速度也会更慢。这并不能让系统变得安全，但确实会从上到下、一直到硬件层，都提升专有技术栈的价值。