具體到節(jié)奏上，美國AI模型的更新頻率極高，從GPT?4到o1，再到GPT?5和新一代Gemini系列，幾乎不存在長時間的停滯窗口，且能力躍遷并不完全依賴參數(shù)規(guī)模，而更多來自訓(xùn)練范式、推理路徑設(shè)計、對中間狀態(tài)的顯式建模等方向的系統(tǒng)創(chuàng)新。例如o1系列在推理路徑、思考過程建模上的工程化嘗試。
相比之下，中國AI模型呈現(xiàn)出典型的“跳躍式追趕曲線”。從Baichuan2、Qwen?14B 到Y(jié)i?34B，再到DeepSeek?V2、Qwen2.5、Qwen3 Max，每一步間隔都能看到大幅躍遷，但提升往往更多依賴參數(shù)規(guī)模擴展、MoE架構(gòu)以及工程層面的極致優(yōu)化。雖然這種“臺階式追趕”在短期內(nèi)頗為高效，但也意味著在連續(xù)迭代頻率、訓(xùn)練范式創(chuàng)新等維度仍存在差距。
此外，報告還特別強調(diào)了“開源vs閉源”的結(jié)構(gòu)性差異。當前中國領(lǐng)先模型幾乎清一色選擇開源或開放權(quán)重（如Qwen系列、DeepSeek系列），而美國最前沿的一批模型（如GPT?5、o3）則保持閉源。這兩種路徑各有優(yōu)勢，例如開源降低復(fù)現(xiàn)門檻、放大社區(qū)協(xié)作效應(yīng)，但閉源更容易圍繞新范式構(gòu)筑高壁壘。報告同時指出，中國模型在ECI曲線上首次超越 GPT?4出現(xiàn)在2024年5月左右（比GPT?4發(fā)布滯后約14個月），但截至2025年底尚無模型在整體能力上超越o3級別模型。
這背后反映的并非工程實力，而是范式創(chuàng)新的主導(dǎo)權(quán)問題。雖然開源生態(tài)在代碼、數(shù)學(xué)、對話等單一維度上可以快速追平甚至在部分榜單上反超，但在決定下一代AI范式躍遷的關(guān)鍵能力——持續(xù)學(xué)習(xí)、自我反思與規(guī)劃、更強的Agent級系統(tǒng)能力，仍主要掌握在具備閉源模型與巨量算力資源的少數(shù)美國公司手中。
需要說明的是，ECI指數(shù)綜合語言理解、推理、多任務(wù)泛化與專家校準，量化了真實能力差距。所以上述7個月的差距并非只是抽象的數(shù)字，而是它會在OpenClaw的典型使用場景中得到具象的體現(xiàn)。
例如長上下文的穩(wěn)健性。眾所周知，OpenClaw的一個關(guān)鍵特點，是會話歷史和任務(wù)狀態(tài)往往會被完整地保留并反復(fù)引用，對于一些復(fù)雜的企業(yè)流程，一個會話輕松突破10萬token，甚至逼近20萬token。而在這樣長的上下文下，模型不僅要記住“你之前說過什么”，更要持續(xù)做出高質(zhì)量的規(guī)劃決策（例如決定何時調(diào)用工具、如何修改既有計劃、怎樣解釋外部系統(tǒng)返回的復(fù)雜結(jié)果等）。但當前在這一維度表現(xiàn)最穩(wěn)健的仍然是GPT?5和少數(shù)幾款最新的前沿閉源模型，而不少國產(chǎn)模型在超過特定上下文長度之后，開始出現(xiàn)遺忘前文指令、邏輯跳躍、工具調(diào)用混亂等問題。
又如Agent化推理能力。OpenClaw之所以被視為“數(shù)字員工框架”，就在于它不僅能回答問題，還能把“完成任務(wù)”拆分成多步執(zhí)行，例如先查收合同郵件，再在CRM系統(tǒng)里更新客戶狀態(tài)，然后根據(jù)對方時區(qū)安排會議，最后生成一條總結(jié)發(fā)送給內(nèi)部群。而這個過程背后，需要模型具備相當程度的任務(wù)分解、規(guī)劃和反思能力，即業(yè)界常說的agentic reasoning。事實是，美國的最新前沿模型在這方面已經(jīng)形成了一套從架構(gòu)到訓(xùn)練范式的系統(tǒng)性方法，而中國模型盡管在代碼、數(shù)學(xué)、對話等單一維度上成績亮眼，但在Agent鏈路上的一致性方面仍稍遜一籌。
更值得我們警惕的是安全性與對抗魯棒性。安全公司Palo Alto Networks在分析OpenClaw風(fēng)險時，將此類自動化Agent系統(tǒng)視為“高危組合”的一部分，理由很直接，一個可以自動讀取郵件、瀏覽網(wǎng)頁、操作企業(yè)系統(tǒng)的Agent，一旦在提示注入、權(quán)限邊界控制、越權(quán)調(diào)用等環(huán)節(jié)存在缺陷，就可能演化為“帶AI的自動化攻擊腳本”。在這一點上，部分美國前沿模型廠商已經(jīng)投入大量資源，用于對抗式訓(xùn)練、權(quán)限分級、敏感操作的多輪確認等機制，而不少國產(chǎn)模型和應(yīng)用方仍更多處在“補齊基礎(chǔ)安全能力”的階段。當OpenClaw 與真實業(yè)務(wù)系統(tǒng)深度綁定，這種安全能力的差距就會被成倍放大。
基于上述，我們發(fā)現(xiàn)OpenClaw在中國的流行呈現(xiàn)出某種矛盾的兩面性。一方面，它是中國在應(yīng)用層和生態(tài)組織能力上的一場勝利，證明了我們自己極擅長“把好模型用起來”“把框架玩出花兒來”；另一方面，它也折射出一個殘酷的現(xiàn)實，即在最關(guān)鍵的基礎(chǔ)大模型領(lǐng)域，我們?nèi)匀辉谝源蠹s半年的時差追逐前沿，而這無疑決定了OpenClaw的性能上限。
如果說上述的基礎(chǔ)模型差距是表象，那么算力，則是決定這一差距能否縮小的根本變量。原因很簡單，在AI體系中，算力不僅決定模型訓(xùn)練的規(guī)模上限，也直接影響模型迭代速度和實驗空間。尤其是在當前大模型進入“規(guī)模+算法”雙輪驅(qū)動的階段后，算力的重要性被進一步放大。而事實是，中國在高端算力上的結(jié)構(gòu)性短板，正成為基礎(chǔ)模型迭代的“阿喀琉斯之踵”。
據(jù)Epoch AI另一份報告顯示，2019年后中國頂級中文語言模型訓(xùn)練計算能力迅速增長，2021年底曾追平全球，但此后放緩，這導(dǎo)致自2021年底以來，前十中文模型每年訓(xùn)練計算能力增長約3倍，遠低于全球其他地區(qū)自2018年起每年5倍的增速。而按照當前發(fā)展速度，中國需約數(shù)年才能達到全球頂級模型的計算水平。
如果說Epoch AI的報告代表了海外視角，那么在今年年初國內(nèi)舉行的AGI?Next前沿峰會（以下簡稱峰會）上，來自清華、智譜AI、阿里巴巴通義千問等多位一線大佬及從業(yè)者，也給出了與之相呼應(yīng)的判斷。
例如當英偉達發(fā)布新一代 Rubin 芯片時，首批主要客戶名單中幾乎難見中國互聯(lián)網(wǎng)或 AI頭部企業(yè)的身影。對此，智譜AI聯(lián)合創(chuàng)始人唐杰在會上直言，中國與美國在算力資源上的差距“有可能不但沒有縮小，反而在擴大”，這種差距不僅體現(xiàn)在單枚芯片性能上，更體現(xiàn)在總算力規(guī)模、算力利用效率和供應(yīng)可預(yù)期性等維度。而阿里巴巴通義千問（Qwen）前技術(shù)負責(zé)人林俊旸在峰會上給出的評估稱，美國頂級實驗室擁有的算力資源，普遍比中國實驗室高出1到2個數(shù)量級。
盡管這類估算并非精確測量，但結(jié)合公開披露的GPU規(guī)模、融資能力和云基礎(chǔ)設(shè)施布局，我們可以大體勾勒出了一個事實，即由于高端算力受制于成本和供應(yīng)，中國企業(yè)不得不將大量資源優(yōu)先用于支撐既有業(yè)務(wù)的推理與在線服務(wù)，而像OpenAI、Anthropic這樣的對手，卻可以持續(xù)將海量算力資源投入到下一代模型的“飽和式研發(fā)”之中。
林俊旸同時提醒，Agent在執(zhí)行長尾任務(wù)時暴露出來的各種“棘手問題”，不可能完全通過Prompt工程或應(yīng)用層代碼修補，必須回到模型層面，通過針對性的大規(guī)模訓(xùn)練與后訓(xùn)練（“燒卡”）來解決—“模型即產(chǎn)品”，沒有系統(tǒng)性的模型訓(xùn)練能力，就很難構(gòu)建真正可持續(xù)的技術(shù)壁壘。
更令人擔(dān)憂的是，為了打破這種“算力鎖死”，中國企業(yè)正陷入一種“打游擊式”的生存困境。據(jù)峰會透露，不少國內(nèi)團隊為了獲取高端算力支持，不得不通過錯綜復(fù)雜的步驟，去租用東南亞或中東數(shù)據(jù)中心的算力，這不僅帶來了極高的成本，更意味著研發(fā)效率的攤薄。而這種結(jié)構(gòu)性的落后，讓業(yè)內(nèi)精英們保持著清醒的悲觀。例如當被問及未來三到五年中國公司有多大概率超越美國頂尖AI企業(yè)時，林俊旸給出的猜測是20%或更低。
正是在上述背景下，中國廠商近年來通過工程優(yōu)化與架構(gòu)創(chuàng)新，在一定程度上“對沖”了算力不足的影響。例如通過MoE架構(gòu)、推理優(yōu)化等方式提升效率，甚至在部分場景中實現(xiàn)對海外模型的成本優(yōu)勢。
但我們必須看到，這種優(yōu)勢更多是“效率創(chuàng)新”，而非“資源優(yōu)勢”。而當模型競爭進入更高維度（例如更長上下文、更復(fù)雜推理、更大多模態(tài)融合），直至Agent時，底層算力的差距仍然會成為限制上限的關(guān)鍵因素。
因此，從長期看，如果算力基礎(chǔ)設(shè)施無法實現(xiàn)質(zhì)的突破，中國AI在基礎(chǔ)模型層面的追趕將持續(xù)面臨“天花板效應(yīng)”。而要打破這個“天花板”，僅靠應(yīng)用層面的“用法創(chuàng)新”是不夠的，必須依賴更扎實、也更漫長的底層技術(shù)創(chuàng)新投入。
提及所謂“底層創(chuàng)新”，在我們看來，其不應(yīng)是寬泛的口號，而是一系列極其具體、需要長期投入的系統(tǒng)工程。具體到基礎(chǔ)大模型，其是在架構(gòu)、訓(xùn)練范式、對齊技術(shù)、安全機制上的持續(xù)突破，是在多語言、多模態(tài)、多任務(wù)一體化上的深耕，是在數(shù)據(jù)治理與標注體系上的扎實建設(shè)；至于算力體系，則是從芯片、互聯(lián)網(wǎng)絡(luò)、系統(tǒng)軟件到調(diào)度平臺的一整套協(xié)同優(yōu)化，力圖用更高的系統(tǒng)效率，抵消部分在單卡性能與供應(yīng)上的外部約束。而這之中，如前述，算力是重中之重。
基于此，國內(nèi)廠商正在嘗試從不同層面補齊底層算力的缺口。
以中科曙光近期推出的scaleFabric國產(chǎn)原生RDMA網(wǎng)絡(luò)為例，其價值并不只是替代某一類進口產(chǎn)品，而是在算力體系中重構(gòu)“網(wǎng)絡(luò)”這一關(guān)鍵變量。
眾所周知，在大規(guī)模訓(xùn)練中，通信開銷往往占據(jù)30%—50%，而scaleFabric通過全棧自研實現(xiàn)高帶寬、低時延和無損傳輸，本質(zhì)上是在提升算力的“有效利用率”。雖然這類創(chuàng)新不直接體現(xiàn)在模型參數(shù)規(guī)模上，卻可以讓同樣規(guī)模的算力集群釋放出更高的訓(xùn)練效率，從而間接提升模型能力的上限。
類似的底層創(chuàng)新，并不只發(fā)生在網(wǎng)絡(luò)層。
例如在芯片層面，以華為昇騰、寒武紀、海光、壁仞等為代表的廠商，正在通過不同技術(shù)路徑推動國產(chǎn)算力體系從“可用”走向“高效”。這之中，有的廠商通過架構(gòu)設(shè)計提升通用性與擴展性；有的則在特定場景中優(yōu)化算力密度或能效比；有的通過兼容主流軟件生態(tài)降低遷移成本，逐步構(gòu)建起從芯片到服務(wù)器乃至數(shù)據(jù)中心的一體化能力。而這些路徑的共同點在于不再簡單追求“對標某一款GPU”，而是圍繞實際應(yīng)用重構(gòu)算力效率。
與此同時，一些更具前瞻性的創(chuàng)新開始出現(xiàn)在“系統(tǒng)級組織方式”上。例如以華為CloudMatrix為代表的超節(jié)點架構(gòu)，通過高速互聯(lián)將數(shù)百顆芯片組成一臺“超級AI服務(wù)器”，以系統(tǒng)能力彌補單芯片性能差距；又如光互連、硅光交換等新型網(wǎng)絡(luò)技術(shù)，也在嘗試從物理層突破傳統(tǒng)電子互聯(lián)的帶寬與延遲瓶頸。
類似的思路也體現(xiàn)在國內(nèi)算力系統(tǒng)的工程實踐中。以中科曙光ScaleX萬卡集群為代表，其通過在萬卡規(guī)模下對計算、存儲與網(wǎng)絡(luò)進行一體化設(shè)計與調(diào)度，實現(xiàn)跨節(jié)點的大規(guī)模協(xié)同訓(xùn)練能力。在這種體系中，真正重要的已不再是單一芯片或單臺服務(wù)器的性能，而是整個集群在通信效率、任務(wù)調(diào)度與資源利用率上的整體表現(xiàn)，本質(zhì)上也是在通過系統(tǒng)級設(shè)計提升整體算力的可用性和有效性，為大模型迭代提供更穩(wěn)定、高效的運行基礎(chǔ)。
其實無論是華為，還是曙光，其探索的共同點在于，它們不再局限于單一硬件指標的比拼，而是通過重構(gòu)算力的組織方式，在既有條件下逼近甚至重塑性能邊界。
此外，在計算范式層面，中國廠商也在嘗試“繞開約束”。例如圍繞FP8低精度計算的實踐，已經(jīng)證明在不依賴最先進制程的情況下，通過算法與硬件協(xié)同優(yōu)化，同樣可以實現(xiàn)大模型訓(xùn)練效率的大幅提升，而這類創(chuàng)新路徑，本質(zhì)上是在重寫“算力=先進制程”的單一邏輯。
如果我們把這些探索放在一起不難發(fā)現(xiàn)一個重要變化，那就是中國AI算力正在從過去的“單點替代”，逐步走向“體系化重構(gòu)”。
寫在最后：綜上，我們認為，OpenClaw的爆火，是中國AI應(yīng)用能力的一次集中釋放，但并沒有改變一個更深層的現(xiàn)實，即基礎(chǔ)大模型仍在追趕，算力體系仍存約束。
不可否認，應(yīng)用可以放大能力，但卻無法替代能力本身。而當行業(yè)沉浸于“又一個爆款”的熱鬧時，更需要看到底層的差距與方向。基于此，對中國AI的未來，不在于還能誕生多少個中國版的OpenClaw，而是我們能否憑借在模型、算力與系統(tǒng)架構(gòu)等的底層創(chuàng)新完成從追趕到定義的躍遷。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論