兰德观点：中美AI产业——同在哪里，不同在何处？

近日，兰德智库发布了《中美人工智能发展报告》（AI Development in the United States and China，以下简称“报告”）。报告的核心研究问题就是厘清中美两国AI产业究竟存在哪些差异。

报告既没有只盯着OpenAI、谷歌、DeepSeek这类头部明星企业，也不单纯依托两国官方政策文件得出判断。研究团队搭建了一套企业数据集，共纳入1181家AI开发企业，其中美国企业743家，中国企业438家。

研究从商业模式、模型来源、应用赛道、技术路线等多个维度开展横向对比，最终得出一个容易被大众忽略的结论：中美AI企业在底层技术、商业模式层面的相似度，远高于普遍认知。

两国企业都普遍采用Transformer模型架构，也都有约两成企业布局基础大模型开发；多数企业都不依靠售卖模型接口盈利，而是聚焦打磨适配实际应用场景的AI产品。中美企业真正拉开差距的核心，在于AI落地的行业选择，以及AI介入现实生产生活的具体形态。

两国都形成了规模不小的企业群体

兰德对“AI开发企业”划定了严格标准：必须是自主开发、训练、发布AI模型或AI系统的公司，仅调用他人现成模型开展业务的企业不计入在内。

报告排除了两类主体：一类是仅负责部署落地、系统集成的服务商；另一类是仅提供芯片、云、数据这类基础设施，自身不开展AI模型研发的企业。研究最初共收集到26629家候选机构，经过层层筛选，最终留下1181家符合标准的企业。候选名单来自四个筛选维度：企业是否设置AI研发岗位、是否发表过AI学术论文、持有多少AI专利、是否登上各类AI模型排行榜；之后再按照企业属性、总部所在地、真实研发能力进一步筛选，同时辅以人工复核，确保数据准确可靠。

从企业基础特征来看：美国AI企业的成立时间中位数是2016年，中国为2014年；双方上市企业占比差距明显，美国样本中仅13.6%的企业上市，中国这一比例达到33.8%。

两国企业的地域集聚特征都十分突出：美国AI企业集中分布在西海岸和东北部科技带，仅加州就有350家，马萨诸塞州有75家，纽约州有70家；中国AI企业集中在北京及东南沿海地区，北京有159家，广东有90家，上海有58家，浙江、江苏紧随其后。

两国企业的成立高峰都落在2014—2018年，这也和深度学习技术突破后掀起的AI创业投资热潮相吻合。

商业模式大体相近，多数企业并不做大模型对外售卖

报告将企业商业模式划分为四类：模型即服务、推理即服务、应用型AI产品、内部自用。

统计结果十分清晰：开发应用型AI产品，是中美两国企业的主流选择，美国90%的企业都属于这一类别，中国占比为75%。开展模型接口对外售卖（即模型即服务）的企业，中美占比都仅约为10%。

市场舆论始终热议头部大模型厂商之间的竞争，但从企业数量来看，这只是整个产业中很小的一部分；大多数公司都是将AI嵌入实体产品与业务流程，面向行业客户交付解决方案。

和美国相比，中国有更多企业将AI技术留作内部使用：16%的国内企业仅用AI服务自身集团业务，美国这一比例为10%。这类中国企业多为大型国企、公用事业单位、银行以及电信运营商，这一特征也和国内AI企业扎堆布局制造业、交通、能源行业的现状相互印证——部分AI能力不对外商业化，直接用于改造企业自身的生产运营流程。

再看模型研发来源，报告将其划分为四类：基础模型开发者、任务型模型开发者、模型适配者、模型集成商。

真正从零开始训练通用基础大模型的企业，中美占比都仅为19%；大部分企业要么开发行业专用模型，要么在现成大模型的基础上做微调，还有一部分直接调用第三方API搭建自有产品。

美国开发任务专用模型的企业占比为52%，中国为38%。报告并未直接将这一差距解读为技术能力差距：国内企业在该分类下有28%的信息标注为“未知”，占比远高于美国；这一差距可能并非真实的能力差距，只是公开披露信息不足造成的统计偏差。

核心差异落在应用赛道：中国偏重实体经济，美国偏重知识服务

尽管两国AI企业的商业模式差异不大，但在落地行业上，双方已经出现了明显分化。

中国AI企业大量涌向实体经济赛道：制造业占样本总量的30%，交通运输占26%，能源占12%；美国这三个行业的对应占比分别为15%、15%、6%。美国企业则更多投向知识密集型领域：医疗生命科学占28%，科研占10%，网络安全占7%；中国的对应占比分别为17%、5%、3%。

即便同样是开发AI技术，两国企业瞄准的落地场景也并不相同：中国AI更多服务工厂、交通运输、能源基础设施，美国AI更多服务医疗、科研、网络安全这类偏向脑力工作的领域。报告并未评判哪条发展路线更优，只是客观指出，双方已经形成了差异化的产业布局。

这种行业分布差异，进一步体现在AI产品的硬件形态上，这也是整套报告中差异最悬殊的一项指标。美国61%的AI企业仅做纯软件，不涉及硬件业务；坚持纯软件路线的中国企业仅占26%。

细分到具体赛道来看：人形机器人赛道中，中国企业占比12%，美国仅占2%；地面四足机器人领域，中国占24%、美国占16%；自动驾驶领域，中国占14%、美国占7%。这一分布和国内AI扎堆布局实体产业的特征完全契合：制造业需要机器人完成生产巡检，交通行业需要自动驾驶技术，能源行业依赖各类传感器网络。

报告用“实体硬件载体vs纯软件”概括这一分野：美国AI大多运行在软件系统中，中国商业AI则大量和机器人、汽车、工业设备绑定。兰德认为，这是理解中美AI产业差异最重要的线索。

底层技术架构相似度高，强化学习的应用场景各有侧重

下沉到底层技术层面，依然是相似点多于不同点。外界有一种常见观点：美国商业公司固守Transformer单一架构，中国企业则在大力探索神经形态、后Transformer等各类新架构。但这份针对商业企业的调研样本，并不支持这一观点。

由于很多企业不会公开底层技术细节，样本中存在很高比例的“未知”项；在可明确识别技术架构的企业中，Transformer都是两国的主流选择，双方占比接近。卷积神经网络、扩散模型等其他架构，两国的占比差距同样不大。

报告特别提醒：针对神经形态计算这类前沿方向的探索，大多开展于高校和政府科研机构，而本报告仅统计商业企业，因此不能用这套数据评判整个科研体系的技术多元程度。

训练范式方面，中美使用强化学习的企业占比均为19%，但应用场景存在明显差异：美国企业多将强化学习用于大模型的人类偏好对齐，优化对话输出效果；国内企业则更多把强化学习应用于物理世界，服务机器人运动控制、自动驾驶、工业自动化领域，帮助实体设备在现实环境中完成交互学习。

数据处理类型方面，图像和文本都是两国企业处理最多的数据类型。国内企业处理3D空间、传感器、物联网数据的占比更高，和机器人、自动驾驶的业务布局相匹配；美国企业处理表格、基因分子类数据更多，适配医药、科研领域的应用场景。

结语

报告回应了AI圈长期讨论的一个话题：美国AI企业技术路线是否过于单一，中国是否实现了技术多元化布局。报告给出的结论是：从受访商业AI企业样本来看，这一说法并不成立。

在算法架构层面，两国企业的路线高度趋同；真正的差异更多体现在AI落地的物理载体上：美国商业生态以软件知识服务为主，中国商业企业则更大力度推动AI与实体经济硬件结合。

报告还提出一项推演假设：如果未来通用人工智能的实现离不开机器人、世界模型和物理环境交互学习，那么国内商业企业的大量实体AI布局，就会形成一套美国商业生态不具备的风险对冲能力。报告同时强调，这只是推演假设，并不代表实体AI路线一定会胜出。

中美AI竞争不能简单理解成两套完全对立的国家战略博弈，两套商业生态存在大量重合，仅在赛道侧重上有所区别。评判AI实力不能只盯着少数头部大模型，数千家中下游企业的技术选择、落地方向同样值得关注。