全球AI产业格局：中美欧的角力

如果你在2022年底（也就是ChatGPT刚刚发布的那段时间）去参加任何一场科技行业的会议，你会发现所有人都在讨论同一个话题：

什么是ChatGPT，它意味着什么？

当时大家兴奋中夹杂着一丝丝困惑，就像一群人突然发现自家后院莫名其妙就冒出了一座在喷发的天地壹号苹果醋绿罐形状的火山。

而现在三年多过去了，这个奇异的火山不仅没有熄灭，反而喷发得越来越猛，且周围已经冒出了越来越多的火山口......Google、Anthropic、Meta、xAI、字节跳动、百度、阿里巴巴……每一个厂商都在拼命搭建自己的火山，唯恐在这场喷发中被落在后面。

这场全球AI竞赛的规模是前所未有的。

根据多家研究机构的估算，2024年全球AI领域的投资总额超过了2000亿美元，而这个数字在2025年还在继续攀升——微软、谷歌、亚马逊和Meta在2025年合计资本开支超过2000亿美元，AI被引用为主要驱动力。作为对比，隔壁人类基因组计划耗时十三年，总花费约才三十亿美元。

换句话说，全球AI产业现在每五天半的花费就相当于一个人类基因组计划。

并且这些钱不是花在"研究"上，而是花在"建设"上——比如建数据中心、买GPU芯片、铺设光纤网络、搭建电力基础设施等等等等。因此可以说，AI产业正在以人类历史上最快的速度进行资本密集型的基础设施建设。

本场竞赛的参与者主要可以分为几个阵营。

美国阵营以OpenAI、Google、Anthropic、Meta、Microsoft和xAI为核心，依托硅谷的风险资本生态、顶级研究人才和成熟的商业化能力。中国阵营以字节跳动、阿里巴巴、百度和深度求索（DeepSeek）为代表，依托庞大的国内市场、丰富的应用场景和日益增强的技术实力。欧洲阵营以Mistral、DeepMind（已被Google收购但保留了欧洲根基）等为代表，在开源模型和AI伦理研究方面有自己的独特贡献。

此外，还有一股不可忽视的力量来自各地的"AI创业者"，也就是前大厂高管、顶级研究员、连续创业者......他们离开大公司创办自己的AI初创公司，试图在这个快速增长的蛋糕中切下属于自己的那一块。

如果你想快速了解、进入这个行业，这篇文章你不得不看——它将是你阅读体验非常疲惫的一篇文章，但同时也是最全面的一篇文章。

---

在说中美AI大厂之前，我们要先说一下本场游戏中最大的受益者。

英伟达。

它是过去三年整个AI产业最大的受益者，没有之一。

为什么这么说呢？

首先我们要知道，训练和推理一个大语言模型，本质上是海量的矩阵乘法运算，而GPU恰好是擅长并行做这种运算的芯片。英伟达早在十多年前就押注了这条路线，它真正可怕的地方不是芯片本身的设计能力，而是它围绕GPU构建起来的CUDA软件生态。

这一点我们在前面曾提到过，但现在我们不妨再来回顾一下。

CUDA是一套并行计算平台和编程模型，全球做深度学习的研究者和工程师，几乎都是在CUDA上写代码、调模型，这十几年的积累让海量的优化库、算子、框架都跑在CUDA之上。这意味着即使竞争对手做出了纸面性能相当甚至更好的芯片，开发者迁移过去的成本也高得令人望而却步——这就是所谓的"软件护城河"。

当ChatGPT在2022年11月发布、生成式AI需求井喷之后，英伟达面向数据中心的H100芯片瞬间成为全世界最紧俏的商品，单卡在二手市场曾被炒到数万美元，订单排队到下一年成了常态。而H100之后是采用Hopper架构的升级版，再之后是基于Blackwell架构的B100、B200和GB200系统，英伟达把产品迭代节奏从过去的两年一代压缩到一年一代，并在每一代上把单卡性能和卡间互联带宽都推向物理极限，因为大模型训练的瓶颈早已不在单卡算力，而在成千上万张卡之间的数据通信。

值得一提的是GB200 NVL72这种整机柜方案，它把数十张GPU和Grace CPU通过NVLink高速互联封装在一起，专门为万亿参数级别的模型训练设计，这种从卖芯片走向卖整机柜系统、卖整个数据中心参考设计的方案，让英伟达客单价和客户黏性同步飙升。

从财务上看，英伟达的数据中心业务营收在两三年内从百亿美元级别跃升到单季度数百亿美元，毛利率一度超过七成，这种盈利能力在硬件公司里几乎是闻所未闻的，它的市值也因此在24年一度突破三万亿美元，跻身全球市值最高的公司之列。

这种近乎垄断的地位当然引来了无数挑战者。AMD推出了MI300X系列来争夺AI加速卡市场，它在显存容量上甚至超过H100，加上AMD的ROCm软件栈持续改进，拿下了Meta、微软等部分订单，但整体生态仍无法撼动CUDA的统治。英特尔在GPU上反复受挫后，转而押注Gaudi系列AI加速器和先进封装。

但真正让英伟达警惕的，主要还是它的客户们，即那些每年给它送几百亿美元的云巨头。这些大客户们现在纷纷开始自研芯片——毕竟没有任何一个买家愿意长期被单一供应商拿捏。

谷歌的TPU已经迭代到第五代第六代，不仅支撑自家Gemini模型的训练，还通过云服务对外出租；亚马逊的Trainium和Inferentia系列已经部署到相当规模，并投资Anthropic使其深度使用这些芯片；Meta的MTIA推理芯片、微软的Maia芯片、甚至OpenAI据说也在筹备自研芯片。

这些努力当然在短期内无法取代英伟达，但它们的存在本身，就在重塑议价。

现在让我们把目光从芯片本身再往上移一层，就进入了支撑这些芯片运转的制造链条，这里才是大国博弈真正的刀光剑影之处。

英伟达设计芯片，但它不制造芯片，真正把图纸变成硅片的是台积电（TSMC）。

台积电掌握着全球最先进的晶圆代工能力，它的3纳米、2纳米制程是几乎所有顶尖芯片的唯一量产出处，英伟达最先进的AI芯片、苹果的A系列和M系列、AMD和英特尔的旗舰产品，都离不开台积电的产线。

但这种高度集中的制造能力本身就是一种战略脆弱性，因为台积电最先进的产线集中在台湾，任何地缘动荡都会直接威胁全球芯片供应，这也是为什么台积电在美国亚利桑那、日本熊本、德国德累斯顿等地被强力要求建设新工厂，哪怕海外建厂的成本和良率都面临着巨大的挑战。

而台积电之所以能造出最先进的芯片，又依赖于荷兰阿斯麦（ASML）生产的极紫外光刻机（EUV），这是人类目前够制造的最精密的设备之一，一台售价上亿美元，全球只有阿斯麦能够生产，而阿斯麦的光源技术又依赖德国蔡司的光学器件、美国Cymer的源发生器等少数供应商。这条从阿斯麦到台积电再到英伟达、再到全球云厂商和模型公司的链条，可以说是构成了AI算力的新时代“龙脉”。

这条链上的每一个节点都是事实上的垄断，每一个节点都成为了出口管制的焦点。从二零二二年十月开始，美国对先进AI芯片和芯片制造设备实施了一系列不断加码的出口管制，最初是限制A100、H100等特定型号向中国出口，后来演变为按算力性能和互联带宽设定门槛的通用规则，再扩展到对台积电等代工厂的限制，比如要求它们不得使用美国技术为中国客户制造先进芯片，而这一招直接影响了华为昇腾等国产AI芯片的代工。

基于此，围绕管制和反管制的猫鼠游戏一直在持续，出现了所谓"特供版"芯片（如H800、H20，性能被阉割以符合管制门槛）、以及通过东南亚中间商绕道转运的灰色地带，而美国也在不断堵漏，最终在二零二四年下半年进一步收紧，连H20等特供型号都受到限制，给中国AI企业的算力获取带来了实质性的冲击。算力的受限，是中国AI产业当前最现实的约束，也是理解中美AI差距时最不能忽略的变量。

算力问题说到底不只是芯片，还包括把芯片规模化部署起来所需的封装、电力、冷却和土地。但还有一个被外界长期低估的环节，叫先进封装，尤其是台积电的CoWoS技术，这也是一个问题。

H100、B200这类芯片要发挥性能，必须和高带宽内存（HBM）紧密封装在一起，而CoWoS的产能扩张速度远远跟不上芯片本身的产出速度，导致一度出现了"有芯片、无封装、无法出货"的尴尬局面，英伟达的交付延迟很大程度源于此。HBM本身又是一个高度集中的市场，由韩国SK海力士、三星和美国美光三家垄断，其中SK海力士凭借和英伟达的深度合作占据了最大份额。

再往后看，支撑这一切运转的是惊人的电力消耗。我们之前提到过，一个超大规模AI训练集群的功耗动辄数十兆瓦甚至上百兆瓦，相当于一个小城镇的用电量，训练一个前沿模型的电费本身就是数百万美元量级的支出，而推理侧的能耗更是随着用户规模的增长而持续攀升。美国多个州的数据中心电力需求增长已经让当地电网承压，新建数据中心的选址越来越多地取决于电力供应和传输能力，而不是传统的网络枢纽考量。这直接催生了一股前所未有的能源布局热潮：微软、亚马逊、谷歌、Meta纷纷与核电运营商签署长期购电协议，亚马逊甚至直接收购了一个核能驱动的数据中心园区，微软重启了三里岛核电站的一台机组为其供电，硅谷对模块化小型堆（SMR）等下一代核能技术投入了真金白银。电力、土地、冷却用水，这些看似与AI毫无关系的传统资源，正在成为决定谁能建得起下一个超算中心的硬约束，也正在把电力公司和公用事业企业拉进AI产业的版图。

把这些硬件和能源基础摸清楚之后，我们再继续往上看，看真正把这些算力变成可调用服务的云计算巨头。

这一层的市场布局就相对比较清晰。全球就是亚马逊AWS、微软Azure、谷歌GCP三家独大，加上甲骨文、IBM以及中国的阿里云、华为云、腾讯云构成的第二梯队。

云计算三巨头在生成式AI时代的角色变得极其微妙，它们既是英伟达最大的客户，又是模型公司和应用公司最大的算力供应商，同时它们自己也下场做模型和做应用，一身兼任运动员、裁判员和球场老板。这三家的策略各有不同，值得仔细拆解。

首先微软是这一轮最大的战略赢家，它在二零一九年就向当时还籍籍无名的OpenAI投资了十亿美元，之后持续加码，累计投入据称已超过一百三十亿美元，作为回报，微软获得了OpenAI利润的相当分成权（直至一个上限），以及把OpenAI模型独家部署在Azure上的权利。这一招棋直接让微软从云计算的追赶者变成了AI时代云平台的领跑者，Azure的AI服务收入成为其增长最快的板块，大量企业客户为了使用GPT系列模型而迁移到Azure。

除此之外，微软还把OpenAI的能力深度嵌入了自家的产品矩阵——Copilot品牌贯穿了Office全家桶、Windows、GitHub、Dynamics、Security等几乎所有企业产品线，他们试图让每一个白领和开发者都成为AI的付费用户。不过微软与OpenAI的关系也并不像表面那么和谐，OpenAI一直在试图减少对微软的依赖，包括筹建自己的基础设施、寻求其他投资方，而"利润上限"的股权结构在OpenAI估值飙升后引发了持续的内部博弈和重组，OpenAI最终在二零二四年启动向公益公司（PBC）转型的进程，这些都是在改写未来几年的产业权力结构。

谷歌的战略方针则复杂得多。谷歌是深度学习最早的布道者之一，TensorFlow、Transformer论文（那篇著名的《Attention Is All You Need》就出自谷歌团队）、AlphaGo、BERT、TPU，几乎每一项奠基性的成果背后都有谷歌的影子，论技术储备没有哪一家公司比谷歌更雄厚。但恰恰是这种"什么都强"的状态，让谷歌在生成式AI爆发的第一年显得犹豫和被动，ChatGPT发布后，谷歌仓促推出Bard，却在演示中翻车导致股价暴跌，暴露出大公司在面对颠覆性变化时的体制迟钝。

不过谷歌很快调整，把DeepMind和Google Brain两大研究部门合并，开始集中力量推出Gemini系列模型，凭借原生多模态（从一开始就在图像、音频、视频、文本上联合训练）和超长上下文窗口（从一百万token逐步推到两百万甚至更高）建立了差异化优势。Gemini在多项基准测试上与GPT分庭抗礼，在代码、数学、长文档理解等特定任务上甚至反超。

谷歌的另一个独特优势是TPU自研芯片，这让它在算力成本上比依赖英伟达的对手更有控制力，也不必在英伟达缺货时排队。谷歌还拥有Search、YouTube、Android、Workspace等一系列触达数十亿用户的产品，这些产品天然是AI能力的分发渠道。

但谷歌最大的焦虑在于，生成式AI正在颠覆它赖以为生的搜索广告商业模式。如果用户习惯了直接问AI而不是点开网页看广告，那么谷歌的下蛋金鹅就被自己养大的技术给扼杀了，这种"左右手互搏"的困境，是谷歌未来几年必须解决的战略难题。

亚马逊的策略可以概括为"两面下注加自研节流"。AWS作为全球最大的云服务商，在AI基础设施的存量上无人能敌，它的Bedrock平台聚合了Anthropic的Claude、Meta的Llama、Mistral等多种模型，给客户提供选择，避免了把鸡蛋放在OpenAI这一个篮子里。亚马逊还向Anthropic投资了数十亿美元，作为交换条件之一，Anthropic使用AWS和亚马逊的Trainium芯片进行训练和部署，这既是商业联盟也是算力消纳协议。

而在应用侧，亚马逊的Alexa和AWS的各种服务中都在植入AI能力，但相比微软的Copilot矩阵，亚马逊在企业AI应用上的存在感偏弱。三巨头之外，甲骨文（Oracle）凭借与OpenAI、xAI等公司签下的大额算力租用合同，以及拉里·埃里森本人的强力销售，在AI基础设施市场异军突起，市值大幅攀升；Meta虽然在公有云上不是玩家，但它为了训练自家模型和支撑社交产品，自建了堪称全球最大规模的AI算力集群之一。

把基础设施这一层看清之后，就到了整个产业最受瞩目、新闻最多、也最drama的模型层——说实话，这一层的斗争比2026年的影视或综艺好看多了。

这一层的玩家，其核心资产就是它们训练出来的大语言模型和多模态模型，模型的能力直接决定了整个产业的想象空间。OpenAI是这一层当之无愧的标杆，它从二零一五年由山姆·奥特曼、伊隆·马斯克等人发起的非营利研究机构起步，在二零一九年转型为"有限盈利"结构以吸纳资本，并在二零二二年十一月发布ChatGPT。这个产品在两个月内用户破亿，成为人类历史上增长最快的消费级应用，把生成式AI从实验室直接推到了全球公众面前。

GPT系列从GPT-3的一千七百五十亿参数开始显示出"涌现能力"，到GPT-3.5支撑起ChatGPT的爆发，再到GPT-4在推理、代码、考试等任务上达到人类专家水平，再到GPT-4o实现原生语音图像实时交互，再到o系列（o1、o3等）引入强化学习驱动的"慢思考"推理能力，在数学和编程竞赛题上取得突破性表现，OpenAI几乎以一己之力定义了整个行业的能力前沿和叙事节奏，在很长一段时间里，OpenAI=AI。它每一次发布都会引发全球媒体的报道和同行的紧急应对，而这种议程设置能力本身就是巨大的商业价值。

OpenAI的估值随之水涨船高，到二零二四、二零二五年间，其估值已经达到数千亿美元级别，成为全球估值最高的未上市公司之一，软银等巨头持续注入巨资。但OpenAI的优势明显，问题也越来越明显：

训练前沿模型的成本已经动辄数亿美元单次，对资本的需求近乎无底洞；与微软的关系在利益分配上暗流涌动；核心人才流失严重，多位创始元老相继离职并创办了竞品；从非营利到有限盈利再到公益公司的治理结构反复变动，引发了关于"OpenAI是否还open"的持续质疑.....

OpenAI流失的人才里，最重要的一批去了Anthropic。这家公司由OpenAI前研究副总裁达里奥·阿莫代表（Dario Amodei）和丹妮拉·阿莫代表（Daniela Amodei）兄妹于二零二一年创立。这事儿的起因是兄妹俩对OpenAI商业化方向有了分歧，尤其担心AI安全被利润挤压。因此Anthropic走的是一条"安全第一但能力同样顶尖"的路线，它的Claude系列模型在长文本处理、代码生成、写作风格和企业级安全合规上建立了口碑，深受开发者和企业客户喜爱。

Anthropic独创的"宪法AI"（Constitutional AI）方法，试图用一套显式的价值观准则来约束模型的输出，既减少对人工标注的依赖，又让模型行为更可解释、更可控。

在商业化上，Anthropic采取了与亚马逊和谷歌同时深度合作的策略，从两家云巨头那里获得了巨额投资和算力保障，估值也一路攀升到数百亿美元。Claude在编程和复杂推理任务上的表现尤其突出，Cursor、Windsurf等一批AI编程工具都把Claude作为主力模型，这在开发者群体中形成了强大的口碑效应。

谷歌的Gemini前面已经说过，这里顺便补充一下它在产品化上的问题——谷歌虽然技术底子最厚，但把研究能力转化为消费级产品的能力却屡屡掉链子，Gemini应用本身的用户体验一度被用户吐槽不如ChatGPT（相信你们或多或少听说过美国大豆包这个名字），品牌命名也反复更换（Bard、Gemini、Duet AI、Gemini App……），这都反映出内部产品策略的摇摆，谷歌必须补上这一方面的短板。

而隔壁Meta走的是与上述几家截然不同的路线。扎克伯格做了一个在当初看来疯狂、现在被证明极具前瞻性的决定：把自家的大模型Llama系列以开源形式发布。

Llama 2在二零二三年开源后引爆了全球开源社区，无数开发者基于它做微调、做应用，Llama 3和Llama 3.1把性能推到了与闭源前沿模型接近的水平，特别是四百零五亿参数的版本，在多项基准上能和GPT-4叫板，却可以免费下载。

那为什么Meta敢这么玩呢？

答案是它根本不靠卖模型API赚钱。

Meta的核心业务是社交网络和广告，而不是卖AI模型。如果AI模型成为人人可用的开源基础设施，最大的受益者将是那些有能力在AI模型之上构建大规模应用的平台——而Meta恰恰就是这样的平台。

这是一个典型的"放水养鱼"策略，先让所有人都用上AI，再让Meta的平台上长满AI驱动的应用。因此Meta决定让开源模型成为事实标准，从而削弱OpenAI和谷歌的护城河，这就像当年Android用开源瓦解了iOS的封闭生态一样。为此Meta投入了惊人的算力，据说购买了超过数十万张H100规模的GPU集群来训练Llama，这种烧钱力度只有谷歌和微软能比。Meta的赌注押在了"开源最终会拉平闭源的优势"上，但这个赌注是否成立，将决定整个模型层的走向。

除了这几家，模型层还有一批重要的参赛者。马斯克的xAI带着强烈的个人色彩高调入场，凭借Grok系列和与X（原Twitter）的数据、分发整合，以及马斯克本人巨大的舆论影响力，xAI迅速跻身第一梯队，并在孟菲斯建起了庞大的算力中心，融资规模惊人。

欧洲的Mistral AI则是开源阵营的另一面旗帜，由前DeepMind和Meta的研究员创立，以小巧高效的模型和激进的混合专家架构闻名，拿下了法国政府和欧洲资本的大力支持，被视为欧洲AI主权的希望。

Cohere、AI21 Labs、Character.AI、Inflection等公司则各自在特定方向上耕耘。值得专门说的是Character.AI，它一度是消费级AI对话应用的领头羊，吸引了海量年轻用户与AI角色聊天，但在商业模式和算力成本的双重压力下，最终他们在二零二四年与谷歌达成了一项"人才收购"式协议——谷歌支付数十亿美元的许可费，把创始人诺姆·沙泽尔（Noam Shazeer，Transformer论文共同作者）等核心人才重新招回——可见前沿AI人才稀缺到什么程度。

现在让我们把目光转向中国。在国内，模型层的竞争同样激烈，而且呈现出与美国不同的特征。

这里我们分成几条不同的支线为大家梳理。

第一，中国大模型公司大致可以分为"大厂派"和"六小虎"两股力量。大厂派包括百度（文心一言/ERNIE）、阿里（通义千问/Qwen）、腾讯（混元）、字节跳动（豆包/Doubao）、华为（盘古）、科大讯飞（星火）等，它们各自依托庞大的业务场景和资本储备，在大模型上长期投入。

其中百度的文心一言是国内最早大规模发布的对话产品，抢占了政策窗口和品牌先发；阿里的Qwen系列在开源领域表现极为强势，多个尺寸的模型在国际开源榜单上长期名列前茅，被全球开发者广泛使用；字节跳动的豆包凭借字节强大的产品分发能力，用户数和调用量在国内名列前茅，字节还以激进的价格策略把API调用成本压到了行业最低，引爆了国内的"模型价格战"。而腾讯的混元相对低调但稳步迭代；华为的盘古聚焦行业垂直场景；讯飞依托语音和教育优势切入。

第二，"六小虎"指的是智谱AI（GLM系列）、月之暗面（Kimi）、MiniMax、百川智能、阶跃星辰（StepFun）等创业公司，它们大多成立于二零二三年前后，迅速崛起为国内大模型创业的明星阵营，融资规模动辄数十亿元人民币，估值在短时间内突破百亿。智谱AI源自清华大学的技术成果转化，GLM系列既有闭源旗舰也有开源版本，在企业市场根基深厚；月之暗面的Kimi以超长上下文（最初主打二十万字、后来推到数百万字）和流畅的文档阅读体验走红，一度因为服务器被挤爆成为热点新闻；MiniMax在多模态和角色对话上发力，海螺AI等产品在海外市场也有声量；百川和阶跃则各自在基础模型能力上追赶。

第三，DeepSeek（深度求索）。我们必须要把它单独分门别类——它太特殊了。

这家由量化巨头幻方孵化、梁文锋主导的公司，在二零二四年底到二零二五年初连续放出V3和R1两个版本，以远低于行业预期的训练成本（V3据称仅用约五百五十七万美元）训练出了性能比肩GPT-4级别的前沿模型，R1更通过纯强化学习路线在数学和推理上达到甚至超越OpenAI的o1水平，并且全部开源。

这件事让全球AI市场目瞪口呆——它不仅让美股AI板块在短期内剧烈震荡，引发了市场对美国AI巨头投入产出比的质疑，更重要的是它在工程层面证明了，在算力受限的条件下，通过极致的算法优化、混合专家架构、高质量数据工程，依然可以做出世界级模型，这给整个中国AI产业乃至全球追赶者打了一剂强心针。DeepSeek的成功也催生了"高效训练"成为新的主流叙事，迫使所有头部公司重新审视自己动辄数十亿美元的算力预算是否花得有效率。（这里对DeepSeek不做深入分析，日后我们会通过专栏文章再为大家进行深度拆分）

言归正传。

模型层的竞争有几个鲜明的结构性特征，值得从业者高度重视。

首先是能力的快速同质化。一个新能力（比如长上下文、比如推理链、比如多模态）一旦被某家公司证明可行，其他公司往往在几个月内就能复现，差异化窗口越来越短，这迫使头部公司不断寻找新的突破口。其次是推理能力的引入正在改变游戏的规则，OpenAI的o系列、DeepSeek的R1、谷歌的Gemini Thinking、Anthropic的扩展思考模式，都表明行业正在从单纯的"快思考"（一次前向传播给出答案）转向"慢思考"（让模型生成推理过程、自我验证、再给出答案），这种焦点转移对算力的需求结构、对应用的产品形态、对成本的构成都会产生深远影响。

再次是模型尺寸的两极分化。一边是越来越大、越来越贵的前沿模型不断刷新上限，另一边是越来越小、越来越快、可以跑在手机和笔记本上的端侧模型快速崛起，苹果、高通、联发科都在力推端侧AI，Qwen、Llama、微软Phi等小模型系列在性能密度上突飞猛进，端侧与云端的分工正在重新划定。

最后是商业模式的重塑，模型API的价格战从美国打到中国，调用成本以每年数量级的速度下降，纯粹靠卖模型token的商业模式利润越来越薄，这迫使公司向应用层和生态层延伸，这也是为什么几乎所有模型公司都在做Agent、做工具、做C端产品。

说到应用层，这是距离用户最近、创业公司最密集、变化也最快的一层，每天数不清的创始人在这儿崛起、崩塌——因为它决定了AI到底能创造多少真实价值。

应用层的格局可以粗略地分为几大类。

一类是"套壳"式的C端助手，比如Perplexity、Character.AI（角色对话）、Poe（模型聚合平台）等，它们试图在大模型之上建立用户认知和品牌。

一类是垂直生产力工具，其中最火的是AI编程赛道。像Cursor、GitHub Copilot、Windsurf、Replit、v0等，它们正在重新定义软件开发的形态；在法律领域有Harvey，在医疗领域有Hippocratic AI和各种辅助诊断工具，在设计领域有Midjourney、Stability AI、Adobe Firefly、Figma的AI功能等，在视频领域有Runway、Pika、Sora、即梦、可灵等。

一类是AI Agent（智能体），这是2026最热的概念，Anthropic的Computer Use能力（让AI直接操作电脑桌面）、OpenAI的Operator、大量的Agent框架（LangChain、LlamaIndex、AutoGen、CrewAI等）都在朝这个方向努力，但Agent的可靠性、安全性和成本目前仍是巨大挑战，"演示惊艳、落地翻车"的尴尬屡见不鲜。

还有一类是面向企业的AI解决方案，比如Glean（企业内部搜索）、SILO公司的各种垂直方案、以及Salesforce Einstein、ServiceNow、Workday等SaaS巨头把AI植入自家产品。

中国应用层的热度同样很高，而且因为国内市场的特殊性，呈现出"价格战白热化、补贴换规模"的特征，字节豆包、Kimi、文心一言、通义、元宝、腾讯元宝等产品轮番登顶各类榜单，但大多数面临商业化难题：

C端用户付费意愿低、B端客户要求高且预算紧、API价格战进一步压缩利润，这些都是中国AI应用层必须跨越的死亡之谷。

而在垂直应用之外，有一个新兴的生态我们需要专门讲一讲，那就是开发者工具和Agent基础设施。这一层包括向量数据库（Pinecone、Weaviate、Milvus、Qdrant）、模型托管和推理优化平台（Together AI、Fireworks、Replicate、SiliconFlow硅基流动、Modal）、Agent编排框架、可观测性和评测工具、数据标注和合成数据平台（Scale AI、Snorkel、Labelbox）等。

这些公司虽然不直接面向终端用户，但它们构成了整个AI应用生态的"水电煤"，随着应用规模的扩大，这一层的市场也在快速膨胀。特别值得一提的是合成数据——随着公开互联网数据逐渐被训练殆尽、所谓"数据墙"逼近，如何用AI生成高质量训练数据来训练下一代AI，已经成为前沿研究最核心的方向之一，Scale AI等公司因此获得了超高估值，OpenAI、xAI等也在内部大力投入合成数据。

讲完市场，资本和人才也是我们观察这个产业不能回避的两条暗线。

在资本层面，过去三年涌入AI的钱是史无前例的。

生成式AI赛道吸纳了全球风险投资相当大的比例，头部模型公司的融资轮次金额动辄数十亿美元，OpenAI、xAI、Anthropic的单轮融资规模超过了大多数传统独角兽的全部累计融资——正所谓有钱的投AI，没钱的借钱也要投AI。

除了风投，主权基金的下场尤为引人注目。中东资本（尤其是沙特公共投资基金PIF和阿联酋的MGX）正在以惊人速度涌入硅谷AI公司，试图在新一轮技术革命中卡位，它们带来的不仅是钱，还有对算力、能源、数据中心的协同布局。

科技巨头之间的相互投资（微软投OpenAI、亚马逊和谷歌投Anthropic、苹果曾与OpenAI合作、英伟达四处投资模型和基础设施公司）形成了一张复杂的资本网络，这张网既是联盟也是相互制衡。但资本的疯狂也埋下了"泡沫"的隐忧，业界关于"AI基础设施投入远超应用层收入"的争论从未停止，有分析指出主要云厂商在AI基础设施上的资本开支，数倍于整个AI应用市场产生的实际收入，这种剪刀差能维持多久、会不会在某一天集中爆发，是悬在整个行业头上的达摩克利斯之剑。

而在人才层面，AI产业对顶尖智力的依赖程度极高，一个杰出研究员的产出可能等于数十个普通从业者之和，因此对顶尖人才的争夺近乎白热化。OpenAI流失的人才撑起了Anthropic、xAI等多家竞争对手；DeepMind、Meta FAIR、谷歌Brain、Mistral等机构之间的人才流动从未停止；OpenAI、Anthropic等公司开出的年薪（数百万到上千万美元级别的总包）让传统科技公司难以招架。在这个局势里，华人研究者是全球AI人才池中最重要的组成部分之一，他们大量聚集在硅谷各大公司和高校，近两年随着国内AI产业的崛起和政策环境的变化，回流趋势明显，这是中国AI产业最宝贵的智力资源。

除了顶尖算法研究员，机器学习基础设施工程师、数据工程师、芯片设计师、AI产品和设计人才、AI安全和对齐研究员、数据标注和管理人才等都处于结构性短缺状态，对个体从业者而言，这意味着一个窗口期较长的红利阶段。

最后必须谈一谈政策和监管这条"看得见的手"，因为它正以前所未有的力度介入AI产业的塑造。

欧盟的《人工智能法案》（AI Act）是全球第一部体系化的AI综合性立法，它按风险等级把AI应用分为不可接受风险、高风险、有限风险、最小风险四类，对高风险应用（如生物识别、关键基础设施、教育、招聘、执法等）施加严苛的合规义务，对通用目的模型（GPM）和前沿模型设定了透明度、文档、安全评估等要求，最高罚款可达全球营业额的百分之七，这套法规的示范效应让全球都在跟进，但它的合规成本也让不少欧洲创业公司抱怨"在杀死本土创新"。

美国的监管相对碎片化，拜登时期颁布的关于AI的行政命令设立了前沿模型的安全报告门槛，但特朗普上台后迅速撤销了该命令，转而采取更为松绑、鼓励发展的姿态，并推出"星际之门"（Stargate）这样规模高达数千亿美元的国家AI基础设施计划，由OpenAI、甲骨文、软银等牵头，试图在算力和基础设施层面确保美国对中国的代差优势，联邦层面整体转向"宁可冒进不可落后"的基调。

中国采取的则是敏捷治理路径，《生成式人工智能服务管理暂行办法》《深度合成规定》《算法推荐管理规定》等法规构成了相对完整的框架，配套有算法备案、内容审核、安全评估等机制，既鼓励发展又强调安全可控和意识形态合规，这种"边发展边规范"的模式在实践中相对灵活，但也给企业的合规成本带来压力。

国际治理层面，G7的"广岛AI进程"、联合国的AI咨询机构、各类国际标准组织都在争夺AI全球规则的制定权，而由于美中之间在AI领域的战略竞争，全球性的AI治理框架很难达成实质性共识，世界正在分裂为不同的AI治理阵营。

现在我们把所有这些层面叠加在一起，一幅全球AI产业的全景图就清晰了。

这是一个由美国凭借硬件、模型、资本和人才的全面优势主导，中国凭借应用、工程、市场和举国体制紧追不舍，欧洲试图以监管确立话语权却产业孱弱，其他国家或地区性强国（英国、以色列、加拿大、印度、海湾国家、日韩等）在特定节点上寻找机会的多极竞争格局。

它垂直整合度极高：从阿斯麦的光刻机到台积电的产线到英伟达的芯片到云厂商的数据中心到模型公司的算法到应用层的产品，价值在层层传递和分配；

它资本密集度极高：前沿玩家的资金门槛已是百亿美元级别，中小玩家越来越难上桌；

它人才集中度极高：全球能做前沿模型研究的工程师和研究员可能只有数千人，他们集中在少数几个机构；

它演进速度极高：几个月就能完成一次更替，去年的前沿今年就成了基础。

而这些，就是我们每一个从业者、每一个想理解这个时代的人，所要面对的真实图景。

它充满机会，也布满陷阱；它造就英雄，也无情淘汰迟疑者。看清楚这张网的每一根丝线，是进入这个行业的第一课，也是这本手册想要帮你打下的第一块地基。