美华头条7月12日综合报道，总部位于北京的人工智能企业智谱旗下Z.ai于6月16日发布新一代旗舰模型GLM-5.2，主打长周期复杂任务、软件工程和智能代理应用，并将上下文处理能力扩展至100万词元。进入7月后，这一模型与DeepSeek、通义千问、月之暗面等中国模型共同受到国际科技行业关注，使中美人工智能竞争进一步从单一性能排名，延伸至使用成本、开放生态、芯片供应、科研投入和产业部署能力等领域。

此次竞争涉及智谱、DeepSeek等中国模型开发商，以及OpenAI、Anthropic、谷歌、Meta等美国企业。当前产生的直接结果是，中美先进模型之间的能力差距继续缩小，企业客户获得更多供应商选择，美国企业仍在高端芯片、云计算、资本投入和前沿模型数量方面占据优势，但过去依靠明显技术差距维持高价格和封闭生态的空间面临新的竞争压力。

截至7月12日，尚无充分证据表明中国已经在整体人工智能产业上超过美国。较为明确的变化是，全球人工智能竞争已经不再由某一家企业或某一次模型测试决定，而开始成为模型能力、基础设施、科研体系和监管环境之间的综合较量。

中美模型性能差距明显缩小

斯坦福大学以人为本人工智能研究院发布的《2026年人工智能指数报告》显示，自2025年初以来，中美模型曾多次在主要性能评估中交换领先位置。截至2026年3月，美国表现最好的模型仍领先约2.7%，但差距已维持在较低水平。

报告同时显示，美国在2025年推出59个具有代表性的重要模型，中国为35个。中国则在人工智能论文数量、论文引用、专利授权数量和工业机器人安装等指标上领先，美国拥有更多高影响力专利，并继续主导全球先进模型的商业开发。

这些数据表明，中国模型正在接近国际前沿，但“模型差距缩小”并不等于产业能力已经完全相同。模型排名主要衡量特定测试中的表现，无法完整反映系统稳定性、安全控制、客户服务、芯片供应和商业部署能力。

GLM-5.2重点强调长时间持续执行任务、处理大型软件项目和调用多种工具。这类能力被视为人工智能从对话工具转向实际工作系统的重要方向。不过，该模型的真实性能仍需经过更多独立测试和企业长期使用验证，开发商公布的评测结果不应被直接视为市场结论。

低成本与开放部署改变竞争方式

中国模型带来的主要压力，并不只来自测试分数，还来自成本和部署方式。

在客服、文件处理、翻译、程序辅助和数据整理等常见商业任务中，企业未必需要使用能力最强、价格最高的模型。当多个模型都能完成大部分工作时，调用价格、响应速度、数据控制和部署灵活性会成为更重要的采购标准。

中国模型企业近年来普遍重视开放权重、兼容现有开发工具和降低使用成本。企业可以根据授权条件，在自有服务器或第三方云平台部署部分模型，减少对单一供应商接口的依赖。这种方式尤其适合希望控制数据流向、降低长期费用或进行行业定制的客户。

支持开放模型的一方认为，只要开放系统能够达到前沿封闭模型的大部分能力，就可能降低中小企业使用人工智能的门槛，并推动软件开发、制造、教育和专业服务领域扩大应用。

持审慎态度的一方则指出，开放部署并不自动代表更安全。企业仍需具备模型评估、网络防护、数据管理和持续维护能力。能力较强的开放模型还可能被用于自动化网络攻击、欺诈或虚假信息生产，增加监管难度。

因此，开放与封闭并不是简单的优劣关系。开放模型有利于扩大竞争和降低成本，封闭服务则通常能够提供更集中统一的安全管理、技术支持和责任机制。

美国仍掌握资本、芯片和云计算优势

美国人工智能产业的基础优势尚未消失。

2025年，美国私人领域人工智能投资达到2859亿美元，是中国相关私人投资规模的23倍以上。美国还拥有全球主要高端芯片设计企业、规模最大的云计算平台和数量最多的人工智能数据中心。

斯坦福报告统计，美国境内共有5427座数据中心，数量超过其他任何国家十倍以上。英伟达、谷歌和亚马逊等美国企业控制全球大部分人工智能计算资源，全球最先进芯片的生产则高度依赖台湾积体电路制造公司。

这些条件使美国企业能够训练规模更大、成本更高的前沿模型，并迅速将模型接入国际云服务、办公软件和企业系统。美国还拥有成熟的风险投资体系、顶尖大学和来自全球的科研人才。

不过，美国优势也伴随高昂成本。训练和运行先进模型需要持续增加数据中心、电力和冷却设施投入。模型企业收入正在增长，但芯片采购、云计算和基础设施支出也同步上升。

在这种情况下，中国企业不一定需要复制美国依靠无限扩大算力的发展路径。通过提高模型效率、压缩运行规模和降低部署价格，同样可能在部分市场形成竞争力。

芯片限制的效果出现两种判断

美国近年来持续限制先进计算芯片和半导体设备向中国出口，以延缓中国训练高性能人工智能模型的能力。2026年1月，美国商务部调整部分芯片出口审查政策，对英伟达H200、AMD MI325X及类似产品的申请实行个案审查，但针对中国相关实体的许可和安全要求仍然存在。

支持出口限制的一方认为，前沿模型依赖大量先进芯片，限制高端算力供应能够提高中国企业的研发成本，减慢模型训练和数据中心扩张速度，并保护美国的技术优势。

另一种观点认为，限制措施也可能促使中国企业加快模型效率研究、国产芯片适配和独立软件生态建设。中国开发商在算力受限条件下更加重视以较少芯片完成训练和推理，这种路线可能提高其模型在成本敏感市场中的竞争力。

现有结果显示，美国芯片管制提高了中国企业进入最前沿计算领域的难度，但并未阻止中国持续推出具有国际竞争力的模型。其长期效果将取决于中国国产芯片的发展速度、美国政策能否得到盟友配合，以及跨境云计算服务是否受到进一步限制。

技术来源与知识产权争议升温

随着中国模型能力提升，有关训练数据、模型蒸馏和知识产权的争议也在增加。

Anthropic于2月23日表示，该公司发现DeepSeek、月之暗面和MiniMax通过约2.4万个账户与Claude模型进行了超过1600万次交互，并指称相关活动被用于提取模型能力。Anthropic将这些操作称为未经授权的“蒸馏攻击”。

模型蒸馏是指让较小模型学习更强模型的输出，从而以较低成本获得部分相似能力。这项技术本身在人工智能行业广泛使用，争议在于企业是否可以在未经授权的情况下，大规模收集竞争对手模型的输出并用于商业训练。

截至目前，相关说法主要属于企业指控，并非司法机关已经确认的结论。是否构成违约、侵权或不正当竞争，还需结合账户使用方式、服务协议、训练过程和适用法律进行判断。

中国模型企业过去也长期面临“依靠复制西方技术发展”的质疑。支持这一判断者认为，中国企业受益于海外模型输出、开源代码和国际科研体系；反对者则指出，当前中国在算法设计、工程优化、材料科学和制造应用方面已经形成独立研发能力，不能再将所有进步归因于技术模仿。

更为中立的判断是，现代人工智能本身建立在全球论文、开源软件、跨国人才和公开数据之上。技术交流与商业侵权之间的边界，需要透明证据和统一规则，而不能仅以企业国籍作出判断。

科研规模扩大成为中国长期支撑

中国人工智能发展背后，是持续扩大的科研和工程体系。

自然指数数据显示，在2025年3月至2026年2月的统计窗口内，中国在该指数覆盖期刊中的总体科研贡献排名全球第一，在应用科学、自然科学、生物科学、化学、物理和地球环境科学等领域均位居前列。

自然指数统计的中国相关研究论文数量达到58532篇。不过，该指数只追踪178种经过选择的应用、健康、自然和社会科学期刊，不能代表全球全部科研成果，也不能直接证明中国已在所有科学领域超过美国。

中国的明显优势主要集中在工程、化学、材料、能源、通信和制造应用领域。庞大的理工科毕业生群体、产业链和科研机构，为人工智能、机器人、电池、电动汽车和半导体等行业提供了人才和实验条件。

支持中国科研发展模式的一方认为，教育、基础设施和长期研发投入正在转化为产业成果，中国科技进步并非短期政策或单一企业推动，而是数十年积累的结果。

批评者则指出，论文数量和资金规模不能自动转化为原创创新。中国科研体系仍面临评价指标过度量化、学术不端、行政干预和部分研究数据透明度不足等问题。高强度教育竞争能够选拔大量人才，也可能给学生带来过重压力，并限制不同类型创新者的发展。

美国的优势则在于顶尖大学、基础科学传统、成熟的同行评议体系和全球人才网络。但美国吸引新人工智能研究人员的速度正在下降。斯坦福报告称，迁入美国的人工智能研究人员和开发者数量较2017年下降89%，显示美国在人才吸引方面面临新的挑战。

全球市场尚未形成明确胜负

截至7月12日，中美人工智能竞争尚未出现一方全面领先的结果。

美国继续在私人资本、先进芯片、云计算、数据中心和重要模型数量方面占据优势；中国则在科研论文、专利数量、工业机器人、开放模型和工程应用方面扩大影响力。

对企业客户而言，更现实的变化是人工智能供应商数量增加。企业可以针对不同任务，同时使用多个模型，而不是完全依赖一家平台。高端复杂任务可能继续使用美国前沿模型，成本敏感或需要本地部署的业务则可能采用中国或其他开放模型。

这种竞争可能推动模型价格下降，使更多中小企业获得人工智能工具，也可能导致数据标准、监管制度和技术供应链进一步分化。金融、医疗、政府和国防等敏感行业仍会优先考虑数据安全、法律责任和供应商所在地，而不仅是模型性能。

GLM-5.2受到关注的意义，不在于证明中国已经全面超过美国，而在于显示美国企业不能再把长期领先视为不变条件。中国模型也仍需面对先进芯片供应、海外信任、训练透明度和商业盈利能力等限制。

未来竞争的关键，将不只是模型排行榜上的短期变化，而是哪一方能够以可持续成本保持创新，稳定吸引人才，并解决能源消耗、知识产权、数据安全和产业应用等问题。中美人工智能较量正由单一产品竞争，转变为科研体系、工业基础、资本能力与治理规则之间的长期竞争。