洛伊研究所 AI 快照显示美国领先中国，但存在局限

洛伊研究所的 AI 快照显示，尽管中国在矿产资源和开放模型分发方面占优，美国仍领先于中国。这项于 2026 年 11 月 8 日发布的评估比较了资源、技术、AI 能力和采用情况四大领域的 14 项指标。其结论挑战了一种常见的简单判断：在开发者群体中受欢迎，并不必然意味着在整个 AI 市场中占据领导地位。

研究人员 Jack Sato 和 Hunter Marston 区分了美国在算力和消费者分发上的优势，以及中国在其他领域的优势。他们的比较显示美国总体领先，同时也说明为何单项指标可能导向截然不同的新闻标题。两国都无法掌控每一种资源、每一条分发渠道或每一个影响力来源。

对开发者和企业采购方而言，其意义不止于国家排名。选择一个 AI 系统，意味着选择与基础设施、软件访问、运行要求和治理相关的依赖关系。这份报告为审视这些依赖提供了起点，但并未断定哪一种模型适合每个组织的工作流程。

洛伊研究所 AI 快照实际改变了什么

这项新评估改变的更多是比较框架，而非基础竞争格局。

Lowy 的 AI 实力比较 汇集了通常分散在不同讨论中的指标。它将材料、基础设施、模型能力和分发纳入同一框架。各层级的衡量指标权重相同，指标得分则将两国与其合计总量进行比较。

这种方法提出了一个关于如何理解技术实力的观点。一国的地位不能完全建立在一次成功的聊天机器人发布之上。同样，仅凭工业资源也不能证明其软件能触及更多用户或拥有更佳表现。

这种区分很重要，因为国家间竞争往往演变为一连串孤立的公告。模型发布带来性能标题，芯片限制带来安全标题，下载量里程碑带来采用标题。读者随后将每一项发展都视为某一方整体胜出的证据。

但这些发展回答的是不同的问题。将其结合起来，需要对其相对重要性作出明确判断。Lowy 让其框架可见，使读者能够审视这种判断，而不是将其视为未经说明的假设。

因此，总体得分应被视作一种结构化解读，而不应取代对底层类别的审视。选择软件的组织所需的权重，与评估产业脆弱性的政府并不相同。

设想一个团队正在评估用于处理机密工程文档的助手。消费者层面的受欢迎程度，几乎无法证明该系统是否符合其要求。部署控制、文档处理、回答质量和维护义务将具有更直接的权重。

一家向客户推出助手的企业则面临另一种计算。访问便利性、响应可靠性、集成支持和持续性，可能比独立运行模型的能力更重要。这两种决策都不与国家层面的评估相矛盾，只是各自适用了更狭窄的目标。

这份出版物还为后续报道提供了有用的基准。未来关于领导地位的主张，可以根据其实际影响的维度进行检验。分发方面的进展应更新分发讨论，而不应悄然变成制造业取得同等进步的证据。

这正是洛伊研究所 AI 快照的核心贡献：它让相互竞争的“领导地位”定义更难被忽视。该评估总体上倾向于美国，同时也为对特定用户和行业有意义的中国优势留出了空间。

读者应同时保留这一结论的两部分。删除总体结论会低估报告的论点；删除其中的不均衡性，则会将分析框架变成证据无法支撑的胜利宣言。

中美 AI 竞争贯穿不同的分发渠道

赢得开发者关注与触及日常用户彼此相关，但衡量的是不同类型的影响力。

Lowy 报告称，在其比较中，中国模型占美中两国模型合计下载量的 78%。美国模型则吸引了合计网站流量的 90% 以上，以及所测量应用使用量的 80% 以上。这些数字描述的是不同渠道，而不是可相互替代的总体市场份额估计。

开放权重模型会在其许可证允许的范围内提供可下载的学习参数。这种可用性让其他组织能够运行或调整该模型。托管式助手则通过由服务提供商管理的基础设施提供访问。

这种差异改变了模型开发者与最终用户之间的关系。使用托管式助手的人通常会接触到一个可识别的产品。使用围绕已下载模型权重构建的应用程序的人，可能从未见过原始开发者的名称。

因此，中国 AI 采用可以在中国聊天机器人网站访问量未同步增长的情况下扩大。反过来也成立。美国助手的大量流量，并不能证明美国可下载模型在独立部署中占据主导地位。

不过，下载量需要谨慎解读。Hugging Face 的 下载统计规则 说明，其统计数据计算的是对指定文件的请求，并不直接统计独立用户、活跃组织或已完成的生产部署。计数行为也会随文件格式和库而变化。

这一限制并不意味着下载统计毫无意义。它们提供了模型分发活动的证据。错误在于，在没有额外证据的情况下，将一次分发事件变成关于持续运营使用的主张。

一次下载可能用于评估、实验、调整或已部署服务。这些活动具有不同的商业和战略意义。仅凭下载量，无法可靠地区分它们。

网站流量同样存在局限。一次访问并不能证明用户完成了有用工作、定期回访，或选择了付费服务。当比较采用不同测量系统或访问条件时，应用活动也需要同样谨慎。

有用的问题在于每条渠道能带来什么。托管式分发让提供商与用户建立直接关系，并掌控产品更新。可下载模型则让下游运营方承担更多部署责任，并拥有更大空间塑造周边应用。

两种安排都不保证更好的结果。独立运行模型会引入维护和安全责任；依赖托管服务则会面临可用性、产品行为和访问条件变化的风险。

对开发者而言，含义很实际。国家层面的采用标题不应决定技术选择。相关比较在于，某种具体的分发安排能否长期满足应用需求。

对政策制定者而言，含义则不同。影响力既可通过品牌化消费者产品积累，也可通过嵌入其他系统的底层组件积累。有用的评估需要同时审视这两条路径，而不能假装它们的活动指标描述的是同一群体。

美国的算力优势仍依赖实体投入

AI 软件领域的领先，并不能消除对使这些软件成为可能的工业系统的依赖。

算力指的是用于训练和运行 AI 系统的处理资源。Lowy 估计，美国 AI 数据中心拥有的综合计算能力接近中国的 40 倍。报告还发现，在美国关键矿产清单中的 30 种矿产上，中国的生产处于领先地位；相比之下，美国仅在 8 种矿产上领先。

这份 关键矿产清单 涵盖 60 种被认为对美国经济和国家安全至关重要的材料。其目的在于关注整个经济体的供应脆弱性，而不是按各材料对 AI 的单独重要性进行排名。

这种区分避免了另一种误导性的简单判断。在更多列出的矿产中领先生产，并不会自动转化为成品 AI 系统上的同等优势。材料必须经过制造、设备、基础设施和运营流程，才能支撑可用的算力。

然而，反向的简单判断同样站不住脚。更优秀的模型不会让上游依赖消失。供应商即使不生产最显眼的终端产品，也可以占据重要位置。

这在中美 AI 竞争中形成了持续的张力。不同参与者可以影响同一工业系统的不同环节。在应用层取得领先，并不会自动防范其他环节的约束。

电力带来了另一项依赖。国际能源署的 AI 能源展望 预计，数据中心的用电量将从 2025 年的 485 太瓦时增至 2030 年的 950 太瓦时。报告指出，能源设备及其他基础设施的瓶颈会限制近期扩张。

太瓦时衡量的是一段时间内消耗的电力，并不衡量 AI 模型的质量或其回答的实用性。不过，这份能源展望解释了为何不能脱离供给系统，单独评估已安装的计算设备。

已宣布的基础设施和正在运行的基础设施应被区别对待。拟建设施仍需满足提供可靠服务所需的实体和商业条件。将每一项公告都视作立即可用的容量，会掩盖这些条件。

对企业客户而言，这场产业讨论通过服务承诺产生影响。运营层面的问题是，当工作负载增加或提供商调整服务时，是否仍能获得可靠访问。国家层面的容量估计无法回答单份合同的这一问题。

对政府而言，问题则在于相互关联依赖关系中的韧性。扩展一种投入可能暴露另一项约束。如果周边基础设施无法支撑，更多设备的收益就会受限。多元化供应商基础也需要切实可行的替代方案，而不只是政策文件上的名称。

洛伊研究所 AI 快照在此最有用之处，是提醒人们追踪依赖链条。其类别识别了不同的实力来源，但读者仍需要了解这些优势如何在实际生产和部署中相互连接的证据。

因此，竞争图景难以被清晰划分为软件与工业两个部分。两者相互依赖，而一个领域的改进，仍可能使其他领域的脆弱性悬而未决。

能力领先并不保证部署领先

最强的通用模型，并不会自动成为每一项运营任务中最合适的系统。

Anthropic 的 AI leadership scenarios 将模型智能水平、国内采用、全球分发和社会韧性区分开来。该公司认为，能力至关重要，同时也承认，有效部署能够弥补智能水平上的劣势。

这一视角有助于更广泛地理解竞争，但需要注明其来源。Anthropic 开发 AI 模型，也参与其所分析的市场。其战略评估提供的是知情的观点，而非对每一项竞争性主张的独立确认。

其中的基本区分仍然具有参考价值。模型能力涉及系统在特定条件下能够完成什么；部署则涉及一个组织能否让这种能力在自身流程中发挥作用。

基准测试，即用于比较系统的标准化评估，可以揭示一组明确的能力。但它无法自动证明系统在每一种工作场景中的表现。任务、文档、运营限制以及错误后果各不相同。

设想一个假定的工程团队，正根据其内部文档比较不同助手。某个系统或许能给出更流畅的解释，却引用了错误版本的技术规范；另一个系统的文字可能没那么精致，却能持续定位到正确文档。

这个例子并不能证明某个国家的模型系列表现更好。它说明，采购方的评估必须把能力与实际任务联系起来。通用排名并未完成这种关联。

部署控制带来了另一项考量。处理敏感材料的团队，可能更偏好将处理过程保留在获批准环境中的方案。另一个团队则可能优先选择托管运营，因为其缺乏维护自身模型基础设施的人员。

即使讨论中完全不涉及订阅方案比较，这些选择仍关系到投入、责任和灵活性成本。自主运营需要有人管理更新并调查故障；托管访问则需要有人评估供应商的政策和服务承诺。

中国 AI 的采用情况应通过这一运营视角来审视。对可下载模型的兴趣，可能反映出对灵活性和控制权的需求。但这并不能证明每一个下载的系统都已投入生产，或取代既有服务。

美国面向消费者的覆盖范围同样需要从运营视角考察。熟悉度可以帮助产品进入组织，但熟悉度本身无法证明其适合处理机密工作、专业文档，或需要可靠证据支撑的决策。

对于知识工作者而言，这种联系尤为直接。助手的实用性通常取决于它能检索的材料，以及它所保留的证据。更强的通用模型无法弥补源文档缺失或过时的问题。

因此，评估 AI knowledge base 的团队，应在选择模型的同时审视信息访问能力。国家间竞争提供背景，而组织自身掌握的证据决定了助手能否交付有用结果。

这正是能力与采用交汇、却不等同的地方。更好的模型扩大了可能应用的范围；成功部署则决定哪些可能性会成为可靠的工作。报道应同时追踪这两个领域的进展，并避免将其中一个宣布为另一个的完全替代品。

公众信任不能从技术领先中推断出来

开发出被广泛使用的 AI 系统，并不会自动赋予其制定相关规则的权威。

治理问题关乎谁来确立可接受的实践、问责机制和监督方式。它不同于哪个国家生产最具能力模型的问题。用户可以依赖某项产品，同时不信任与其相关的机构。

Pew Research Center 于 2026 年 9 月发布的 AI regulation survey 显示，受访者对中国的信任度中位数为 43%，对美国为 35%，对欧盟为 34%。这些结果来自 12 个受调查国家，其中多数为中等收入经济体。

调查范围与百分比本身同样重要。Pew 曾在 2025 年对另一组 25 个国家提出相关问题。不同样本之间汇总结果的变化，并不能单独证明同一批人群的看法发生了改变。

这种方法论上的审慎，对 Lowy Institute AI 快照具有重要意义。其治理讨论应促使人们更仔细地审视各国态度，而不应鼓励人们就全球公众舆论作出普遍性断言。

信任也取决于所提问题的具体内容。相信某个政府能够监管 AI，并不等于偏好其商业产品；使用外国助手，也未必意味着认可该政府的政策。

对于企业采购方而言，治理通过责任变得具体。必须有人决定助手可以访问哪些信息；必须有人调查有害或错误的输出；必须有人确定何时必须进行人工审核。

这些决策无法委托给国家排行榜。组织需要在出现问题时仍然易于理解的安排。相关证据包括操作程序、可执行的承诺以及明确分配的责任归属。

对于美国和中国以外的政府而言，同样的区分为独立选择留出了空间。它们可以依据本国要求评估进口系统，而不必将采购视为对供应国无条件的背书。

这并不意味着这些选择在政治上很简单。技术依赖与政策关系可能相互作用。不过，将每一次采购都视为完全的地缘政治结盟，会抹去应用与机构之间实际存在的差异。

该快照的整体结构还存在一项局限。等权重使框架更易理解，但等权重本身是一种分析选择，并不能证明每个类别对未来结果具有同等影响。

面临供应中断的政府，可能会更重视产业投入；正在进行国际扩张的软件公司，可能会强调分发能力；处理敏感记录的公共机构，则可能优先考虑问责性和运营控制权。

这些优先事项都不会否定该报告。它们表明，读者应将报告的总体评估与自身决策标准区分开来。当其假设保持可见时，这一框架有助于开展审视。

因此，审慎的结论是明确的：该快照整理了有关领导地位的证据，却让关于结果的重要问题仍未解决。它并未证明普遍的产品优越性、不可避免的未来主导地位，或获得国际认可的 AI 治理权。

Lowy Institute AI 快照之后应关注什么

下一批有用证据，应将竞争性主张与持续使用、实际运行的基础设施以及可执行的运营选择联系起来。

第一个信号涉及超越初步兴趣的采用。在未来几个月中，若模型发布和分发更新包含持续部署的证据，就值得关注。下载总量仍有参考价值，但经常性的运营使用证据，会更有力地支持有关持久影响力的主张。

对于中国的可下载模型，关键区分在于试验与持续依赖。开发期间接受测试的模型，与支撑组织日常运营的模型，处于不同的位置。记录这一转变的报道，将有助于厘清分发增长的意义。

同一标准也应适用于美国服务。关注度提高并不必然意味着持续实用。组织持续使用的证据，将更有力地支持消费者覆盖范围转化为长期运营影响力的主张。

如果美国的分发优势持续存在，而中国开放模型活动仍集中于试验阶段，这一信号将强化 Lowy 的解读；如果中国模型在独立运营的应用中获得有记录的持续使用，则会削弱对该解读的简单理解。

第二个信号涉及投入服务的基础设施。公司更新和公开披露应区分拟议设施与正在运行的能力。有关电力获取、设备可用性和投产调试的证据，有助于解释已宣布的扩张是否会转化为可用算力。

这些证据对竞争双方都很重要。新增的运行中基础设施，将强化能够有效利用它的生态系统的地位；延误则会削弱那些依赖已宣布能力按预期到位的结论。

第三个信号涉及治理走向运营化。应关注改变组织部署 AI 方式的采购要求、已实施的保障措施和已发布的评估。相比具有明确责任界定的规则，成员资格公告和宽泛的政策声明提供的证据较少。

这一信号将挑战“技术领先自动决定治理影响力”的假设。领先模型生产国以外的机构，仍然可以塑造实际要求。当这些要求影响真实部署时，其影响力会更加清晰。

对于关注美中 AI 竞争的读者而言，这些信号提供了一种有纪律的替代方式，而非对每一项领导地位主张都作出即时反应。每一项都在询问：可衡量的发展是否改变了能力、分发和依赖之间的关系。

请将原始证据与每一次后续更新一并保留。记录采用统计覆盖的是哪类人群、基础设施项目已达到哪个阶段，以及一项治理公告会带来哪些义务。这些记录会让后续比较更有价值。

在下一次采购或部署 AI 之前，请将 Lowy Institute AI 快照转化为关于自身风险暴露的问题：哪家供应商控制着系统访问权？它可以使用哪些文档？当其行为发生变化时会怎样？谁来处理故障？组织又能多容易地迁移其工作？

使用具有代表性的任务和清晰的运营要求比较候选系统。保留评估结果，以便新版本能够接受同样的检验。关注国家间竞争以获得背景信息，然后在组织实际开展工作的层面要求证据。如果竞争格局发生变化，哪一种依赖最难被替代？