近日，兰德公司对1181家中美AI开发企业进行比较后发现，两国在模型架构、基础模型开发、商业模式和学习范式上远比外界想象得相似。真正的分野不在聊天机器人排行榜，而在AI最终被装进哪里：美国更多将AI部署于软件、医疗、科研和网络安全，中国则更快把AI装进机器人、汽车、工厂和能源系统。决定下一阶段竞争结果的，可能不再是谁的模型更会回答问题，而是谁能率先形成“模型、数据、硬件与现实场景”的闭环。
过去两年，中美人工智能竞争几乎被讲成了一场擂台赛。
左边是OpenAI、Anthropic、Google，右边是DeepSeek、阿里、月之暗面和智谱；今天比推理，明天比编程，后天又比上下文长度。每发布一个模型，媒体就问一次：谁追上了谁，谁又反超了谁？
很热闹，也很容易让人看错重点。
兰德公司2026年8月发布的研究报告《美国与中国的人工智能发展：基于AI开发企业新数据集的证据》，做了一件不太讨巧、却很有价值的事：它没有继续盯着几家明星公司，而是从超过2.6万家候选机构中筛选出1181家真正具备AI开发能力的企业，其中美国743家、中国438家，试图回答一个更基础的问题：中美两国到底在建设怎样的人工智能产业？
结论颇有些出人意料。
中美AI企业在模型架构和技术方法上并没有走向两套截然不同的道路。真正显著的差别是，美国更倾向于让AI生活在软件和知识系统中，中国则更积极地把AI装进机器人、汽车、传感器、工厂和能源网络。
换句话说，中美AI竞争的下一幕，可能正在从聊天框转向现实世界。
一、这不是一份简单的“中美AI实力排行榜”
先说清楚，这份报告能说明什么，又不能说明什么。
兰德研究的对象不是一个国家的全部人工智能力量，而是总部位于中美两国、能够自行训练模型或者开发AI系统的商业企业。单纯调用第三方模型做应用的集成商，或者只提供芯片、云计算和数据服务而不开发模型的基础设施企业，并不当然进入样本；大学、政府实验室和个人研究者同样不在统计范围之内。
这意味着，报告不能被理解为中美人工智能综合国力排名，更不能仅凭企业数量得出谁强谁弱的结论。它观察的是两国商业AI开发生态的结构：企业在开发什么，使用什么架构，面向哪些行业，通过何种产品形态进入市场。
研究团队先依据AI岗位、论文、专利和模型排行榜等信息形成候选名单，再使用具有网络检索能力的大模型辅助分类，并进行人工复核。报告称，最终保留变量的人机一致率大多超过90%，一致率较低的变量则被剔除。
这套方法并非没有局限，但它比围绕几家明星公司讲故事更接近产业全貌。兰德试图观察的不是谁在某一天登上了模型榜首，而是中美两国分别把资本、工程能力和产业资源押在了哪里。
这才是报告真正有价值的地方。
二、最反直觉的发现：中美AI企业其实很像
很多人习惯认为，美国AI企业崇尚单一的大模型路线，中国则依靠多种技术路径和行业应用另辟蹊径。兰德的数据并不支持这种简单划分。
在能够确认模型架构的企业中，采用Transformer架构的美国企业占28%，中国企业占27%；使用卷积神经网络的比例分别为13%和11%；扩散模型均约为7%。两国最常见的模型架构高度相似，没有证据表明美国只押注一种架构，而中国已经形成明显更多元的架构体系。
基础模型同样不是多数AI企业的生意。中美样本中，基础模型开发企业均约占19%；真正以模型即服务方式向外出售API或者模型访问能力的企业，两国都只有约10%。美国约90%的企业、中国约75%的企业，主要业务仍然是开发面向客户或者特定行业的AI产品。
这组数据很重要。
公众看到的AI竞争，往往是OpenAI、Anthropic、DeepSeek和阿里等少数基础模型企业之间的较量；但从整个商业生态看，更多企业做的不是再训练一个通用大模型，而是把现有模型转化为医疗系统、工业软件、自动驾驶方案、机器人控制器或者企业工作流。
基础模型当然重要，它决定能力上限，也可能控制开发生态的入口。然而，决定AI能否真正改变经济结构的，最终还是大量行业企业能否把模型变成可靠、可负担、能够持续运行的产品。
因此，兰德报告的第一层启示不是“中美殊途”，恰恰是“中美同途”：两国企业使用的底层工具越来越接近，竞争的重点正在从有没有模型，转向把模型用在什么地方。
三、真正的分水岭：美国做“软件大脑”，中国给AI寻找“身体”
兰德报告中最有冲击力的数据，是61%和26%。
美国AI开发企业中，61%提供的是纯软件形态的产品；中国企业中，这一比例只有26%。即使考虑中国企业公开信息缺失率较高，报告仍认为，两国在“纯软件还是物理载体”方面的差异具有较为明确的方向性。
具体来看，中国样本中，从事人形机器人的企业占12%，美国只有2%；地面机器人和四足机器人分别为24%和16%；自动驾驶企业分别为14%和7%。
行业分布也呈现同样的结构。
中国AI企业更多进入制造业、交通运输和能源领域：制造业相关企业占30%，美国为15%；交通运输为26%和15%；能源为12%和6%。
美国AI企业则更多进入知识密集型行业：医疗和生命科学占28%，中国为17%；科学研究占10%和5%；网络安全占7%和3%。
这不能被简单概括为“美国做虚拟，中国做实体”，更不能由此断言哪条路线天然更先进。医疗、科研和网络安全同样具有巨大的经济价值，美国在这些领域积累了高质量数据、专业人才、软件生态和商业支付能力。反过来，中国在制造业、汽车、无人机、电池、传感器和工业供应链方面的基础，使AI更容易获得物理载体和应用场景。
真正值得重视的是，两国企业正在让AI进入不同的环境。
美国企业更擅长处理文本、代码、科研数据和专业工作流，试图把AI变成医生、程序员、研究人员和企业管理者的数字助手；中国企业则更频繁地让AI面对道路、机械臂、仓库、生产线和电力网络，试图让它在复杂物理环境中感知、规划并采取行动。
一个在训练“会思考的软件”，另一个在扩大“能行动的机器”。
当然，两条道路并不相互排斥。美国也拥有Waymo、Tesla、Google DeepMind等机器人和自动驾驶力量，中国也在大模型、智能体和软件应用上快速推进。这里谈的是产业生态的相对重心，而不是非此即彼的国家标签。
但如果下一阶段AI的突破不仅取决于语言模型继续扩大规模，还取决于世界模型、机器人学习和真实环境反馈，那么拥有更多物理场景的一方，确实可能获得一种尚未被充分估值的战略选择权。
兰德称之为一种“有意义的对冲”。
四、同样都在做强化学习，训练出来的却可能是两种AI
更有意思的是，两国采用强化学习的企业比例都是19%，看起来完全相同，但强化学习被用在什么地方，却很不一样。
美国企业的强化学习更常见于大语言模型，包括基于人类反馈的强化学习、偏好优化和推理能力训练。它要解决的问题是：如何让模型给出更符合人类期待的答案，如何减少错误，如何提升复杂推理与任务执行能力。
中国企业的强化学习则更多与机器人运动、自动驾驶控制和工业自动化有关。它要解决的是另一类问题：机械臂怎样抓取物体，机器人怎样保持平衡，车辆怎样应对道路变化，工业系统怎样在持续运行中优化控制。
技术名称相同，训练环境不同，最后形成的能力也会不同。
语言模型主要从文本、代码和人类反馈中学习；具身系统还要从视觉、空间、传感器和真实动作结果中学习。报告显示，中国企业处理三维或空间数据的比例为36%，美国为27%；处理传感器或物联网信号的比例为29%，美国为25%。这与中国AI企业更多进入实体产业的结构基本一致。
这也是为什么“具身智能”不能被简单理解为给大模型安上一双腿。
一个会聊天的模型，并不会因为被装进机器人就自动获得稳定的抓取、行走和避障能力。现实世界没有撤回键，也不会按照训练集的格式整齐出现。光照、摩擦、重量、噪声和人的随机行为，都会让在模拟环境中表现出色的系统迅速暴露问题。
真正困难的部分，是建立模型、硬件、场景数据和持续训练之间的闭环。谁拥有更多可以低成本试验的工厂、车辆、物流系统和机器人设备，谁就可能更快积累这类数据。
从这个角度看，中国制造业的意义不只是帮助企业降低机器人生产成本，还可能成为AI获取现实世界经验的训练场。
五、另一条暗线：中国开放权重模型正在争夺开发者
兰德报告还发现了一条容易被忽略的变化。
从企业数量看，发布开放权重模型的中美企业比例相差不大，美国约为15%，中国约为17%。但在开发者使用层面，变化要剧烈得多。
兰德分析了模型路由平台OpenRouter的数据。2024年末，美国模型占该平台主要模型Token使用量的85%至90%，中国模型接近于零；到2026年4月，中美模型在该平台的使用量已大致相当。
报告认为，一个重要原因是，中国开放权重模型在不少开发任务上已经提供接近前沿水平的基准表现，而使用价格大约只有领先美国闭源模型的四分之一至五分之一。
价格低，并不仅仅意味着企业少付一点API费用。对每天处理海量请求的应用而言，推理成本能够决定产品是否具有商业可行性。一个能力达到90分、成本只有20分的模型，在很多企业场景中，可能比能力达到95分、成本却高出数倍的模型更有吸引力。
但这里必须踩一下刹车。
OpenRouter的用户主要是技术能力较强、对价格敏感的开发者，而且该平台天然更有利于开放权重模型。它不包括大量消费者直接使用ChatGPT、Claude或Gemini的流量，也不包括企业直接调用模型公司API的情况。因此，中美模型在OpenRouter上用量相当，不等于中国模型已经取得全球市场份额上的全面对等。
兰德对此写得很谨慎：这是一项反映开放权重模型开发者采用趋势的方向性指标，不是全球市场份额的证明。
不过，方向本身已经足够重要。模型竞争正在出现两套扩散逻辑：美国头部企业依靠性能领先、闭源服务和强大商业品牌获取收入；中国企业则更多依靠开放权重、较低价格和灵活部署扩大开发者基础。
一边争夺高价值客户，一边争夺更广泛的开发生态。最终谁更有影响力，未必只由模型收入决定，还要看谁的模型被更多开发者拿去训练、修改、部署，并由此形成事实上的技术标准。
六、兰德报告没有说“中国已经赢了”
读到这里，很容易得出一个让人兴奋却不够严谨的结论：中国拥有制造业和机器人优势，所以将在下一阶段AI竞争中胜出。
兰德报告并没有这样说。
首先，这份数据只是2026年1月至2月的产业快照。AI企业发展极快，产品路线和商业状态都可能在几个月内改变。
其次，报告主要依据公开信息，而中国企业的技术披露通常少于美国企业。部分指标中，中国企业的“未知”比例明显更高。因此，中国企业在一些领域的统计数量应当被视为下限，但这同时意味着，某些中美差距也可能受到信息缺失的影响，不能对每一个百分比作过度解释。
再次，具备机器人企业数量优势，不等于已经解决具身智能的核心难题。能生产机器人，与机器人真正具备通用感知、稳定规划、连续学习和安全行动能力，是两回事。很多人形机器人在演示中动作惊艳，离进入家庭、医院和复杂生产线长期自主运行，仍然有相当距离。
美国的优势同样不能低估。它拥有更强大的前沿算力、更集中的私人资本、更成熟的云服务体系，以及在基础模型、软件平台、生命科学和高端科研领域的长期积累。斯坦福《2026年人工智能指数报告》认为，中美头部模型的性能差距已经显著缩小，但美国仍然拥有更多顶尖模型和更强的前沿商业生态。
所以，兰德报告展示的不是一场已经结束的比赛，而是两种投资组合。
如果AI的发展继续主要依靠算力扩张、语言模型规模化和知识工作自动化，美国的现有优势依然十分突出；如果下一次关键突破来自世界模型、机器人学习以及AI与物理环境的共同演化，中国覆盖制造、汽车、能源和机器人产业的广泛布局，就可能发挥更大价值。
问题不在于今天谁领先几分，而在于明天比赛会在哪块场地举行。
七、中国真正需要警惕的，不是没有“身体”，而是身体与大脑没有接上
中国AI企业更多进入现实产业，当然是一项优势，但优势不会自动变成胜势。
第一，不能把具身智能做成另一场硬件产能竞赛。如果企业只是不断推出外形相似的人形机器人，却缺少稳定的基础模型、任务泛化能力和真实客户需求，最后很可能出现设备很多、数据不少，却没有形成有效智能闭环的局面。
第二，工业数据必须真正转化为模型能力。制造业场景的数据往往分散在设备商、工厂、平台和客户手中，格式不统一，权属关系复杂，也涉及商业秘密和安全责任。没有数据标准、可信共享机制和清晰的使用规则，所谓场景优势很容易停留在概念层面。
第三，开放权重与实体产业应当形成联动。中国开放模型的成本优势已经开始吸引全球开发者，如果这种优势能够进一步延伸到机器人操作系统、工业模型、自动驾驶工具链和边缘计算平台，就可能形成“开放模型推动应用，产业应用反哺模型”的循环。反之，如果开放模型和实体产业各自发展，技术红利就会被割裂。
第四，必须正视算力和基础软件短板。具身智能并不意味着可以绕过基础模型和先进芯片。机器人越需要理解复杂环境、执行长期任务，对模型能力、训练算力和软硬件协同的要求反而越高。只有身体，没有足够强的大脑，最终仍然走不远。
第五，安全与责任不能等到商业化之后再补。机器人、自动驾驶和工业AI一旦进入现实环境，模型错误不再只是生成一段错误文字，而可能造成设备损坏、生产事故甚至人身伤害。模型测试、日志留存、人工接管、责任分配、数据合规和产品安全，需要在研发阶段一并设计。
中国的真正机会，不是机器人数量比美国多几个百分点，而是能否把模型能力、制造体系、供应链、数据资源和安全治理连接成一个持续学习的系统。
这件事，比制造一台会表演的机器人难得多，也重要得多。
八、最后怎么看？
看完这份报告，至少有三点值得记住。
第一，中美AI竞争不是一场单项赛。算力、基础模型、开放生态、行业应用、机器人、能源和制造能力，都在影响最终结果。只盯着一个排行榜，很容易把局部领先误认为全局胜负。
第二，中美两国没有分别选择“先进技术”和“落地应用”，而是在相似技术底座上形成了不同的产业重心。美国更集中于软件交付和知识密集型领域，中国则对具身智能和物理经济作出了更广泛的产业押注。
第三，真正决定长期竞争力的，可能是闭环能力。模型从现实世界获得数据，根据数据改进决策，再通过机器人、车辆和工业系统返回现实世界。谁能以更低成本、更高安全性完成这个循环，谁才可能把AI从一种信息工具变成新的生产基础设施。
这或许才是兰德报告最值得重视的提醒。
能回答问题的AI，可以改变办公室；能够走进工厂、道路、仓库和能源系统的AI，可能改变整个生产方式。
今天的聚光灯还照在聊天框里，真正决定未来的竞争，却可能已经在车间、实验室和道路上悄悄开始。
参考文献
RAND Corporation，AI Development in the United States and China: Evidence from a New Dataset of AI Developer Firms，2026年
https://www.rand.org/pubs/research_reports/RRA5043-1.html
RAND Corporation，报告英文原文PDF
https://www.rand.org/content/dam/rand/pubs/research_reports/RRA5000/RRA5043-1/RAND_RRA5043-1.pdf
Stanford Institute for Human-Centered Artificial Intelligence，The 2026 AI Index Report
https://hai.stanford.edu/ai-index/2026-ai-index-report
Brookings Institution，Competing AI Strategies for the US and China
https://www.brookings.edu/articles/competing-ai-strategies-for-the-us-and-china/
Mercator Institute for China Studies，Embodied AI: China’s Ambitious Path to Transform Its Robotics Industry
https://merics.org/en/report/embodied-ai-chinas-ambitious-path-transform-its-robotics-industry
