从高志凯"AI 新冷战"发言看中美 AI 路线：开源、闭源、泡沫与基础设施控制权
最近，高志凯在 2026 凤凰湾区财经论坛·金融峰会 上关于中美 AI 的发言，被大量短视频剪辑传播。
传播版本里有几个非常强的判断：
- 中国 AI 是开源，美国 AI 是闭源。
- 中国 AI 是善，美国 AI 是恶。
- 美国 AI 闭源的核心，是新时代冷战和 AI 霸权。
- 这一次 AI 冷战，可能比美苏冷战更危险。
- 美国 AI 的泡沫，可能比互联网泡沫还大。
这些表达很适合短视频传播，但如果从技术产业角度看，更值得拆解的问题不是"谁善谁恶"，而是：
AI 正在从模型能力竞争，变成基础设施、商业模式、资本叙事和全球控制权的竞争。
这篇文章不把它当成一句口号，而是尝试从开源/闭源、成本结构、产业落地、金融泡沫和技术霸权几个维度拆开看。
1. 这不是单纯的模型测评问题
如果只是比较模型能力，中美 AI 竞争可以被简化成：
- 哪个模型更强？
- 哪个模型推理更准？
- 哪个模型上下文更长？
- 哪个模型编程能力更好？
- 哪个模型多模态能力更强？
但高志凯这类发言真正抓住的，不是单点模型能力，而是 AI 作为未来基础设施之后的控制权问题。
当 AI 进入搜索、办公、教育、金融、制造、军事、政务和内容分发系统之后，它就不再只是一个工具。
它会变成一种新的技术入口。
谁控制入口，谁就可能控制：
- 算力分配；
- 模型访问权限；
- 数据流向；
- 应用生态；
- 产业标准；
- 内容推荐；
- 甚至用户理解世界的方式。
所以，中美 AI 竞争不能只看 benchmark。
它还要看：
- 谁控制底层芯片；
- 谁控制云平台；
- 谁控制模型接口；
- 谁控制开发者生态；
- 谁控制部署成本；
- 谁能把 AI 扩散到真实产业。
2. 开源和闭源，不只是技术路线
传播里最有冲击力的一组对立，是"开源中国 vs 闭源美国"。
这个判断当然不严谨。
美国也有开源模型和开源社区，中国也有大量闭源模型和商业平台。
但如果把它当作一种路线差异，它确实指向了一个关键问题：
开源和闭源的差异，本质上是技术扩散方式和权力结构的差异。
2.1 闭源路线的优势
闭源模型的优势很明显：
- 更容易保护商业壁垒；
- 更容易控制用户体验；
- 更容易统一安全策略；
- 更容易构建付费 API 和平台生态；
- 更容易把模型能力绑定到云服务、办公套件和企业系统中。
这也是美国头部 AI 公司普遍偏向闭源或半闭源的重要原因。
闭源路线不是天然错误，它是一种商业上非常合理的选择。
但问题在于，当闭源模型成为关键基础设施后，它会带来平台控制权问题。
用户调用的不是一个本地工具，而是一个远程能力。
开发者依赖的不是一个透明系统，而是一个平台接口。
企业构建的不是完全自主的能力，而是建立在外部模型供应商之上的业务流程。
这会形成很强的路径依赖。
2.2 开源路线的价值
开源模型的价值，不在于它一定比闭源模型更强，而在于它降低了参与门槛。
它让更多开发者、企业、学校、研究机构和中小团队可以：
- 本地部署；
- 二次训练；
- 行业微调；
- 私有化集成；
- 成本优化；
- 安全审计；
- 在受限环境中使用。
这也是 DeepSeek、Qwen、GLM、Kimi 等中国模型在传播中被反复提到的原因。
它们共同支撑了一种反叙事：
AI 不一定只能由少数高资本、高算力、闭源平台定义。
未来也可能属于那些能把 AI 做便宜、做开放、做进产业的人。
3. 中美 AI 路线的核心差异
可以把中美 AI 路线粗略拆成下面几个维度。
| 维度 | 美国 AI 路线 | 中国 AI 路线 |
|---|---|---|
| 核心优势 | 顶级芯片、前沿研究、资本市场、全球平台 | 工程效率、产业场景、成本压缩、应用落地 |
| 代表形态 | 闭源大模型、云 API、企业订阅、算力平台 | 开源/开放模型、私有化部署、行业应用、低成本推理 |
| 商业逻辑 | 通过模型和平台形成高价值入口 | 通过规模化应用和产业效率释放价值 |
| 风险 | 资本开支过高、平台垄断、闭源依赖 | 基础算力受限、生态全球化不足、模型品牌弱于美国头部 |
| 竞争焦点 | 谁掌握最强模型和最大平台 | 谁能把 AI 更便宜地部署到更多场景 |
这个表并不是说美国只有闭源，中国只有开源。
更准确地说，这是两种优势结构的差异。
美国更像是在打造"AI 平台帝国"。
中国更像是在推动"AI 工程扩散"。
前者强调模型能力、生态入口和资本回报。
后者强调成本、部署、行业适配和普及速度。
4. 为什么说美国 AI 有泡沫风险
高志凯提到美国 AI 泡沫，甚至说可能比互联网泡沫还大。
这个说法很强，但背后对应的是一个真实结构：
美国 AI 叙事高度依赖资本市场对未来增长的持续相信。
AI 公司和云厂商需要投入巨额资金建设数据中心、采购 GPU、训练模型、补贴用户和争夺人才。
这套模式成立的前提是：
- 模型能力持续大幅提升；
- 企业客户愿意长期付费；
- AI 能带来足够高的生产率提升；
- 云和模型平台可以形成稳定利润；
- 资本市场愿意继续相信未来故事。
一旦这些前提中的任何一个出现松动，估值就会受到冲击。
中国低成本模型的意义，也正在这里。
如果更低成本、更开放的模型可以在很多场景中达到"够用甚至很好用"，那么美国闭源模型的高价叙事就会受到挑战。
这不是说美国 AI 一定会崩。
而是说，美国 AI 的估值逻辑正在面对一个问题：
如果 AI 能力越来越商品化，那么谁还能长期收取垄断性溢价？
5. "AI 新冷战"到底新在哪里
美苏冷战的核心是军事、核武器、意识形态和阵营对抗。
AI 冷战的形态不一样。
它更隐蔽，也更深入。
AI 会嵌入：
- 搜索引擎；
- 办公软件；
- 编程工具；
- 教育系统；
- 金融风控；
- 舆论平台；
- 军事决策；
- 工业生产；
- 政府治理。
它不是边境线上的坦克，而是日常系统里的默认能力。
因此，AI 冷战争夺的不是单个武器，而是下一代数字基础设施。
真正关键的问题包括：
- 谁定义模型能力边界？
- 谁决定模型可访问性？
- 谁掌握高端算力供应？
- 谁能制定安全和治理标准？
- 谁的语言、价值观和知识体系被模型吸收？
- 谁能把 AI 平台输出到全球市场？
这也是"AI 霸权"这个词有传播力的原因。
它不是简单指某个模型更强，而是指一种系统性控制能力。
6. "善与恶"的说法要怎么理解
"中国 AI 是善，美国 AI 是恶"这样的表达，作为传播语很强，但作为分析结论并不完整。
技术本身并不自动带有善恶。
模型是否产生正面价值，取决于它被谁控制、被如何使用、服务于什么目标，以及谁被排除在能力之外。
更稳妥的表述应该是：
AI 的善恶，不在模型本身，而在它的所有权、控制权、分配方式和使用场景。
所以，美国 AI 的问题不是它强。
问题在于，如果这种强大被少数闭源平台垄断，它就可能变成控制结构。
中国 AI 的价值也不是天然更善。
价值在于，如果它通过开源、低成本和产业应用降低 AI 门槛，它就可能形成对垄断结构的制衡。
这个判断比"善恶二分"更有解释力。
7. 对开发者和企业真正有用的判断
如果把这场讨论落到开发者和企业决策上，可以得到几个更实际的判断。
7.1 不要只看最强模型
最强模型当然重要，但很多业务场景真正需要的是：
- 成本可控；
- 延迟可控；
- 数据可控；
- 部署可控；
- 可持续维护；
- 能与现有系统集成。
在这些场景下，开放模型和私有化部署有现实价值。
7.2 不要低估闭源平台
闭源平台的问题是控制权，但它的优势也很明显。
对于很多企业来说，闭源 API 的稳定性、工具链、生态整合、安全策略和持续迭代能力，短期内依然很有吸引力。
所以真正的企业策略不是简单"反闭源"，而是避免单点依赖。
7.3 应该建立多模型能力
比较稳妥的技术路线是：
- 核心业务避免完全绑定单一模型供应商；
- 根据场景组合闭源 API 和开源模型；
- 对高敏感数据优先考虑私有化或本地化方案；
- 建立模型评测、切换和降级机制；
- 把提示词、RAG、工具调用、Agent 流程与具体模型解耦。
这样做的意义是，把 AI 能力从"供应商能力"变成"组织自己的工程能力"。
8. 结论：AI 竞争的本质，是谁定义未来基础设施
高志凯这场发言之所以能刷屏，不只是因为它说得激烈。
更重要的是，它把 AI 竞争从技术参数拉回到了权力结构。
美国 AI 的强大是真的。
中国 AI 的追赶也是真的。
美国 AI 的闭源平台能力是真的。
中国 AI 的开源扩散能力也是真的。
真正的问题不是简单判断谁善谁恶，而是：
当 AI 成为未来基础设施，它会被少数科技巨头封闭控制，还是会被更多开发者、企业、国家和普通人共同使用？
这才是中美 AI 竞争背后最核心的问题。
AI 的下一阶段，不只是模型更聪明。
而是谁能定义模型如何被使用，谁能控制模型背后的算力和平台，谁能把 AI 变成全球默认的基础设施。
从这个角度看，高志凯的表达可以有夸张，但他抓住了一个真实趋势：
AI 竞争已经不只是技术革命，也是一场关于基础设施控制权的新冷战。