算力即資產，還是算力即生產力，中美AI路徑分岔

AGI-Signal2026.08.12 11:09 · 來自北京全文6318字00:00 / 20:00英偉達5000億美元押注算力資產證券化，中國廠商拿下全球97%人形機器人出貨，今年8月，中美AI競爭正在從同一場競賽變為兩場不同賭注。中美AI競爭正在從“同一場競賽的不同階段”演變為“兩場不同競賽的兩種賭注”。近日，全球AI領域兩則消息值得關注。一則是英偉達宣佈與貝萊德、黑石、高盛等六大華爾街機構組建獨立算力融資平臺，計劃調動超過5000億美元第三方資本投入AI基礎設施建設，黃仁勳將其定義為“AI工廠”的資產證券化。

另一則來自知名行業報告，今年上半年，中國人形機器人制造商出貨量佔據全球97%以上份額，工業和商業應用佔比從去年同期的50%升至70%以上。這兩則消息看似無關，卻共同折射出中美AI競爭分岔的可能。這一分岔並非突然發生。回溯過去半年，信號早已出現。今年3月，國家數據局局長劉烈宏在國新辦發佈會上披露，中國日均Token消耗量從2024年初的1000億躍升至140萬億，增長約1400倍。

1月，工信部等八部門聯合印發《“人工智能+製造”專項行動實施意見》，指向製造業AI應用；7月，國家發展改革委等在世界人工智能大會上發佈《人工智能合作發展行動計劃》，提出覆蓋數據、算力、生態、賦能、人才、規則、治理與倫理八個方面的國際合作框架。用量擴張與政策推進同步發生，表明中國AI已進入一個新的階段。關注點不再停留在AI作為技術層面的應用，而是將其納入生產方式，要求嵌入工廠產線、物流體系、工業軟件和公共基礎設施。這一轉變的實質，是從消費互聯網週期切換至工業增長週期。規模信號與政策轉軌轉變的起點，是AI在中國經濟中扮演的角色發生了變化。Token用量是上述轉變最直觀的指標。

從2024年初的1000億到今年3月的140萬億，兩年多增長約1400倍。需要指出的是，上下文窗口從4K擴展到128K+等技術因素對這一數字有放大效應，且Token衡量的是調用量而非實際產出。但這一量級的增長已足以表明，AI在中國的使用密度正在從實驗性階段過渡到規模化應用階段。算力基礎設施構成了這一增長的支撐。中國信通院數據顯示，全球總算力中美國佔32%、中國佔21%，差距約1.5倍。需注意，總算力口徑較寬，涵蓋基礎算力與智能算力等多種類型；在高端智能算力尤其是訓練算力方面，美國仍保有明顯優勢。但在AI應用側，中國的推理需求因應用場景規模而快速攀升。

國際AI模型聚合平臺OpenRouter的數據提供了佐證，今年2月的一週內，中國AI模型周調用量約4.12萬億Token，首次超過美國。規模、應用與算力三者之間的正向反饋，構成了當前變革的基礎條件。中美AI算力全球佔比對比（2025年，數據來源：中國信通院、IDC）如果Token用量衡量的是AI在數字世界的滲透深度，那麼人形機器人的出貨數據則標記了AI進入物理世界的進度。據知名行業研究機構SAG的報告，今年上半年全球人形機器人出貨約1.91萬臺，中國廠商佔比97%以上。智元機器人出貨8400臺（佔44%），宇樹科技出貨5900臺（佔31%），兩者合計遠超特斯拉、Figure AI等美國企業。

更值得注意的結構性變化是，工業和商業應用佔比從去年同期的50%升至70%以上。這意味著人形機器人正在從展示和研發階段轉入產線部署階段，AI進入物理世界的速度，可能比它在數字世界的滲透更快。與用量擴張同步推進的，是兩條政策路徑。今年1月7日，工業和信息化部等八部門聯合印發《“人工智能+製造”專項行動實施意見》。該文件提出，到2027年，推動3-5個通用大模型在製造業深度應用，推出1000個高水平工業智能體，打造100個工業領域高質量數據集，推廣500個典型應用場景，培育2-3傢俱有全球影響力的生態主導型企業，選樹1000家標杆企業。

文件的政策目標是“到2027年，人工智能關鍵核心技術實現安全可靠供給”。該文件聚焦製造業，屬於國內產業落地政策。7月17日，在世界人工智能大會暨人工智能全球治理高級別會議上，國家發展改革委會同有關部門發佈《人工智能合作發展行動計劃》。該計劃面向國際合作，提出優質數據供給、智能算力普惠、開源生態共享、人工智能深度賦能、數智人才共育、規則標準共建、安全治理協作、人工智能向善八項行動，覆蓋數據、算力、生態、賦能、人才、規則、治理與倫理八個方面。前者是國內產業落地政策，後者是國際合作的頂層框架。

兩者的著力點不同，前者著眼於構建從數據採集到算力調度、從工業部署到標準制定的技術體系，政策原文表述為“推動大模型技術深度嵌入核心生產流程”，指向的是供應鏈與製造環節；後者著眼於全球治理與合作，為前者的技術輸出和標準對接提供國際通道。理解這一政策轉軌，需要回到中國經濟的底層邏輯。依靠大規模要素投入驅動增長的路徑，其邊際效用在遞減，勞動力總量趨於平穩，部分行業從高速擴張轉入結構優化階段，傳統增長動力放緩。在這一背景下，AI提供了一條不依賴大規模新增要素投入即可提升產出的路徑。其戰略意義不在於技術層面的增量，而在於被寄予重建生產率、支撐高質量發展的期待。

改變生產方式：AI如何重塑經濟運行定位明確之後，問題轉向AI如何實際改變經濟運行方式。從產業規劃的細節看，其著力點不在模型數量，而在生產環節中的效率損耗。規劃延誤、庫存錯配、檢查偏差、維護停機、從數據生成到決策的滯後，這些是AI被要求介入的對象。政策的目標是讓AI嵌入檢測、排程、物流、能源管理、採購等可重複、可量化的流程。這類收益在單個工廠層面可能不顯著，但在全國工業層面的累積效應不可忽視。生產率是否已有回升跡象？一個可參考的宏觀指標是全要素生產率（TFP），即在要素投入不變的情況下產出能提升多少。

據武義青《穩步提升全要素生產率——1991—2024年我國TFP分析與“十五五”提升建議》測算，中國TFP年均增速在2011-2020年回落至2.77%後，2021-2024年回升至3.35%，與中國社科院、清華大學等機構的測算方向一致。中國全要素生產率年均增速四階段變化（數據來源：武義青，2026）但AI在這輪迴升中貢獻了多少？

近年對中國TFP增長來源的分解研究（多采用增長核算法，從TFP增速中剝離疫後低基數回補與新能源產能擴張等因素的貢獻，剩餘部分歸入數字化與廣義技術因素）顯示，疫後回補與新能源擴張約貢獻六到七成，數字化與AI滲透的貢獻約在兩到三成區間，其餘可歸因於制度改善、要素配置優化等因素。這一區間僅為方向性估算，表明AI已進入中國經濟效率提升的驅動因素之一，但精確歸因仍受限於數據口徑。工業利潤提供了另一維度的參考。據國家統計局數據，今年1-6月全國規模以上工業企業利潤總額同比增長18.7%，與2025年全年的0.6%形成顯著反差。這輪迴升的主要拉動力來自電子行業利潤增長96.9%（拉動全行業8.

5個百分點）和原材料製造業增長71.7%（拉動8.8個百分點），其中混合了整治“內卷式”競爭帶來的價格修復、半導體週期上行以及智能裝備與AI產業鏈的拉動。需要指出的是，利潤回升與AI部署在時間上重疊，但二者的因果關係尚不充分，AI是同期變量之一，而非唯一驅動因素。規模以上工業企業利潤總額同比增速（數據來源：國家統計局）前述2027年目標，3-5個通用大模型、1000個高水平工業智能體、100個高質量工業數據集、500個典型應用場景，其含義需要從產業邏輯角度理解。

3-5個通用大模型，指向的是從演示性應用轉向可複用的工業平臺；1000個高水平工業智能體，要求AI具備自主感知、決策與執行能力，從輔助工具升級為生產流程的參與者；100個高質量工業數據集，對應的是模型訓練與部署所需的數據基礎；500個典型應用場景，著眼於讓AI在企業和區域間形成可複製的部署模式，而非停留在孤立試點。培育2-3家生態主導型企業和選樹1000家標杆企業的目標，則將模型、數據、算力、知識與治理納入統一框架。整體來看，政策試圖將完整的AI技術棧納入產業政策體系。上述規劃已有落地案例。

據公開報道與工信部典型案例，在質檢環節，河北移動與同福集團的碗粥AI質檢系統採用5G與算力結合方案，實現毫秒級瑕疵篩查，替代了傳統人工目檢；廈門光電產業園的LED屏產線將質檢環節遷移至雲端AI，降低了漏檢率和用工強度。在核心流程滲透方面，福建三明一家鋼企的熱軋產線，AI視覺質檢檢出率穩定在95%以上，並具備從缺陷反向推導工藝波動、輸出優化建議的能力；馬鋼的煉鋼轉爐緊平衡組產系統將AI用於組產調度，入選工信部2025年典型案例。這些案例表明，AI的工業應用正在從質檢環節向排程、工藝優化等核心環節延伸。AI對經濟的影響不僅限於單點效率提升，更在於它改變了經濟運行的傳導機制。

政策的深層意圖可以從一個更宏觀的視角理解。中國試圖讓算力、數據與工業流程知識形成互動關係，類似於資本、勞動力與物流在早期增長階段所發揮的協同作用。這一定位使AI更接近一種“協調技術”，其功能在於降低多方協作中的信息與決策成本，而歷史上生產率的大幅提升往往源於此類協調效率的改善。中國所尋求的，是一種能夠使算力、數據與工業知識形成系統化耦合的工業架構。AI的經濟影響並不侷限於AI產業本身，更體現在它沿供應鏈的傳導。工廠效率提升後，出口商獲得更有競爭力的成本結構；庫存週轉加快，物流企業的資金佔用降低；負荷預測精度提高，公用事業的電網運行更趨穩定。

即便AI模型服務本身的營收規模有限，其對供應鏈整體效率的影響是顯著的。這也是政策反覆聚焦製造業的原因，製造業環節的效率溢出更廣，也更容易量化。產能利用率提升1個百分點、廢品率下降、採購週期縮短，這些微觀層面的改善累積後，對總體增長的影響可能超過若干模型發佈本身。AI同時也在成為組織能力的篩選機制。數據治理完善、決策鏈條短、流程紀律嚴格的企業，能夠將同一模型轉化為更高的利潤率和更快的吞吐量；管理基礎薄弱的企業則難以實現同等效果。這意味著AI在提升行業整體效率的同時，也在加劇行業內部的分化，宏觀層面的生產率提升，將轉化為微觀層面的企業競爭力分化。數字化基礎紮實的企業，在這一過程中將處於有利位置。

兩條路徑的分岔與長期圖景回到開頭的兩則消息。英偉達的5000億美元融資平臺和中國廠商97%的人形機器人出貨佔比，代表的不是同一場競賽的兩個選手，而是兩場不同競賽的兩種賭注。美國的路徑可以概括為“算力即資產”。5000億美元的融資平臺將算力基礎設施轉化為可投資的金融標的，邏輯是，算力需求指數級增長，算力供給需要大規模資本前置投入，而金融機構可以通過持有算力資產獲取長期收益。這一路徑的優勢在於資本動員能力，華爾街的信貸工具可以在短時間內撬動遠超財政撥款的資金量。但其隱含假設是，算力本身的供給能力決定競爭勝負，掌握算力供給方就掌握了AI產業鏈的主導權。中國的路徑可以概括為“算力即生產力”。

政策重心不在算力資產規模，而在算力的產出回報，每單位算力能撬動多少工業效率改善。人形機器人97%的出貨佔比並非偶然，它依託的是中國在製造環節的供應鏈密度和場景落地速度。這條路徑的優勢在於應用滲透的深度和效率溢出的廣度，但短板在於高端算力供給受制於人。硬件約束是這條路徑上最現實的障礙，但中國AI芯片正在取得實質性進展。據IDC等機構統計，今年第一季度國產AI芯片在國內市場份額首次突破50%（約52.3%），華為昇騰以約37%居國產首位，英偉達在華份額從2019年的95%降至約42.7%（2025年全年國產份額約41%，英偉達約55%，下降趨勢仍在延續）。

昇騰950PR在FP4精度、特定推理模型測試中，推理性能達到英偉達H20的2.87倍，部署成本顯著低於同級別方案（不同來源給出的比例從三分之一到四分之一不等，以華為官方口徑為準）。需要指出的是，上述突破主要集中在推理側，訓練側美國仍掌握約69%的高端算力份額。芯片是當前的約束點，但並非不可逾越。面對硬件限制，中國的應對路徑是提升軟件效率、優化部署策略，並優先在算力回報率最高的行業進行選擇性部署。國產芯片在推理環節已具備落地能力，訓練側的追趕進度將決定中國能否掌握AI技術演進的主導權。中國AI加速卡市場國產份額變化趨勢（數據來源：IDC、洪泰智造）判斷這一佈局的長期成色，需要區分時間跨度。

短期內，AI可能仍以資本聚集和估值驅動的週期性主題形式出現；中期看，競爭力將取決於企業能否將AI轉化為成本下降和產出效率提升；長期看，關鍵在於AI能否被吸收進生產體系，成為中國工業基礎設施的一部分，正如鐵路、電信和支付體系曾經經歷的路徑。從政策邏輯看，週期性體現在推廣過程中，結構性變化則蘊含在政策目標的設計中。對最終走向的判斷，可以設定三種情景。這三種情景並非籠統的樂觀或悲觀，而是錨定在幾個可觀測的指標上，TFP增速能否回到4%以上，訓練側國產芯片份額能否突破30%，人形機器人年出貨量能否達到6萬臺。情景一（樂觀）：AI深度嵌入生產體系，成為類似鐵路、電信的基礎設施。

工業智能體大規模部署，TFP增速持續回升至4%以上，國產芯片訓練側份額突破30%，人形機器人年出貨量超過6萬臺，中國形成“算力—數據—工業知識”的閉環生態。情景二（基準）：AI在製造業的部分環節實現規模化落地，推理側國產替代基本完成，但訓練側仍依賴進口。TFP增速溫和改善至3.5%-4%區間，訓練側國產份額維持在15%-25%，人形機器人年出貨量在3-5萬臺。AI對生產率的貢獻穩步增長但尚未形成質變。情景三（保守）：AI主要停留在應用層和消費層，工業滲透不及預期，芯片約束未實質性緩解。TFP增速回落至3%以下，訓練側國產份額低於15%，人形機器人年出貨量不足2萬臺。

政策目標部分擱淺，AI更多作為效率工具而非生產方式變革存在。上述情景的最終走向將由運營數據決定，而非政策宣示。就目前而言，信號指向一個明確方向，中國將AI與製造業、數據集、生態系統和治理框架相結合，其目標是持續性發展而非短期主題。中美AI競爭正在從“同一場競賽的不同階段”演變為“兩場不同競賽的兩種賭注”。美國以5000億美元的金融工具押注算力資產的證券化，中國以產業政策和製造能力押注算力的生產率轉化。截至今年8月，中國AI發展可被理解為“由週期性落地推動的結構性調整”，短期內存在不確定性，但方向已基本明確。回到近日的兩則消息。

英偉達的5000億美元指向一個事實，算力基建的資本競賽正在加速，美國在這一維度上擁有壓倒性的金融工具優勢。中國廠商97%的人形機器人出貨佔比指向另一個事實，在AI進入物理世界這件事上，中國的製造能力和場景密度已經建立了階段性領先。兩條路徑的分岔，意味著勝負不再由單一指標決定。如果AI的未來取決於算力供給規模，美國大概率領先；如果取決於算力嵌入生產體系的深度和效率，中國的勝率更高。最終判斷取決於一個尚未被回答的問題，AI的價值究竟產生在算力本身，還是產生在算力被使用之後。（本文首發APP，作者 | AGI-Signal，編輯 | 焦燕）