算力即资产，还是算力即生产力，中美AI路径分岔

中美AI竞争正在从“同一场竞赛的不同阶段”演变为“两场不同竞赛的两种赌注”。 近日，全球AI领域两则消息值得关注。一则是 英伟达 宣布与贝莱德、黑石、高盛等六大华尔街机构组建独立算力融资平台，计划调动超过5000亿美元第三方资本投入AI基础设施建设，黄仁勋将其定义为“AI工厂”的资产证券化。 另一则来自知名行业报告，今年上半年，中国人形机器人制造商出货量占据全球97%以上份额，工业和商业应用占比从去年同期的50%升至70%以上。 这两则消息看似无关，却共同折射出中美AI竞争分岔的可能。 这一分岔并非突然发生。回溯过去半年，信号早已出现。 今年3月，国家数据局局长刘烈宏在国新办发布会上披露，中国日均Token消耗量从2024年初的1000亿跃升至140万亿，增长约1400倍。1月，工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》，指向制造业AI应用；7月，国家发展改革委等在世界人工智能大会上发布《人工智能合作发展行动计划》，提出覆盖数据、算力、生态、赋能、人才、规则、治理与伦理八个方面的国际合作框架。 用量扩张与政策推进同步发生，表明中国AI已进入一个新的阶段。关注点不再停留在AI作为技术层面的应用，而是将其纳入生产方式，要求嵌入工厂产线、物流体系、工业软件和公共基础设施。这一转变的实质，是从消费互联网周期切换至工业增长周期。 规模信号与政策转轨 转变的起点，是AI在中国经济中扮演的角色发生了变化。 Token用量是上述转变最直观的指标。从2024年初的1000亿到今年3月的140万亿，两年多增长约1400倍。需要指出的是，上下文窗口从4K扩展到128K+等技术因素对这一数字有放大效应，且Token衡量的是调用量而非实际产出。但这一量级的增长已足以表明，AI在中国的使用密度正在从实验性阶段过渡到规模化应用阶段。 算力基础设施构成了这一增长的支撑。中国信通院数据显示，全球总算力中美国占32%、中国占21%，差距约1.5倍。需注意，总算力口径较宽，涵盖基础算力与智能算力等多种类型；在高端智能算力尤其是训练算力方面，美国仍保有明显优势。 但在AI应用侧，中国的推理需求因应用场景规模而快速攀升。国际AI模型聚合平台OpenRouter的数据提供了佐证，今年2月的一周内，中国AI模型周调用量约4.12万亿Token，首次超过美国。规模、应用与算力三者之间的正向反馈，构成了当前变革的基础条件。 中美AI算力全球占比对比（2025年，数据来源：中国信通院、IDC） 如果Token用量衡量的是AI在数字世界的渗透深度，那么人形机器人的出货数据则标记了AI进入物理世界的进度。 据知名行业研究机构SAG的报告，今年上半年全球人形机器人出货约1.91万台，中国厂商占比97%以上。智元机器人出货8400台（占44%），宇树科技出货5900台（占31%），两者合计远超特斯拉、Figure AI等美国企业。 更值得注意的结构性变化是，工业和商业应用占比从去年同期的50%升至70%以上。这意味着人形机器人正在从展示和研发阶段转入产线部署阶段，AI进入物理世界的速度，可能比它在数字世界的渗透更快。 与用量扩张同步推进的，是两条政策路径。 今年1月7日，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》。该文件提出，到2027年，推动3-5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景，培育2-3家具有全球影响力的生态主导型企业，选树1000家标杆企业。文件的政策目标是“到2027年，人工智能关键核心技术实现安全可靠供给”。该文件聚焦制造业，属于国内产业落地政策。 7月17日，在世界人工智能大会暨人工智能全球治理高级别会议上，国家发展改革委会同有关部门发布《人工智能合作发展行动计划》。该计划面向国际合作，提出优质数据供给、智能算力普惠、开源生态共享、人工智能深度赋能、数智人才共育、规则标准共建、安全治理协作、人工智能向善八项行动，覆盖数据、算力、生态、赋能、人才、规则、治理与伦理八个方面。 前者是国内产业落地政策，后者是国际合作的顶层框架。两者的着力点不同，前者着眼于构建从数据采集到算力调度、从工业部署到标准制定的技术体系，政策原文表述为“推动大模型技术深度嵌入核心生产流程”，指向的是供应链与制造环节；后者着眼于全球治理与合作，为前者的技术输出和标准对接提供国际通道。 理解这一政策转轨，需要回到中国经济的底层逻辑。依靠大规模要素投入驱动增长的路径，其边际效用在递减，劳动力总量趋于平稳，部分行业从高速扩张转入结构优化阶段，传统增长动力放缓。在这一背景下，AI提供了一条不依赖大规模新增要素投入即可提升产出的路径。其战略意义不在于技术层面的增量，而在于被寄予重建生产率、支撑高质量发展的期待。 改变生产方式：AI如何重塑经济运行 定位明确之后，问题转向AI如何实际改变经济运行方式。 从产业规划的细节看，其着力点不在模型数量，而在生产环节中的效率损耗。规划延误、库存错配、检查偏差、维护停机、从数据生成到决策的滞后，这些是AI被要求介入的对象。政策的目标是让AI嵌入检测、排程、物流、能源管理、采购等可重复、可量化的流程。这类收益在单个工厂层面可能不显著，但在全国工业层面的累积效应不可忽视。 生产率是否已有回升迹象？一个可参考的宏观指标是全要素生产率（TFP），即在要素投入不变的情况下产出能提升多少。据武义青《稳步提升全要素生产率——1991—2024年我国TFP分析与“十五五”提升建议》测算，中国TFP年均增速在2011-2020年回落至2.77%后，2021-2024年回升至3.35%，与中国社科院、清华大学等机构的测算方向一致。 中国全要素生产率年均增速四阶段变化（数据来源：武义青，2026） 但AI在这轮回升中贡献了多少？ 近年对中国TFP增长来源的分解研究（多采用增长核算法，从TFP增速中剥离疫后低基数回补与新能源产能扩张等因素的贡献，剩余部分归入数字化与广义技术因素）显示，疫后回补与新能源扩张约贡献六到七成，数字化与AI渗透的贡献约在两到三成区间，其余可归因于制度改善、要素配置优化等因素。这一区间仅为方向性估算，表明AI已进入中国经济效率提升的驱动因素之一，但精确归因仍受限于数据口径。 工业利润提供了另一维度的参考。据国家统计局数据，今年1-6月全国规模以上工业企业利润总额同比增长18.7%，与2025年全年的0.6%形成显著反差。 这轮回升的主要拉动力来自电子行业利润增长96.9%（拉动全行业8.5个百分点）和原材料制造业增长71.7%（拉动8.8个百分点），其中混合了整治“内卷式”竞争带来的价格修复、半导体周期上行以及智能装备与AI产业链的拉动。需要指出的是，利润回升与AI部署在时间上重叠，但二者的因果关系尚不充分，AI是同期变量之一，而非唯一驱动因素。 规模以上工业企业利润总额同比增速（数据来源：国家统计局） 前述2027年目标，3-5个通用大模型、1000个高水平工业智能体、100个高质量工业数据集、500个典型应用场景，其含义需要从产业逻辑角度理解。 3-5个通用大模型，指向的是从演示性应用转向可复用的工业平台；