最近我读到 Dimension Capital 写给 LP 的一封信：《The Cross-Pacific AI Chessboard》。
它表面上讨论中美 AI，真正有价值的地方却不是预测哪一个国家会赢，也不是重新排列一次模型榜单，而是把 AI 竞争拆成了一个相互耦合的系统：模型、芯片、电力、工程效率、开放权重、数据、推理服务、商业收入和资本市场。
这更接近我理解 AI 产业的方式。
过去两年，我们习惯用一个简单坐标观察竞争：谁的 benchmark 更高，谁的模型更大，谁先发布下一代能力。但模型只是系统最可见的一层。一个能力能不能训练出来、部署出去、进入生产环境、形成收入，再把收入变成下一轮算力，取决于整条链路是否闭环。
我的核心判断是：
中美 AI 竞争已经不是模型战争，而是两套被不同稀缺条件塑造出来的生产系统之间的竞争。
稀缺不会只降低速度，它会改变技术文化
Dimension 的第一个观点是“稀缺催生进化”。出口限制压缩了中国实验室获得先进算力的空间，也迫使团队把优化继续向下推进：从模型结构进入 Optimizer、Compiler、Kernel、PTX、推理服务，甚至芯片与互连。
我很认同这个观察，但需要把它说得更准确一点：稀缺本身不会自动产生创新。稀缺也可能让团队停滞。真正产生变化的是，当目标不能降低，而资源又无法线性增加时，工程组织会重新定义什么值得优化。
在算力相对充足的环境里，增加 GPU 可能是边际收益最高的选择；在算力受限的环境里，减少一次内存搬运、提高并行利用率、压缩推理成本，可能比扩大模型更重要。
久而久之，两边形成不同的默认动作：
资源相对充足 → 扩大规模 → 追求能力前沿
资源相对稀缺 → 压榨效率 → 追求单位算力产出
这不是谁更聪明，而是激励函数不同。技术文化往往不是从口号产生的，而是从每个季度真正限制交付的那个瓶颈产生的。
中国获得了 workload，但还没有获得同等 revenue
这封信里最值得记住的一句话，是中国模型正在获得西方的 workload，却没有获得对应的 revenue。
开放权重改变了软件进入生产环境的路径。传统企业软件需要供应商评估、采购合同、数据协议和长期服务承诺；一个可以下载、微调并部署在自己基础设施里的模型，却可能由工程团队先开始使用，再逐渐成为系统依赖。
这解释了为什么 Qwen、DeepSeek、Kimi、GLM 等模型可以迅速出现在海外开发者工具、Agent 和推理平台中。它们传播的是能力，而不是传统 SaaS 席位。
但 workload 不等于收入。价值可能留在多个不同位置：
- 提供 GPU 和推理 Token 的云平台；
- 把模型包装成工作流的应用公司；
- 拥有企业客户与分发渠道的平台；
- 提供数据、评测和验证的基础设施；
- 最后才可能回到模型开发者。
开放权重可以降低模型层的价格，却未必降低整条应用链路的价值。它更可能重新分配价值：模型能力商品化，部署、分发、数据与业务闭环获得更强议价权。
因此，“中国模型被大量使用”与“中国模型公司商业化成功”是两个完全不同的问题。技术渗透率不能代替收入质量。
AI 能力已经横跨太平洋两次
Dimension 描述了一条很有意思的循环：
美国前沿模型
→ 中国实验室蒸馏与工程化
→ 开放权重模型
→ 美国应用公司采用
→ 卖给美国企业客户
如果把数据、GPU 和海外数据中心也放进去，这条链会更复杂。中国团队可能租用东南亚的 NVIDIA 算力，模型吸收美国前沿能力，开放权重再由全球推理平台部署，最后进入另一家美国公司的生产环境。
这说明“美国模型”和“中国模型”正在变成过于粗糙的标签。模型的研发组织有国别，实际能力链路却已经跨越硬件、数据、训练、蒸馏、部署与应用市场。
政策当然可以改变成本和速度，却很难只切断一条边就让整个网络停止。复杂系统会寻找替代路径：远程算力、第三地数据中心、开放权重、模型路由、蒸馏、合成数据和新的供应商都会重新连接断点。
所以真正的问题不是“有没有连接”，而是：连接的成本由谁承担，收入流向谁，谁掌握关键节点的议价权。
美国缺电，中国缺芯片
这封信把双方的约束压缩成一个很有传播力的对照：美国拥有更多先进芯片，但越来越受电力、数据中心空间和电网建设限制；中国电力基础设施扩张更快，却受先进 GPU、制造良率与封装能力限制。
我认为这个框架比“谁的算力更多”更有用，因为算力不是一个单一变量：
有效算力 = 芯片 × 电力 × 网络 × 数据中心 × 软件效率 × 可用时间
任何一项接近零，昂贵芯片都只是无法充分利用的库存。反过来，电力充足也不会自动变成训练能力，仍然需要芯片、互连、软件栈和工程组织。
未来几年，双方都在尝试把自己的短板变成可替代要素：美国通过能源合同、专用数据中心和更高效模型缓解电力限制；中国通过国产芯片、集群工程、模型压缩和开放生态缓解先进 GPU 限制。
竞争的关键不只是优势有多大，而是谁能更快降低自己最稀缺要素的约束强度。
技术差距与收入差距不是同一条曲线
Dimension 的另一个重要判断是，中美 AI 的商业收入差距远大于模型能力差距。信中引用了 OpenAI、Anthropic 以及中国模型公司的年化收入估计，但这些数据来自私人市场与行业转述，口径不完全一致，应该把它们当作方向性信号，而不是审计后的财务报表。
即使不依赖具体数字，结构性差异仍然很清楚。
美国头部实验室拥有更成熟的企业付费市场、API 生态、开发者渠道和资本循环。收入可以购买算力、吸引人才、扩建数据中心，再推动下一代模型。中国拥有巨大的用户规模和快速传播的开放模型，但消费者软件付费、企业合同金额以及模型层的价值捕获仍然更弱。
这会形成两种循环：
高收入 → 更多算力 → 更强模型 → 更高价值产品 → 高收入
开放权重 → 更多采用 → 更多反馈与生态 → 更低模型价格 → 更广采用
第一条循环擅长集中资本、冲击能力上限；第二条循环擅长扩散能力、压低采用门槛。未来格局取决于两条循环能否解决自己的弱点：闭源高价值模型能否持续覆盖不断增长的基础设施成本，开放生态能否把使用量转化成可持续收入。
真正的竞争是激励机制
把 DeepSeek、Qwen、Kimi、豆包、GLM 放在一起看，会发现中国实验室之间的竞争强度可能比抽象的“中美竞争”更直接。团队首先面对的是产品节奏、推理成本、模型排名、用户增长和下一轮融资，而不是宏大叙事。
同样，美国实验室的行为也由自身激励塑造：API 收入、企业客户、资本开支、算力合同和安全承诺会共同决定模型是否开放、能力何时发布、采用什么定价方式。
国家提供约束条件，企业和研究组织在约束中优化。最终形成的生态差异，往往来自一系列局部理性决策的累积，而不是一张中心化设计图。
这也是为什么我不愿意把这场竞争理解成围棋棋盘上的两个玩家。它更像两个高度连接的市场，各自内部有激烈竞争，同时又通过模型、硬件、数据和收入相互依赖。
RSI 的关键不是“会不会发生”，而是谁能验证
信中后半部分谈到一种较弱形式的递归自我改进：模型参与自己的研究、编码、实验和迭代，加速下一代模型开发。
我更愿意把它称为“研发循环压缩”，而不是直接使用带有强烈想象的 RSI。今天已经可以看到模型生成实验代码、分析失败、提出候选方案、辅助数据筛选和自动评测，但它仍然依赖人类定义目标、设计验证和承担错误成本。
真正稀缺的可能不只是计算，而是高质量验证：
- 结果是否真的比基线更好；
- 提升是否来自数据泄漏；
- 能力是否能在真实任务复现；
- 安全、成本和延迟是否一起恶化；
- 谁能判断一次自动实验值得进入下一轮。
如果自我改进主要受算力约束，美国优势更明显；如果受验证、工程效率和实验吞吐约束，中国形成的效率文化与开放协作可能更有价值。
模型可以越来越快地产生答案，但系统仍然需要越来越可靠地判断哪些答案是真的。
我从这封信里真正带走的三点
第一，稀缺决定优化方向。芯片、电力、收入和验证能力的短缺，会塑造完全不同的研发文化。
第二，能力流动与价值捕获已经分离。一个国家的模型可以服务另一个国家的 workload，但收入可能留在云、推理、应用和渠道层。
第三，系统竞争不能用单点指标解释。模型排名、GPU 数量、发电能力、用户规模或公司估值都只是一层。真正重要的是这些要素能否形成可持续反馈循环。
Dimension 的信带有明确的投资视角，其中一些渗透率、收入和模型来源需要进一步核验。但它提供了一个值得保留的观察框架：中美 AI 已经深度纠缠，竞争不再发生在一条直线上。
我不认为最后会出现一个简单的赢家。更可能的结果是，模型能力继续跨境流动，基础设施逐渐区域化，开放与闭源长期并存，而价值在模型、算力、数据、应用与分发之间不断重新分配。
真正值得持续观察的，不是谁在某一次榜单领先，而是谁先把自己的稀缺要素，变成别人无法复制的工程能力。