看中美 AI，如果还只是盯着 GPT、Claude、Kimi、DeepSeek 谁更强，我觉得其实有点浅了。
模型能力当然重要，但大模型只是水面上最容易看见的竞争。水面之下，我更想看的是：整个 AI 产业在往哪里走，能力又通过什么路径进入真实世界。
读完 RAND 这份报告，这个想法变得更具体：美国样本更偏软件和信息世界，中国样本则有更多企业把 AI 放进机器人、自动驾驶、制造等物理场景。这让我更关注中国 AI 在这些场景中的落地进程。不过，这份结构性快照本身并不能测量谁的落地速度更快。
此前写跨太平洋 AI 棋局时，我关注的是算力、能源、工程效率和收入如何构成产业循环。这次 RAND 把镜头拉到企业层面，补上了另一个问题：这些能力，最后进入了什么产品和生产环境？
报告的完整名称是 AI Development in the United States and China: Evidence from a New Dataset of AI Developer Firms，由 RAND Corporation 于 2026 年 8 月 17 日发布，共 64 页。下面先整理报告的发现，再说我的理解。
先看样本，再看差异
报告纳入了 1,181 家 AI 开发企业，其中美国 743 家、中国 438 家。这是一组按研究标准筛选的企业样本，不能把数量直接解释成两国 AI 企业总量，更不能据此推导产业实力比例。
| 对比维度 | 美国样本 | 中国样本 |
|---|---|---|
| AI 开发企业 | 743 家 | 438 家 |
| 基础模型开发商 | 约 20% | 约 20% |
| 主流模型架构 | Transformer 为主 | Transformer 为主 |
| 纯软件企业 | 61% | 26% |
| 具身形态 | 相对较少 | 机器人、自动驾驶等更集中 |
| 应用重心 | 医疗、科研、网络安全等 | 制造、交通、能源等 |
| 主要商业定位 | 应用型 AI | 应用型 AI |
来源：RAND 官方报告。这些比例描述样本结构，不代表收入份额、模型性能或全球市场份额。
对我来说，最有解释力的是 61% 与 26%。它提示我们：即使用着相近的模型技术，企业也可能走进很不一样的工作现场。
技术路线相近，应用重心不同
RAND 的一个重要发现，是中美在模型架构、学习范式、基础模型开发比例和商业定位上，比通常的叙事更接近。双方都以 Transformer 为主，多数企业都在做应用。
因此，把美国理解成“只押注一种架构”，把中国理解成“同时探索很多完全不同的底层路线”，并不符合这份数据呈现的情况。
我更愿意用下面这句话概括报告最鲜明的差异：
美国样本更偏软件世界，中国样本有更多企业面向物理世界。
这里的“更偏”很重要。它不是把两国分成互不重叠的两类，也不是说美国不做机器人、中国不做软件。它说的是企业组合的重心。
同一类模型，放进文档工作台和放进工业设备，面对的约束会很不一样。这也是我认为产业分析不能只停留在模型榜单上的原因。
我更关心的是，系统怎样得到反馈
下面是我的工程视角，并非 RAND 直接测量的结论。
做一个知识型 AI 产品，团队常常从文本、业务记录和用户反馈出发。系统给出结果，人来确认、修正，再进入下一轮迭代。问题可能集中在数据质量、权限、幻觉、延迟和使用成本上。
当 AI 进入机器、车辆或工厂，输出就会变成动作。团队必须同时处理传感器、控制、设备状态、现场异常，以及出错后的恢复。一次测试不只是运行程序，还可能需要场地、设备和人员。
这不是简单地给模型接上一个机械臂。产品的验证方式、交付方式和责任边界都会跟着改变。
从这个角度看，企业长期积累的东西也会不同：有的积累组织知识、工作流和用户反馈；有的积累设备经验、现场数据和稳定运行的能力。模型是一部分，把能力变成可靠结果的整个系统，才是我更关心的部分。
具身 AI 是一个条件性对冲
RAND 提出了一个值得继续观察的判断：如果通向更通用 AI 的道路，需要机器人、世界模型和物理环境学习共同发展，那么中国样本里更广泛的具身 AI 企业组合，就可能构成一种技术对冲。
我理解这里的“对冲”，是对未来路径不确定性的一种准备。不同产品方向保留了不同的学习机会。
但这个判断有明确前提。企业更多进入物理场景，并不自动证明它们已经拥有更通用的智能，也不证明具身路线一定胜出。
如果要从产品层面继续验证，我会看三个问题：
- 现场数据能否持续回到训练和评测流程？
- 一个场景学到的能力，能否迁移到另一个场景？
- 能力提升能否降低部署、维护和人工接管成本？
这些是我会追踪的工程和商业问题，也是我理解“未来潜力”与“已经交付的价值”之间距离的方法。
对做产品的人，这份报告有什么用
我不觉得读完报告，就应该把创业方向简单改成机器人。选择什么产品，仍然要从自己真正能进入的业务场景出发。
如果团队擅长软件，值得问的是：有没有一条足够深入的工作流，能够拿到真实反馈、获得稳定使用，并让客户愿意持续付费？仅仅把模型包装成一个聊天窗口，很难回答这些问题。
如果团队熟悉制造或设备，值得问的是：能否进入现场，定义验收指标，并承担部署和维护？演示中的成功率，与长期运行中的可靠性，是两种要求。
我会用同一组问题评估这两类机会：
| 我会问的问题 | 想验证什么 |
|---|---|
| 用户现在怎样完成任务？ | 是否存在具体、重复的痛点 |
| 什么结果值得付费？ | 价值能否被验收 |
| 数据从哪里来？ | 是否能合法、持续地获得反馈 |
| 系统失败时谁接手？ | 交付责任是否清楚 |
| 每多一个客户，成本怎样变化？ | 能否从项目走向产品 |
这些是我从报告延伸出的产品判断。产业重心可以帮助我们发现方向，具体机会仍然需要逐个验证。
公司名单值得继续看，研究边界也要保留
RAND 官方页面还提供了 Annex 公司名单附件。比起只保存一张对比表，我更想把它当作后续研究的索引，逐家看产品、客户、交付方式和数据来源。
如果继续拆分，我会围绕大模型、Agent、机器人、自动驾驶、医疗、科研、网络安全和制造业建立观察表。这是我计划采用的分析视角，并不是附件已经完成的分类结果。
同时，需要记住报告的数据主要采集于 2026 年 1—2 月，依赖公开资料，中国企业的信息缺失更多；研究范围是商业 AI 开发企业，并未覆盖大学和政府研究机构。8 月发布的报告，不能被理解成对 8 月产业状态的实时扫描。
因此，我更愿意把它当作一张有边界的产业地图，用来提出更好的问题，再回到具体企业验证。
从模型榜单，看到水面之下
理解 AI，我觉得至少要把五件事放在一起看：
- 产业：能力正在进入哪些行业，改变哪些生产环节？
- 资本：资金支持的是能力研发、应用获客，还是设备部署？后续收入能否支撑持续投入？
- 人才：算法、软件、控制和行业经验能否在同一个团队里配合？
- 供应链：从芯片、传感器到设备与运维，哪些环节决定成本和交付？
- 真实应用：有多少系统离开了演示，进入客户日常运行的流程？
这是我在报告之外继续追踪产业的框架，不能把它当作 RAND 已经逐项验证的结论。模型跑分能回答一部分能力问题，却回答不了上面这些交付问题。
我从这份报告带走什么
技术相似，并不意味着产品会相似。模型进入什么环境，会影响企业要积累什么数据、解决什么工程问题，以及怎样获得收入。
对我而言，这份报告最有用的提醒，是把注意力从少数明星模型，往真实的产品和生产现场再移动一步。
未来真正的竞争，可能不只是“谁的模型更聪明”，而是谁能让 AI 更深地进入现实世界。
这里的现实世界，也包括医院、研究机构和企业里的信息工作。对我来说，关键是能力能否进入真正运行的业务流程，得到持续反馈，并有人为最终结果负责。
参考资料
- RAND 官方报告页面与 Annex 下载入口
- 报告 PDF：AI Development in the United States and China，Jon Schmid、Prateek Puri、Vitor Melo、Anthony Hakim，2026。样本数量见正文表 3.1；主要结论与研究限制见摘要。
本文配图为我根据报告数据和个人分析绘制的示意图，并非 RAND 原图。