|
这张来自 Epoch AI 的图表，给了中美 AI 一个非常冷静的定位。 自 2023 年以来，所有处在全球能力前沿的 AI 模型，全部来自美国；而中国模型在整体能力上，平均落后约 7 个月。这个差距不是某一次模型发布造成的，而是过去两年多时间里反复出现的长期结果：最小约 4 个月，最大可达 14 个月，长期平均，稳定在 7 个月左右，最终收敛在一个稳定区间。 Epoch AI 用的是 Epoch Capabilities Index（ECI），这是一个综合指标，涵盖语言理解与生成、推理与问题分解、多任务泛化表现，并结合公开评测与专家校准。换句话说，这不是“感觉差距”，而是被量化成时间维度的能力差距——平均而言，中国模型需要再过 7 个月，才能达到美国模型已经实现的能力水平。 添加“大海”微信（dashengchuhai6），获取完整版报告，并加入AI讨论社群
01
两条曲线，代表两种完全不同的进化方式
如果只看美国那条蓝线，会发现它的特征非常明显：连续、密集、几乎没有停顿。而且能力提升并不完全依赖参数规模的简单扩张。以 o1 为例，它的关键突破并不在“更大模型”，而在推理路径设计、中间状态建模，以及训练目标的重构，本质上是把“思考过程”本身纳入工程对象。 如果只看美国 AI 的能力曲线，会发现几个明显特征： 这意味着，美国前沿 AI 的推进方式，已经明显转向 系统级与范式级创新。 再看中国那条红线：跳跃式追赶，但节奏更慢中国模型的曲线，呈现出另一种典型形态： 从模型名称也能看出来： 72B、236B、MAX、MoE 更多依赖 参数规模、架构工程 来缩小差距
这是一条非常有效的追赶曲线，但它的特点是： “追得很稳，但对方也没停。”
总结一下，中国模型每一次模型发布，能力提升幅度都不小，但两次跃迁之间的间隔相对更长。从模型名称和技术路线也能看出来，中国 AI 更多依赖扩大参数规模和 MoE 架构来拉平差距。这条路线是有效的，也确实在持续逼近前沿。
02
7 个月的差距，本质上是「开源 vs 闭源」中美 AI 的能力差距，几乎完全贴合「闭源模型 vs 开源模型」的差距。
这并不意外。 中国最领先的大模型，几乎全部是 开源权重
而美国真正的前沿模型，几乎清一色是 闭源
GPT-4 → o1 → GPT-5 Gemini 系列
也正是在这些闭源模型之上，美国持续把前沿能力往前推。这并不意味着开源“不行”，而是说明在当前阶段，开源更擅长扩散和追赶，闭源更擅长冲击极限。从这个角度看，这 7 个月并不是“中美差距”，而是研发组织方式、商业策略与技术路线选择的结果。闭源模型可以更激进地整合工程、算力和数据，持续在前沿能力上小步快跑；而开源模型更强调可复现、可扩散与生态建设，其优势在于普及与追赶，但在冲击“绝对前沿”时，确实会受到一定约束。换句话说，这 7 个月并不是“追不上”，而是“追的方式不同”。
03
差距在缩小，但没有消失如果拉长时间轴来看，变化其实很清楚：- 2023 年，中美 AI 的能力差距一度接近 10–12 个月；
- 2024 年，差距明显收敛到 6–8 个月；
- 到 2025 年，稳定在约 7 个月左右。
这说明中国 AI 的追赶速度非常稳定，但同时也说明，美国前沿 AI 的推进速度并没有放缓。两条曲线在靠近，却始终保持着一个时间上的错位。
04
真正的分水岭，还没到来Epoch AI 在 FrontierMath 上的测试，进一步验证了这一判断。在这套由 60 多位顶尖数学家设计、覆盖科研级难题的基准中，几乎所有开源中文大模型在高难度问题上都未能取得有效成绩，而即便是 GPT、Gemini 这样的闭源前沿模型，表现也谈不上理想。这说明，在真正复杂、需要深度推理与长期规划的问题上，当前所有 AI 都还处在早期阶段。无论是 GPT-5，还是 Qwen3 Max，都不是终点。真正决定下一阶段格局的，很可能不是参数规模，而是是否能完成一次范式级跃迁：真正的分水岭，正在转向几个更深层的问题： 就在最近，谷歌研究团队已经释放出信号——持续学习，可能成为 2026 年 AI 的关键能力。谁能率先实现无需反复重训、即可在参数中自我学习和进化，谁就可能重新定义什么才是真正的“前沿”。所以，这 7 个月不是压力，而是坐标。
上面图片和结论，来自 Epoch AI 的最新数据洞察
如果你对这些结论背后的完整数据、方法说明和更长期的趋势判断感兴趣，Epoch AI 实际上已经在其研究中给出了更系统的分析，并整理成了完整的 PDF 报告《AI in 2023》，报告预测了在算力持续增长的前提下，到 2030 年 AI 能力将大幅提升，并深刻改变科研、经济和社会生产力格局。”
需要完整版 PDF ，添加大海（dashengchuhai6）回复‘报告’获取.
| 
发表于 
