“養(yǎng)龍蝦”狂熱背后：中國(guó)AI應(yīng)用誠(chéng)可貴，底層創(chuàng)新價(jià)更高

當(dāng)OpenClaw在中國(guó)市場(chǎng)迅速走紅，從開發(fā)者社區(qū)到普通用戶層面掀起一輪“本地AI智能體”熱潮，其意義顯然已不止于一個(gè)開源項(xiàng)目的成功。在某種程度上它更像一面鏡子，折射出中國(guó)AI產(chǎn)業(yè)在應(yīng)用層面快速落地、場(chǎng)景豐富、體驗(yàn)驅(qū)動(dòng)的強(qiáng)大創(chuàng)新能力。

但如果我們將視角拉長(zhǎng)，這場(chǎng)熱潮同樣暴露出一個(gè)更深層的問題，那就是支撐這些應(yīng)用繁榮的底層能力，我們?nèi)匀淮嬖诓恍〉牟罹?。無論是基礎(chǔ)大模型，還是高端算力體系，中國(guó)AI仍處在“追趕與突破并存”的階段。從這個(gè)角度看，OpenClaw的火爆，與其說是一次勝利，不如說是一種提醒。

OpenClaw火爆，其根基基礎(chǔ)大模型差距猶存

OpenClaw之所以能夠迅速破圈，本質(zhì)上并不只是產(chǎn)品設(shè)計(jì)或工程實(shí)現(xiàn)的成功，而是站在大模型能力已經(jīng)足夠“可用”的拐點(diǎn)之上，即智能體（Agent）形態(tài)的爆發(fā)，依賴的是模型在理解、推理和執(zhí)行任務(wù)方面的綜合能力達(dá)到一個(gè)臨界值。

換言之，沒有基礎(chǔ)大模型能力的支撐，就不會(huì)有OpenClaw的應(yīng)用繁榮。但問題在于，這一“底座”本身，我們與國(guó)外主流大模型相比仍存在客觀差距。

根據(jù)Epoch AI今年年初發(fā)布的報(bào)告（《Chinese AI models have lagged the US frontier by 7 months on averagesince 2023》，以下簡(jiǎn)稱報(bào)告），自2023年以來，處于AI能力前沿的頂級(jí)模型幾乎均出自美國(guó)，中國(guó)最佳模型在EpochCapabilities Index（ECI）上的平均“時(shí)間差”約為7個(gè)月。報(bào)告給出的區(qū)間是在開源快速迭代期（如DeepSeek?R1奮力追近Claude 3.5）時(shí)差距可縮小至約4個(gè)月，而在美國(guó)閉源新模型（如o3 系列）剛發(fā)布的窗口期，差距一度拉大到約14個(gè)月，均值則相對(duì)穩(wěn)定在7個(gè)月左右。趨勢(shì)雖在緩慢改善，但尚未收斂到“零差距”。

具體到節(jié)奏上，美國(guó)AI模型的更新頻率極高，從GPT?4到o1，再到GPT?5和新一代Gemini系列，幾乎不存在長(zhǎng)時(shí)間的停滯窗口，且能力躍遷并不完全依賴參數(shù)規(guī)模，而更多來自訓(xùn)練范式、推理路徑設(shè)計(jì)、對(duì)中間狀態(tài)的顯式建模等方向的系統(tǒng)創(chuàng)新。例如o1系列在推理路徑、思考過程建模上的工程化嘗試。

相比之下，中國(guó)AI模型呈現(xiàn)出典型的“跳躍式追趕曲線”。從Baichuan2、Qwen?14B 到Y(jié)i?34B，再到DeepSeek?V2、Qwen2.5、Qwen3 Max，每一步間隔都能看到大幅躍遷，但提升往往更多依賴參數(shù)規(guī)模擴(kuò)展、MoE架構(gòu)以及工程層面的極致優(yōu)化。雖然這種“臺(tái)階式追趕”在短期內(nèi)頗為高效，但也意味著在連續(xù)迭代頻率、訓(xùn)練范式創(chuàng)新等維度仍存在差距。

此外，報(bào)告還特別強(qiáng)調(diào)了“開源vs閉源”的結(jié)構(gòu)性差異。當(dāng)前中國(guó)領(lǐng)先模型幾乎清一色選擇開源或開放權(quán)重（如Qwen系列、DeepSeek系列），而美國(guó)最前沿的一批模型（如GPT?5、o3）則保持閉源。這兩種路徑各有優(yōu)勢(shì)，例如開源降低復(fù)現(xiàn)門檻、放大社區(qū)協(xié)作效應(yīng)，但閉源更容易圍繞新范式構(gòu)筑高壁壘。報(bào)告同時(shí)指出，中國(guó)模型在ECI曲線上首次超越 GPT?4出現(xiàn)在2024年5月左右（比GPT?4發(fā)布滯后約14個(gè)月），但截至2025年底尚無模型在整體能力上超越o3級(jí)別模型。

這背后反映的并非工程實(shí)力，而是范式創(chuàng)新的主導(dǎo)權(quán)問題。雖然開源生態(tài)在代碼、數(shù)學(xué)、對(duì)話等單一維度上可以快速追平甚至在部分榜單上反超，但在決定下一代AI范式躍遷的關(guān)鍵能力——持續(xù)學(xué)習(xí)、自我反思與規(guī)劃、更強(qiáng)的Agent級(jí)系統(tǒng)能力，仍主要掌握在具備閉源模型與巨量算力資源的少數(shù)美國(guó)公司手中。

需要說明的是，ECI指數(shù)綜合語(yǔ)言理解、推理、多任務(wù)泛化與專家校準(zhǔn)，量化了真實(shí)能力差距。所以上述7個(gè)月的差距并非只是抽象的數(shù)字，而是它會(huì)在OpenClaw的典型使用場(chǎng)景中得到具象的體現(xiàn)。

例如長(zhǎng)上下文的穩(wěn)健性。眾所周知，OpenClaw的一個(gè)關(guān)鍵特點(diǎn)，是會(huì)話歷史和任務(wù)狀態(tài)往往會(huì)被完整地保留并反復(fù)引用，對(duì)于一些復(fù)雜的企業(yè)流程，一個(gè)會(huì)話輕松突破10萬(wàn)token，甚至逼近20萬(wàn)token。而在這樣長(zhǎng)的上下文下，模型不僅要記住“你之前說過什么”，更要持續(xù)做出高質(zhì)量的規(guī)劃決策（例如決定何時(shí)調(diào)用工具、如何修改既有計(jì)劃、怎樣解釋外部系統(tǒng)返回的復(fù)雜結(jié)果等）。但當(dāng)前在這一維度表現(xiàn)最穩(wěn)健的仍然是GPT?5和少數(shù)幾款最新的前沿閉源模型，而不少國(guó)產(chǎn)模型在超過特定上下文長(zhǎng)度之后，開始出現(xiàn)遺忘前文指令、邏輯跳躍、工具調(diào)用混亂等問題。

又如Agent化推理能力。OpenClaw之所以被視為“數(shù)字員工框架”，就在于它不僅能回答問題，還能把“完成任務(wù)”拆分成多步執(zhí)行，例如先查收合同郵件，再在CRM系統(tǒng)里更新客戶狀態(tài)，然后根據(jù)對(duì)方時(shí)區(qū)安排會(huì)議，最后生成一條總結(jié)發(fā)送給內(nèi)部群。而這個(gè)過程背后，需要模型具備相當(dāng)程度的任務(wù)分解、規(guī)劃和反思能力，即業(yè)界常說的agentic reasoning。事實(shí)是，美國(guó)的最新前沿模型在這方面已經(jīng)形成了一套從架構(gòu)到訓(xùn)練范式的系統(tǒng)性方法，而中國(guó)模型盡管在代碼、數(shù)學(xué)、對(duì)話等單一維度上成績(jī)亮眼，但在Agent鏈路上的一致性方面仍稍遜一籌。

更值得我們警惕的是安全性與對(duì)抗魯棒性。安全公司Palo Alto Networks在分析OpenClaw風(fēng)險(xiǎn)時(shí)，將此類自動(dòng)化Agent系統(tǒng)視為“高危組合”的一部分，理由很直接，一個(gè)可以自動(dòng)讀取郵件、瀏覽網(wǎng)頁(yè)、操作企業(yè)系統(tǒng)的Agent，一旦在提示注入、權(quán)限邊界控制、越權(quán)調(diào)用等環(huán)節(jié)存在缺陷，就可能演化為“帶AI的自動(dòng)化攻擊腳本”。在這一點(diǎn)上，部分美國(guó)前沿模型廠商已經(jīng)投入大量資源，用于對(duì)抗式訓(xùn)練、權(quán)限分級(jí)、敏感操作的多輪確認(rèn)等機(jī)制，而不少國(guó)產(chǎn)模型和應(yīng)用方仍更多處在“補(bǔ)齊基礎(chǔ)安全能力”的階段。當(dāng)OpenClaw 與真實(shí)業(yè)務(wù)系統(tǒng)深度綁定，這種安全能力的差距就會(huì)被成倍放大。

基于上述，我們發(fā)現(xiàn)OpenClaw在中國(guó)的流行呈現(xiàn)出某種矛盾的兩面性。一方面，它是中國(guó)在應(yīng)用層和生態(tài)組織能力上的一場(chǎng)勝利，證明了我們自己極擅長(zhǎng)“把好模型用起來”“把框架玩出花兒來”；另一方面，它也折射出一個(gè)殘酷的現(xiàn)實(shí)，即在最關(guān)鍵的基礎(chǔ)大模型領(lǐng)域，我們?nèi)匀辉谝源蠹s半年的時(shí)差追逐前沿，而這無疑決定了OpenClaw的性能上限。

高端算力不足，拉低中國(guó)大模型上限

如果說上述的基礎(chǔ)模型差距是表象，那么算力，則是決定這一差距能否縮小的根本變量。原因很簡(jiǎn)單，在AI體系中，算力不僅決定模型訓(xùn)練的規(guī)模上限，也直接影響模型迭代速度和實(shí)驗(yàn)空間。尤其是在當(dāng)前大模型進(jìn)入“規(guī)模+算法”雙輪驅(qū)動(dòng)的階段后，算力的重要性被進(jìn)一步放大。而事實(shí)是，中國(guó)在高端算力上的結(jié)構(gòu)性短板，正成為基礎(chǔ)模型迭代的“阿喀琉斯之踵”。

據(jù)Epoch AI另一份報(bào)告顯示，2019年后中國(guó)頂級(jí)中文語(yǔ)言模型訓(xùn)練計(jì)算能力迅速增長(zhǎng)，2021年底曾追平全球，但此后放緩，這導(dǎo)致自2021年底以來，前十中文模型每年訓(xùn)練計(jì)算能力增長(zhǎng)約3倍，遠(yuǎn)低于全球其他地區(qū)自2018年起每年5倍的增速。而按照當(dāng)前發(fā)展速度，中國(guó)需約數(shù)年才能達(dá)到全球頂級(jí)模型的計(jì)算水平。

如果說Epoch AI的報(bào)告代表了海外視角，那么在今年年初國(guó)內(nèi)舉行的AGI?Next前沿峰會(huì)（以下簡(jiǎn)稱峰會(huì)）上，來自清華、智譜AI、阿里巴巴通義千問等多位一線大佬及從業(yè)者，也給出了與之相呼應(yīng)的判斷。

例如當(dāng)英偉達(dá)發(fā)布新一代 Rubin 芯片時(shí)，首批主要客戶名單中幾乎難見中國(guó)互聯(lián)網(wǎng)或 AI頭部企業(yè)的身影。對(duì)此，智譜AI聯(lián)合創(chuàng)始人唐杰在會(huì)上直言，中國(guó)與美國(guó)在算力資源上的差距“有可能不但沒有縮小，反而在擴(kuò)大”，這種差距不僅體現(xiàn)在單枚芯片性能上，更體現(xiàn)在總算力規(guī)模、算力利用效率和供應(yīng)可預(yù)期性等維度。而阿里巴巴通義千問（Qwen）前技術(shù)負(fù)責(zé)人林俊旸在峰會(huì)上給出的評(píng)估稱，美國(guó)頂級(jí)實(shí)驗(yàn)室擁有的算力資源，普遍比中國(guó)實(shí)驗(yàn)室高出1到2個(gè)數(shù)量級(jí)。

盡管這類估算并非精確測(cè)量，但結(jié)合公開披露的GPU規(guī)模、融資能力和云基礎(chǔ)設(shè)施布局，我們可以大體勾勒出了一個(gè)事實(shí)，即由于高端算力受制于成本和供應(yīng)，中國(guó)企業(yè)不得不將大量資源優(yōu)先用于支撐既有業(yè)務(wù)的推理與在線服務(wù)，而像OpenAI、Anthropic這樣的對(duì)手，卻可以持續(xù)將海量算力資源投入到下一代模型的“飽和式研發(fā)”之中。

林俊旸同時(shí)提醒，Agent在執(zhí)行長(zhǎng)尾任務(wù)時(shí)暴露出來的各種“棘手問題”，不可能完全通過Prompt工程或應(yīng)用層代碼修補(bǔ)，必須回到模型層面，通過針對(duì)性的大規(guī)模訓(xùn)練與后訓(xùn)練（“燒卡”）來解決—“模型即產(chǎn)品”，沒有系統(tǒng)性的模型訓(xùn)練能力，就很難構(gòu)建真正可持續(xù)的技術(shù)壁壘。

更令人擔(dān)憂的是，為了打破這種“算力鎖死”，中國(guó)企業(yè)正陷入一種“打游擊式”的生存困境。據(jù)峰會(huì)透露，不少國(guó)內(nèi)團(tuán)隊(duì)為了獲取高端算力支持，不得不通過錯(cuò)綜復(fù)雜的步驟，去租用東南亞或中東數(shù)據(jù)中心的算力，這不僅帶來了極高的成本，更意味著研發(fā)效率的攤薄。而這種結(jié)構(gòu)性的落后，讓業(yè)內(nèi)精英們保持著清醒的悲觀。例如當(dāng)被問及未來三到五年中國(guó)公司有多大概率超越美國(guó)頂尖AI企業(yè)時(shí)，林俊旸給出的猜測(cè)是20%或更低。

正是在上述背景下，中國(guó)廠商近年來通過工程優(yōu)化與架構(gòu)創(chuàng)新，在一定程度上“對(duì)沖”了算力不足的影響。例如通過MoE架構(gòu)、推理優(yōu)化等方式提升效率，甚至在部分場(chǎng)景中實(shí)現(xiàn)對(duì)海外模型的成本優(yōu)勢(shì)。

但我們必須看到，這種優(yōu)勢(shì)更多是“效率創(chuàng)新”，而非“資源優(yōu)勢(shì)”。而當(dāng)模型競(jìng)爭(zhēng)進(jìn)入更高維度（例如更長(zhǎng)上下文、更復(fù)雜推理、更大多模態(tài)融合），直至Agent時(shí)，底層算力的差距仍然會(huì)成為限制上限的關(guān)鍵因素。

因此，從長(zhǎng)期看，如果算力基礎(chǔ)設(shè)施無法實(shí)現(xiàn)質(zhì)的突破，中國(guó)AI在基礎(chǔ)模型層面的追趕將持續(xù)面臨“天花板效應(yīng)”。而要打破這個(gè)“天花板”，僅靠應(yīng)用層面的“用法創(chuàng)新”是不夠的，必須依賴更扎實(shí)、也更漫長(zhǎng)的底層技術(shù)創(chuàng)新投入。

中國(guó)AI向未來，需押注算力底層創(chuàng)新

提及所謂“底層創(chuàng)新”，在我們看來，其不應(yīng)是寬泛的口號(hào)，而是一系列極其具體、需要長(zhǎng)期投入的系統(tǒng)工程。具體到基礎(chǔ)大模型，其是在架構(gòu)、訓(xùn)練范式、對(duì)齊技術(shù)、安全機(jī)制上的持續(xù)突破，是在多語(yǔ)言、多模態(tài)、多任務(wù)一體化上的深耕，是在數(shù)據(jù)治理與標(biāo)注體系上的扎實(shí)建設(shè)；至于算力體系，則是從芯片、互聯(lián)網(wǎng)絡(luò)、系統(tǒng)軟件到調(diào)度平臺(tái)的一整套協(xié)同優(yōu)化，力圖用更高的系統(tǒng)效率，抵消部分在單卡性能與供應(yīng)上的外部約束。而這之中，如前述，算力是重中之重。

基于此，國(guó)內(nèi)廠商正在嘗試從不同層面補(bǔ)齊底層算力的缺口。

以中科曙光近期推出的scaleFabric國(guó)產(chǎn)原生RDMA網(wǎng)絡(luò)為例，其價(jià)值并不只是替代某一類進(jìn)口產(chǎn)品，而是在算力體系中重構(gòu)“網(wǎng)絡(luò)”這一關(guān)鍵變量。

眾所周知，在大規(guī)模訓(xùn)練中，通信開銷往往占據(jù)30%—50%，而scaleFabric通過全棧自研實(shí)現(xiàn)高帶寬、低時(shí)延和無損傳輸，本質(zhì)上是在提升算力的“有效利用率”。雖然這類創(chuàng)新不直接體現(xiàn)在模型參數(shù)規(guī)模上，卻可以讓同樣規(guī)模的算力集群釋放出更高的訓(xùn)練效率，從而間接提升模型能力的上限。

類似的底層創(chuàng)新，并不只發(fā)生在網(wǎng)絡(luò)層。

例如在芯片層面，以華為昇騰、寒武紀(jì)、海光、壁仞等為代表的廠商，正在通過不同技術(shù)路徑推動(dòng)國(guó)產(chǎn)算力體系從“可用”走向“高效”。這之中，有的廠商通過架構(gòu)設(shè)計(jì)提升通用性與擴(kuò)展性；有的則在特定場(chǎng)景中優(yōu)化算力密度或能效比；有的通過兼容主流軟件生態(tài)降低遷移成本，逐步構(gòu)建起從芯片到服務(wù)器乃至數(shù)據(jù)中心的一體化能力。而這些路徑的共同點(diǎn)在于不再簡(jiǎn)單追求“對(duì)標(biāo)某一款GPU”，而是圍繞實(shí)際應(yīng)用重構(gòu)算力效率。

與此同時(shí)，一些更具前瞻性的創(chuàng)新開始出現(xiàn)在“系統(tǒng)級(jí)組織方式”上。例如以華為CloudMatrix為代表的超節(jié)點(diǎn)架構(gòu)，通過高速互聯(lián)將數(shù)百顆芯片組成一臺(tái)“超級(jí)AI服務(wù)器”，以系統(tǒng)能力彌補(bǔ)單芯片性能差距；又如光互連、硅光交換等新型網(wǎng)絡(luò)技術(shù)，也在嘗試從物理層突破傳統(tǒng)電子互聯(lián)的帶寬與延遲瓶頸。

類似的思路也體現(xiàn)在國(guó)內(nèi)算力系統(tǒng)的工程實(shí)踐中。以中科曙光ScaleX萬(wàn)卡集群為代表，其通過在萬(wàn)卡規(guī)模下對(duì)計(jì)算、存儲(chǔ)與網(wǎng)絡(luò)進(jìn)行一體化設(shè)計(jì)與調(diào)度，實(shí)現(xiàn)跨節(jié)點(diǎn)的大規(guī)模協(xié)同訓(xùn)練能力。在這種體系中，真正重要的已不再是單一芯片或單臺(tái)服務(wù)器的性能，而是整個(gè)集群在通信效率、任務(wù)調(diào)度與資源利用率上的整體表現(xiàn)，本質(zhì)上也是在通過系統(tǒng)級(jí)設(shè)計(jì)提升整體算力的可用性和有效性，為大模型迭代提供更穩(wěn)定、高效的運(yùn)行基礎(chǔ)。

其實(shí)無論是華為，還是曙光，其探索的共同點(diǎn)在于，它們不再局限于單一硬件指標(biāo)的比拼，而是通過重構(gòu)算力的組織方式，在既有條件下逼近甚至重塑性能邊界。

此外，在計(jì)算范式層面，中國(guó)廠商也在嘗試“繞開約束”。例如圍繞FP8低精度計(jì)算的實(shí)踐，已經(jīng)證明在不依賴最先進(jìn)制程的情況下，通過算法與硬件協(xié)同優(yōu)化，同樣可以實(shí)現(xiàn)大模型訓(xùn)練效率的大幅提升，而這類創(chuàng)新路徑，本質(zhì)上是在重寫“算力=先進(jìn)制程”的單一邏輯。

如果我們把這些探索放在一起不難發(fā)現(xiàn)一個(gè)重要變化，那就是中國(guó)AI算力正在從過去的“單點(diǎn)替代”，逐步走向“體系化重構(gòu)”。

寫在最后：綜上，我們認(rèn)為，OpenClaw的爆火，是中國(guó)AI應(yīng)用能力的一次集中釋放，但并沒有改變一個(gè)更深層的現(xiàn)實(shí)，即基礎(chǔ)大模型仍在追趕，算力體系仍存約束。

不可否認(rèn)，應(yīng)用可以放大能力，但卻無法替代能力本身。而當(dāng)行業(yè)沉浸于“又一個(gè)爆款”的熱鬧時(shí)，更需要看到底層的差距與方向。基于此，對(duì)中國(guó)AI的未來，不在于還能誕生多少個(gè)中國(guó)版的OpenClaw，而是我們能否憑借在模型、算力與系統(tǒng)架構(gòu)等的底層創(chuàng)新完成從追趕到定義的躍遷。