但话说回来，他们都有非常稳定的共识，就是中国是美国最重要的国家级人工智能竞争者。因此，美国内部争论的不是要不要竞争，而是如何竞争、边界在哪里，以及愿意为此付出多大成本。

观察者网：现在有一种说法，美国人工智能注重前沿开发，中国则注重场景应用。您如何看待这两种不同选择？

蔡翠红：我觉得这个观察有一定道理，但如果把它理解成美国只重技术、中国只重应用，就过于二元化了。

更准确的表述应该是，美国人工智能发展模式是以突破能力上限、构建全球平台、获得高额资本回报为主要牵引。中国发展模式，更强调把技术突破与产业体系、应用场景和国家发展目标结合起来。

有个区别很重要，就是创新驱动力。美国走的是大型科技企业、风险资本、顶尖研究机构共同驱动的前沿突破模式。美国拥有全球领先的科技企业、风险资本体系、大学科研机构和云计算平台，也就更容易把资源集中到前沿模型和通用技术突破上，再通过平台向全球扩散。

美国在人工智能方面的私人投资非常高。根据斯坦福《2026年人工智能指数报告》统计， 2025年美国私人AI投资约为中国的23倍。当然，这个数字只统计私人投资，会低估中国政府引导基金、基础设施和其他公共投入，所以不能简单理解为两国全部人工智能投入差距。

中国的特点则是，不仅希望把模型做出来，还特别强调如何让人工智能进入制造业、汽车、物流、医疗、教育和公共服务等现实场景。这背后有中国比较独特的条件，包括完整的产业体系、庞大的市场规模和丰富的应用场景。同时，中国政府在产业规划、基础设施建设和应用推广方面具有较强的组织协调能力，因此更容易通过大量现实场景推动技术快速迭代。

但我觉得特别需要强调，重视应用不等于放弃前沿创新。事实上，中美两种道路现在呈现相互靠近的态势。美国在补数据中心、能源电网、制造业现实应用这一课。中国也在进一步加强前沿模型、基础研究、芯片、基础软件等等底层能力。

观察者网：中美两国未来在人工智能方面，竞争肯定是主旋律，但肯定也有合作的一面。您觉得两国可以在哪些方面展开合作？

蔡翠红：确实要合作，但也不能有过高期待。涉及核心模型能力、训练数据、先进芯片和军事用途的技术，短期内很难成为中美合作重点。

我觉得，真正适合合作的领域一般有几个特点：风险具有跨境外溢性，单靠一个国家难以解决，同时合作又不需要双方开放最核心的技术。所以，可以考虑的合作面向，有战略安全的合作、风险治理的合作、公共产品的合作以及全球治理与能力建设的合作。

最紧迫、最有必要的合作领域，就是防止人工智能加剧军事误判和战略失控。人工智能越来越多用于军事决策、情报分析、预警和目标识别等等环节。尤其是要明确核武使用必须人类做出最终决定。

在前沿模型风险评估、安全测试方面，也可以展开有限合作。在不涉及商业机密和核心技术的前提下，寻找共同的测评方法，比如如何评估模型？是否有软件漏洞？有无恶意代码？是否降低生物化学武器门槛？智能体执行任务时是否偏离人类目标？

网络安全和生物安全，也有必要建立事件通报和紧急沟通机制。比如，可以讨论一些基本行为边界，不利用人工智能攻击医院、电网、核设施等关键民用基础设施。敏感生物数据不适合共享，但可合作建立高风险生物能力的测评标准等。

中美在模型事故、技术故障和重大安全事件通报方面也可建立机制。如果发现严重模型漏洞或重大技术故障事件，也应当有必要的联络和通报渠道。

中美还可以在合成内容、深度伪造和内容来源认证方面开展技术合作。可以推动合成内容标识的技术兼容、数字水印和内容来源认证标准等。

公共卫生、气候、灾害预警等领域，则是中美最容易向社会说明价值的合作项目。这些领域具有明显的全球公共产品属性，收益能够跨越国界，而且合作并不一定要求双方交换最敏感的模型权重和训练数据。

此外，中美还应当在全球人工智能治理和发展中国家能力建设方面开展最低限度协调。可以在联合国等多边机制中合作推动支持发展中国家参与国际人工智能治理，并推动缩小算力和数据能力等数字鸿沟。

观察者网：美国知名人工智能学者加里·马库斯（Gary Marcus）近期发文称，中国人工智能模型已“几乎追平”美国最先进水平，美国不可能在这场人工智能竞赛中“获胜”，华盛顿应停止将人工智能视为零和博弈，转而探索国际合作与公共产品路径。您如何评价他的说法？

蔡翠红：他在美国是很知名的人工智能学者，也是当前大语言模型技术路线的长期批评者。但，他的观点不代表美国人工智能产业，也不代表美国政府和战略界的立场。

他认为中国模型正在快速接近美国前沿水平，美国技术领先难以长期维持。所以，他判断，中美在大模型领域可能进入一种领先位置反复交替的接近状态，美国很难建立永久性的、压倒性的技术领先。

最早在谈到DeepSeek时，他就讲过，这不意味着中国已经赢得人工智能竞赛，只是说明两国正在迅速接近。

准确地说，他认为，美国采取的竞争模式本身存在问题，无法长期形成技术垄断。如果美国持续投入更多资源、资本、算力，只为争夺短暂的模型领先，随后竞争者迅速跟进，有可能最终形成高成本、低利润、高风险的军备竞赛模式。所以他认为，与其不断扩大这种零和竞争，不如把一部分竞争逻辑转向国际合作，让人工智能更多服务于医学、科学等全球公共产品。

我认为他的判断有一个重要启示，就是不能把人工智能竞争简单理解为一场可以永久分出胜负的单项赛。同时，具有跨境风险和全球公共产品属性的领域，应该保留合作空间。但这并不意味着人工智能竞争可以由合作所取代，更不意味着核心技术可以无边界开放。原因也很简单，大模型能力具有较强的扩散性，但芯片、算力、数据、平台、产业生态以及军事用途人工智能仍然具有很强的稀缺性和战略属性。