一、主要發現
中國已全面採取開源人工智慧發展路線。多數中國實驗室公開模型原始碼與權重，且高階產品使用成本顯著低於全球競爭者。此一策略加速中國 AI 的全球擴散，並形成「廣泛採用促進反覆運算、反覆運算再進一步推動採用」的回饋循環。截至本報告發布時，阿里巴巴 Qwen 系列已在 Hugging Face 上形成最大模型生態，衍生模型數量逾 10 萬個。

此一開放生態使中國在算力受限情況下，仍能貼近技術前沿推動創新。中國實驗室已縮小與西方頂尖大型語言模型(Large Language Models, LLMs)之間的效能差距，並發展出多項已成為產業標準的架構與訓練方法。開源模型的擴散亦為 AI 領導力開闢替代路線：中國策略著重於在製造、機器人與科研場域部署具身人工智慧(Embodied AI)，透過實務應用持續進行資料整理與精煉，使來自真實場域的專業資料逐步累積為競爭優勢，並可能形成美國專有模型難以複製的能力來源。

中國開源模型策略與其製造業優勢呈現相互強化關係。開源模型使 AI 能以較低成本導入工廠、物流網絡與機器人系統，並在實際運作中產生可回饋至模型優化的真實世界資料。中國亦已建立相應制度基礎，將資料正式定位為生產要素，並允許企業將符合條件之資料資產納入資產負債表。

美國出口管制主要針對「數位循環」，即限制前沿模型訓練所需之先進晶片，然而對於中國以製造業為基礎、由部署驅動的「實體循環」則較難有效因應。隨著開源模型降低實務應用所需算力門檻，中國在產業場域中生成專有資料的能力，逐漸不再高度依賴最先進硬體。即使訓練端算力受到限制，仍未必能阻止中國建立以實體經濟為基礎的 AI 長期優勢。

二、引言
2025 年，美中主要前沿人工智慧實驗室持續刷新模型效能紀錄。OpenAI 推出 ChatGPT-5，中國 DeepSeek 則以接近前沿水準的 R1 模型引發國際關注，並被《時代》評選為「2025 年最佳發明」之一。

兩國競爭背後呈現出不同的發展戰略。美國領先實驗室將資源集中於算力密集的前沿模型，著重以硬體優勢驅動突破性能力；中國則在半導體出口管制限制下，選擇以開放發展與快速部署為核心，重構其人工智慧發展路線，並將 AI 納入「通用人工智慧」(General Artificial Intelligence, GAI)框架，整合至整體經濟體系。此一差異反映出不同的技術領導邏輯：並非依賴單一突破性模型，而是透過大規模採用與持續反覆運算，推動整體能力演進。

三、美國與中國人工智慧發展路徑差異
(一) 規模法則如何形塑美國閉源模式
美國前沿實驗室的運作建立在「規模法則」(Scaling Laws)之上，模型效能隨參數規模、算力投入與資料集擴展而呈現可預測提升。此一發展邏輯強化了資本密集且專有閉源的技術路線。由於競爭優勢高度依賴訓練方法、基礎設施設計與資料組成，相關技術與資源多被視為關鍵商業機密，進一步鞏固閉源生態的發展。

(二) 擴展法則面臨邊際效益遞減
根據 Bloomberg Intelligence 估算，2025 年 Microsoft、Amazon、Meta 與 Google 在人工智慧領域的資本支出合計至少達 3,500 億美元，而中國主要雲端供應商投入規模則不到 400 億美元。然而，多項因素正逐步削弱規模化戰略的效益：新一代模型需投入顯著增加的算力，方能換取有限的性能提升；小型模型在特定任務上已可達到接近大型模型的表現；同時，2025 年出現的新架構與後訓練技術，使得以較少參數提升效能成為可能。OpenAI 因此將 GPT-4.5 視為「最後一個主要依賴預訓練規模化的模型」。

(三) 中國人工智慧逐步逼近技術前沿
2025 年 1 月 DeepSeek R1 的發布顯示，儘管有出口管制，中國實驗室仍能逼近前沿。阿裡巴巴 Qwen 系列獲國際廣泛使用；Moonshot AI 在代理工作流程上設立新標竿；DeepSeek 則於 2025 年國際數學奧林匹亞(IMO)達到金牌水準，其於 12 月發布的 DeepSeek-V3.2-Speciale，更成為首個達此表現的開源模型。

中國在 2025 年的發展進展，反映其對既有 AI 技術領先格局的實質挑戰。中國實驗室已逐步在前沿創新中扮演重要角色。以 R1 為例，雖非混合專家模型(Mixture-of-Experts, MoE)的原始提出者，卻在開源模型體系中推動大規模 MoE 的應用，並促進思維鏈推理(chain-of-thought)的普及。上述方法已逐漸成為當前領先模型的常見技術配置。

四、中國開源模型策略與政策推動
北京將人工智慧擴散視為推動多項長期發展目標的重要政策工具，涵蓋因應經濟成長趨緩與人口結構變化，以及帶動其他關鍵領域發展。2025 年 8 月，國務院提出「人工智慧＋行動」，正式將「廣泛採用」確立為中國人工智慧發展的核心推動原則。

(一) 中國模型成本優勢顯著
截至 2026 年 1 月，Kimi K2.5 的使用成本約為 GPT-5.2 的四分之一，惟兩者在 Artificial Analysis 智能指數上同為 47 分。中國市場對軟體付費意願相對較低，政府透過 API 補貼及直接採購預訓練模型授權，以降低企業導入門檻。在供給面方面，甘肅、貴州與內蒙古等地為雲端服務業者提供最高達 50% 的電價優惠；在需求面方面，政府補貼亦進一步促進人工智慧的實際採用。

(二) 由政策推動開放生態系發展
開源模型生態為中國政策設計的核心。作為在算力資源受限下發展的後進者，中國政府透過制度設計，促進人工智慧的廣泛應用，同時降低對外國關鍵技術的依賴。根據 Epoch AI 統計，2022 至 2025 年間，中國開源模型數量由 32 個增至 337 個，成長逾十倍；同期美國由 213 個增至 622 個，增幅不到三倍。2023 年，中國開源模型數量首次超越其閉源模型。


五、雙重回饋循環：開放生態與實體部署
相較於模型發布數量，模型迭代速度(iteration speed)更具關鍵性。中國實驗室透過相對寬鬆的授權機制，使模型更易取得與應用，進而形成「擴散帶動創新、創新再促進擴散」的回饋循環。此一機制構成中國人工智慧發展的第一個回饋循環，另一個則根植於實體經濟的部署與資料生成。

(一) 第一個循環：開源擴散與模型迭代
2025 年 8 月中國模型在 Hugging Face 的總下載量超越美國。11 月至 12 月間，中國模型佔據下載量前十名中的七席，衍生模型上傳速度約為美國的兩倍。年底，阿裡巴巴 Qwen 家族衍生模型以逾 10 萬個的規模成為 Hugging Face 上最大生態，超越 Meta Llama。

此一以模型迭代為核心的協作模式，帶來三項結構性優勢：前沿實驗室得以相互優化基礎模型；企業可將高效能模型快速適配至特定應用場景，例如字節跳動將 Qwen2-VL-7B-Instruct 微調為 Tarsier2-Recap-7B 影片字幕模型；新進者亦可透過開源模型迅速建立技術能見度，吸引人才與資本投入。

此一優勢亦擴及美國市場。投資機構 Andreessen Horowitz 指出，約八成美國新創企業使用中國基礎模型，Airbnb 亦採用 Qwen 作為客服系統。然而，美國國家標準與技術研究院(National Institute of Standards and Technology, NIST)指出，部分 DeepSeek 開源模型在資安風險上高於美國同類產品，且中國模型在特定情境下可能受政策因素影響而進行內容限制。

(二) 第二個循環：部署帶動資料生成
Epoch AI 預估美國領先 AI 公司可能在 2026 至 2032 年間耗盡可公開取得的高品質訓練資料。中國科學院主張未來進展將更依賴高品質、多元資料。在實務應用方面，廣東某智慧工廠的 5G 高清攝影機資料使 AI 改善品質檢測，降低設備修復率 20%，年省逾百萬人民幣；AgiBot 與 Fourier 等企業亦釋出開源訓練資料集，以促進技術應用。

然而，中國在資料流通上仍面臨制度性限制。《資料安全法》限制大型平台與其他開發者之間的資料共享；Z.ai 共同創辦人唐傑亦指出，中國高品質資料仍呈現分散狀態。為因應此一挑戰，中國於 2025 年 3 月建立分層資料治理架構，由國家數據局(National Data Administration, NDA)負責管理國家公共資料資源登記平臺。中國財政部 2023 年發布會計準則，使中國成為全球首個建立國家資料資產會計準則的國家。

(三) 兩個循環的交匯處：小型模型與中國結構性優勢
兩個回饋循環相互強化，帶動中國人工智慧優勢持續累積，其關鍵機制在於小型專用人工智慧模型的興起。Nvidia 研究指出，小型模型在代理型 AI 系統中可承擔多數子任務，且成本僅為前沿模型的十分之一至三十分之一。

此一趨勢對美中競爭具有重要意涵。小型模型為開源生態中最易快速擴散與應用的類型，而中國在該生態中具備主導優勢。相較於從零訓練大型語言模型，針對特定產業任務進行微調所需算力大幅降低，開發者可在數天內完成模型調整。

小型模型亦成為連結數位回饋循環與實體回饋循環的關鍵機制。例如，部署於廣東工廠的品質檢測模型，多為在產線資料上微調並於邊緣裝置運行的小型視覺模型；相關應用所產生的獨特資料，將持續回饋至模型優化，形成快速且低成本的迭代機制。

在此過程中，中國逐步累積多重結構性優勢：開源生態提供模型基礎，製造規模支撐應用部署，物聯網與 5G 提供資料蒐集能力，政策體系促進整體循環運作。此一組合在其他國家尚難以完全複製。

相較之下，美國出口管制主要針對前沿模型訓練所需之算力，對於小型模型主導的部署與資料循環影響有限。若產業應用核心逐漸轉向小型、專用且開源的模型，美國現行政策框架可能難以全面因應。中國在開源生態與實體部署的交會優勢，可能進一步轉化為長期競爭力。

六、競爭態勢與政策意涵
(一) 中國優勢：由實驗室延伸至產業場域
即使中國前沿模型整體仍落後美國，其開源生態與製造基礎，已在兩個領域展現優勢潛力，分別為科學研究與機器人應用。

科學研究為「人工智慧＋行動」的重要優先方向。在機器人與具身人工智慧(Embodied AI)領域，上海人工智慧實驗室的 Intern Robotics 團隊將阿里巴巴 Qwen2.5-3B-Instruct 發展為 InternVLA-M1。多數中國研究人員將人工智慧於物理世界的應用，視為邁向通用人工智慧(Artificial General Intelligence, AGI)的可能路徑，並強調由多個實用模型構成的系統架構，而非單一高能力模型。中國科學院院士亦指出，大型語言模型(Large Language Models, LLMs)需與物理環境互動，方能進一步發展「世界模型」。

(二) 美國模型在關鍵應用上仍居領先
中國推動開源模型的成果，尚未完全轉化為應用層面的市占優勢。微軟評估中國採用率到 2025 年下半年僅為 16.3%，落後美國的 28.3%。RAND 研究亦指出，2025 年 8 月，美國模型於全球大型語言模型網站流量中占比達 93%。2025 年 12 月，ChatGPT 月訪問量達 57 億次，明顯高於 DeepSeek 的 4.51 億次。

在 AI 代理(AI agents)領域則呈現不同情形，主要產品多與中國相關，例如 360 的 Nano AI 與 GenSpark AI 等；Manus 則在中國創立後被 Meta 收購。整體而言，雖然美國仍具領先地位，但中國在應用端的發展潛力逐漸浮現。百度執行長指出，中國科技平台在場域覆蓋與應用整合方面具備優勢，並認為「雖難以匹配 Google 與 OpenAI 在模型訓練上的投資規模，但在應用端更具接近性」。

(三) 美國人工智慧策略調整
在 DeepSeek 崛起後，OpenAI 於 2025 年 8 月發布兩款開放權重模型，執行長 Sam Altman 亦表示公司過去在開放策略上判斷失準。Nvidia 於 2026 年 3 月推出 Nemotron 3。然而，Meta 則採取不同方向：2025 年 4 月發布的 Llama 4 未公開其最強版本 Behemoth，並規劃於下一代「Avocado」採取閉源策略，部分原因在於對開放架構可能被競爭者利用的疑慮。Zuckerberg 亦表示，未來不會以開源形式釋出具高度能力的模型。

2025 年《AI 行動計畫》(AI Action Plan)將開源模型定位為維持美國創新領導地位的重要工具。能源部「創世紀任務」(Genesis Initiative)亦動員 17 個國家實驗室，加速人工智慧在科學研究與國家安全領域的應用。然而，整體政策回應仍主要集中於數位技術層面，對於中國以產業部署與資料生成為核心的發展模式，尚未形成對應策略。

(四) 值得進一步考量的領域
核心政策挑戰在於，美國政策主要聚焦於部分回饋機制的調整，而中國則透過雙重回饋循環持續累積優勢，兩者之間仍存在關鍵落差。兩者之間仍存在若干關鍵落差，值得政策制定者進一步關注。

首先，兩個回饋循環的相互強化，構成中國優勢持續累積的主要動能。若政策僅針對單一循環進行管制，可能難以掌握其長期競爭力來源。目前，美國尚無任何倡議在規模或協調性上可與中國國家主導的開源發展相抗衡。此外，研究人員與企業對中國基礎模型的依賴，亦可能逐步形成對其技術體系與相關規範的長期依附。

其次，若中國基礎模型成為全球開發的主要起點，將可能影響人工智慧系統架構、資料格式與安全機制的發展方向。在資料取得方面亦存在不對稱現象：中國模型透過全球開放持續優化，而中國本地資料則相對封閉，形成有利於其發展的結構條件。此外，應用端缺乏一致且可比較的衡量指標，也使政策制定者難以準確評估實際影響。

最後，在通用人工智慧(Artificial General Intelligence, AGI)發展上，仍呈現不同發展方式。中國將具身人工智慧視為降低對算力規模依賴的可行方向；美國則仍以語言模型規模化預訓練為主要發展方式。雖然「創世紀任務」(Genesis Initiative)嘗試將人工智慧應用延伸至科學研究以外領域，但在製造、物流及產業人工智慧等由實體循環驅動的領域，尚未見到相應規模的投入。此外，人才流動亦可能出現變化，Minimax 與 Moonshot AI 等企業透過開源模型吸引工程人才與資本，長期而言，可能影響美國吸引頂尖研究人員的能力。