全球AI竞争日趋激烈，模型之间的较量正从能力上限进一步延伸至具体任务的完成效率，既要提高任务完成质量，也要缩短耗时、降低调用成本。Artificial Analysis的评测显示，美国模型仍占据最高能力区间，部分模型同时具备输出Token用量较少、生成耗时较短的优势。中国模型则在部分中高能力区间，凭借较低的调用成本展现出较强的性价比。

模型能力的差异，背后是算力资源、资本投入与基础设施条件的共同作用。芯片供给与资本投入影响算力资源的获取和扩张规模，电力保障则关系到数据中心的稳定运行和算力的持续供给。

一、中美AI竞争各自的比较优势

数据中心是AI模型训练和推理的主要载体，芯片提供计算能力，电力保障持续运行，工程建设则影响数据中心的交付进度。从数据中心规模看，美国仍明显领先，中国则拥有较大规模的项目储备。SemiAnalysis预计，到2026年底，美国数据中心IT容量将达到56GW，中国超过24GW，分别位居全球第一和第二。中国另有约20GW具备明确时间安排的储备项目，以及约30GW已宣布的规划项目。

在数据中心规模之外，芯片数量和性能进一步决定算力供给。Epoch AI估算，截至2025年底，谷歌、微软、亚马逊、Meta和甲骨文五家美国企业合计持有约1436万H100等效算力，占全球总量的70.9%，中国约为116万，占比5.7%。

从芯片构成看，美国在先进芯片获取和自研芯片部署方面具有优势，中国则更加依赖国产芯片。美国头部企业加快部署英伟达B200、B300系列芯片，同时扩大自研芯片应用。截至2025年底，谷歌自研TPU贡献了其约75.5%的等效算力，亚马逊自研Trainium贡献约41.7%。中国方面，华为昇腾芯片贡献约71万H100等效算

力，占中国总量的61.3%，英伟达芯片占比34.8%，寒武纪和AMD芯片合计占比约3.9%。

在先进芯片供给受限的背景下，中国企业通过芯片互联和软件优化提升系统级算力。华为CloudMatrix384通过高速互联将384颗昇腾910C芯片组成统一计算系统，配合软件调度提高算力利用率。截至2026年7月，昇腾384超节点已商用部署超过750套。9月发布的昇腾960超节点采用NPO光互联技术，支持更大规模的芯片协同计算，并降低通信功耗。

模型效率的提升也有助于降低训练和推理的资源需求。模型架构优化、稀疏计算、量化和推理优化，可以从不同环节减少计算量和存储需求，提高算力使用效率。因此，芯片资源差距并不必然转化为同等幅度的模型能力差距，训练方法和推理效率同样影响最终表现。系统级算力扩张与模型效率提升相结合，有助于中国在先进芯片供给受限的条件下持续推进模型研发和应用。

芯片投入运行还需要稳定的电力供应。2025年底，中国发电装机达到3890GW，全年新增可再生能源装机452GW，占全部新增装机的83%。美国同期新增公用事业级装机53GW，虽创2002年以来最高水平，但扩张规模仍明显小于中国。中国持续增长的电源供给，为承接数据中心新增用电需求提供了支撑。

美国新增电力供给受到并网周期和设备交付的制约。截至2025年底，美国约2060GW发电及储能项目仍在排队等待并网。在有可用数据的地区，2025年投运项目从申请并网到商业运营的中位时间已超过五年。与此同时，燃气轮机和发电机升压变压器的交付周期由过去约18个月延长至3-4年，进一步延缓新增燃气电源投产。供给压力也体现在部分区域电网的备用容量上，PJM在2027/28年度容量拍卖中形成的备用率为14.4%，低于20%的目标。随着数据中心用电需求增长，电力接入的时间与规模将影响美国AI算力的投产和后续扩容。

供电之外，审批和施工效率也影响数据中心的交付速度。SemiAnalysis估算，中国100MW级数据中心的标准交付周期已由云计算时期的约18个月缩短至约12个月，施工前审批通常需要3-6个月。相比之下，美国全模块化项目，即使采用较快的建设方案，仍需12-18个月施工，之前还需经历12-13个月无法与施工重叠的审批程序。中国的设备配套和预制化施工能力，有助于压缩建设周期。钢结构、供配电和冷却设备可以在工厂预制，与现场土建同步推进，减少现场安装时间。以阿里巴巴CUBE 5.0方案为例，从开工到调试完成约需7-9个月。

美国数据中心建设还面临广泛的地方反对。马萨诸塞大学阿默斯特分校2026年8月的全国民调显示，65%的受访者反对在所在社区建设AI数据中心，仅11%支持。民主党和共和党受访者的反对比例分别为76%和52%。居民的担忧主要涉及环境与资源使用、社区生活及电费负担。

地方反对已影响项目推进。Data Center Watch统计称，2026年二季度，美国约45个数据中心项目因地方反对被阻止或延迟，涉及投资约680亿美元，占该机构当季新纳入跟踪的大型开发项目数量的一半以上。电价、用水和噪音等争议增加了项目审批和建设的不确定性，使地方协调成为美国数据中心扩张需要解决的另一项重要约束。

二、中美AI竞争为何持续加码

随着AI投入规模扩大、模型能力快速提升，围绕发展速度与安全风险的争议也日益增多。前沿模型企业呼吁加强安全监管，甚至提出减速倡议，数据中心扩建则面临地方社区的反对。在商业回报尚未充分兑现、发展阻力不断增加的情况下，中美为何仍在持续加码AI？

美国AI企业正处于激烈的“内卷”之中，即使呼吁减速，也仍在加快产品迭代。2026年9月12日，Anthropic首席执行官Dario Amodei发表《We Must Pace the Frontier》，警告AI参与研发下一代AI的能力不断增强，技术进步可能超出安全措施的完善速度。他提出引入常驻独立第三方评估团队、制定行业共同安全标准，并推动国际协调，同时强调减速并不意味着停止模型训练。十天后，Anthropic便发布Claude Opus 5.5，在提升模型能力的同时，将典型任务的运行成本较上一代降低40%。

激烈的市场竞争，使企业即使担忧技术风险，也难以主动放缓研发。模型能力直接影响市场份额和商业收入，如果竞争对手持续推出更强的模型，率先减速的企业就可能失去竞争优势。因此，即使商业回报尚未充分兑现，企业仍需持续投入研发和算力。

与此同时，安全监管也可能影响行业竞争格局。独立评估、模型审计和更严格的发布标准有助于降低技术风险，但也可能增加合规成本、提高行业准入门槛，使具备技术、资金和合规能力的头部企业受益。由此，企业提出的安全倡议在控制技术风险的同时，也可能产生巩固市场地位的效果。

美国模型企业对竞争优势的重视，还延伸至对中国AI发展的限制诉求。Amodei认为，美国需要维持对中国的技术领先，才能为安全研究争取时间，因此主张加强先进芯片和半导体制造设备的出口限制，打击芯片走私、境外算力规避及未经授权的模型蒸馏。随着中国模型以更低价格提供接近美国前沿模型的能力，美国闭源模型企业的定价能力和研发回报可能受到影响。

相比企业对安全风险和商业利益的权衡，美国政府更重视AI竞争带来的国家战略利益。9月13日，特朗普回应AI减速呼声时表示，美国目前在AI领域领先中国，希望继续保持这一地位，并称“谁赢得AI，谁就获胜”。在美国政府看来，主动放缓研发可能削弱美国的技术优势，因此即使面临安全争议和地方社区对数据中心建设的反对，仍倾向于推动AI技术研发和基础设施扩张。

美国持续加码AI，背后还有对长期经济增长和缓解债务压力的期待。随着债务规模持续扩大，依靠技术进步提高经济增长潜力，对美国具有重要意义。短期内，AI基础设施建设带动芯片、服务器和电力设备等领域的投资需求，模型服务和下游应用扩张则为科技企业创造新的收入来源。如果美国企业能够维持技术领先，并持续从全球市场获取利润，就有望支撑科技企业盈利、美股估值和美元资产的吸引力。

更长期的作用在于生产率提升，这也是AI缓解美国债务压力的核心逻辑。AI在科研、制造和服务等领域的应用，有望提高劳动生产率，抬升经济潜在增速。经济规模扩大有助于降低债务与GDP之比，税收收入增加也能缓解财政压力。因此，AI被寄予通过技术进步推动经济增长、改善财政可持续性的期待。不过，这一路径仍取决于生产率收益能否兑现，以及新增收益能否覆盖前期资本投入和融资成本。

中国持续加码AI，则着眼于技术自主和产业升级。在先进芯片和关键技术获取受到限制的背景下，自主芯片、基础模型和配套技术的发展关系到未来产业发展的自主性。同时，中国拥有较完整的制造业体系和丰富的应用场景，AI在研发设计、工业制造和生产管理等环节的应用，有望提高生产效率和产品附加值。2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，提出到2030年使智能经济成为经济发展的重要增长极，进一步明确了AI与实体经济深度融合的发展方向。

中美AI竞争由此呈现出“国家级”和“全方位”的特征。企业为争夺技术优势和市场份额持续投入，政府则从国家竞争和长期增长的角度推动AI发展。美国希望巩固技术领先地位，并将其转化为经济和金融优势，中国则希望突破关键技术约束，推动产业升级。在技术竞争持续升级的背景下，即使商业回报尚未充分兑现，双方也难以主动放缓投入。

三、 中美AI竞争将走向何处

中美AI竞争未必以一方全面胜出告终，双方仍有发挥各自优势、开展商业合作的空间。美国扩大数据中心建设，需要大量电力设备、冷却系统和通信设备，中国在相关制造和设备配套方面具备供给优势。中国在芯片、基础软件和开发工具等领域仍与美国技术生态存在联系，同时也在加快自主技术研发。尽管技术限制和供应链安全考虑推动双方减少关键环节的外部依赖，但建立替代体系需要时间和资金，双方仍有在政策允许的领域保持商业往来的经济动力。持续竞争也可能让双方在弥补自身短板的过程中进一步提升产业能力。

不过，产业能力的提升能否转化为经济收益，仍存在不确定性。模型研发和数据中心建设需要大量资金投入，未来商业收入能否覆盖成本仍有待观察，过度投资还可能造成算力闲置和资本回报下降。

AI应用带来的效率收益，也可能伴随就业调整，高AI暴露职业中的就业压力在年轻群体中更为突出。斯坦福数字经济实验室的样本数据显示，截至2026年8月，22—25岁从业者在AI暴露度最高的20%职业中的就业人数，较2022年11月下降约13%，最低暴露组则增长约8%。相比之下，35岁以上各暴露组的就业人数均高于基期。

因此，即使中美都在竞争中增强产业能力，企业、资本所有者与劳动者也未必同步受益。生产率提升能否支撑投资回报，新岗位创造和劳动者技能转换能否跟上技术变化，将影响AI的增长收益及其分配。

这种分化也可能延伸至国家之间，中美AI竞争对全球产业分工的重塑，将使第三方经济体面临新的机遇与竞争压力。随着模型能力提升、调用成本下降，其他国家使用先进AI技术的门槛有望降低，但技术普及也可能加剧产业收益的集中。如果长期依赖外部模型、算力和设备，缺乏本地应用开发与产业配套能力，部分经济体可能主要承担技术使用成本，难以分享AI产业链中附加值较高的环节。与此同时，中美企业通过AI提高生产效率、降低生产成本，也可能削弱其他经济体在传统制造业和服务业中的竞争优势。

总体来看，中美AI竞争可能在推动双方技术进步的同时，加剧全球产业收益的分化。美国能否将芯片、资本和模型优势转化为更广泛的生产率增长，中国能否通过自主技术突破和产业应用提高产品附加值，将影响双方未来的竞争地位。而对于第三方经济体，AI带来的机遇更多取决于本国产业能否有效利用新技术。随着AI进一步进入生产和服务环节，技术应用的深度及其创造的经济价值，将成为影响各国竞争力的重要因素。

风险提示：AI技术进步及商业化落地不及预期；算力供给与基础设施建设不及预期；中美科技政策与监管变化超预期。

注：本文来自国金证券股份有限公司2026年10月23日发布的《中美为何持续加码AI？》，报告分析师：宋雪涛 S1130525030001，厉梦颖 S1130526030001