最近我仔细看了360创始人周鸿祎接受媒体访谈的内容，他抛出的观点非常务实，直接撕开了当前国内AI圈的一些盲目乐观情绪。他明确指出，当前中美顶尖大模型之间的核心差距，主要不在算法层面，而在算力基础设施上。这个判断极其清醒。过去一段时间，国内不少团队喜欢宣传自己的算法架构多么创新，或者在某个特定评测榜单上短暂超越了国外模型，但这往往掩盖了底层资源的真实短板。
我完全认同这个冷峻的视角。算法是可以被快速迭代和开源共享的，今天你提出了一个新的注意力机制变体，明天全球的研究者就能复现并改进。但算力是实打实的硬资源，需要庞大的资金投入、长期的供应链布局以及稳定的能源支持。美国头部AI企业能够持续训练出领先模型，靠的是成千上万张顶级GPU的稳定集群，以及背后成熟的芯片生态。国内企业在获取同等规模、同等效率的算力时，面临着众所周知的客观限制。
这对我们国内的AI创业者意味着什么？我认为，这说明我们不能在“拼参数”这条赛道上和巨头硬碰硬。既然算力是瓶颈，我们就必须在算力利用效率上做文章。比如，探索更高效的模型压缩技术、混合精度训练，或者专注于那些不需要千亿参数就能发挥巨大价值的垂直领域应用。周鸿祎的发言提醒我，做AI不能只飘在云端谈架构，必须脚踏实地看清手里的牌。承认差距并不是认输，而是为了找到真正适合自身资源禀赋的突围路径。与其在算力劣势下死磕通用大模型，不如把有限的计算资源用在刀刃上，做出真正能解决用户痛点的应用。