也许明年，国内 AI 技术可以追平世界？

前段时间，马斯克在 X 上发布言论，大意是说：中国的大模型大概还需要一年时间，就能追平世界顶尖水平。

硅谷 AI 创始人也表达过类似判断。回复很短，大意是：不会花太长时间。

一条推文、一句回复，把一个问题摆到了台面上——也许明年，国内 AI 就真的追上了？

一、从“差距还有多远”到“还剩几个月”

大模型时代刚拉开帷幕的时候，大家最常问的是“大模型，距离世界还差一种排序，我们差多少？差几年？”三年过去了，语境完全变了。

一个标志性的事件是智谱 GLM-5.2 的发布。LMSYS Chatbot Arena 的测评把它放到了全球前列，而中文能力更是长期霸榜前三。放在两三年前，一个国产模型能跟 OpenAI 和 Google 的旗舰模型一起被比较，本身就已经说明问题。

更具体来说，在 AI 编程等赛道，这些国内模型已经开始在具体能力上形成竞争力。几家一起追、差距从“以年计”变成“以月计”，这是最直观的变化。

成绩单很好看。但面高不大，恰恰是最早系统指出国内 AI 数据短板的人。他在多个场合反复讲一个观点：Scaling Law 的核心，正在从“数据规模”转向“数据的质量与认知深度”。而在这个维度上，我们面对的不是追赶，是结构性缺陷。

具体来看，公开数据决定了下一代模型能不能从“背得好”变成“真的会用”。不同类型数据的稀缺程度完全不同：互联网公开知识相对充足，但高质量专业过程数据、行业复合链条数据、多语言文化数据，以及真实世界的机器与工业现场数据，仍然是明显短板。

这意味着：我们缺的不只是训练数据，是思考过程、人类深层偏好、行业全貌、多元文化、物理交互这些更综合的能力。更麻烦的是，这些东西不是有个 token 就够了。

两年前，芯片禁令是绕不开的话题。但华为昇腾的进展让很多人想象空间扎实了一些。目前国内过半的大模型训练任务已经部署在昇腾上，硬件性能的提升是确定的，这是事实。

但真正的竞争还不只在单点算力，而在芯片之外的工程化、算力调度、生态与软件适配。这个短板在补，但仍然需要时间。

另一个变量反而来自非常意外：大模型的性能增长曲线正在放缓。Scaling Law 的边际收益递减，跑在前面的人加速越来越难，追赶者就有了时间窗口。

DeepSeek 用极低成本实现高性能就是一个信号——工程效率在某种程度上可以弥补纯算力差距。马斯克本人也多次对 DeepSeek 的效率表示惊讶。

但也要诚实地说：单点能力上，DeepSeek 的数学推理、GLM-5.2 的代码能力都已经不错；多模态等综合维度，差距仍然明显。追平不是单项冠军，而是整体成熟。

回到开头那个问题：明年能不能追平？

如果你看的只是排行榜，悬念参数，大概率能。但是如果看的是高质量数据、算力底座、开源生态、工程化、以及能不能真正稳定支撑生产场景，这个结论就要复杂得多。

但如果你真的要数据生态的厚度、软件生态的自主性、以及多模态和物理世界交互这些更综合的能力——那“明年”可能只是一个阶段性节点，不是终点。

国内的 AI 从高速追赶一点一点追到能看到对手后视镜，是我们这批人见证的过程。也许明年，我们在分数上不再需要仰望别人，但真正的追平，是当中国 AI 有了自己的数据飞轮、自己的生产级生态、自己的技术路线——到那时候，问题就不再是“什么时候追平”，而是“我们往哪走”。

那一天，也许不需要那么久。

作者提示：个人观点，仅供参考。