日期：2026-03-23
2026 年 3 月 23 日，美中经济与安全审查委员会（USCC）发布了一份研究报告，标题是 Two Loops: How China’s Open AI Strategy Reinforces Its Industrial Dominance。Reuters 当天的报道用了一个醒目的措辞：中国开源 AI 正在制造 “self-reinforcing competitive advantage”。
如果只看标题，很容易误读成又一轮”中国 AI 要超过美国了”的叙事。但报告的关注点在别处。报告承认，美国闭源模型在大多数评测维度上仍然”slightly ahead”。真正让美国政策圈紧张的是另一个问题：中国正在用一条完全不同的路径去争夺全球 AI 的影响力，而美国现有的政策工具——主要是芯片出口管制——几乎管不到这条路径。
对中国 AI 从业者来说，这个判断值得认真对待。它意味着美国正式把开源模型的分发能力、API 定价、框架兼容性、工业场景部署这些事情，当作一条独立的竞争维度来评估了。这条维度已经超出 benchmark 竞赛本身，指向一场关于谁能成为全球开发者默认选项的较量。
先交代清楚这份报告的性质。USCC 是美国国会设立的常设咨询机构，长期跟踪中美经济与安全议题。但 Two Loops 的性质是 Research Working Group Paper，代表研究团队的分析，不是委员会的正式年度报告或政策建议书。这个区分很重要：它有分析价值，但不能等同于美国政府的官方立场。
报告提出了一个”双回路”框架来解释中国开源 AI 的扩张机制。
第一条是数字回路：开源模型发布后，全球开发者下载、微调、在它的基础上构建衍生模型，使用反馈又推动模型迭代，然后更多开发者加入。这是一个典型的网络效应故事。第二条是物理回路：AI 模型部署到制造业、物流、机器人等工业场景，产生真实世界的交互数据，这些数据反哺模型改进，改进后的模型又能进入更多场景。
USCC 认为这两条回路正在相互强化。而且它明确指出了一个政策上的尴尬：
U.S. export controls primarily target the digital loop—restricting access to advanced chips used for frontier model training—but are not well suited to addressing the physical loop of deployment-driven data creation and accumulation across China’s manufacturing base.
换句话说，芯片管制卡的是训练环节，但中国模型的全球扩散和工业数据积累发生在部署环节——部署用的通常是蒸馏或量化过的小模型，对前沿芯片的依赖远低于预训练。出口管制对这条路径几乎没有着力点。
在所有被 USCC 报告点名的中国模型里，阿里巴巴的 Qwen 系列是证据最充分的案例。
Qwen 从 6 亿参数的轻量模型到数百亿参数的大模型全部开放权重，形成了一条完整的产品线。全球开发者可以基于 Qwen 进行微调、蒸馏和二次开发，而不仅仅是调用 API——这是它与闭源模型在竞争逻辑上的核心差异。
在 HuggingFace 上，Qwen 的扩散数据相当引人注目。据新华社援引 HuggingFace 数据，截至 2026 年 1 月，Qwen 家族累计下载量超过 7 亿次，2025 年 12 月单月下载量超过了排名第二到第九的模型之和，已经超过 Meta Llama 成为 HuggingFace 上下载量最大的开源模型系列。衍生模型方面，USCC 报告引用的是 2025 年底超过 10 万个的数据，后续第三方来源更新为 18 万个以上。ATOM 项目创始人 Nathan Lambert 的统计显示，Qwen 的衍生模型已占 HuggingFace 上新增语言模型衍生的 40% 以上，而 Meta Llama 下降到约 15%（MIT Technology Review, 2026-02-12）。
同样重要的是，Qwen 已经被 vLLM、HuggingFace Transformers、TensorRT-LLM、LlamaFactory 等主流推理和微调框架原生支持。这意味着开发者使用 Qwen 时几乎不存在额外的技术集成成本，它已经是开发者工具链中的一等公民。
当然，下载量和衍生模型数分别代表不同的含义。前者反映开发者的兴趣和试用行为（包括重复下载和自动化脚本），后者反映技术生态的建设深度。两者都不直接等于企业级生产部署的市场份额。USCC 报告也指出，“measuring use of AI models in applications is difficult compared to tracking model downloads and derivative uploads.” 这一点在解读所有后续数据时都需要记住。
Qwen 之外，Moonshot AI 的 Kimi K2.5 和 MiniMax M2.5 在全球扩张证据方面不如 Qwen 充分，但它们在两个维度上提供了有意义的信号：价格竞争力和第三方平台可接入性。
价格层面，Kimi K2.5 的 input token 定价约 $0.60/M，Anthropic Claude Opus 4.6 是 $5/M，相差约 8 倍（nxcode.io）。MiniMax M2.5 更低，input $0.30/M，output $1.20/M，在独立基准测试中每次运行成本约为 Claude Sonnet 的三分之一（LLM Benchmark 2026）。需要注意，API 定价比较高度依赖具体用例和 token 长度分布，上述数字来自公开定价和第三方测试，实际场景中差异可能更大或更小。
分发层面，Together AI、Fireworks AI 等第三方推理平台已经把 Qwen、Kimi K2.5 和 MiniMax M2.5 纳入标准模型库。在 OpenRouter 平台上，中国模型的 API 调用量在 2026 年 2 月首次超过美国模型（CGTN, 2026-02-28）；2 月第三周，OpenRouter Top 5 调用量中有四个来自中国厂商，合计贡献 85.7%（36Kr）。
但 OpenRouter 的数据需要谨慎解读。它是一个面向开发者的 API 聚合平台，用户群偏向价格敏感型个人开发者和小型团队，不代表企业级部署全貌，也不代表 AWS、GCP、Azure 这类大型云平台上的使用分布。
理解了上面这些证据之后，USCC 报告引发美国政策圈关注的原因就比较清晰了。
过去几年，美中 AI 竞争的主叙事围绕两个轴线：谁的模型在最难的任务上得分最高（frontier benchmark），以及谁能调动最多算力来训练最大的模型（training compute）。美国在这两个维度上仍然领先。出口管制的设计逻辑也建立在这个框架之上：限制中国获取最先进芯片，就能限制其训练能力。
USCC 报告的冲击在于，它用 “two loops” 的分析指出，竞争可能同时发生在另外两个层面：谁的模型被全球开发者最广泛采用，以及谁能通过工业部署积累最多真实世界数据。在这两个层面上，芯片管制的杠杆效果很弱。用报告的概括：
Open model proliferation creates alternative pathways to AI leadership.
这句话的含义是：即使美国在前沿能力上保持领先，中国模型如果通过开源分发占据了全球开发者生态的默认地位，美国的技术领先就难以自动转化为产业主导和地缘影响力。
而且这种关注并非孤立事件。USCC 早在 3 月 4 日的 China Bulletin 中就专门分析了 Qwen3.5 的推理成本优势。美国国家情报总监办公室（ODNI）在 3 月 19 日的全球威胁评估中也提到，中国正在”以规模化方式在国内和国际推动 AI 采用”（Defense One, 2026-03-19）。对中国 AI 扩张的警惕已经从经济安全领域扩展到了情报和国防评估的范畴。
如果只看 3 月 23 日这份报告，读者很容易以为这是美国政策圈刚刚提出的一种新说法。顺着过去几个月产业界的公开表达往回看，图景并不是这样。更接近事实的判断是：工业界已经持续用 deployment、inference、ecosystem 和 industrial integration 这些维度理解 AI 竞争，USCC 这次是把这套语言翻译成了政策和安全分析。
Jensen Huang 是最值得看的一个参照。过去一年，NVIDIA 反复把 AI 竞争的重点从模型本身，转向推理、系统部署和 physical AI。GTC 2026 之后，eWeek 对黄仁勋整场演讲的概括是，AI is moving from model spectacle to systems economics，也就是竞争开始从模型奇观转向系统经济学。这个判断和 USCC 的 two loops 很接近：前者说 AI 价值开始落在持续推理、agent 软件层和 physical AI 负载上，后者说中国可能通过开源分发和工业部署形成两条自我强化的回路。两边说法不同，底层观察是一致的，大家都在把竞争重心从 谁训练出最强模型 转向 谁控制部署和使用。
微软的 Satya Nadella 也在用类似语言描述这个变化。2026 年初，他把企业 AI 的阶段判断概括为从 discovery 进入 diffusion。这个词很关键。它关心的已经不是模型首次展示了什么能力，而是这些能力能不能进入真实组织、真实流程和真实工作负载。亚马逊 CTO Werner Vogels 的表达更直接：AI capability is sufficient; the constraint is human-centered scaling。意思是，模型能力本身已经不是唯一瓶颈，真正决定竞争的是谁能把 AI 融入人的工作流、企业的系统和可以规模化运行的环境。
如果把这个视角再往下推一步，AWS、OpenAI、Google 这些公司的动作也都在证明同一件事。Andy Jassy 近几次公开表态反复强调 inference 成本才是未来的大头。Sam Altman 把 enterprise sales 作为 2026 年的第一优先级，OpenAI 也开始越来越多地讲企业工作流、结构化使用和平台化入口。Google 这边则是把 Gemini 尽可能深地嵌入 Search、Workspace、Chrome 和 Android。它们的商业路径并不一样，但都没有把竞争理解成单一的 benchmark 竞赛。真正争夺的是默认入口、使用深度和部署位置。
研究机构的判断也在往同一个方向收敛。Gartner 讲 task-specific agents 和 domain-specific models，McKinsey 讲从 pilot 到 scale 的鸿沟，Deloitte 讲 deployment 阶段的治理能力。这些报告的语言更偏企业管理，但底层意思与 USCC 很接近：模型能力的展示阶段已经过去，下一阶段是谁能把 AI 变成可复制、可分发、可运营的系统。
放在这个背景里再看 USCC，就比较容易定位它的意义了。它并不是突然发明了一个全新的竞争框架。更准确的说法是，USCC 把一个工业界已经持续讨论的变化，翻译成了政策语言和国家竞争语言。工业界谈的是 inference economics、enterprise diffusion、ecosystem control 和 physical AI。USCC 谈的是 digital loop、physical loop 和出口管制的覆盖盲区。语言不同，观察对象是同一件事。
这也是为什么这份报告值得中国 AI 从业者注意。它说明美国政策圈正在追认一个原本主要存在于产业界的判断：未来几年，AI 竞争不会只看谁的模型更强，还会看谁的模型更便宜、更容易接入、更容易被全球开发者采用，以及谁能把模型部署进更大规模的真实场景。USCC 关注中国开源 AI，不只是因为它看到了几组平台数据，而是因为这套竞争方式已经被工业界证明具有现实意义。
当然，这并不意味着工业界和政策圈已经形成了完全一致的结论。工业界更关心 ROI、部署效率和生态位置，政策圈更关心这种变化会不会削弱既有的技术和地缘优势。但如果只回答一个问题：这是一家之言，还是已经形成的主流视角？答案更接近后者。
回到最开始的问题：这件事对中国 AI 从业者意味着什么？
USCC 这份报告揭示的核心变化在于，美国政策圈开始用一套新的分析框架来评估中美 AI 竞争。在这套框架里，竞争的评判维度从”谁训练出最强模型”扩展到了”谁的模型被全球开发者和工业场景最广泛地采用”。
这对中国 AI 从业者有两个直接含义。
其一，中国开源模型在全球开发者生态中的存在感正在被认真对待，但同时也被当作政策议题来审视。Qwen 在 HuggingFace 的生态地位、中国模型在推理云平台的渗透率、远低于美国闭源模型的 API 定价——这些本来是市场竞争的正常结果，现在正在被纳入地缘安全的分析视野。后续可能出现针对开源模型分发环节的政策讨论，值得持续关注。
其二，这份报告也提醒了一个事实：adoption 和 frontier capability 是两回事。中国模型在分发速度、价格和开发者接入门槛上确实有优势，但在企业级信任、合规审查、超级云分发和前沿任务能力方面仍然存在明显差距。把 adoption 层面的进展等同于全面领先，和把 benchmark 上的领先等同于产业主导，犯的是同一个错误——都是把竞争简化成了单一维度。
真实的图景是：竞争的维度在变多，而中美各自的优势集中在不同维度上。美国政策圈刚刚开始认真面对这个现实，而这本身就是值得记录的变化。
一手来源
媒体报道
Adoption 与技术分析
价格与基准测试