梁文锋毫不避讳、一针见血地回答：“表面上中国 AI 与美国可能仅有一两年的技术代差，但真实的差距是原创和模仿之差。 斯坦福大学2025年发布的AI指数报告显示，到2025年2月，中美顶级AI模型在核心测试中的性能差距已经缩小到1.7%，这个数据曾让不少人觉得中国AI已经快追上美国的脚步。 但梁文锋的判断却打破了这种乐观，他的观点并非空穴来风，而是基于行业现状的冷静观察。要理解这一点，就不能不提到国内AI产业的发展常态，现在网上随处可见“4个月零基础学会AI”“16讲入门算法”这类培训课程，短平快的培养模式让很多人通过学习现有开源代码和模型就成了所谓的AI工程师。 这种依赖开源的发展模式，看似降低了行业门槛，实则暗藏隐患。浙江大学一位教授就曾解释过，开源代码看似好用，但针对性很差，拿医学影像识别来说，用开源代码开发的AI或许能准确识别人脸，可面对边界模糊、器官黏连的肝脏病灶时，就很难精准识别，甚至可能出现误导临床判断的致命错误。 这背后的核心问题，其实和中国工程院院士徐匡迪的发问不谋而合：中国有多少数学家真正投入到AI基础算法研究中？答案是凤毛麟角，而这正是梁文锋强调的原创短板所在。 梁文锋自己就是原创探索的践行者，2025年初他带领团队推出的DeepSeek-R1模型，不仅性能比肩国际顶尖水平，更以极低的成本打破了行业垄断。 要知道，同类模型的训练成本动辄数千万美元，而R1模型包括基础模型在内的总投入还不到700万美元，其中核心训练仅花费29.4万美元。 这份成绩的背后，是团队在基础架构上的持续创新，他们研发的多头潜意识技术提高了内存效率，优化后的专家混合架构平衡了计算与通信，这些原创性的突破，才让低成本高性能成为可能。 有趣的是，2025年2月18日，马斯克在大洋彼岸展出最新大模型Grok 3的当天，梁文锋团队提交的一篇论文也引发了行业关注，他本人位列作者之中。 这篇论文和后续5月发表的回顾性研究，都在不断强调基础架构创新的重要性，而这正是原创能力的核心体现。 反观整个行业，2024年全球AI私人投资达到2523亿美元，其中美国的投资额是中国的11.7倍，更关键的是，美国的投资大量流向了基础研究和基础设施领域，而国内不少企业更倾向于应用层开发，这种投入结构的差异，进一步加剧了原创能力的差距。 现在国内AI应用场景已经拓展到大部分行业，部分领域渗透率甚至达到90%，工业机器人安装量更是超过世界其他地区总和，这些应用层面的成就确实亮眼。 但梁文锋的提醒很关键，应用再广泛，没有底层原创算法作为支撑，就如同无源之水。就像行业专家说的，用开源代码调教的AI顶多是“常人”，要成为细分领域的“专家”，必须靠自己的核心模型和算法。这也是为什么梁文锋坚持认为，有些探索逃不掉，不解决原创问题，永远只能做追随者。 梁文锋的观点和他团队的实践，给国内AI行业提了个醒：技术代差的缩小值得肯定，但原创能力的建设才是根本。 行业的健康发展，既需要政策引导和资本支持，更需要数学家等基础学科人才的深度参与。对于普通民众来说，或许更该明白，AI的未来不是靠“拿来主义”就能实现的。 那么，你认同梁文锋关于原创与模仿差距的判断吗？欢迎在评论区分享你的看法。
