陈繁昌在谈及中美 AI 竞争时提出核心观点，国内 AI 发展的重心不应该过度放在比拼大模型榜单名次上，也不能把目标简化成单纯绕开出口相关制裁，更应该把资源投向真实落地场景、底层基础科学、人才培养以及完整产业生态建设；他认为，如果一味盯着排行榜数字，很容易陷入参数竞赛，造成研发资源浪费，而只想着规避制裁属于被动应对，长期很难建立真正的技术护城河，中美 AI 竞争是一场长期、多维度的比拼，除模型本身之外，算力底层、算法理论、行业应用、高质量数据集、顶尖科研人才都是决定长期实力的关键，国内 AI 行业需要从 “追指标、被动防御” 转向主动夯实根基，挖掘能够创造实际价值的 AI 落地路径。
一、观点核心拆解
关于大模型排名
榜单排名大多会选用特定评测集，分数只能代表模型在这套测试题上的表现，不完全等同于真实场景能力。盲目冲高榜单，容易让团队优先为评测做优化，而不是面向产业需求打磨能力。
关于出口制裁
单纯以规避限制为目标，属于被动策略。短期可以维持技术供给，但很难催生原创底层突破；更好的路线是自主搭建可持续的基础链条，降低外部限制带来的冲击，同时向外寻找多元合作空间。
更值得投入的方向清单
- 基础理论研究：新算法框架、数学理论、高效训练范式，跳出现有大模型范式。
- 垂直产业落地：工业、医疗、制造、科研等场景，用 AI 解决真实痛点，沉淀专属数据。
- 高质量数据体系：建设合规、多元、高质量数据集，摆脱对通用互联网数据的依赖。
- 算力基础设施：芯片、互联、软件栈一体化，打造稳定可控的算力底座。
- 长期人才培育：数理、计算机、交叉学科人才梯队，支撑持续创新。
二、不同发展思路对比
| 发展思路 | 优势 | 潜在弊端 |
|---|---|---|
| 冲刺大模型排名 | 容易获得曝光，方便资本讲故事 | 资源向评测倾斜，落地价值有限，内卷严重 |
| 单纯规避出口制裁 | 短期保障项目继续推进 | 长期缺少原创突破，一直跟随外部技术路线 |
| 深耕底层与产业落地 | 积累真实技术壁垒，持续产生经济与科研价值 | 见效慢，短期不容易看到亮眼的量化指标 |
三、行业跟进参考步骤
- 跳出榜单滤镜：看一款大模型的时候，不只参考评测排名，同步考察它在目标行业里面能不能稳定交付价值。
- 区分防御和建设：把规避外部限制当成保障手段，而不是整个研发战略的终点。
- 优先选择场景驱动项目：优先支持能够持续产生业务数据、可以不断迭代优化的 AI 落地项目。
- 重视长线基础投入：基础科研和人才项目回报周期很长，但会决定后续技术上限。
- 保持开放交流：在可控前提下维持学术交流，吸收全球优质思路，避免闭门发展。
四、最终解读结论
放在中美 AI 竞争这个大背景下，这套看法本质上是提醒行业转变发展思路：比拼不是一场榜单竞速，也不是一场不断想办法绕开限制的攻防游戏；过度追逐大模型排名容易造成资源错配，只盯着规避制裁会始终处在被动位置；如果想要形成可持续的 AI 竞争力，重心需要往底层理论、算力、高质量数据、产业落地和人才倾斜；这套观点属于学术视角下的行业建议，不代表统一行业路线，国内不同机构、企业依然会按照自身定位，选择适合自己的发展路径。
【常见问题】
问题 1：陈繁昌谈中美 AI 竞争，为什么不建议中国 AI 过度追逐大模型排名？
回答 1：陈繁昌谈中美 AI 竞争时认为，大模型排名受特定评测集影响很大，如果中国 AI 团队为榜单调优，容易忽略真实产业需求，消耗大量研发资源却很难转化为长期技术优势。
问题 2：陈繁昌谈中美 AI 竞争，单纯规避出口制裁这条路有什么短板？
回答 2：按照陈繁昌谈中美 AI 竞争的观点，如果中国 AI 只以单纯规避出口制裁作为目标，属于被动应对，很难催生底层原创创新，长期很难形成独立、稳固的技术护城河。
问题 3：顺着陈繁昌谈中美 AI 竞争的思路，国内 AI 团队更应该往哪些方向发力？
回答 3：顺着陈繁昌谈中美 AI 竞争的观点，中国 AI 更应该投入基础算法理论、高质量数据集、自主算力栈、垂直行业落地以及长期科研人才培养，构建真正有韧性的产业生态。
【参考资料】
[2026-11-13]（陈繁昌谈中美 AI 竞争：不应执着大模型排名与规避制裁）科技日报
[2026-11-13]（学者解读中美 AI 竞争，提出大模型赛道要回归应用）澎湃新闻
[2026-11-12]（陈繁昌：AI 竞争核心是底层根基而非榜单分数）机器之心
[2026-11-12]（中美 AI 竞争研讨，行业反思参数竞赛）36 氪
【免责声明】
本文整理自公开学术发言，文中观点仅为陈繁昌个人看法，不代表国内 AI 行业统一路线；AI 赛道发展路径多样，不同企业、科研机构战略各有侧重；本文仅作为资讯解读，不构成投资、项目立项或者技术选型建议。