蔡崇信“瞎说”了啥？

中国AI产业的未来，需要的是清醒务实的“现实主义”认知，而非过于自我麻痹的“生态优越浪漫主义”。

看完蔡崇信这次在香港大学陆佑堂的演讲，让你很无语。只能说，如果把他这次演讲当成阿里的公关稿，董事长给自己的企业做宣传，无可厚非，那是可以理解的。

蔡将中国AI的优势归结于“生态普及率”而非模型本身，并断言开源模式将因成本与主权而取胜。尽管其观点极富煽动性，但这些论断是否存在逻辑牵强和战略偏移呢？

 “生态普及率至上”的盲点：被低估的系统性壁垒

蔡崇信将中国AI的核心竞争力聚焦于“生态普及率”，并列举了电力、数据中心成本、人才等各种优势。然而，这种将胜利归结于基础设施投入的做法:

严重低估了全球AI竞争的系统性壁垒。

蔡崇信批评美国正在以LLM模型的能力论输赢，但恰恰是，不只是模型能力，美国科技巨头同时也展现了模型与生态的深度整合能力。

● 比生态，怎么跟谷歌比？

谷歌的生态是深度整合与全球触达的。谷歌的优势并非仅仅在于其Gemini 3 pro模型，而在于其全球性的、多维度的生态系统。

从底层的Android操作系统、Chrome浏览器，到Google Workspace（办公套件）、搜索，再到Google Cloud (GCP) 的全球算力网络，谷歌拥有无与伦比的用户数据和应用场景入口。

谷歌可以迅速将最新的AI能力嵌入到全球几十亿用户的手机、电脑和办公流程中，实现“润物细无声”的渗透。

这个生态能力，谁可匹敌？

我们的电力成本优势再高，若缺乏一个全球或全国统一、高度整合的超级应用层生态，普及速度和广度都会受限。生态的深度整合，远比单纯的低成本基础设施更具战略价值。

● GPU短缺怎么会是优势？ 

蔡崇信赞扬中国团队因GPU稀缺而被迫在系统层面创新，催生了“饥饿优势”。这种精神当然值得肯定，但其效果是不是应该有明显的边界？

因为，系统级优化只能在一定程度上弥补硬件差距。

但当模型参数达到万亿级别甚至更高时，算力的绝对差距是难以逾越的性能瓶颈。

如果没有足够的、最先进的GPU资源，在追求模型极限智能的竞赛中，我们的模型将被动的处于追赶者的位置。Epoch AI 2025报告显示，美国GPU集群性能占全球74.5%，中国14.1%；新增算力美国18.2 ZFLOPS，中国0.62 ZFLOPS。

60秒1080p视频生成时间差值3-5倍，每延迟超2秒，用户流失率升50%。

AI的价值最终体现在用户的体验和效果上。如果因为算力受限，导致推理速度慢、生成质量不够高，那么低成本生态最终也只能实现“能用”的普及，而难以实现“最好用”的领先。

● 人才优势与实际流动方向背离

在演讲中，蔡崇信提到，全球几乎一半的AI科学家和研究人员来自中国的教育，这是我们的人才优势。

但实际的2025年人才流向却是相反的：Stanford HAI报告显示，中国AI顶尖人才NeurIPS/ICML第一作者）留美率68%，回国19%。 OpenAI、Anthropic、xAI、DeepMind这些公司的华人占比55%-70%，持续净流入。

算力是AI的“空气”：缺乏基础如何谈普及？

蔡崇信过度强调了基础设施的成本优势，却刻意淡化了AI时代最核心的瓶颈：

算力的绝对数量和质量。

“真正的赢家是谁用得最好”，要让全球或十几亿用户“用得最好”，这意味着：

需要提供“低延迟、高并发、高质量”的AI服务。

想象一下，当全球几十亿人同时进行AI搜索、生成代码、或进行即时翻译时，如果没有足够的算力支持，回答一个简单问题可能需要等几十秒，生成一张图片需要十几分钟。

这种高时延将立刻摧毁用户体验和普及的积极性。

最先进的LLM和多模态模型对算力的需求是指数级增长的。如果无法持续投入和获取最尖端的芯片，就只能将被迫在模型规模和能力上进行妥协，这不会是优势。

 “电力成本低40%”其实也有一些误导性。电力成本低固然是优势，但这只是运营成本的一部分。在AI基础设施中，GPU芯片本身的采购成本远远高于运行这些芯片所需的电力成本。在先进GPU采购受限的背景下，电力成本的相对优势并不显著。

 商业模式的逻辑漏洞：开源与云计算的“矛盾”

蔡崇信将“开源模型是流量入口，云计算是利润来源”的商业模式描绘得十分清晰，但这套逻辑在面对核心的“数据主权”和“成本”问题时，也显得牵强。

● “AI 主权”与公有云设施的本质矛盾

客户选择开源模型，最核心的理由是希望获得 “数据主权”和“隐私安全”，避免数据被喂入OpenAI、Gemini这样的“黑箱”。

那么，问题来了！

如果客户出于安全考虑，决定在自己的私有云上部署模型，那么阿里的云计算（公有云设施）如何盈利？

而如果客户仍将数据和模型放在阿里的公有云上运行，那么数据的所有权和最终的私密性又在多大程度上得到了保障？客户只是用阿里提供的资源，本质上仍将数据交给了第三方，“数据主权”的诉求并未得到彻底满足。

● 成本的真实对比：高昂的推理费用

蔡崇信认为，使用开源模型可以大幅降低成本，从而驱动企业放弃OpenAI、Gemini这些闭源大模型的API。

确实，使用OpenAI确实需要付费，但其API是即时、按需使用的。而使用第三方的云计算运行开源模型，需要支付的成本包括：

  云主机租用费（含GPU资源）、

  存储费

  网络传输费

  维护费

对于大规模、高并发的推理需求，自己维护一个高性能的云集群的费用，尤其是在GPU资源高昂的背景下，并不一定会比直接调用一个优化到极致的闭源API便宜多少。

所以，对于很多中小企业和个人用户，调用API的总成本可能更低、更灵活。

战略需要清醒的现实主义

蔡崇信的演讲更像是一场鼓舞士气的内部动员，不像对全球AI战略的全面考量。他所强调的电力和基础设施成本优势，是传统“世界工厂”逻辑的延续。

但是：

他低估了AI时代对战略级稀缺资源（最先进芯片、全球生态）的依赖。

在蔡的逻辑里，是对传统“世界工厂”模式的路径依赖，相信通过大规模、低成本的基建投入（电力、数据中心），就能获得最终的胜利。

但在AI时代，智能的上限取决于模型的能力，而模型的能力由算力的质量和数量决定。

再便宜的电和机房，如果跑的不是最好的芯片，其产出的智能价值和效率也会大打折扣。这是资本密集型、知识密集型竞争，而非单纯的基础设施密集型竞争。

而“应用为王”的片面强调，本质上市忽略了AI发展的螺旋上升关系：

基础模型的能力（算力驱动）→驱动应用创新的天花板 →最终实现高价值普及

如果基础模型能力停滞不前，应用层只能在低阶场景中“内卷”。用户最终需要的是一个能带来颠覆性体验的AI，而不是一个基于旧模型、但应用得更广的AI。没有世界级的模型，就不可能有世界级的应用。

所以，真正的AI竞争，最终将回归到模型能力和高价值场景的落地效果。过度沉迷于“生态普及率”的自我肯定，可能会导致战略上的麻痹，错失在模型和算力上迎头赶上的关键时期。

中国AI产业的未来，需要的是清醒务实的“现实主义”认知，而非过于自我麻痹的“生态优越浪漫主义”。

读者可自行搜索蔡崇信先生在香港大学陆佑堂演讲纪要，这里给一个网址：

https://www.163.com/dy/article/KFIH211H05562BOT.html