‍‍‍虽然，我国搞AI大模型的公司遥遥领先于美国，据统计有上万家之多，但这并不能掩盖我们在AI上落后落后于美国的事实，有专家称，至少落后两年，差距还在快速拉大。

虽然，我们国内只要一有大模型的发布会，都愿意对标GPT4，宣称各种指标秒杀GPT4，但如果真的深度多方位地使用比对过，你就会体会到这些模型跟GPT 的差距，它不是一星半点，其实，这些大模型公司也心知肚明。

尤其是从Sora火爆出场到现在，几乎没有能（或敢）与之对标的中国版Sora问世，这更让人感觉到差距之大。

1 、应用有差距，人工智能要“+场景+行业”

我们与美国的差距不仅体现在大模型技术成熟度方面，更体现到应用落地上。美国的大模型已经有了很广泛的应用，涉及医疗、金融、教育、办公等多个领域。

如在金融领域AI大模型应用上，美国开发较早，应用趋于成熟。如2023年3月彭博社发布的专门为金融领域打造的大模型BloombergGPT，已得到深入应用金融领域。再如，微软基于GPT-4推出的Office 365 Copilot，将传统的办公软件升级成OFFICE+AI，开启了办公生产力革命。

而我国大模型在去年开启了百模争秀、也有人称为百模大战或千模大战，但是，“争秀”和“大战”的结果，并没有产生什么实际价值。我国基于大模型应用还主要在互联网等少数领域，如写书作画等，几乎没有什么爆款或杀手级商业化应用。

为此，如百度的李彦宏、360的周鸿祎等都在不同场合呼吁，大家不要去卷大模型了，应该去卷AI应用，让大模型发挥赋能行业的价值。特斯拉的马斯克，亚马逊的贝索斯等也表达过类似的观点。

也有人判断，去年是AI大模型元年，今年应该是大模型落地应用之年——大模型卷不动了，该卷应用了！

的确，大模型作为新型的智能生产力工具，只有用起来了，商业化了，才能实现它的价值。而且，也只有这些有能力把大模型商业化落地应用的企业，才能笑到最后。

好消息是，这轮由大模型引发的AI浪潮，已引起了政府的高度重视。今年两会政府工作报告提出：要深化人工智能研发应用，开展“人工智能+”行动。“人工智能+”行动的提出，可以说恰逢其时，将加速推动AI落地应用。

“人工智能+”的提出，让人联想到2015年政府提出的“互联网+”。如果说“互联网+”加速了各行各业向互联网转型，那么，“人工智能+”将推动“人工智能+行业+场景”，加速百行千业的智能化转型。

“人工智能+”提出后，各地方已经动起来了。

北京市近日印发的《海淀区“两区”建设深化改革创新实施方案》指出，要以“两区”开放平台赋能中关村人工智能大模型产业集聚区发展，对技术创新性强、应用生态丰富的大模型，给予相关创新主体最高1000万元算力补贴，已首批发布“大模型+接诉即办”“大模型+教育”“大模型+医疗”“大模型+医保”“大模型+产业空间”“大模型+办公应用”“大模型+政务服务”等7个标杆场景。

上海市经济信息化委近日表示，人工智能领域，支持在智能化教育教学、设计创意、自动驾驶、机器人等领域构建示范应用场景，提供更多标杆性大模型产品和服务。

深圳市强调“打造全域全时场景应用”，推进AI+公共服务、AI+城市治理以及AI+千行百业的发展。

如今，“人工智能+”成为国策，政策层面将加码推动AI与各行各业、实体经济全面融合，同时，中国拥有庞大的市场和多样化的应用场景，为AI大模型的商业化应用提供了广阔的空间。谁顺应了政策大势，谁率先找到最佳落地场景，开发了创新应用，谁就能率先享受到人工智能的红利。

而人工智能要更好地+场景+行业，赋智百行千业，还需要在创新、人才和立法等方面加力度。

2 、技术和机制有差距：人工智能要“+创新”

众所周知，人工智能的应用离不开算力、算法和数据三大驱动力，如果说算法是AI的“引擎”，那么数据是AI的“燃料”，算力则是AI的“底座”。我们在这三方面，相比美国都有差距，都需要“+创新”。

在算法层面，前面谈到了我们在大模型方面相比GPT4和Sora的差距，就体现在算法上的差距。美国在人工智能核心算法和框架方面占据显著优势，如TensorFlow、PyTorch等被广泛应用的人工智能框架都是由美国公司开发的，当下所有的主流大模型的母体算法Transformer也源于美国。

相比之下，中国在人工智能框架和算法的研发上虽然取得了一些进展，但整体上仍与美国存在一定的差距，需要加大技术创新力度。

在数据层面，美国作为全球最大的数据生产国之一，拥有丰富的数据资源。美国的大型科技公司掌握着海量用户数据，为人工智能算法的训练和优化提供了充足的数据支持。

相比之下，中国的数据资源相对较少，数据资源开放共享不够，数据确权、交易和跨境流动等存在障碍，还需要建立数据开放流通机制，完善数据要素产业生态。

在算力层面，AI算力的核心是人工智能芯片GPU，被美国的英伟达公司所垄断。我国在AI芯片方面虽然有所突破，如寒武纪等公司的芯片产品，但在市场占有率、性能优化等方面仍有待提高。国产算力仍需要创新提升。

算力大模型时代，我们面临算力供应跟不上的的挑战。 由于美国对英伟达的H100、A100等高精度算力实施出口禁令，使得我们大模型的训练算力跟不上，不仅如此，连精度低一些，用来运行大模型的算力，我们在数量上也差的很远。

大力开展“人工智能+”行动，需要从算力、数据、模型训练等方面加速技术和制度层面的创新，才能更快更好推动“人工智能+”落地，发挥AI赋能价值。

3 、人才有差距：人工智能要“+人才”

人 工智能要发展，要创新，AI人才是关键。 根据清华大学人工智能发展报告显示，美国的高层次人工智能学者数量远多于中国，这反映出美国在人工智能人才储备方面的优势。 同时，美国的大学和研究机构在人工智能领域的教育和培训方面也具有较高的水平。

中国虽然在近年来加大了对人工智能人才的培养力度，但整体上还需要进一步提高教育质量和扩大人才规模。很认同任正非所说：中国如果缺数学家，人工智能不可能快速发展，需要从基础教育并加大投入。

4 、法规有差距：人工智能要“+立法”

美国作为人工智能领域的先行者，已经较早地认识到了人工智能对法律、伦理和社会的影响，已经出台了一系列针对人工智能的法律法规，涵盖了数据隐私、算法透明度、人工智能责任等多个方面。 据悉，在过去一年，美国众议院和参议院就有170多项法案提及人工智能。

相比之下，我国在人工智能立法方面起步较晚，去年7月份发布了《生成式人工智能服务管理办法》，去年10月份发布了《全球人工智能治理倡议》。然而，我国现有法规对于人工智能的法律责任、数据隐私保护等问题的规定还不够详细和全面，需要进一步加强人工智能立法工作，完善相关法规体系。