摘要
2025年11月，加拿大国际治理创新中心（Center for International Governance Innovation, CIGI）的高级研究员何兴强（Alex He）发布了一篇探讨中国人工智能发展与治理的研究论文，重点分析了国家主导战略、私营部门创新、国家安全优先事项、人工智能安全关切与全球人工智能竞争之间的互动关系。文章认为，自2017年国家人工智能发展战略出台以来，中国的进展主要集中于人工智能的快速应用与商业化；DeepSeek的突破则彰显了中国创新生态系统的进步，同时也暴露出一些结构性局限。目前，中国的人工智能治理路径是强调在发展与安全之间寻求平衡。尽管存在限制，DeepSeek V3等模型仍在技术基准测试中保持了竞争力。在中美科技竞争加剧的背景下，DeepSeek的崛起对西方出口管制的有效性构成挑战，也彰显了中国在应对技术限制时的韧性。然而，在中国令人瞩目的人工智能进展之下，创新差距依然存在，需要通过系统性改革鼓励更多基础创新。
图片来源：国际治理创新中心（CIGI）网站
早期中国人工智能发展情况
中国人工智能早期发展主要由百度等头部企业主导。自2010年起，百度系统性布局人工智能研发，成立自然语言处理（natural language processing, NLP）部门，并投入语音与图像识别，其演进与深度信念网络（deep belief networks, DBNs）、深度神经网络（deep neural networks, DNNs）等全球深度学习浪潮同步推进。2012年AlexNet的突破成为关键转折点，标志着AI领域三大核心要素的融合：大规模标注数据集（large-scale labelled data sets）、算力提升（increased computing power）与训练方法改进（improved training methods）。随后百度成立深度学习研究机构，推出Deep Speech，2014年吴恩达（Andrew Ng）加入并领导其硅谷AI实验室，推动中国企业更深入参与全球AI研发网络。2016年 AlphaGo事件后，中国将AI纳入“战略性新兴产业”，并于2017年出台国家级AI战略，逐步形成以应用为导向的发展路径（application-oriented approach），商汤（SenseTime）、旷视（Megvii）、依图（Yitu）和科大讯飞（iFlytek）等企业加速产业化布局，但如上以应用为导向的发展路径也在一定程度上挤压了它们对通用人工智能（Artificial General Intelligence，AGI）与基础研究的长期投入。
一个核心问题是：为何中国企业未能率先推出类似ChatGPT的聊天机器人？以百度为例，2012—2022年其AI研发投入累计超过1000亿元人民币，但在大语言模型领域却明显落后于OpenAI。百度于2023年3月推出ERNIE Bot，较2022年11月发布的ChatGPT滞后数月，显示出基础模型训练上的代际差距。李彦宏承认产品“尚未就绪”却因市场压力提前发布，也反映出研发节奏受到商业化压力牵引。战略层面，百度采取明显的“应用优先”（industry-first / application-oriented）路线，围绕“模型 + 工具/平台 + 生态”结构，将ERNIE嵌入金融、能源、制造、媒体、搜索、云服务、自动驾驶（Apollo）与语音平台（DuerOS），强调快速产业化。相较之下，OpenAI自2015年起沿GPT-1、GPT-2、GPT-3路径持续推进基础能力，并通过指令微调与基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）打磨出以GPT-3.5为核心的ChatGPT。叠加中国大型科技企业内部复杂的管理结构，以及美国对先进芯片的出口管制，中美在基础性AI领域的差距进一步扩大，也构成了后来DeepSeek被视为潜在“变局者”的结构性背景。
中国科技巨头百度发布ERNIE BOT
图片来源：CFOTO | Future Publishing | Getty Images
中国在DeepSeek之后的人工智能发展方向与重点
DeepSeek的出现对中国人工智能的发展方向产生了显著的结构性影响，并在一定程度上重塑了全球人工智能竞争格局。在美国加强对先进芯片出口管制的背景下，DeepSeek通过工程层面的系统性优化，证明中国企业并非注定只能在人工智能领域扮演被动追随的角色。这一突破不仅改变了中美在人工智能领域的相对心理认知，也在战略层面松动了“算力封锁即能力封锁”的既有逻辑。尤其是在 Nvidia H800 等相对受限芯片条件下，DeepSeek仍能实现接近GPT-4级别性能，显示出“中国路径”在算法设计、系统工程与资源配置上的潜在独立性，这在中国人工智能发展史上具有标志性意义。
在发展路径上，DeepSeek对中国长期以来以行业应用为核心的技术路线形成了一定程度的修正。此前，中国在芯片受限与算力瓶颈压力下，更加倾向于发展行业模型（sector-specific models）和应用导向型AI，以降低对大规模算力的依赖。但DeepSeek通过对模型架构、训练流程与系统调度的深度优化，重新点燃了中国对基础模型和通用生成式AI能力的信心。这项技术突破的背后是系统性的工程创新组合：包括组相对策略优化（Group Relative Policy Optimization）、混合专家模型（Mixture of Experts）架构优化、多头潜变量注意力（Multi-head Latent Attention）机制、模型蒸馏（Model/knowledge distillation）、多 token 预测（Multi-token prediction）以及 FP8 混合精度训练（FP8 mixed-precision training）等。这些创新显著降低了大模型训练的成本，并在全球范围内降低了先进AI技术的进入门槛，使原本由少数科技巨头垄断的训练能力开始向更广泛的企业和开发者群体扩散。
DeepSeek的成功也深刻激活了中国国内人工智能生态。其开源策略与低成本特性，使模型在发布后短时间内被大量行业主体采用，涵盖互联网平台、云服务企业、制造业、汽车产业、地方政府系统乃至芯片设计公司，形成了一种近似“公共基础设施化”的技术扩散路径。在社会认知层面，DeepSeek被广泛视为“中国版OpenAI”，推动了国内开发者、投资者与企业对基础性人工智能的信心重建。与此同时，其国际影响力亦逐步显现，AWS（亚马逊云服务）、微软 Azure及谷歌云等全球主要云平台均开始集成其推理模型。此外，这一趋势也促使更多企业转向开源路线，百度宣布对ERNIE 4.5开源，OpenAI与xAI亦公开表示将推动开源模型发布，表明DeepSeek在全球AI技术治理理念和产业组织模式层面产生了外溢效应。
不过，DeepSeek也存在结构性局限。首先，它依然高度依赖先进芯片与高额投入。据报道，DeepSeek仅硬件采购成本即高达十亿美元级别。其次，其技术突破主要属于工程层面的深度整合与优化，而非范式级的原创理论突破。此外，DeepSeek的创新模式高度依赖创始人与工程师文化，这种个体驱动型创新是否具备在中国科技生态大规模复制的可能性，尚未可知。再加之其推理模型存在较高的“幻觉率”问题，技术成熟度仍落后于同类竞争者。总体而言，DeepSeek标志着中国在人工智能竞争中实现了一次关键性突破，但这种突破更可能重塑路径而非颠覆秩序，其长期战略意义仍高度依赖中国未来在制度化创新能力和人工智能治理框架方面的持续演进。
ChatGPT VS. DeepSeek
图片来源：Getty/Shutterstock
中国的人工智能治理框架
01 发展历程
中国的人工智能治理框架经历了由“重发展、轻监管”向“发展—治理并重”的深刻转型。2016年《“互联网+”人工智能三年行动实施方案》和2017年《新一代人工智能发展规划》的出台，标志着人工智能正式上升为国家战略重点。这一阶段的政策核心是推动技术突破和产业升级，强调深度学习、类脑计算、计算机视觉、生物识别与机器翻译等关键技术方向。
2017—2021年成为中国AI治理体系的重要转折期，核心议题从“技术发展”转向了“数据治理’。围绕数据安全、隐私保护与平台垄断风险，中国先后出台《网络安全法》《数据安全法》和《个人信息保护法》，构建起以国家为中心的数据治理框架，监管重点为数据基础设施。与此同时，AI行业仍在相对宽松的环境下高速扩张，主要依赖企业自律与行业规范进行内部约束。直至2021年后，监管逻辑开始明显转向算法与内容层面：《新一代人工智能伦理规范》提出“以人为本”原则，《互联网信息服务算法推荐管理规定》要求算法透明与用户选择权，《互联网信息服务深度合成管理规定》引入强制水印，这些制度均标志着中国开始系统性地把AI纳入可操作的治理轨道，从宏观规划迈向细致的技术监管。
2023年以来，随着大语言模型和生成式人工智能的爆发，中国进入专门针对生成式AI的治理阶段。《生成式人工智能服务管理暂行办法》首次明确规定服务提供者的法律责任，将内容安全、价值导向与技术服务责任系统性绑定，确立了“内容限制—分级监管—强制标识—责任追究”四位一体的治理逻辑。这一框架不仅要求AI遵守技术和法律规则，还强调与国家意识形态和社会主义核心价值观的一致性，体现出中国式AI治理的鲜明政治属性。企业层面逐渐形成高度内嵌的“合规型创新模式”，以百度为代表的公司通过关键词过滤、实时监控与模型微调，将合规机制深度嵌入技术结构之中。总体而言，这种“发展—安全”双轨并行的治理模式，正成为中国人工智能发展最具标志性的制度特征之一。
国家网信办就生成式人工智能服务管理征求意见
图片来源：中国青年网
02 面临的挑战
在中国严格的内容审查与数据安全监管体系下，AI大模型的训练与输出会受到一定的长期约束。早在2023 年《生成式人工智能服务管理暂行办法》出台前，百度、阿里巴巴（千问）、字节跳动（豆包）和月之暗面（Kimi）等公司已对训练数据和模型行为实施自我审查，有观点认为这会削弱中国大模型的整体性能。DeepSeek同样必须遵守《暂行办法》《数据安全法》等法规，在一些敏感议题上表现出明显的政治偏向（political bias）、视角偏向（perspective bias）与文化偏向（cultural bias），对相关问题往往拒答或给出高度净化的答案。但这些限制主要影响的是“内容”层面，模型的核心计算能力并不受到影响：在数学、代码生成和通用语言理解等非敏感任务中，DeepSeek依然保持了与GPT-4o等国际领先模型相当的竞争力。相较之下，更值得关注的问题在于其偏高的“幻觉率（hallucination rate）”，这反映出的是更广泛的AI安全与可靠性挑战，如今也逐渐成为中国AI治理体系中的关键议题。
中国 AI 治理体系中另一个长期存在的结构性问题，是对“技术安全（AI safety）”与“国家安全（AI security）”缺乏清晰的区分，在中文语境中二者常被合并处理。《暂行办法》更多关注的是内容安全，而非模型本体风险或系统性技术失控风险。直到2023年后，中国才逐步将大规模模型风险和通用人工智能风险纳入正式政策议程，中共中央政治局开始强调其风险预防，并在2024年提出将AI安全纳入公共安全体系，与网络安全、生物安全、公共卫生和工业安全并列。未来拟出台的《人工智能法》亦被寄望于引入基础模型安全与价值对齐条款，从而在制度层面弥补此前治理框架中对技术性风险关注不足的问题。
尽管治理理念不断升级，中国AI产业界整体上仍处于“性能优先”的竞争逻辑之中。阿里巴巴、智谱等企业虽然引入了RLHF、监督式微调等安全技术，但更多是出于提升模型效果而非系统性风险防范，且多数企业尚未全面实施对齐测试、高风险行为评估、幻觉控制和系统级安全审计等关键机制。DeepSeek的快速扩散，使AI生成内容在社会中的可见性大幅提升，进一步激发了公众对深度伪造与虚假信息的担忧。总体而言，中国正在从以“内容安全”为中心的治理模式，逐步迈向以“系统性风险”和“长期安全”为导向的AI安全框架，但这一转型仍处于未完全定型的阶段。
人工智能幻觉
图片来源：AI生成
中国人工智能发展与治理的启示
第一，技术路线选择的发展启示。中国与美国在人工智能发展路径上的分化表明，在高度不确定的技术革命阶段，以基础研究为导向的“技术驱动型创新”往往比“产品驱动型创新”更具长期战略优势。美国公司优先投入通用人工智能及大模型底层能力，虽然成本高、周期长，但技术路径的开放性和战略灵活性也相应地强。中国过去以产业应用为中心的策略，虽符合其政治经济约束条件，但在生成式AI的关键窗口期暴露出了一定的结构性劣势。不过，中国庞大的人才储备与持续增长的本土创新能力（以DeepSeek为代表）表明，中国是在探索一种不同于美国的“工程优化型”追赶路径。
第二，安全与创新平衡的治理启示。中国的人工智能治理强调在“发展—安全”之间实现动态平衡。与数据治理框架类似，中国在AI领域延续了“刹车踏板”和“油门踏板”的治理哲学：将AI视为国家竞争力的重要支柱，同时又严格纳入国家安全体系。这种模式在提升风险可控性的同时，也可能存在企业在前沿领域的自由探索空间受限的问题。相比之下，美国的治理路径受到国内政治周期影响更大，在“安全”与“创新”之间来回摆动。这表明，新兴技术治理并不存在稳定的最优解，更多是国家战略目标、政治制度与国际地位的综合考虑。
第三，全球人工智能治理的制度启示。随着AI安全问题成为国际治理焦点，中国正在将“安全”作为其全球人工智能治理愿景的核心议题，并逐渐由“被规则约束者”转向“规则塑造者”。通过发布《全球人工智能治理倡议》、推动联合国框架以及加强与全球南方国家的合作，中国意在构建更具包容性的多边治理体系。但其在实践层面仍存在内部张力：一方面，中国在国际舞台上积极倡导安全、伦理与包容原则；另一方面，其国内企业在技术安全和风险缓释上的执行能力仍然有限。另外，中美之间通过 Track 1.5、Track 2 等非官方对话渠道维系人工智能安全方面的政策沟通，在地缘政治紧张不断加剧的背景下，这类对话在官方外交渠道受限时，有助于维持最低限度的沟通与互动。
第四，地缘政治竞争的战略启示。人工智能已成为中美地缘政治竞争的核心技术领域。美国对先进芯片的出口管制在短期内确实限制了中国的大规模算力获取，但DeepSeek等突破表明，这种封锁同时也强化了中国推进技术自立的战略决心，并激发了工程层面的路径创新。长期来看，中国在行业应用、场景化创新和规模化部署方面具备显著优势，不过其自上而下的创新体制与对快速商业化的高度重视，仍可能削弱对基础性、原创性研究的持续投入。因此，在未来相当长一段时间内，中美在 AI 领域很可能形成一种不对称竞争结构：美国在底层范式创新上领先，中国在应用扩散与工程优化上形成独特优势。
作者
萨娜，全球人工智能创新治理中心研究助理
原文链接：
