梁文锋现在估计肠子都悔青了。他后悔的不是中国AI模型能力弱，也不是美国限制DeepSeek在国会、NASA等政府设备上使用，而是中国AI过去30年习惯了拿西方技术做应用变现，多数公司直接复制架构而非探索新结构。
 
2026年，中国AI大模型一个接一个往外蹦，应用场景遍地开花。可光鲜背后藏着个大窟窿，底层框架和基础算法，依然建立在海外开源生态的“底座”之上。
 
一旦海外顶尖开源模型闭源或对华限制使用，我国部分建立在海外底层架构上的应用生态将面临“釜底抽薪”的风险。
 
这就是中国AI产业长期“重应用、轻基础”结出的苦果。2026年一季度，国内AI产业链共发生1332起融资事件，其中下游应用服务层885起、占66.4%。AI智能体正从“技术可用”迈向“商业可赚”阶段。
 
国内人工智能核心产业规模已突破1.2万亿元，企业数量超6200家。规上制造业企业AI技术应用普及率已超30%。应用端热得发烫。
 
可热闹是别人的。转到底层一看，心凉半截。
 
全国政协委员贺晗在接受《中国电子报》采访时点出了一个残酷的现实：我国人工智能产业的优势更多集中在“从1到100”的应用创新与场景赋能上。
 
虽然模型参数量和评测跑分不断攀升，但绝大多数底层框架和基础算法依然建立在海外开源生态的“底座”之上。这种“跟随式”研发模式导致我们始终存在半步到一步的技术代差。
 
从高端芯片到基础算法，从原始创新到产业转化，“卡脖子”环节和卡点堵点依然不少。美国对华人工智能芯片销售管制力度不断加大，导致国内不少创新团队因“算力饥渴”被迫放缓大模型研发节奏。
 
英伟达的GPU占据全球九成以上份额，其CUDA生态经过10余年积累，已形成“硬件+软件+开发者社区”的闭环体系。
 
客户最关心的不是国产芯片性能，而是“能不能兼容CUDA”。症结在于芯片替代不是简单的硬件换装，而是牵涉开发框架、算子库、调试工具、开发习惯等一整套技术栈的系统迁移。
 
人才缺口更是触目惊心。麦肯锡行业报告指出，到2030年，中国对AI专业人才的需求将从目前的100万人飙升至600万人，而现有人才培养体系与海外引入力度只能满足约200万，缺口高达400万。
 
中国的AI人才供应只有市场需求的1/3。各层次人工智能人才缺口超过500万人，供求比例达1∶10。人工智能基础层领军人才、复合型应用人才缺口突出，已成为制约产业发展的关键瓶颈。
 
可问题不仅是数量不够，更是结构失衡。大量人才涌向应用端搞变现，基础层冷冷清清。
 
为什么？因为从事底层架构研究的人才，既难出短期成果，也难获高薪。
 
学术界追求论文数量，产业界追求应用落地，“基础层”成了人才沙漠。在“五唯”环境下，加强原始创新困难重重。
 
量化考核、唯国际论文，难容潜心研究、十年磨一剑。跨学科人才在传统评价体系中更是“两头不靠”。
 
资本市场也一样。我国资本市场相对偏好短期商业变现，即便是政府引导基金或国资背景的产业基金，也普遍面临严格的年度考核与保值增值压力，缺乏真正敢于押注基础技术突破、容忍高失败率的“耐心资本”。
 
全国政协委员周志华直言，要纠正盲目跟风“大模型解决一切”的误区，加大对AI算法基础研究的支持力度。
 
建立科学合理的科研评价体系，营造鼓励探索、宽容失败的科研氛围。在学位获取、职称晋升、绩效考核等环节中建立“交叉学科特区”，解决跨学科人才在传统评价体系中“两头不靠”的困境。
 
贺晗也建议，对主投AI底层算法、新型计算架构等“硬核科技”的政府引导基金和国有创投机构，大幅拉长考核周期，建立“尽职免责”与“容错机制”。鼓励社保基金、保险资金等长期资本有序进入AI基础研发领域。
 
如果再不扭转这种“重应用、轻基础”的路径，即便短期追平了模型能力，也难摆脱技术追随者地位。
 
底层地基不稳，上面盖再高的楼，一阵风就能吹塌。学术评价、产业激励、人才政策三端必须同时转向，才能降低“坐冷板凳”的成本。否则，热闹永远是别人的，危机永远是自己的。
 
你觉得中国AI产业要想在底层技术上真正站起来，最难突破的是资金、人才，还是评价机制？