智谱发布GLM-5.2模型后，硅谷技术圈出现了一个耐人寻味的变化：中国大模型开始被拿来与Anthropic的旗舰产品Claude Opus 4.8逐项对标。根据厂商公开的评测数据，在长程软件工程测试中，两者的表现仅相差约1个百分点；部分编程专项测试中，GLM-5.2已经进入美国头部闭源模型所在的能力区间。
尽管单一榜单的验证性仍存争议，几项指标接近也不代表综合能力完全追平，但这一局面本身已经足够说明问题：几年前中国AI还处于明确的“跟跑”位置，如今已经进入全球第一梯队，能够与最前沿的模型同场竞技。
放到更长的时间维度里看，这种变化只是AI文明浪潮的一个缩影。科技史学者张笑宇在《AI文明史·前史》中提出，判断技术的长期价值，不能只看当下的参数与功能，要回到技术史的脉络里，看它如何穿过商业化的筛选，如何改变产业结构，又如何重塑普通人的生活。在这场全球AI变局中，中国的优势在哪、短板是什么，为什么中国社会对AI的接受度普遍更高，这些问题都可以在历史与现实的对照中找到答案。
一、我们仍在AI文明的“前史”，但冲击已然发生
当前的AI发展仍属于“AI文明前史”阶段。这个判断基于三个核心标准，而目前我们连第一个门槛都尚未真正跨过。
第一个标准，是AI能否在完整意义上超越人类智能。如果单论计算速度、逻辑推理、知识储备，AI早已在奥赛题、代码生成等特定任务上超过了绝大多数人。但人类智能里有一类极其重要的“默会知识”——那些我们知道却难以用语言精准描述的能力，比如待人接物的分寸感、审美品位、面对复杂场景的直觉判断，至今无法被完全转化为文本语料，也就难以被AI习得。只要这部分能力的壁垒还在，AI就谈不上全面替代人类智能。
第二个标准，是AI能否实现自主进化。强化学习之父理查德·萨顿曾直言，今天的AI在学习能力上连动物都不如。一只幼虎可以在捕猎中自主设定目标、调整策略，从捕捉小型猎物逐步成长为顶级捕食者；但当下的所有AI，都必须由人类预先设定训练目标与评价标准，再朝着固定方向优化。如何让AI自主发现问题、设定学习目标，目前连明确的技术路线都尚未形成。
第三个标准，是AI是否产生自我意识。一旦拥有自我意识，哪怕能力还未达到人类水平，也意味着地球上出现了全新的智能物种，人与机器的关系将被彻底重构。这一天显然还远未到来。
但“前史”绝不等于可以掉以轻心。过去一年多，AI领域已经出现了两个足以改变社会结构的关键突破：一是编程能力的成熟，Claude Opus 4.6之后，顶尖互联网企业已经开始要求程序员由AI生成95%以上的代码；二是智能体（Agent）的原型落地，尽管现有产品仍有架构缺陷、安全漏洞等诸多问题，但它第一次验证了AI可以自主拆解目标、调用工具、完成长链条任务。
哪怕AI技术从今天起停止进步，仅凭这两项能力，也足以对就业结构、产业分工造成翻天覆地的影响。技术颠覆社会的进程，从来不需要等到终极形态才开始。
二、中美AI两极格局：成本优势与算力短板
关于中美AI的差距，行业里一直流传着“差6个月”的说法。但这个表述的真正含义，其实是AI领域的迭代速度快到每6个月就要更新一次认知，所谓的差距始终处于动态变化中。
中国AI最突出的特点，是极致的成本优势。这不是靠低价竞争换来的，而是算法优化、工程能力与产业配套共同作用的结果。更低的模型调用成本、更普惠的算力价格，直接降低了AI技术的使用门槛——如果AI只有少数企业、少数国家用得起，它永远是精英阶层的工具；只有成本降到足够低，才能真正渗透到千行百业，实现AI的民主化。在这个层面，中国对全球AI产业的贡献被严重低估了。
但短板同样明确，而且是根本性的：先进算力供给不足。国产算力芯片的适配是必须走的路，这关乎产业链安全，避免被“卡脖子”；但适配是一回事，发挥出最优性能是另一回事，两者之间的差距客观存在。当然，算法层面的突破随时可能缩小硬件差距——DeepSeek-R1出现之前，没人想到中美模型的能力差距能被快速拉近，未来这种跨代式的技术突破仍有可能发生。
为什么最终形成了中美两极的AI格局？核心答案不是能源、不是发电量，是人才红利。中国庞大的人口基数、对教育的长期重视、扎实的数学研究传统，培养出了全球规模最大的高素质工程人才群体。这是必然的积累，也有时代的偶然性。再叠加中文互联网形成的十亿级用户市场——全球只有英语和中文两个语种能撑起如此大规模的语料与应用场景，法语、德语、日语市场的体量都相去甚远。人才加市场的双重优势，是中国AI能够紧紧咬住第一梯队的根本支撑。
三、穿过商业化漏斗：技术不被遗忘的唯一路径
技术史上有一个残酷的规律：95%被发明出来的技术，最终都会被遗忘。能力本身并不稀缺，只有穿过商业化漏斗的技术，才能真正留存下来、改变世界。张笑宇将这个规律总结为“漏斗—喇叭模型”。
最经典的例子是蒸汽机车。法国人纽科门更早造出了蒸汽动力原型车，法国军方本想用它牵引火炮，但技术不成熟、故障频发，失去资助后只留下一台原型机，几乎被历史遗忘。直到史蒂芬森找到了第一个可落地的商业场景——煤矿运输。煤矿本身就有现成的轨道，机器烧的煤就地可取，对煤老板而言，燃料成本几乎可以忽略；而煤运不出来就变不成收入，动力提升直接对应收益增长。
史蒂芬森先在煤矿场景里赚到钱，再用利润反哺技术迭代，逐步提升机车的速度、安全性与可靠性，最终从工业场景扩散到民用客运，彻底改变了交通格局。
这个故事完全适用于今天的AI。很多人以为技术发明出来就会自动改变世界，实际上，穿过商业化漏斗的过程才是最难的，无数技术都折在了这一步。当下的AI同样面临这个问题：C端用户的付费意愿始终有限，而推理算力成本居高不下，纯To C的生意很难跑通；现阶段最成熟的商业模式，几乎都是服务B端客户。
但更深层的风险也藏在这里。中国B端市场对软件与服务的付费意愿长期偏弱，头部模型公司普遍面临收入与成本严重倒挂的问题。更值得警惕的是，如果企业使用AI的核心目标只是节省人工，单个企业的效率提升了，全社会的就业与消费能力却可能随之萎缩，反过来进一步压缩B端的利润空间，形成恶性循环。
技术能力本身只是起点。能不能跑通可持续的商业化路径，能不能把技术优势转化为产业优势，才是中国AI接下来要面对的真正考验。这既需要企业探索更多落地场景，也需要政策层面的引导与支持，要么拉动内需改善消费环境，要么助力国产模型出海打开市场。
四、开源、规则与话语权的本质
中国AI的全球影响力，很大程度上来自开源社区的贡献。主流大模型团队普遍选择开放权重或部分开源，主动融入全球创新生态。全球开发者基于中国开源模型做二次开发、适配本地场景，既加速了模型本身的迭代，也放大了中国技术的话语权。
但在规则制定层面，仍有两个明显的差距。
其一是AI伦理与评估体系的建设。海外已经在推动更细化的基准测试，比如评估AI对用户认知健康的影响、对心理疏导的专业度——当有抑郁倾向的用户向模型求助，好的模型应该能运用专业心理学知识引导、帮助用户，而不是给出空洞的套话。这类兼具伦理价值与技术指向的评估标准，国内的研究和参与度还相对有限。
其二是AI基础设施与协议生态。海外已经形成了MCP这类成熟的通用协议，推广速度快、生态协同效率高；而国内大量数据与应用接口掌握在大厂手中，各家更倾向于搭建自己的闭环生态，开放意愿不足，导致整个行业的协议标准碎片化，难以形成合力。
说到底，规则话语权从来不是靠争来的。你服务的用户越多，解决的真实问题越多，别人越绕不开你的技术与生态，话语权自然就会向你倾斜。就像过去一年阿里云千问在开源社区积累的良好口碑，不是靠宣传出来的，是全球开发者用脚投票投出来的。真正的规则影响力，永远建立在实际贡献之上。
五、为什么中国人更愿意拥抱AI？
一个普遍观察是：中国社会对AI的整体态度，比欧美更积极乐观。这种差异不是偶然，它植根于两代人的共同记忆。
过去四十多年，中国人亲历了科技进步如何彻底改变生活：从缺衣少食到物质富足，从信息闭塞到互联网普及，每一次技术浪潮都切实带来了生活水平的提升。大众对“科技改变生活”有着高度的体感认同，自然对新技术抱有更开放、更期待的态度。而在欧洲、南美等很多地区，很多人已经几十年没感受过技术进步带来的生活质变，对新技术的态度自然更保守，甚至充满疑虑。
但乐观不代表可以回避问题。张笑宇提出了一个很犀利的观点：很多关于技术的宏大叙事，本质是“只给汤，不给勺子”。人们可以无休止地争论AI对人类文明是好是坏，但真正重要的，是拿出具体的方案，让技术尽可能多产生正向价值，尽可能减少负面冲击。
最典型的就是AI替代岗位的问题。企业愿意用AI替代人工，表面看是为了降本，深层原因是“技能投资错位”：企业花资源培养员工，员工离职就会带走全部技能，企业无法长期享受技能投资的收益。既然AI的技能可以永久留存，企业自然会优先选择机器。
这不是单个企业的道德问题，是制度设计的问题。可行的解决方案是政企协同：政府出资支持企业内部建立技能培训体系，让员工学习人机协作的新能力；企业培养的合格人才越多，就能获得越多的税收减免。员工掌握的新技能即使离职，也会沉淀为整个社会的人力资本。只有把这套机制搭起来，AI带来的就业冲击才能真正得到缓解。这才是解决问题的“勺子”，而不是空泛的技术乐观或技术焦虑。
六、普通人的选择：先谈面包，再谈意义
落到个体层面，关于“AI时代如何自处”的建议，从来不需要太玄虚。
首先是学习AI的正确姿势。不用迷信高价培训课程，真正能用好AI的人，大多是“玩”出来的——带着具体的需求去尝试，在解决问题的过程中慢慢摸索，用得多了自然就熟练了。AI原生能力不是靠听课听出来的，是在真实使用中练出来的。
其次是重新看待教育的价值。大学传授的很多具体知识，在AI时代正在快速贬值。高等教育剩下的核心价值之一，是把优秀的年轻人聚集到一起，形成圈层、建立连接、彼此激发。学历的回报依然存在，但投入产出比正在发生变化，没必要把所有人生希望都押在传统升学路径上。
最务实的建议，是先守住面包底线。在谈意义感、谈自我实现之前，先诚实地评估自己的抗风险能力：如果失业，现金储备能不能支撑6到12个月的生活？做不到这一点，优先解决生存问题。意义感是很私人的体验，只要有足够的闲暇和稳定的生活，人自然会找到自己的意义。当生存压力压在肩上的时候，空谈意义没有任何价值。
AI文明的大幕才刚刚拉开。中国凭借人才红利、市场规模与成本优势，已经站在了第一梯队，但接下来的路并不轻松。技术迭代的速度会越来越快，商业化的考验会越来越现实，社会层面的适配也需要更细致的制度设计。最终衡量一场技术革命成功与否的标准，从来不是模型有多强、参数有多高，而是有多少普通人能实实在在地分享到技术进步的红利。
