当人们谈论当前的 AI 热潮时,总喜欢用互联网革命作类比——车库里的创业故事、颠覆性的商业模式、人人皆可参与的开放生态。但如果我们冷静审视这场技术浪潮的运作方式,会发现一个更贴切的历史参照系:曼哈顿计划。
这不仅仅是规模和门槛的差异,更是两种根本不同的竞争逻辑:中国为代表的互联网创业模式是产能驱动的,通过堆积人力、资本、运营资源来换取市场结果;美国为代表的曼哈顿计划模式是科研驱动的,通过定义新领域、开拓新范式来换取技术代差优势。
互联网创业：商业模式而非技术壁垒
1990 年代到 2010 年代,技术创业有一个显著特征:几乎不存在技术人才壁垒。
互联网创业的本质不是研发驱动,而是:
- 商业模式创新:从门户到搜索,从社交到电商,核心是商业逻辑的创新
- 人力堆积:多招几个程序员就能加快开发速度
- 跑马圈地:谁先占领市场、获取用户,谁就赢了
- 融资能力:能讲好故事、拿到钱烧市场,比技术实力更重要
技术栈是开放且相对简单的。一个计算机专业的应届生,培训几个月就能上手写代码。团队里的程序员之间的能力差异,更多体现在工程经验和业务理解上,而不是某种"顶尖科学家才能掌握的黑科技"。
Facebook 诞生于哈佛宿舍,扎克伯格当时的技术水平并不比其他大学生高多少;美团、滴滴的崛起靠的是地推团队和补贴大战;拼多多用社交裂变打败了技术更强的京东和阿里。
这就是互联网创业的真相:技术是必要条件但不是壁垒,商业模式和执行力才是。这是一个产能驱动的竞争模式——你能调动多少程序员、多少地推、多少补贴,你就能占领多少市场。中国互联网企业在这个游戏规则下如鱼得水。
曼哈顿计划：精英俱乐部的游戏规则
相比之下,曼哈顿计划代表着完全不同的技术发展模式:
- 国家级资源投入:20 亿美元(1940 年代币值),动用全美最顶尖的科学家和工程师
- 高度集中化:少数几个核心设施
- 精英主导:费米、奥本海默、冯·诺依曼等顶级科学家领衔,普通人无法参与
- 保密与封闭:严格的信息管控
- 战略驱动:目标明确,不计商业成本
这不是一个开放生态,而是一个精英俱乐部。更重要的是,这是一个科研驱动的模式。核裂变的原理、浓缩铀的方法、引爆装置的设计——这些都是前所未有的科学突破,不是靠堆人力就能解决的。
但曼哈顿计划模式有一个致命代价:在研发过程中大量烧钱,却不会立即转换成实际产业落地。从 1942 年启动到 1945 年试爆成功,三年烧掉的美元在当时无法产生任何商业回报。核能的民用化要到 1950 年代才开始。
这种模式下,最大的受益者往往是"卖铲子"的企业——在曼哈顿计划中是建造实验室、提供设备的承包商;在 AI 热潮中是英伟达、台积电、数据中心建设商。这也解释了为什么英伟达的股价在 2023-2025 年暴涨:研发期才是最好的投资窗口期。
当前 AI 潮的真实面目
现在让我们看看当前的 AI 热潮:
1. 天文级别的资本门槛
训练一个前沿大模型的成本已经飙升至数亿甚至十亿美元级别。OpenAI 的 GPT-4 训练成本估算超过 1 亿美元。Meta 宣布 2024 年将在 AI 基础设施上投入 350 亿美元,微软、Google、亚马逊的 AI 相关资本开支都在数百亿美元量级。这是国家级资源动员的规模。
2. 算力的寡头垄断
前沿模型训练需要数万甚至数十万张 H100/A100 GPU。全球能提供这种算力的只有微软、Google、Meta、亚马逊和少数几家中国大厂。这些算力集群的建设周期长、能耗惊人,普通创业者连接近的资格都没有。
3. 精英科学家的稀缺性
能训练和优化前沿模型的研究员,全球可能只有几千人。他们集中在 OpenAI、Anthropic、Google DeepMind 和斯坦福、MIT、CMU 等顶尖高校。这些人的年薪动辄数十万到数百万美元。这不是"人人皆可学编程"的互联网时代,而是高度专业化的科学精英俱乐部。
4. 开源的局限性
是的,我们有 Llama、Mistral 等开源模型,但请注意:
- 这些模型的训练仍然需要巨额资金和算力
- 开源的是模型权重,不是训练数据、训练方法、完整的技术栈
- 即使有了开源模型,部署和微调仍然需要大量算力
- 真正的前沿能力并未开源
开源在 AI 时代更像是"施舍"而非"共享"——大玩家在已经领先后,选择性地释放一些成果,但核心技术护城河依然牢固。
5. 两种模式的战略博弈
中美之间的 AI 竞争,已经明确上升到国家战略层面。但这里有一个关键差异:曼哈顿计划模式下,后发国家往往会采取"等待-跟进"策略。
当年苏联并没有在一开始就投入与美国同等规模的资源去摸索所有可能路径。相反,他们通过间谍情报和公开信息,等到美国完成了最痛苦的工程试错,明确了技术路线后,再集中资源快速跟进。这大大降低了研发成本和时间成本。
在 AI 领域,我们正在看到同样的博弈。OpenAI、Google、Anthropic 在前沿探索,烧掉数亿美元去验证什么有效、什么无效。而其他国家和公司可以:
- 观察哪些技术路线被证明有效
- 等待关键论文发表和开源模型释放
- 在相对明确的路径上集中资源,避免走弯路
- 用工程化能力弥补科研探索的差距
这不是"抄袭",而是一种理性的资源配置策略。这种策略的后果是:美国企业承担了绝大部分的研发风险和沉没成本;技术路线一旦明确,差距会迅速缩小(苏联在 1949 年就引爆了原子弹,仅比美国晚 4 年);真正的竞争优势不在于"谁先探索",而在于"谁能更快规模化应用"。
这就是两种模式的碰撞:美国通过科研驱动定义新领域,试图建立技术代差;而中国等待路线明确后,用产能驱动快速追赶。AI 时代的竞争,本质上是"定义新范式的能力"与"产能转化能力"的较量。
而美国现在已经骑虎难下——OpenAI 的成功让整个美国科技界开始全社会豪赌。如果赌对了,美国确实能建立代差优势;如果赌错了,数千亿美元的投入可能打水漂。更尴尬的是,现在已经停不下来了。一旦停止投入,其他国家会立即跟上;一旦技术路线明确,产能驱动的模式就会占上风。
为什么这让人担忧
曼哈顿计划模式的 AI 发展带来了几个深层问题:
- 权力集中:当 AI 能力集中在少数几家公司手中,他们实际上掌握了未来信息社会的基础设施
- 创新窄化:只有符合这些巨头战略的创新方向才能获得资源
- 不平等加剧:拥有先进 AI 的组织和个人,与没有的,生产力差距可能是数量级的
- 失控风险:AI 的"破坏性"可能是信息茧房、认知操控、就业冲击等社会层面的风险
那我们该怎么办？
承认现实是第一步。应用层仍然大有可为,但我们需要清醒地认识到:
- 理解你所处的游戏规则:基础模型层面是科研驱动的曼哈顿计划模式,应用层是产能驱动的互联网创业模式。不要在错误的战场上用错误的思维。
- 对于资源有限的玩家:"聪明的跟随者"策略可能比盲目的正面竞争更明智。等技术路线明确后再集中资源,然后用产能优势快速占领应用市场。
- 应用层创新的巨大空间:中国互联网企业曾经在应用层创新上超越美国,靠的就是产能驱动——疯狂迭代、极致运营、规模化落地。AI 时代同样有这个机会。
- 工程化能力是被低估的护城河:当科研突破完成、技术路线明确后,谁能更快地优化推理效率、降低成本、扩大规模,谁就能赢得应用层的竞争。
- 开源是两种模式的桥梁:每一个开源模型的发布,都是将"科研驱动的成果"转化为"产能驱动的起点"。
- 政策和监管必须跟上,确保 AI 能力不被滥用,确保社会有足够的适应时间。
曼哈顿计划最终成功造出了原子弹,但它也开启了一个更复杂、更危险的核时代。当前的 AI 热潮会把我们带向何方?这不仅取决于技术本身,更取决于我们如何应对这种新的权力格局。
互联网时代,产能驱动的模式让大量玩家都有机会参与。AI 时代,科研驱动的模式从一开始就筛选出了少数玩家,权力集中的速度可能比我们想象的更快。
但历史也告诉我们:科研驱动定义新领域,产能驱动决定谁能用好这个领域。原子弹是美国发明的,但核电站遍布全球;互联网是美国发明的,但移动互联网的创新在中国绽放。AI 的故事,或许也会遵循类似的轨迹。
Follow Me ｜ 关注我
- Blog:https://harryis.fish
- X(CN): @harry_is_fish
- X(EN): @harry_isfish
- 公众号
- 📺 Bilibili:海鱼Harry
- 🍠 小红书:海鱼Harry
- 🎵 抖音:海鱼Harry