只想坐順風車的人，很難比努力尋找道路的人更早到達地圖上沒有標明的目的地……
「彎道超車」是中國政策與媒體語境中十分常見的說法。它背後有一種令人「振奮」的想像：即使起步較遲，只要看準方向、集中資源，再利用較低成本和更高效率，便可以繞過領先者，甚至在某個關鍵位置反超前。
然而，這個比喻有一個經常被忽略的前提，就是大家必須已經身處同一條賽道，也早知道彎道、規則與終點在哪裏。
在汽車、家電、太陽能板或其他成熟製造業，技術方向相對清楚，後來者可以拆解現有產品、學習生產流程，再憑供應鏈、規模和成本優勢追上領先者。這些領域的成功，令中國更有信心。
「彎道超車」彷彿成為中國其中一個競爭優勢。
在人工智能這種仍在尋找基礎方向的前沿科技，情況卻完全不同。當道路本身尚未存在，最重要的能力不是在彎道踩盡油門，而是有人願意走進荒野、承受失敗，嘗試開出一條新路。
《經濟學人》2026年8月8日出版的期刊，以〈How China gets better bang for its buck than America in AI〉為題，中文可譯為：「中國如何在人工智能領域，用較少資金取得比美國更高的效益。」文章的網頁版本刊於8月6日，指出中國的人工智能投資遠低於美國，但中國模型與美國頂尖模型之間的能力差距，似乎沒有資本開支的差距那麼巨大。
中國科技企業在2026年的數據中心投資，預計不足美國同業的十分之一。
月之暗面推出的K3模型，在常用基準測試中據報達到Anthropic旗艦模型Fable 5約95%的能力；阿里巴巴推出的新模型，部分測試成績亦被指位居全球前列。只看測試分數，中國似乎用不足十分之一的投資，願已經可以取得了接近美國的成果。
這個故事很容易被包裝成又一次「彎道超車」，甚至被理解為中國模式比美國資本市場更加優越。
然而，基準測試上的接近，不等於兩國已經擁有相同的原創能力。模型答對多少題，只能反映某些已知任務上的表現，不能回答誰提出了新的模型架構、誰建立了底層晶片與開發工具，也不能預測誰有能力發現下一個尚未被定義的技術方向。
根據彭博行業研究的估計，美國科技巨頭2026年在數據中心的資本開支可能超過7,400億美元。Alphabet表示當年人工智能相關開支將增加至2,050億美元，英偉達更被指曾研究為一座投資額超過5,000億美元、由OpenAI營運的超大型數據中心提供2,500億美元資金。這些數字看來近乎瘋狂，當中也必然包含重複投資、估值泡沫與資源浪費。
然而，開創技術本身就是一項昂貴而且充滿浪費的工作。沒有人預先知道哪種模型架構會成功、需要多少晶片、何種數據最有價值，也不知道一項研究要經過多少次失敗才會產生突破。
美國資本市場的真正力量，不是每一美元都能得到最高回報，而是它容許大量企業、研究團隊與投資者，同時走進不同方向的荒野尋路。
OpenAI、Anthropic、Google、Meta、xAI以及大量初創公司，都可以採用不同的研究方法和商業模式。它們之中不少可能失敗，有些數據中心或許永遠無法取得預期回報，但只要少數路線成功，便可能開出全新的技術道路。資本市場承擔的大量失敗，不只是浪費，也是探索未知世界必須支付的成本。
這正是美國由企業與資本市場主導的優勢。政府不需要預先選定唯一的國家冠軍，也不必要求每個研究項目在短期內交出可量度成果。
不同投資者可以押注彼此矛盾的方向，研究人員亦可以追逐看似沒有即時用途的問題。這種分散、混亂甚至帶有泡沫的生態，反而為真正的原創提供了生存空間。
中國的優勢則在另一個地方。
中國工程師非常擅長在資源受限的環境下改善算法、壓縮模型、提高晶片使用率，並以較低成本把技術推向大量應用場景。DeepSeek於2025年初推出高效率模型，便令世界重新認識到，人工智能進步不一定只靠堆疊晶片，也可以依靠更精巧的模型架構及訓練方法。
中國的土地、建築和工程人力成本普遍低於美國，相同金額可以興建更多設施或聘用更多人員。完整的製造業供應鏈、龐大的市場與激烈的企業競爭，也令中國團隊能夠快速改良產品。這種把成熟技術做得更便宜、更快速和更普及的能力，是真實而且強大的競爭優勢。
不過，中國部分成本優勢，也是建立在美國已經支付的探索成本之上。美國企業先投入巨額資金訓練前沿模型、發表研究成果、建立開源工具及培養開發者生態，中國團隊便可以觀察哪些方向有效，再集中資源改善效率。部分中國企業亦被指使用模型「蒸餾」，利用昂貴美國模型的輸出，訓練成本較低的小型模型。
站在企業角度，這種做法完全合理。
後來者本來就會研究領先者的成果，避開已被證明無效的方向，再以更低成本改良產品。中國過去數十年在製造業的成功，亦經常遵循先學習、再本地化，最後透過規模和成本超越原有競爭者的道路。
問題在於，只想坐順風車的人，很難比努力尋找道路的人更早到達一個尚未被發現的目的地。
順風車可以節省旅程中的油費，也可以避開前人走過的錯路，但它只能前往駕駛者已經找到的地方。如果下一次重大突破並不在現有道路的盡頭，而需要轉向一個沒有人探索過的方向，後來者便不能永遠等待別人先開路。
「彎道超車」同樣面對這個邏輯困境。若賽道已經存在，後來者可以研究領先者的速度、路線和失誤，再用更低成本追近；但人工智能前沿並沒有固定賽道，也沒有清楚終點。當世界仍在探索甚麼是下一代模型、如何形成推理能力、人工智能能否產生新的科學知識時，幻想只要在某個彎位加速便可以超車，本身便不太切合實際。
中國即使動用舉國之力，能夠投入前沿人工智能的有效資源，仍然明顯不及美國龐大的資本市場、科技巨頭現金流、頂尖大學、風險投資網絡與全球人才體系。
中國政府可以成立基金、提供貸款、興建產業園區，也能集中支持少數大型企業，但國家動員與開放資本市場處理不確定性的方式並不相同。
行政體制擅長完成目標明確的工程，例如建立供應鏈、擴充產能或提高國產化比例。可是，前沿研究往往無法預先說明成果、時間表和商業回報，也可能多年只有失敗。當資金必須符合政策方向、接受官員審批並交出階段性成績，最不確定、最難解釋，卻也最可能產生原創突破的研究，反而容易得不到支持。
中國較低的人工智能投資，也不完全是主動節儉。美國對華科技出口限制，令中國企業無法自由購買英偉達最先進的人工智能晶片，而這些晶片主要由台積電生產。北京為了降低對海外供應商的依賴，又鼓勵企業減少使用部分仍可合法取得的較低規格英偉達晶片，令企業即使擁有資金，也缺乏足夠的高效設備可供購買。
阿里巴巴早前宣布在2026年至2028年間投資530億美元發展人工智能，但這個規模與亞馬遜或Alphabet相比仍然有限，而且能否完全落實也存在疑問。阿里巴巴過去可以把自家設計的晶片交由台積電生產，如今受到制裁影響，只能更多依靠國內供應商。
目前中國能夠製造較高性能人工智能晶片的主要力量，是華為和中芯國際。然而，美國限制不只針對晶片，也包括先進半導體製造設備，令兩家公司需要使用成本較高、效率較低的替代方案。它們即使獲得更多資金，也未必可以迅速增加高性能晶片產量，因為尖端製程、設備和人才都不能單靠行政命令立即產生。
晶片短缺的確逼使中國企業提高效率，但壓力可以促進工程改善，不代表限制愈多，原創能力便愈強。當人工智能由實驗室走向大規模應用，實際算力仍然不可取代。字節跳動的影片生成服務據報因運算資源緊張，部分工作需要等候十小時；智譜AI與阿里雲的一些服務需要嚴格限制用量，上線後甚至在數分鐘內售罄，K3亦出現漫長輪候名單。
這些現象說明，中國並非單純用十分之一資源完成相同工作，而是部分需求根本沒有得到滿足。等待時間、服務限額和無法承接的客戶，不會直接反映在資本開支比較中，卻是算力不足的實際代價。若企業無法把服務擴大，再高效的模型也難以轉化成收入、生產力與全球影響力。
中國人工智能投資偏低，還有一個更深層原因，就是企業需求不足。中國企業的資訊科技預算合計不足美國企業的十分之一，但中國名義國內生產總值約為美國的三分之二。許多中國公司願意購買工廠、機器及實體設備，卻不願為軟件、數據與人工智能服務支付高價，令模型企業的商業回報受到限制。
這會形成一個循環。企業客戶不願支付足夠費用，人工智能公司便不敢大幅投資；投資不足又令產品能力、算力供應及服務品質受到限制，企業客戶便更難相信人工智能值得高價。國家可以補貼供應端，也可以要求產業採用國產技術，卻很難以行政命令創造真正願意付費的市場。
中國官方的人工智能目標，也較重視把技術普及至經濟各個領域，而不是不惜代價追求最強模型。
《經濟學人》以「Let a thousand AIs grow」作為小標題，中文可譯為：「讓一千個人工智能成長。」美國據估計有數十家公司研究可能在大部分智力任務上超越人類的通用人工智能，中國已知從事同類前沿研究的企業則不足十家。
這條應用路線具有現實價值。把成熟人工智能迅速引入製造、電商、物流、金融及政府服務，可能比追逐遙遠的超級智能更快提高經濟生產力。中國龐大的產業體系、完整供應鏈和大量應用場景，也非常適合把足夠成熟的技術快速規模化。
可是，普及已有技術與創造下一代技術，仍然是兩種不同能力。中國可以成為人工智能應用最廣泛的國家，卻不一定因此成為定義人工智能方向的國家。
如果底層晶片、核心工具、前沿模型和研究問題仍主要由美國企業提出，中國再高效的應用，也可能繼續建立在別人開出的道路之上。
我的立場並不是美國花得愈多便一定勝出，也不是中國只能模仿。
美國資本市場確實可能製造巨大的人工智能泡沫，而DeepSeek等中國企業亦證明，中國團隊有能力提出令全球重新思考成本與效率的方法。真正的差別，在於哪一種制度更能長期容許不確定、失敗、異見與沒有即時用途的研究。
美國模式的最大潛在問題是資本浪費，成為產業泡沫、中國模式的最大問題則是容易把節省誤認為開創。美國大量投資可能落空，但原創本來就包含大量失敗；中國可以把已知技術做得更便宜、更有效率，卻不能假設每一次突破都可以等別人先支付探索成本，再以工程能力追上。
中國真正需要建立的，不只是更多政府基金與國產替代項目，而是一個容許不同企業、研究機構和投資者同時嘗試不同路線的環境。原創研究需要長期資金，也需要資訊自由、國際交流、人才流動及對失敗的寬容。政府可以集中資源完成一項工程，卻不能預先命令下一個科學突破在甚麼時間、甚麼地點出現。這個想像可能已經抵觸了中國政府凡事要管的思考模式。
《經濟學人》在結尾提醒：「An overly restrictive diet can still stunt growth.」中文可譯為：「過度嚴苛的節食，仍然可能妨礙成長。」中國人工智能在限制下逼出的效率值得肯定，但如果晶片、設備、資本、企業需求和研究空間長期不足，節儉便可能由競爭優勢變成發展上限。
只想坐順風車的人，確實可以節省很多開路成本，也可能在一段已知旅程中迅速追近。然而，當世界追求的是技術開創，當下一個目標甚至尚未有人看見，坐在後排研究怎樣縮短路程的人，很難比正在前方尋找道路的人更早到達。因為真正的領先，不是在別人開出的彎道上超車，而是發現一條以前根本不存在的道路。
本文很多其實是因為看到經濟學人這篇報道引起的聯想，完全不代表經濟學人這篇文章的立場。