Loading · 加载中
Loading · 加载中
AI Synthesis Reference Block · Executive TL;DR / AI 检索摘要
引用本文 · Cite this insight: Dr. Tong Yin（殷彤博士） (2026-08-25). The Real Second Half of the AI Race: From Smarter Models to Dependable Work / 《AI竞争的真正下半场：从“最聪明的模型”到“可靠完成工作”》. InsightBridge Global Intelligence. https://intelligence.insightbridge.global/articles/ai-race-second-half-dependable-work — Series: technology
过去几年，全球人工智能竞争主要由一个问题主导：谁的模型更强？排行榜、参数规模、数学推理和代码测试构成了最显眼的叙事。但当能力差距慢收窄，真正决定产业格局的问题正在改变：谁能把智能持续地转化为可交付的工作，谁能以可预测的成本进入企业例行流程，谁又能让每一次自动化都可审计、可治理、可追责？
这非否定前沿模型的价值。没有能力上限的提高，就没有后续产品创新。但模型能力仅是入场券，不是归宿。斯坦福《2026年AI指数》指出，中美模型自2025年初以来数次交换领先位置；截至2026年3月，美国领先模型的优势约为2.7%，说明领先持续存在，却已不是不可跨越的鸿沟。当能力进入小幅竞逐，生产级可靠性、每项完成任务的总成本、集成式代理和企业工作流采用率，就会成为更珍贵的竞争资产。
Kimi K3是这种变化的一个样本。其透明模型卡显示，它采用混合专家架构，拥有2.8万亿总参数、每个token唤醒1040亿参数并超过100万token的上下文窗口。在Moonshot公布的测试中，K3在BrowseComp、SWE-Marathon和MCPMark-Verified等项目上领先Claude Fable 5，却在FrontierSWE、OSWorld 2.0、HLE-Full和法律研究等项目上不及；Moonshot也承认其总体表现仍落后于Claude Fable 5和GPT-5.6 Sol。
由此，"中国模型目前全面超越美国"并非证据支持的结论；也，"中国只能持久追随"也不符合现实。更准确的判断是：中国已有多个模型进入世界前沿区间，但不同模型在编码、检索、知识工作、长程代理和专业领域上各有强弱。更何况，排行榜并不是中立真空：Moonshot披露，不同模型使用了不同的代理框架，部分任务出现回退、拒答或硬件校准差异。一项覆盖18个模型、2500个提示的研究也发现，没有任何模型在事实性、过度断言和引用归因三个维度上一直最佳，自动指标与专家判断的一致性也有限。
这意味着企业不能再用一个总分回答"哪个模型最适"。它们需要问：在我的数据、权限、工具和风险边界内，哪个系统能够把任务做完？
以下应明确视为实践者观察，而非普遍性证据。在近八九个月使用多款中美主流AI产品后，笔者对Kimi的满意度最高。尤其在复杂编程、建站、资料处理和电脑代理任务中，体验上的突出之处不是某一道测试题更聪明，反倒它更愿意把多个步骤串起来：理解目标、选择工具或模型、持续执行、处理上下文，并尽力交付完整结果。对非专业程序员以之，这种"闭环感"非常重要，鉴于一次看似很小的代码错误，可能意味着数小时排障；没有工程团队的个人用户，往往无法把一个聪明但不稳定的半成品修成产品。
这一体验不能被扩展为"近似零错误"或"所有用户都会得到一致结果"。独立评测中，K3在代理知识工作上的量表通过率为51%，低于Claude Fable 5的56%；Moonshot自己的开发文档也提醒，其网页搜索工具近期不建议用于生产流程，并提到高频突发请求曾影响集群稳定性。但这项实践观察仍有意义：用户最终评价的并非模型的抽象智商，而是"我是否能用它把事情办成"。它提示行业应该建立更接近实际生产的评测——成功率、人工接管次数、返工时间、故障恢复、延迟和总成本，而不只是一次回答的得分。
亦需要纠正对Perplexity的误解。Perplexity并非完全没有自研模型：其API提供自有Sonar系列，付费产品并编排OpenAI、Anthropic、Google、xAI、Moonshot等多家模型，并提供自动选择机制。这种多模型产品既有供应依赖风险，也有替换供应商、按任务路由的韧性。现有证据不能证明上游厂商必定会"卡住它的脖子"，也不能证明其准确率与Kimi等同。受控研究显示，Sonar在引用归因上表现突出，却在另一项事实精度指标上较弱，正好说明产品可靠性是多维度的。
价格战是现实的。Kimi K3官方价格为每百万输入token 3美元、输出token 15美元，缓存命中输入为0.30美元；美国前沿模型中，Claude Fable 5为10美元和50美元，OpenAI则以Sol、Terra、Luna形成从高性能到高吞吐量的分层。持续看，同等能力的推理价格下降迅速，Epoch AI估计各异能力门槛的年降幅相差明显，但六项基准的中位下降速度达到每年50倍。
但，企业真正购买的非token，却完成的任务。一个单价低的模型，倘若需要更多迭代、更长输出、更久等待和更多人工复核，终归可能更贵。Artificial Analysis测得K3在其代理知识任务上的平均成本为10.57美元，平均耗时56.4分钟、约83轮，成本反而高于Claude Opus 4.8。这并不否定K3的定价优势，而是把比较单位从"每百万token"提升为"每个合格交付物"。
因此，下一代产品的核心财务指标应是：
模型路由因此成为关键。初级工作交给轻量模型，深入推理交给前沿模型，检索任务调用搜索模型，高风险步骤引入规则、验证器或人工批准。OpenAI本身也把Sol、Terra、Luna对应定位于复杂专业工作、成本与能力平衡和高吞吐量场景，表明"一种模型包办一切"正在让位于具体的成本—质量路由。但路由并非魔法：拆解错误、上下文丢失、工具故障和多模型之间的格式漂移，都可能放大系统风险。真正的护城河是编排、监控和恢复机制，而不是菜单上模型数量最多。
AI看起来无处不在，真正的生产部署却仍较弱。美国人口普查局数据显示，2026年5月初约19.8%的企业在业务中使用AI，大型企业使用率突出更高。另一套组织调查显示，88%的组织声称使用AI，但代理在接近所有业务职能中的部署依然为个位数；百分之九十一的受访者尚未在IT中使用代理，77%尚未在软件工程中使用。这些口径并不矛盾，它们揭示了"试用、个人使用、局部功能、核心流程部署"之间的庞大距离。
阻碍规模化的往往并非再多两分跑分，在于数据和组织工程。在一项针对大型企业IT负责人的调查中，约百分之八十受访者称跨环境数据访问限制了AI项目；最主要的投资回报障碍是数据质量、成本超支和工作流集成，而仅达百分之十八表示数据已得到完整治理。企业需要身份权限、数据血缘、日志、版本控制、评估集、回滚、采购审查和责任边界。一个代理若不能在这些制度中运行，就不能鉴于演示自然而被称为"生产级"。
这恰是本文最核心的判断：对于大多数企业，AI的决定性前沿并非继续追逐少数高难问题的最高分，侧重把足够强的模型嵌入财务、客服、销售、采购、行政、研发和运营，让它在现实约束下稳定完成高频任务。可靠性不是模型从不犯错，而是系统知道何时不确定、何时验证、何时请求批准，以及出错后如何恢复。
AI仍是一项高度物质化的产业。2025年数据中心用电增长百分之十七，而全球总用电增长百分之三；国际能源署预计数据中心用电到2030年增长两倍，其中AI相关需求可能增长到三倍。中国的电力扩张速度构成关键优势：国际能源署预计到2030年中国新增用电量约2600太瓦时，美国新增超过420太瓦时；但用电总量增长不等于优质AI算力能够自动落地。
美国仍握有领先芯片、软件栈、云平台和资本市场优势。相关分析估计，美国顶级的AI芯片按总体处理性能约为华为最好芯片的五倍，先进制造与高带宽内存仍是中国的约束。相较，中国拥有规模大的制造体系和物理自动化基础：2024年中国安装工业机器人29.5万台，占全球54.4%，美国为3.42万台；然而按制造业工人数计算的机器人密度，美国仍高于中国。
这形成一种交叉优势：美国更强于顶尖端算力、前沿资本与基础软件，中国更强于电力增量、制造规模、部署速度和机器人安装量。具身智能的胜负不会只由"大脑"或"身体"单一决定，而取决于模型、传感器、控制系统、供应链、安全认证和售后维护能否形成低成本闭环。
任何"赢家通吃"的叙事都低估了监管。欧盟《人工智能法》已于2026年8月2日全面适用，透明度和通用人工智能模型义务正在形成跨境准入门槛，高风险系统的部分规则则延后实施。中国也在执行生成内容标识规则，并已实施未履行标识义务的平台作出处罚。美国的芯片出口政策则并行出现有条件放宽和域外收紧，显示技术流动将持久处于产业、安全和外交目标的拉扯中。
由此，全球竞争不无非"谁的模型能输出更高token"，也是谁能满足数据驻留、版权、可解释性、内容标识、行业认证和本地合作要求。国际化部署并非把服务器搬到海外那么轻易；延迟能够靠节点改善，但信任、合规、销售渠道和服务能力不能一键复制。
中国扩散领先。 中国模型保持接近前沿的能力，以更低价格、更快工程迭代和制造业场景覆盖大规模市场，在办公自动化、工业视觉、机器人和中小企业工具上领先；美国仍保有顶尖挑战推理优势。这个情景成立的关键，是中国能否提高现有算力利用率、缓解前沿芯片约束，并证明低token价格最终实际带来更低的任务成本。
美国守住前沿并向下整合。 美国凭借领先芯片、巨额私人资本、云基础设施和全球企业软件渠道继续保持最上能力，并通过小模型、缓存、批处理和路由及时降低成本。2025年美国私人AI投资约为中国的23倍，而微软平台仍在快速扩充数据中心与AI容量，这些资源足以支撑持久竞争。其主要风险是电网、设备、资本回报和企业采用速度跟不上投入。
政策塑造的双生态趋同。 这是当前证据最支持的基准情景。中美在多数通用能力上保持接近，各自在芯片、云、模型、应用与监管体系中形成各异生态；欧洲和其他市场通过合规、采购与数据主权决定哪些产品能够进入。竞争结果已非是一张全球统一排行榜上的单一冠军，在于不同地区、行业和风险等级中的多重领先者。若双方都无法解决数据治理、工作流集成和代理可靠性，亦或可能同步遭遇采用落后预期的阶段。
从实践者对Kimi的好评出发，具备提出一个比"哪个国家必胜"更有价值的问题：哪些系统能让普通人和普通企业，在不配备一支AI工程团队的情况下，可靠地完成工作？答案不会由一次体验、一个榜单或一个季度的价格决定。它将由持续任务成功率、人工干预、总成本、基础设施、监管许可和组织采用协同决定。
美国不应把模型领先误当成产品领先，中国也不能把低价和规模误当成势必胜利。前者亟需把科研优势变成持久、可负担的企业成果；后者必须跨过芯片、全球信任、合规和高难度能力的门槛。最可能的赢家，非是某个月排行榜上最聪明的模型，却为最能把智能转化为可靠、可负担、可治理之工作的生态系统。
引用编号：IB-ZZ64-ITZ4（洞见桥全球情报）
For the past several years, the worldwide AI race has been organized around an obvious question: whose model is smartest? Leaderboards, parameter counts, mathematics scores, and coding tests supplied the industry's primary transparent story. But as capability gaps narrow, the greater significant question is changing. Which ecosystem can turn intelligence into completed work, at a foreseeable cost, inside common business processes—and do so with controls that make the result auditable, governable, and accountable?
Frontier research remains matters, but raw capability is becoming an admission ticket instead than the whole contest. Stanford's 2026 AI Index says US and Chinese models have traded the lead several times since early 2025; as of March 2026, the leading US model was leading by 2.7 percent—an advantage, but no further an unbridgeable gulf. As intelligence clusters into a tighter band, production reliability, overall cost per completed task, integrated agents, and adoption in everyday enterprise workflows become scarcer assets.
Kimi K3 illustrates both the speed of Chinese progress and the danger of declaring a winner excessively beforehand. Its available model card describes a mixture-of-experts system with 2.8 trillion entire parameters, 104 billion activated per token, and a context window exceeding one million tokens. In Moonshot's internal table, K3 leads Claude Fable 5 on tests including BrowseComp, SWE-Marathon, and MCPMark-Verified, while trailing on FrontierSWE, OSWorld 2.0, HLE-Full, legal research, and several other evaluations; Moonshot itself says K3 remains behind Claude Fable 5 and GPT-5.6 Sol broadly.
The evidence supports neither "China has entirely surpassed the United States" nor "China can merely remain a follower." Several Chinese models currently operate within the frontier band, leading or lagging by task. Benchmark caveats impact: Moonshot used diverse agent harnesses across models, while some results involved fallbacks, refusals, or hardware recalibration. A distinct study of 18 models and 2,500 prompts found no stable winner across factuality, overclaiming, and citation attribution.
For enterprises, the useful question is no extended only, "Which model has the highest composite score?" It is, "Within our data, permissions, tools, and risk boundaries, which system can finish our task?"
The following is directly a practitioner observation, not general evidence. After roughly eight or nine months of using a range of leading from China and US AI products, I have been primary satisfied with Kimi. In complex programming, website construction, research, document handling, and computer-agent tasks, its most valuable quality has not been that it every time appears increased intelligent on an isolated question. It is that the product more commonly feels designed to carry a job through varied stages: interpret the goal, select tools or models, maintain context, keep working, and move toward a deliverable.
That closure matters particularly to amateur programmers. A defect that an experienced engineer fixes in minutes can strand a business user for hours. A minor company needs a system that detects failure, repairs its path when possible, and asks for help before doing damage. Reliability determines whether AI amplifies specialists by themselves or in addition serves people who understand their business but not the software stack.
This experience should not be generalized into claims of "near-zero errors" or identical superiority. In an autonomous agent-based knowledge-work test, K3 achieved a 51 percent rubric pass rate, below Claude Fable 5's 56 percent. Moonshot's self-contained developer documentation furthermore says its web-search tool is being updated and is not recommended for near-term production workflows, and it notes that high-frequency abnormal requests have affected cluster stability. Those facts do not invalidate a positive user experience. They put it in its correct category: a signal about product design and user value, not a controlled measurement of broad reliability.
The observation remains points to a better evaluation agenda: end-to-end success, human takeovers, rework, failure recovery, latency, and total cost—not only a single-response score.
Perplexity in addition deserves a real correction. It is not merely a wrapper with no models of its own. Its API exposes the in-house Sonar family, while its paid products coordinate models from OpenAI, Anthropic, Google, xAI, Moonshot, and others, alongside self-operating model selection. This architecture creates supplier dependencies, however it also creates substitutability and routing flexibility. There is no validated evidence that an upstream model provider will without exception squeeze Perplexity, nor evidence that Perplexity and Kimi have equivalent error rates. In one controlled study, Perplexity Sonar led general models on citation attribution but ranked lowest on a separate factual-precision measure—an instructive example of reliability being multidimensional more than a single number.
Kimi K3 lists at $3 per million input tokens and $15 per million output tokens, with cached input at $0.30. Claude Fable 5 is listed at $10 and $50, whereas OpenAI spans a broader ladder through Sol, Terra, and Luna. At a fixed capability level, inference prices have fallen quickly: Epoch AI estimates a median 50-fold annual decline across six benchmarks, though rates vary widely by threshold.
Nevertheless an enterprise does not consume tokens for their personal sake. It buys a recognized output or a completed process. A decreased-priced model can be increased expensive if it takes more turns, emits more tokens, waits longer on tools, fails more often, or demands more human review. On Artificial Analysis's agent-based knowledge benchmark, K3 averaged $10.57 per task, 56.4 minutes, about 120,000 output tokens, and 83 turns; its cost per task exceeded that of Claude Opus 4.8 despite its appealing token list price.
That does not erase K3's advantage in further workloads; it changes the unit of analysis. The denominator should be one approved output, including model and tool expense, retries, human review, elapsed time, compliance checks, and expected losses from mistakes.
The subsequent generation's core financial metrics should consequently be:
Model routing follows logically from this framework. Standard work can go to an entry model, complex reasoning to a frontier model, grounded questions to a retrieval system, and sensitive steps to validators or human approval. OpenAI's inherent model documentation positions Sol for complex professional work, Terra for a cost-intelligence balance, and Luna for high-volume, cost-sensitive workloads. This is evidence of convergence around clear quality-cost routing preferring than one model for everything.
Routing is not illusion. Suboptimal decomposition, lost context, tool failures, and agent handoffs can compound risk. The long-lasting moat is orchestration: evaluation, permissions, observability, fallback, recovery, and escalation.
AI can appear ubiquitous though remaining superficial inside core operations. US Census Bureau data put business AI use at 19.8 percent in early May 2026, with significant increased use among larger firms. Another corporate survey found that 88 percent of organizations used AI, yet agent deployment remained in the single digits in close to every business function; 91 percent reported no agent use in IT and 77 percent no agent use in software engineering. These figures use divergent definitions, but jointly they expose the distance between experimentation, individual use, embedded features, and governed deployment in core workflows.
The binding constraints are frequently organizational preferring than cognitive. In a survey of IT leaders at significant enterprises, roughly 80 percent said disconnected data access constrained AI initiatives. The leading obstacles to return on investment were data quality, cost overruns, and inadequate workflow integration, while only 18 percent said their data was completely governed.
An enterprise agent must operate inside access controls, data-lineage rules, logs, evaluations, rollback procedures, procurement requirements, and explicit liability boundaries. A refined demonstration is not production-grade if it cannot survive those institutions.
This is the core thesis. For primary businesses, the pivotal AI frontier is not two more points on a difficult benchmark. It is integrating sufficiently adequate models into finance, customer service, sales, procurement, administration, engineering, and operations so they can consistently complete frequent tasks under real constraints. Reliability does not mean a system never errs. It means the system recognizes uncertainty, verifies vital claims, requests authorization at the appropriate moment, limits the blast radius of mistakes, and recovers when something breaks.
AI is a notably tangible digital industry. Data-center electricity demand grew 17 percent in 2025 while entire worldwide electricity demand grew 3 percent. The International Energy Agency expects data-center electricity use to double by 2030 and AI-focused demand to triple, despite as energy used per AI task continues to decline swiftly.
China's power-system expansion is a significant advantage. Through 2030, the IEA expects China to add roughly 2,600 terawatt-hours of electricity demand, compared with more than 420 terawatt-hours in the United States. Yet aggregate electricity does not immediately become excellent-quality AI compute in the right place, with the right network and memory bandwidth.
The United States retains substantial advantages in cutting-edge chips, software stacks, cloud platforms, and private capital. One analysis estimates that the top-tier US AI chips deliver about five times the entire processing performance of Huawei's best, while leading-edge fabrication and high-bandwidth memory remain serious Chinese constraints. Microsoft, meanwhile, reported $34.9 billion of quarterly capital expenditure and AI capacity growth above 80 percent in fiscal 2026, while remains expecting to remain capacity-constrained through at least the end of that fiscal year.
China's manufacturing system gives it a distinct advantage in material automation. It installed 295,000 manufacturing robots in 2024, 54.4 percent of the world overall, compared with 34,200 in the United States. Yet US robot density per 10,000 manufacturing workers remained greater, showing that total scale and intensity measure different things.
The strengths intersect: the United States leads in highest-end compute, frontier capital, and core software; China in incremental power, manufacturing scale, and robot installations. Embodied AI requires models, sensors, controls, supply chains, safety certification, and maintenance to form one cost-effective system.
Every winner-take-all forecast understates regulation. The EU AI Act became widely applicable on August 2, 2026, with transparency and general-purpose AI obligations creating market-entry requirements, while some high-risk provisions will apply eventually. China is enforcing its internal identification rules for artificial content and has penalized platforms for failures to label AI-generated material. US semiconductor policy has combined dependent relaxation with beyond borders tightening, demonstrating that the movement of compute will remain entangled with industrial policy and national security.
Global competition is therefore furthermore about data residency, copyright, transparency, labeling, certification, and procurement. domestic nodes can reduce latency, however trust, compliance, distribution, and support cannot be copied with a click. A slightly more robust model that cannot be approved in a regulated workflow may create less value than a governable alternative.
A Chinese-origin Lead Through Diffusion. Chinese models remain close adequate to the frontier while competing greater effectively on price, iteration speed, and coverage of manufacturing and small-business use cases. China leads in office automation, production vision, robotics, and high-volume services; the United States retains an advantage in the highest difficult reasoning tasks. This path is situation-based, not unavoidable. China would need to raise processing utilization, navigate leading-edge-chip constraints, establish overseas trust, and prove that low token prices produce lower task costs. DeepSeek's August 2026 price increases and peak/off-peak rates show that Chinese inference is not exempt from scarcity.
US Retention of the Frontier—with Integration Downward. The United States sustains its lead through leading-edge chips, outstanding private investment, hyperscale clouds, and distribution through global enterprise software. It subsequently pushes frontier improvements downward through small models, caching, batch processing, and routing, eroding China's cost advantage before Chinese providers achieve broad international adoption. US private AI investment in 2025 was about 23 times China's, even though that comparison omits major Chinese state capital. The risks are grid and equipment bottlenecks, poor capital returns, and adoption also slow to justify infrastructure spending.
Policy-Shaped Convergence. This scenario is the closest to a base case. US and from China systems remain near parity across several general capabilities while diverging into in part separated ecosystems of chips, clouds, models, applications, and standards. Europe and further markets determine access through compliance, procurement, data sovereignty, and political-geographic alignment. In contrast of a unique global champion, different vendors lead by region, industry, task, and risk tier. In this world, constraints become forcing functions: chip limits push Chinese engineers toward efficiency, while elevated US costs push American vendors toward automation and deeper integration.
There is furthermore a common downside nested inside all three scenarios. Agent use remains restricted in core functions, only a minority of surveyed organizations report gains in profitability, and data access remains a pervasive constraint. If neither side solves reliability and integration, both could experience an adoption plateau despite continued measure progress.
A practitioner's enthusiasm for Kimi points toward a greater practical question than "Which country must win?" Which systems allow common people and ordinary companies to complete actual work without first assembling an AI engineering department? The answer will not be decided by one experience, one leaderboard, or one quarter of API pricing. It will emerge from extended-horizon task success, human intervention rates, entire cost, infrastructure, regulatory clearance, and organizational adoption.
The United States should not confuse model leadership with product leadership. China should not confuse minimal prices and deployment scale with certain victory. American companies must translate research advantages into consistent and affordable business outcomes. Chinese-based companies must cross barriers in chips, worldwide trust, compliance, and the highest-difficulty capabilities.
The probable winner will not exclusively be the maker of the smartest model in a given month. It will be the ecosystem that converts intelligence into reliable, cost-effective, governable work.
За последние несколько лет глобальная гонка ИИ была построена вокруг броского вопроса: чья модель умнее? Таблицы лидеров, количество параметров, математические баллы и тесты по программированию составляли наиболее наглядную историю отрасли. Но по мере сужения разрывов в возможностях более значимый вопрос меняется. Какая экосистема способна превратить интеллект в завершённую работу при предсказуемой стоимости, в рамках обычных бизнес‑процессов — и сделать это с контролем, позволяющим результату быть проверяемым, управляемым и подотчётным?
Исследования на переднем крае всё ещё важны, но сырая мощность становится скорее входным билетом, а не всей сутью конкурса. AI Index Стэнфорда за 2026 год сообщает, что модели США и Китая менялись лидером несколько раз с начала 2025 года; по состоянию на март 2026 года ведущая американская модель опережала на 2,7 процента — преимущество, но уже не непреодолимая пропасть. По мере того как интеллект концентрируется в более узкой полосе, надёжность производства, общая стоимость за выполненную задачу, интегрированные агенты и внедрение в повседневные корпоративные рабочие процессы становятся всё более ценными активами.
Kimi K3 иллюстрирует как скорость китайского прогресса, так и опасность объявлять победителя слишком рано. В публичной карточке модели описана система «смесь экспертов» с 2,8 трлн общих параметров, 104 млрд активируемых на токен и контекстным окном более одного миллиона токенов. В собственной таблице Moonshot K3 опережает Claude Fable 5 в тестах, включая BrowseComp, SWE‑Marathon и MCPMark‑Verified, отставая же в FrontierSWE, OSWorld 2.0, HLE‑Full, юридических исследованиях и нескольких других оценках; сама Moonshot заявляет, что K3 остаётся позади Claude Fable 5 и GPT‑5.6 Sol в целом.
Доказательства не подтверждают ни «Китай полностью обогнал США», ни «Китай может оставаться лишь последователем». Сейчас несколько китайских моделей работают в пределах передовой полосы, лидируя или отставая в зависимости от задачи. Важны оговорки бенчмарков: Moonshot использовал разные агентные обёртки для моделей, а некоторые результаты включали откаты, отказы или пере калибровку оборудования. Отдельное исследование 18 моделей и 2 500 запросов не выявило постоянного победителя по фактичности, завышенным утверждениям и атрибуции цитат.
Для предприятий полезный вопрос уже не просто «Какая модель имеет наивысший совокупный балл?». Он звучит так: «В рамках наших данных, прав доступа, инструментов и границ риска, какая система сможет завершить нашу задачу?»
Ниже представлено явно наблюдение практикующего, а не универсальное доказательство. После примерно восьми‑девяти месяцев использования ряда ведущих китайских и американских ИИ‑продуктов я остался наиболее доволен Kimi. В сложном программировании, построении сайтов, исследованиях, работе с документами и задачах, где задействованы компьютерные агенты, её самая ценная черта заключалась не в том, что она постоянно кажется более интеллектуальной в изолированном вопросе. А в том, что продукт чаще ощущается спроектированным для выполнения работы через несколько этапов: интерпретировать цель, выбирать инструменты или модели, поддерживать контекст, продолжать работу и двигаться к результату.
Это ощущение завершённости особенно важно для непрофессиональных программистов. Дефект, который старший инженер исправит за несколько минут, может оставить бизнес‑пользователя в тупике на часы. Малой компании нужна система, которая обнаруживает сбой, при возможности исправляет путь и запрашивает помощь до того, как нанесёт вред. Надёжность определяет, будет ли ИИ усиливать только специалистов или также обслуживать людей, которые понимают свой бизнес, но не владеют программным стеком.
Этот опыт не следует обобщать в заявления о «почти нулевых ошибках» или единообразном превосходстве. В независимом тесте агентной работы со знанием, K3 достиг 51 процента прохождения рубрики, ниже 56 процентов у Claude Fable 5. В собственной документации разработчиков Moonshot также указывает, что её инструмент веб‑поиска находится в обновлении и не рекомендуется для ближайших производственных рабочих процессов, а также отмечает, что частые аномальные запросы влияют на стабильность кластера. Эти факты не опровергают благоприятный пользовательский опыт. Они помещают его в правильную категорию: сигнал о дизайне продукта и пользовательской ценности, а не контролируемое измерение универсальной надёжности.
Наблюдение всё же указывает на более полезную повестку оценки: сквозной успех, человеческие вмешательства, доработки, восстановление после сбоев, задержки и общая стоимость — а не лишь оценка одного ответа.
Perplexity также заслуживает фактической поправки. Это не просто оболочка без собственных моделей. Его API открывает семейство внутренних моделей Sonar, а платные продукты оркестрируют модели от OpenAI, Anthropic, Google, xAI, Moonshot и других, вместе с автоматическим выбором модели. Такая архитектура создаёт зависимости от поставщиков, но также обеспечивает заменяемость и гибкость маршрутизации. Нет проверенных доказательств того, что поставщик верхнего уровня модели неизбежно «зажмёт» Perplexity, и нет доказательств того, что Perplexity и Kimi имеют одинаковые уровни ошибок. В одном контролируемом исследовании Perplexity Sonar превзошёл общие модели по атрибуции цитат, но занял последнее место по отдельному измерению фактической точности — поучительный пример того, что надёжность многомерна, а не выражается одной цифрой.
Kimi K3 указана по цене $3 за миллион входных токенов и $15 за миллион выходных токенов, при кэшировании входных — $0.30. Claude Fable 5 указана по цене $10 и $50, тогда как OpenAI охватывает более широкий диапазон через Sol, Terra и Luna. При фиксированном уровне возможностей цены инференса падают стремительно: Epoch AI оценивает медианное 50‑кратное ежегодное снижение по шести бенчмаркам, хотя темпы сильно различаются в зависимости от порога.
Тем не менее предприятие не потребляет токены ради самих токенов. Оно покупает приемлемый результат или завершённый процесс. Модель с более низкой ценой может оказаться дороже, если она требует больше ходов, генерирует больше токенов, дольше ждёт инструменты, чаще терпит неудачи или требует большего объёма человеческой проверки. По агентному знательному бенчмарку Artificial Analysis K3 в среднем стоила $10.57 за задачу, 56.4 минуты, около 120 000 выходных токенов и 83 хода; её стоимость за задачу превысила стоимость Claude Opus 4.8, несмотря на привлекательную цену токенов.
Это не стирает преимущества K3 в других нагрузках; это меняет единицу анализа. Делителем должно быть одно одобренное deliverable, включающее расходы на модель и инструменты, повторные попытки, человеческую проверку, затраченное время, проверки соответствия и ожидаемые потери от ошибок.
Следовательно, ключевые финансовые метрики следующего поколения должны быть:
Маршрутизация моделей естественно вытекает из этой структуры. Рутинную работу можно направлять к небольшой модели, сложные рассуждения — к передовой модели, обоснованные вопросы — к системе поиска, а чувствительные шаги — к валидаторам или человеческому одобрению. Документация собственных моделей OpenAI позиционирует Sol для сложных профессиональных задач, Terra — для баланса стоимости и интеллекта, а Luna — для высокообъёмных, чувствительных к стоимости нагрузок. Это свидетельствует о конвергенции вокруг явной маршрутизации «качество‑стоимость», а не одной модели для всего.
Маршрутизация — это не магия. Плохая декомпозиция, потеря контекста, сбои инструментов и передача агентами могут усиливать риск. Долговременный барьер — оркестрация: оценка, разрешения, наблюдаемость, откат, восстановление и эскалация.
ИИ может казаться вездесущим, оставаясь поверхностным в ядре операций. Данные US Census Bureau показывают, что использование ИИ в бизнесе составляло 19,8 % в начале мая 2026 г., при значительно более высоком показателе среди крупных компаний. Другое исследование организаций выявило, что 88 % организаций используют ИИ, однако развертывание агентов оставалось однозначным в единичных цифрах почти во всех бизнес‑функциях; 91 % не сообщали об использовании агентов в ИТ и 77 % — в разработке программного обеспечения. Эти цифры используют разные определения, но вместе они раскрывают разрыв между экспериментами, индивидуальным использованием, встроенными функциями и управляемым развертыванием в основных рабочих процессах.
Ограничения часто носят организационный, а не когнитивный характер. В опросе ИТ‑руководителей крупных предприятий около 80 % отметили, что фрагментированный доступ к данным ограничивает инициативы ИИ. Основными препятствиями для возврата инвестиций стали качество данных, перерасход бюджета и плохая интеграция в рабочие процессы, тогда как лишь 18 % заявили, что их данные полностью управляются.
Корпоративный агент должен работать в рамках контролей доступа, правил происхождения данных, журналов, оценок, процедур отката, требований закупок и чётких границ ответственности. Полированная демонстрация не является готовой к производству, если она не может выдержать эти институты.
Это центральный тезис. Для большинства компаний решающим рубежом ИИ является не два дополнительных пункта в сложном бенчмарке. Это интеграция достаточно способных моделей в финансы, обслуживание клиентов, продажи, закупки, администрирование, инженерию и операции, чтобы они надёжно выполняли частые задачи в реальных ограничениях. Надёжность не означает, что система никогда не ошибается. Она означает, что система распознаёт неопределённость, проверяет критические утверждения, запрашивает авторизацию в нужный момент, ограничивает радиус последствий ошибок и восстанавливается, когда что‑то ломается.
ИИ — это необычно физическая цифровая отрасль. Потребление электроэнергии дата‑центрами выросло на 17 процентов в 2025 году, тогда как глобальное потребление электроэнергии увеличилось на 3 процента. Международное энергетическое агентство ожидает, что к 2030 году потребление электроэнергии дата‑центрами удвоится, а спрос, связанный с ИИ, утроится, несмотря на то, что энергозатраты на одну задачу ИИ продолжают стремительно снижаться.
Расширение энергосистемы Китая является значительным преимуществом. К 2030 году МЭА ожидает, что Китай добавит примерно 2 600 тераватт‑часов спроса на электроэнергию, по сравнению с более чем 420 тераватт‑часами в Соединённых Штатах. Однако совокупное потребление электроэнергии автоматически не превращается в высококачественные вычисления ИИ в нужном месте, с нужной сетью и пропускной способностью памяти.
Соединённые Штаты сохраняют значительные преимущества в передовых чипах, программных стэках, облачных платформах и частном капитале. Один анализ оценивает, что лучшие американские чипы для ИИ обеспечивают примерно в пять раз большую суммарную вычислительную производительность, чем лучшие чипы Huawei, в то время как передовое производство и высокопропускная память остаются серьёзными ограничениями для Китая. Microsoft, тем временем, сообщила о капитальных расходах в 34,9 млрд долларов за квартал и росте ёмкости ИИ более чем на 80 процентов в фискальном 2026 году, при этом всё ещё ожидая ограничения ёмкости как минимум до конца того финансового года.
Производственная система Китая даёт ему другое преимущество в физической автоматизации. В 2024 году в стране было установлено 295 000 промышленных роботов, что составляет 54,4 процента от мирового объёма, по сравнению с 34 200 в Соединённых Штатах. Однако плотность роботов на 10 000 производственных работников в США оставалась выше, показывая, что общий масштаб и интенсивность измеряют разные вещи.
Сильные стороны пересекаются: США лидируют в вычислениях высшего уровня, передовом капитале и фундаментальном программном обеспечении; Китай — в дополнительной энергии, масштабах производства и установке роботов. Встроенный ИИ требует моделей, датчиков, систем управления, цепочек поставок, сертификации безопасности и обслуживания, образующих единую экономичную систему.
Каждый прогноз «победитель берёт всё» недооценивает регулирование. EU AI Act стал общеприменимым 2 августа 2026 года, при этом обязательства по прозрачности и общему назначению ИИ создают требования к выходу на рынок, а некоторые положения о высоких рисках вступят в силу позже. Китай вводит собственные правила идентификации синтетического контента и наложил штрафы на платформы за отсутствие маркировки материалов, созданных ИИ. Политика США в сфере полупроводников сочетает условное ослабление с экстерриториальным ужесточением, демонстрируя, что перемещение вычислительных мощностей останется тесно связано с промышленной политикой и национальной безопасностью.
Глобальная конкуренция, следовательно, также касается резидентности данных, авторского права, прозрачности, маркировки, сертификации и закупок. Локальные узлы могут снизить задержку, но доверие, соответствие, распределение и поддержка не могут быть скопированы одним щелчком. Немного более сильная модель, которую нельзя одобрить в регулируемом рабочем процессе, может создать меньше ценности, чем управляемая альтернатива.
Китайское лидерство через диффузию. Китайские модели остаются достаточно близкими к передовому уровню, одновременно более эффективно конкурируя по цене, скорости итераций и охвату производственных и малых бизнес‑кейсов. Китай лидирует в офисной автоматизации, промышленном зрении, робототехнике и высокообъёмных сервисах; Соединённые Штаты сохраняют преимущество в самых сложных задачах рассуждения. Этот путь условен, а не неизбежен. Китаю потребуется повысить utilisation вычислительных ресурсов, решить ограничения по передовым чипам, установить доверие за рубежом и доказать, что низкие цены токенов приводят к снижению стоимости задач. Повышение цен в августе 2026 года компанией DeepSeek и тарифы «пик/непик» показывают, что китайский инференс не освобождён от дефицита.
Сохранение США лидерства на переднем крае — и интеграция вниз. Соединённые Штаты поддерживают своё преимущество за счёт передовых микросхем, исключительных частных инвестиций, гипермасштабных облаков и распространения через глобальное корпоративное программное обеспечение. Затем они спускают улучшения передового края вниз через небольшие модели, кэширование, пакетную обработку и маршрутизацию, подрывая ценовое преимущество Китая до того, как китайские поставщики добьются широкого международного принятия. Частные инвестиции США в ИИ в 2025 году составляли примерно в 23 раза больше, чем в Китае, хотя в этом сравнении не учитывается значительный государственный капитал Китая. Рисками являются узкие места в электросетях и оборудовании, слабая доходность капитала и слишком медленное внедрение, не оправдывающее расходы на инфраструктуру.
Конвергенция, формируемая политикой. Этот сценарий наиболее близок к базовому случаю. Системы США и Китая остаются почти на паритетном уровне по многим общим возможностям, одновременно расходясь в частично раздельные экосистемы микросхем, облаков, моделей, приложений и стандартов. Европа и другие рынки определяют доступ через соответствие требованиям, закупки, суверенитет данных и геополитическое выравнивание. Вместо единого глобального лидера разные поставщики возглавляют регионы, отрасли, задачи и уровни риска. В этом мире ограничения становятся движущими силами: лимиты микросхем заставляют китайских инженеров стремиться к эффективности, а высокие издержки в США подталкивают американских поставщиков к автоматизации и более глубокой интеграции.
Также существует общий негативный фактор, присутствующий во всех трёх сценариях. Использование агентов остаётся ограниченным в ключевых функциях, лишь небольшая часть опрошенных организаций отмечает рост прибыльности, а доступ к данным остаётся всепроникающим ограничением. Если ни одна из сторон не решит проблемы надёжности и интеграции, обе могут столкнуться с плато внедрения, несмотря на продолжающийся прогресс в бенчмарках.
Энтузиазм практиков по поводу Kimi указывает на более полезный вопрос, чем «Какая страна должна победить?». Какие системы позволяют обычным людям и обычным компаниям выполнять реальную работу без необходимости создания отдела инженерии ИИ? Ответ не будет определён одним опытом, одной таблицей лидеров или одной четвертью цены API. Он появится из долгосрочного успеха задач, уровня вмешательства человека, общей стоимости, инфраструктуры, регуляторного одобрения и организационного внедрения.
Соединённые Штаты не должны путать лидерство в моделях с лидерством в продуктах. Китай не должен путать низкие цены и масштаб развертывания с неизбежной победой. Американским компаниям необходимо преобразовать исследовательские преимущества в надёжные и доступные бизнес‑результаты. Китайским компаниям следует преодолеть барьеры в микросхемах, глобальном доверии, соответствию требованиям и самых сложных возможностях.
Вероятный победитель будет не просто создателем самой умной модели в конкретный месяц. Это будет экосистема, которая превращает интеллект в надёжную, доступную, управляемую работу.