治理中国 AI，不必先减少实验室的数量

2026 09 02

摘要

中国不必先把 AI 实验室整合成少数几家，才能有效治理这个行业。在常态政治下，政府已有一套干预手段：以危机为契机动员官僚体系，开展运动式执法，同时整治多家企业，并出台覆盖全行业的规则。即使企业数量没有减少，整个行业的合规程度也会提高。如果事先把 AI 安全要求写入政策，那么集中整治之后的执法窗口，就可能推动更多实验室采纳安全实践。有些治理方案却预设，只有将项目数量缩减到寥寥几个，并让国家能够掌握其情况，治理才有可能；这把“更简单”误当成了“必不可少”。

一些实验室因市场竞争退出，但既有平台企业的入场抵消了退出的数量。沿着目前的趋势，最容易因估值反复调整、融资难以为继而退出的，是独立实验室，而非资金充裕的科技巨头旗下实验室。在既有平台监管机制之外，中国政府还在提高掌握全行业状况和落实监管的能力，未表现出将整个行业国有化的偏好。

引言

AI 安全领域有时会假定，中国的前沿 AI 开发最终会集中到更少、也更便于治理的主体手中。这里需要区分两个概念：企业整合（consolidation）指通过收购或合并，减少前沿模型开发者的数量；国家主导的行业整合（rationalization）则由政府推动，其中最彻底的形式是国有化。这个假设主要以两种形式出现：一种是情景预测中对国有化项目的设想；另一种是治理方案中的政策主张，认为需要把 AI 开发集中到少数几个项目，并确保国家能够掌握这些项目的情况。还有一个相关假设：足够令人警觉的 AI 能力事件，会促使政府彻底改变应对方式。我将在另一篇配套文章中进一步讨论这一点。

本文把每个实验室视为一个开发项目。目前，企业与项目基本是一一对应的：各实验室独立训练前沿模型，彼此竞争，而非共同投入资源。能够观察到的是人才在企业间流动，投资转向实力更强的实验室，而不是有些设想中的跨企业合作。

本文依据历史先例，讨论常态政治（ordinary politics）下的国家行为。如果最高决策层开始认为 AI 能带来决定性的战略优势，那么面对其眼中迫在眉睫的生存危机，平时的制度流程就不再构成约束。情景预测中的国有化，讨论的其实是领导层认定 AI 具有决定性意义时的例外政治（exceptional politics）。在这样的关键转折点，决策可能脱离既有先例，本文无法据此判断那种情形。不过，本文要说明的是：参与者数量少，很可能并不是有效执法的前提。

部分同样预设只有少数项目、但着重于算力核查的方案，依据更充分一些。相比实验室，算力本身可能更集中，也更容易被国家掌握：华为、国家协调建设的“东数西算”枢纽，以及覆盖范围更广的全国一体化算力网络，都提供了抓手。因此，要让国家看清算力分布，也不必先减少实验室数量。

行业整合可能来自市场竞争，也可能来自国家干预。下文依次讨论：

• 市场竞争确实淘汰了一些实验室，但既有平台企业入场，抵消了退出造成的减少。目前更像是在向科技巨头内部设立实验室的模式靠拢，而非企业合并整合。（第一节）
• 从历史先例看，政府惯用的是针对企业的执法，乃至取缔整个行业，而非通过合并来重组行业。不过，处罚个别企业同样能够提高全行业的合规程度。（第二节）
• 即使没有危机，中国政府也在提高掌握行业信息和落实监管的能力，且没有表现出国有化偏好。（第三节）

第一节：平台企业入场抵消了退出，但独立实验室仍然脆弱

训练大模型的实验室数量实际上增加了。市场竞争确实让一些企业退出了前沿模型训练，但新进入者的数量超过了退出者。由于“前沿”所对应的能力门槛并不统一，本文将考察范围设为仍在训练大模型的实验室，并通过公开发布的模型和融资活动来识别它们。

截至 2026 年 9 月，最初的“六小虎”中已有两家退出前沿模型训练：百川转向医疗，零一万物则重新定位为面向政府和大型企业、类似 Palantir 的主权 AI 供应商。与此同时，字节跳动（Seed／豆包）和阿里巴巴（Qwen／通义千问）加入了竞争。

两家退出都是市场筛选的结果：民间风投资金不足，没有能持续提供资金的靠山，也没有其他业务收入支撑昂贵的训练。留下来的实验室则各有缓冲：成熟平台企业依靠经营现金流，DeepSeek 依靠创始人资金，独立实验室依靠公开资本市场或与国家有关联的资本。

平台企业用已有资金和业务收入支持训练，无须依靠外部融资。至少在未来十八个月内，它们是否继续参与前沿训练，主要取决于内部如何分配资金。目前的资本开支规模已经让阿里巴巴和腾讯的自由现金流转负，但单个训练项目在两家公司的整体支出中仍只占很小一部分。

DeepSeek 有创始人资金支持，决策也不易受投资者左右，因此很可能在中国前沿 AI 领域保持较为稳固的位置。在 6 月总额约 70 亿美元的融资中，创始人梁文锋出资约 30 亿美元，并以普通合伙人的身份，保留对所有商业投资者所组成的有限合伙企业的控制权。腾讯和宁德时代接受了五年锁定期，且不享有表决权。¹ 唯一直接持股并拥有表决权的外部投资者，是国家支持的国家人工智能产业投资基金，这传递了一个明显的政府支持信号。²

独立实验室依靠公开资本市场和与国家有关联的资本，因此更容易受到频繁估值调整的影响。智谱于 2026 年 1 月在香港上市。依托国企和金融机构的大量需求，其估值一路上升，到 6 月市值一度超过 1 万亿港元。但随着竞争对手推出新模型，其市值此后已缩水近半。次日上市的 MiniMax 也出于同样原因，从 5 月约 280 亿美元的估值跌至 8 月约 125 亿美元。阶跃星辰已递交赴港上市申请，月之暗面则正在开启上市前最后一轮融资。³

有三点值得注意。

第一，迄今的退出由市场竞争决定，留下来的企业则有国家和科技巨头的资金作为缓冲。国家支持既体现在国企参与融资，也体现在企业收入中来自国家关联客户的需求。不能据此就推断国家通过持股控制了民营实验室；但依赖这类需求的独立实验室，确实可能对监管信号更敏感。

第二，新进入者集中在一类并不令人意外的企业中：有持续业务收入的平台公司。字节跳动（Seed／豆包）、阿里巴巴（Qwen／通义千问）、美团（LongCat）、蚂蚁集团（Ling-1T）、小米（MiMo）和百度（ERNIE／文心）都已有业务产生现金流，内部设立实验室对它们而言是可行的战略选择。

第三，未来的退出很可能来自内部资源配置调整，或频繁的估值重估。对成熟平台企业和 DeepSeek 而言，是否继续留在前沿，主要是内部资金分配问题，而非被市场逼得无力继续。独立实验室则仍在一定程度上依赖市场情绪：每当最强的实验室发布新模型，市场就会迅速重新评估其他公司的价值，使它们处于极不稳定的位置，最终可能威胁其继续训练前沿模型的能力。MiniMax 就展示了这种处境。只要落后几个月，一家实验室就可能被迫退出。

这里也需要说明外部观察的局限。上述判断依据公开模型发布、估值，以及业内人士审慎提供的信息。实验室能否持续生存，归根结底取决于资金、内部长期投入的意愿和团队质量；三者中，只有资金能从外部直接观察。对另外两项，人们的判断并不一致。例如，阿里巴巴的现金流远超竞争对手，但熟悉行业的观察者，对其团队与字节跳动团队孰优孰劣仍有分歧。

第二节：历史上的国家干预，主要是运动式执法

中国可比行业的历史呈现出两类情况：一类是国家没有参与、由市场推动的企业合并；另一类是危机触发国家干预，重组个别企业，或直接取缔整个行业。它们都不同于这样一种设想：政府把竞争中的民营企业整合为少数几家更便于治理的龙头。

本文选择电商和金融科技行业中的企业整合与危机干预作为案例。中国 AI 行业以民营企业为主，因此适合比较的是同样由民营企业发展起来、在国家干预前经历过市场竞争的行业。改革前的社会主义工业案例中没有民营企业，因而不在本文范围内。更相关的制度环境是 1992 年以后的党国资本主义（party-state capitalism）：民营企业在党和国家的宏观经济与政治控制之下经营。⁴ 出于同样的原因，本文也没有选取电信行业，尽管它确实经历过国家主导的行业整合。政策明确要求国家对电信行业保持绝对控制，而对 AI 行业的安排仍是补贴和引导基金。即使 AI 的国家安全意义日益上升，两类行业在中国政策中仍有区别；政府在电信行业使用的所有权控制手段，并未用于 AI。因此，要研究常态政治下的市场竞争，电商和金融科技更适合作为参照。本文重点考察这两个行业的市场结构，以及危机触发干预的时点。

这些案例中，竞争企业之间的整合都是由市场和资本推动的合并，既无国家介入，也不是由危机触发。美团与大众点评、滴滴与快的的合并，都在主要投资者的压力和协调下完成，目的是结束难以持续的价格战。政府没有参与谈判，直到 2021 年才追溯性地主张对这些交易行使并购审查权。

危机触发的干预则不同，其结果是重组个别企业，或取缔整个行业。

在电商和支付领域，危机带来的是针对企业的重组。而且，有明确证据表明，干预所依据的监管制度早于导火索事件和后续执法。2020 年 10 月，马云在上海外滩金融峰会上公开批评中国金融监管存在“当铺思想”。当时，阿里巴巴旗下的金融科技关联企业、支付宝运营方蚂蚁集团，距离预计融资约 340 亿美元的沪港两地上市只剩几天。11 月 3 日，上市被叫停。此后的干预成为平台经济时代监管执法的标志性案例。

演讲后短短几天内，小额贷款和平台反垄断的监管草案就相继出台，说明整治准备早已开始；这次演讲看起来主要影响了干预的时机和力度。⁵ 早在正式干预前，中国人民银行就于 2020 年 9 月定下了后来用于重组蚂蚁的监管办法，并于 11 月 1 日施行。11 月 2 日，网络小额贷款监管草案发布；11 月 10 日，国家市场监督管理总局发布平台经济反垄断指南草案。此后，蚂蚁被重组为受监管的金融控股公司，阿里巴巴则因“二选一”行为被处以182 亿元人民币罚款。

蚂蚁事件引发的集中执法持续八个月后，滴滴挑战监管要求，同样招致了针对企业的处罚，也推动正式执法机制建立。监管部门曾建议滴滴推迟上市，但它仍赴纽约证券交易所上市。此后，政府运用对网络安全审查机制的裁量权，启动了一次突击审查。历经一年调查，国家网信办对滴滴罚款 12 亿美元。事件还推动政府补上此前欠缺的正式监管能力：2022 年 2 月修订的《网络安全审查办法》，要求用户超过一百万的平台在上市前接受审查。2020 年 11 月的蚂蚁事件为银行、金融、反垄断、反不正当竞争、数据安全和教育等领域的监管部门提供了一个共同契机，使它们同时对大型科技企业采取行动。⁶ 这轮整治的特点，是在长期监管宽容之后突然纠偏，而合规成本随之在全行业上升。

最彻底的一次重组，则是金融科技中的一个行业被整体取缔。e 租宝于 2014 年 7 月上线，实为庞氏骗局，从约 90 万名投资者手中吸收了约 500 亿元人民币（76 亿美元）。2015 年 12 月至 2016 年 2 月间，骗局崩溃，21 人被捕。最终，中国银保监会于 2020 年 11 月宣布，仍在运营的个人对个人（P2P）网络借贷平台已全部清零。⁷ 结果是行业消失，而不是整合出几家受监管的龙头。这是迄今最严厉的干预方式，但基本不适用于 AI。尽管 P2P 行业当时还有约 1150 亿美元未偿债务，政府仍判断它没有正当的经济价值；政府对 AI 的态度恰恰相反。

如果中国某家 AI 实验室引发政治危机，按这些先例推断，更可能出现的回应，是国家网信办处罚并重组涉事企业，而非将整个实验室行业国有化。我们有理由预期：危机会决定干预的时机和力度，随后执法会扩展到其他实验室；至于升级后的监管会要求什么，则可以从事前发布的政策草案中看出端倪。处罚会不会让一家企业失去竞争能力，目前难以确定。滴滴即使遭到 12 亿美元罚款、十八个月不能注册新用户，仍保持行业领先地位，竞争格局几乎未变。当然，如果在智能爆炸期间，国家干预使某家实验室永久掉队，这样的挫折就会使其失去竞争力，实际效果也就等同于退出。对行业整体而言，处罚一家企业会促使其他实验室增加合规投入。但这些投入能否促进 AI 安全，完全取决于安全要求是否事先就已纳入监管体系。

第三节：中国正在增强监管能力，但没有表现出国有化偏好

国家并非只有在危机发生后才会加强监管。即使没有危机推动，中国政府也在持续出台规则，提高行业的国家可识读性（state legibility），也就是让政府能够掌握行业状况、识别其中的活动与风险。2023 年《生成式人工智能服务管理暂行办法》、算法备案制度、2025 年的内容标识要求、TC260 持续更新的《人工智能安全治理框架》、“十五五”规划中建设风险管理体系的承诺，以及 2026 年 7 月生效的智能体治理措施，都体现了主动维持对 AI 行业监测能力的政治意愿。这些合规要求，与通过国家干预来整合市场结构，是性质不同的两类举措。

最接近结构性干预的案例，是国家发展和改革委员会于 2026 年 4 月叫停 Meta 收购 Manus。这项交易可能使战略资产落入外资之手，但除此之外并不涉及危机。干预的性质是阻止外资取得所有权，不能据此推断政府有意重组国内行业。

提高行业可识读性的措施，说明政府更有能力监测，却不说明它愿意实施严厉限制。国家同时是政策制定者、投资者和客户，在 AI 领域投入巨大，也就缺乏以过严监管阻碍行业发展的强烈动机。现有治理文件总体强调发展和利益相关方协调，监管要求也常在起草过程中被削弱。例如，《暂行办法》从草案到正式发布，删除了三个月内完成模型优化训练的期限，并放宽了对训练数据准确性的要求。

目前没有迹象表明国家偏好一个国有化的行业格局。党和国家对 AI 发展的支持力度前所未有，因此，像 P2P 那样取缔整个行业，或将实验室整合为少数龙头，都极不可能。中国党国资本主义的历史更支持另一条常见路径：先干预个别企业，再扩展为对全行业行为的规范。

2022 年末以来，中国领导层通过实际行动显露的偏好，也指向同一方向。重新支持平台经济的政策，被明确置于国际竞争的语境中；DeepSeek 的突破则被视为民营企业通过市场竞争取得的成功。更广泛地说，官方创新政策一直强调企业在创新中的关键作用。

结论

在中国的党国资本主义体制下，提高全行业合规程度的主要机制，是由危机触发干预、动员官僚体系开展监管，而不是合并企业。平台监管整治提高了电商和金融科技行业的合规水平，但市场参与者的格局基本不变；即使蚂蚁经历重组，阿里巴巴依然是重要的平台企业。目前，AI 实验室的数量也没有减少：市场竞争带来了退出，但平台企业的入场抵消了这一变化。有时被视为理所当然的行业整合，无论从当前趋势还是历史先例看，都缺乏充分支持。

不过，这并不意味着中国忽视了国内 AI 监管。政府正在持续、有意识地增强监管能力，以监测部署情况、发现失效方式。历史也表明，处罚个别企业很可能就足以推动全行业合规，无须先减少企业数量。把少数参与者视为有效国内治理前提的方案，忽略了已有的执法机制。历史上的执法瓶颈，在于官僚体系的惰性、信息向高层传递缓慢，以及国家自身对行业的投入削弱了严格监管的意愿。一个更适合继续研究的问题是：怎样才能让 AI 风险向上传递，并被决策层看见、理解？要把 AI 安全内容纳入监管、并使其免于在草案阶段被淡化，关键窗口是在危机触发集中执法之前。为此，值得持续追踪正在征求意见的草案，看其中有哪些与 AI 安全相关的要求。

附录

说明：本节回应的是“中国企业近期会因无法承担费用而退出前沿模型训练”这一判断。计算并非为了精确测量前沿训练成本，而是将偏高的成本估算与已公布的 AI 资本开支相比较，判断训练费用是否可能耗尽预算，迫使成熟平台企业退出。更可能发生的是企业主动在内部重新分配资源，但本文没有对此建模。

Epoch AI 2024 年的成本模型估计，自 2016 年以来，前沿模型最终一轮训练的硬件摊销与能源成本，每年约增至上一年的 2.4 倍（95% 置信区间：2.0 至 3.1 倍）。截至 2026 年 2 月，Epoch 的趋势看板显示，训练成本每年增至上一年的 3.5 倍。

我将一个前沿训练项目的年度总成本记为 C，并取 15 亿美元作为偏高的估计。C 不仅包含最终训练，还包括失败的实验、消融实验、数据处理流程和人员成本。Epoch 估计，整个开发成本中，硬件占 47%—67%，研发人员占 29%—49%，能源占 2%—6%；据此，整个项目的成本约为最终一轮训练成本的 2—4 倍。如果假设 2026 年美国一次最终训练花费 2 亿至 5 亿美元，再乘以 2—4，则 C 约为每年 4 亿至 20 亿美元，15 亿美元是其中一个粗略、偏高的取值。

由于两个结构性因素，中国实验室的实际成本很可能低于这一估计。第一，即使计入额外薪酬，研发人员成本仍低于美国。第二，已披露的训练算力需求更低。例如，DeepSeek-V3 披露的训练用量为 278.8 万 H800 GPU 小时，约为 Llama-3-405B 的 3080 万 GPU 小时的十一分之一。

资金承受能力

即使按 15 亿美元这一偏高的估计，一个训练项目对成熟平台企业来说也只是相对小的开支。成本还需要增至目前的 12—20 倍，单个项目才会耗尽已公布的全部资本开支。

因此，在十八个月的时间窗口内，这些企业很可能不会因成本过高而被迫放弃内部训练项目。按 Epoch 给出的较快增速，即每年增至 3.5 倍计算，十八个月后成本约为当前的 6.5 倍，二十四个月后约为 12 倍。

这个比较只是粗略划出资金承受能力的范围，不应被理解为精确的退出门槛，原因有三。

首先，AI 资本开支目标还在上调。字节跳动已将 2026 年目标从约 240 亿美元提高到 290 亿美元以上。阿里巴巴表示，实际投入会“超过”此前承诺，并将新增股权融资中的 800 亿港元（102 亿美元）用于 AI。腾讯总裁也将超出常态的开支解释为集中在今明两年的投入，意即不会长期侵蚀盈利，尽管截至 6 月的季度自由现金流已经转负。

其次，这些资本开支用于建设算力设施，设施可以持续出租并创造收入。腾讯披露的出租业务利润率约为 30%。

更根本的是，资本开支用于购置硬件，并不包含人员支出。C 中约三分之一是研发人员成本，对应另一项预算。上述口径差异可能使可持续投入的时间窗口前后移动数月，也使精确测定退出门槛变得困难。

因此，成熟平台企业当然可能主动重新分配内部资源、选择退出，最可能的原因是 AI 回报不及预期。但这些估算至少给出了一个判断被迫退出时间的下限：单看资金，训练项目的成本不太可能在十八个月内迫使它们离场。