中国式产业竞争为什么总伴随“过剩”？它到底是风险还是优势？【智库观察】

点击蓝字 关注我们 此前，“智库观察”围绕ChinaTalk刊发的《Why China’s AI Bubble Is Also Industrial Policy》进行了一次讨论。

这篇文章尝试从政府引导资本、风险投资和产业竞争的角度，解释中国人工智能产业正在出现的资本集中、企业扎堆和价格竞争，并将这种发展模式与中国新能源汽车等产业的经历联系起来。

文章发布后，原作者Leia Wang进一步回应了我们的三点意见。她首先澄清，自己的观点并不是中国政府有意制造“泡沫”，也不是说“泡沫本身就是产业政策”。她想强调的是：产能过剩和“内卷”虽然属于政策可能产生的非预期副作用，却仍有可能成为中国快速、大规模形成产业能力的一部分因果机制。

她也承认，原文对政府和私人资本之间关系的描述有所简化；政府并不直接决定具体企业的投资，是通过资本配置机制和政策环境塑造整个产业生态。这些澄清实际上缩小了双方的分歧。关于政府引导基金如何运作、为什么中国政策正在主动治理低水平重复投资和“内卷式”竞争，我们在上一篇文章中已经作过讨论，这里不再重复。

作者回应之后，真正值得继续追问的问题已经变成：产能过剩和高强度竞争究竟在什么条件下能够转化为产业能力？新能源汽车的经验能够在多大程度上延伸到人工智能？以及当我们说一套产业政策“有效”时，究竟应该用什么指标衡量？

这些问题背后，其实涉及一个更基础的判断：中国一些产业经历的大规模投资、激烈竞争和最终形成的全球竞争力之间，到底是什么关系？01 过剩经常和产业成功同时出现，但因果关系没有那么简单 先承认作者说对的一部分。中国过去一些最成功的新兴产业，确实经历过大量企业进入、快速扩产、价格下降和企业淘汰。

光伏可能是最典型的例子。十多年间，大量中国企业进入硅料、硅片、电池片、组件和设备制造等环节，生产规模迅速扩大，一整套高度完整的供应链也随之形成。IEA早在2022年就统计，中国在光伏主要制造环节的全球份额均已超过80%；到2026年，中国仍约占全球光伏供应链生产能力的85%，锂离子电池供应链生产能力约80%。

IEA也明确把规模经济、垂直整合和持续创新视为中国相关产业成本优势的重要来源。2021年全球光伏制造产能分布：中国在多晶硅、硅片、电池片、组件环节占比均超75%（图：Canary Media，数据来源：IEA） 所以，大量进入和高强度竞争能够产生学习效应，这一点并没有太大争议。

企业为了生存，需要提高良率、降低原料成本、优化生产工艺；生产规模扩大以后，上游设备、材料和零部件企业获得更多订单，工程师和技术知识在产业链中快速流动，最终形成集群优势。但从这里走到“过剩本身也是产业能力形成机制”，还需要多走一步。

我们实际观察到的是：市场迅速扩大，大量资本进入，生产规模上升，供应链完善，企业通过竞争形成技术和工程学习，与此同时又出现了阶段性的产能过剩。几年以后，这个产业获得了全球竞争力。这里真正发挥作用的究竟是过剩，还是规模经济、技术学习、供应链集聚和有效竞争？

两者不能简单等同。半导体产业的一些早期项目提供了一个反方向的参照。武汉弘芯曾被列入武汉市重大项目，规划总投资1280亿元，目标包括14纳米和7纳米以下逻辑工艺生产线，截至2019年底公开口径累计完成投资约153亿元，后来项目陷入停滞。

2020年，国家发改委在回应当时一批芯片项目出现问题时也明确指出，一些“没经验、没技术、没人才”的企业进入集成电路行业，个别地方出现盲目上项目和低水平重复建设，最终造成项目停滞、厂房空置和资源浪费。弘芯当然不能代表整个中国半导体产业，更不能据此否定产业政策。

这个案例能够说明的其实只有一点，但这一点非常重要：资本和产能可以快速复制，知识和技术能力不能按照同样的速度复制。这也意味着，“过剩能不能转化为能力”具有非常明显的产业条件。

对于高度依赖规模经济和工艺学习的产业，多生产本身就是学习过程；但当真正稀缺的是顶尖人才、关键设备、基础研究或者原创技术时，增加第100家高度类似的企业，并不会自然产生100倍的技术进步。所以，比“过剩到底有没有用”更准确的问题可能是：什么样的产业、处于什么发展阶段时，大量进入能够通过竞争和学习转化为产业能力？

02 新能源汽车支持了作者的一部分判断，但“竞争”和“内卷”仍需要分开 作者在回应中仍然认为，新能源汽车与AI之间存在不少可以借鉴的平行关系。这个类比并非完全不能成立。中国新能源汽车过去十年的发展确实说明，高强度竞争会产生强大的选择压力。企业必须缩短开发周期、控制零部件成本、提高供应链效率，更有效率的企业逐渐扩大规模，一部分缺乏竞争力的企业则被淘汰。

但新能源汽车同时也说明，有效竞争与低效率的“内卷”可以同时存在。Reuters对33家中国上市汽车企业的财务数据分析显示，2019年至2024年，这些企业库存总额增加一倍以上至约3700亿元，总债务增加56%至约9590亿元，净利润率中位数则从2.7%降至0.83%；部分新能源汽车企业对供应商及其他短期债权人的付款周期一度超过220天。

这些数字并不能证明中国汽车产业的竞争失败了。相反，中国车企正在形成越来越强的全球竞争能力。它真正提醒我们的是：同样叫“竞争”，实际包含着不同机制。

缩短车型开发周期、提高电池性能、通过垂直整合降低成本，这些竞争直接产生新的产业能力；如果企业主要通过持续压价、拉长供应商账期甚至长期亏损维持市场份额，其长期效果就需要另外评价。因此，我们更愿意把作者观察到的积极机制称为选择压力（Selection Pressure）和有效竞争（Effective Competition）。

企业被迫提高效率，低效率企业退出，优质企业继续扩大规模，这本身是市场竞争的一部分。但这并不意味着选择压力越强越好，更不能因此推导出“越卷越有效”。在企业出海这一点上，她认为，当国内竞争足够激烈、海外进入壁垒又足够低时，企业从利润最大化出发自然有动力寻找国际客户。

中国汽车企业最近的发展确实越来越支持这一点。2026年上半年，比亚迪海外汽车销量同比增长约71%，已占其总销量约44%，海外业务贡献了公司约53%的收入，海外业务毛利率约22%；8月海外销量同比进一步增长134.5%。在国内市场竞争加剧的情况下，海外市场已经成为其重要的增长来源。

2025年中国汽车出口达709.8万辆，同比增长21.1%，新能源汽车为核心增长引擎（图：中国汽车工业协会/央视网） 所以，国内竞争可以解释企业为什么更想出海，这一点我们基本接受。但它仍然不能单独解释企业为什么能够成功出海。比亚迪能够扩大国际市场，还依赖产品、成本、供应链、本地生产、渠道和合规能力。

换句话说，“出海动机”和“全球竞争能力”仍然不是一回事。到了人工智能领域，这一区别会更加重要。03 中国AI与新能源汽车还有一个关键差异：国内需求远没有被“消化完” 中国AI企业当然会越来越重视海外市场，但不能因此把“国内竞争加剧—企业出海”理解为AI产业消化供给的主要路径。

与新能源汽车相比，中国AI还有一个重要变量：庞大的国内产业应用市场。2025年，中国工业增加值达到41.7万亿元，其中制造业增加值达到34.7万亿元；国家统计局数据显示，中国制造业增加值规模已经连续16年居世界第一。对AI企业而言，这意味着潜在市场并不限于互联网平台、聊天机器人或消费者应用。

汽车、机械、钢铁、石化、电力、矿山、港口、物流等大量真实生产环节，都可能产生新的AI需求。这种需求的形成方式，也和汽车消费有所不同。一家工厂采用AI进行质量检测之后，还可能继续将其用于研发设计和供应链优化；同一个企业内部可以不断产生新的应用场景。

因此，AI作为一种通用技术，其国内市场并不存在一个像汽车保有量那样相对清晰的“销售上限”。这意味着，中国AI未来可能同时沿着两条路径扩张。一条是作者强调的：国内竞争加剧、利润空间下降，企业寻找海外客户。

另一条则是：国内竞争推动成本下降，原本不经济的工业AI应用变得可行，模型和智能体进一步进入传统产业，由此创造新的国内需求。我们并不否认第一条道路，而且中国AI企业未来一定会越来越重视国际市场。但如果进一步把新能源汽车的发展轨迹概括成“国内过剩—价格下降—大规模出口”，再据此预测中国AI也会走上类似道路，目前仍显得过早。

中国庞大的制造业体系不仅意味着需求规模，它还有另一层价值：能够给模型、智能体和机器人提供大量真实而复杂的应用环境。AI必须在成本、安全、实时性、错误容忍度和既有工业系统等约束下工作，这种能力与单纯提高Benchmark分数并不是同一件事。所以，更准确的判断或许是：国内竞争可能同时推动AI企业向外寻找全球市场，也向内寻找更深的产业应用。

海外市场决定中国AI最终能够覆盖多大的全球市场，中国产业体系则可能决定它能在真实经济中积累多深的应用能力。04 从应用扩散到产业价值，还需要继续观察 作者在回应最后指出，如果目标是扩大出口并推动“AI+”应用，目前的政策似乎运行得不错。这个判断有一定现实基础。中国大模型市场过去两年的激烈竞争显著降低了模型调用成本。

2024年，阿里云一度将部分通义千问模型价格下调最高97%，Qwen-Long输入价格降至每千Tokens 0.0005元；百度随后将部分文心模型对企业用户免费开放，其他厂商也迅速跟进。更低的推理成本显然降低了企业和开发者采用AI的门槛。因此，如果衡量的是AI扩散速度和采用成本，中国市场的高强度竞争已经表现出明显效果。

原本因为模型调用成本过高而不经济的应用，可能随着价格下降逐渐具有商业可行性，这正是竞争促进技术采用的一种现实机制。不过，如果进一步评价整个产业政策的效果，仍然需要把不同层次区分开来。

模型价格下降、Token调用量增加、企业部署更多AI，首先证明的是AI正在扩散；最终形成多少经济价值，还要观察这些技术是否真正缩短研发周期、提高良品率等因素，最终改善企业生产率和盈利。应用扩散与前沿创新也不完全依赖同一种机制。DeepSeek就是一个值得观察的案例。

它引发全球关注的关键并不仅仅是价格更低，模型能力、训练和推理效率方面的表现同样重要。其背后的High-Flyer（幻方）在DeepSeek成立前已经长期投入AI研究，并建设了大型算力集群；2023年成立DeepSeek后进一步把资源转向AGI研究。梁文锋此前也曾表示，相比融资，先进芯片约束是更突出的发展障碍。

这至少说明，AI应用层和前沿模型层需要的条件并不完全一致。应用层很适合通过充分竞争降低价格、扩大采用；到了前沿创新层，长期研究投入、人才稳定性、算力和承担失败风险的资本仍然非常重要。

因此，对当前阶段更稳妥的判断可能是：高强度竞争已经较明显地降低了AI的采用门槛，并推动技术向更多场景扩散；这些应用最终能够在多大程度上转化为生产率、稳定的商业价值、出口收入以及持续的前沿创新，还需要更长时间观察。这并不是否定当前政策效果，这提醒我们，“AI产业发展”本身包含多个目标。

扩大应用、形成商业模式、进入国际市场和实现前沿突破彼此相关，却不能简单用同一个指标衡量。X 从“泡沫”争论再往前一步 经过交流，我们与原作者之间其实已经形成了不少共识。

中国政府没有把主动制造泡沫作为产业政策目标；政府会通过政策和资本配置影响产业生态，但并非逐个挑选企业；高强度竞争确实可能压低成本、促进技术采用；国内竞争也会增强企业寻找国际市场的动力；而真正的前沿创新最终需要能够承担长周期和高失败率的长期资本。

所以，真正剩下的分歧已经不是“中国AI有没有泡沫”，甚至也不是“过剩到底是好还是坏”，而是：应该怎样理解过剩、竞争和产业能力之间的因果关系。作者的回应提醒我们，过剩和企业淘汰并不一定只是无意义的浪费，其中一部分竞争压力确实可能推动产业快速降本、扩大应用，并通过市场选择留下效率更高的企业。

这一点值得认真对待。但我们仍然认为，中国过去一些成功产业真正值得提炼的经验，应该是过剩背后同时发生的规模学习、企业选择、供应链形成、工程效率和市场扩张。过剩能否最终转化为优势，需要特定条件：产业是否存在明显的规模经济和学习曲线，降价能否带来新的有效需求，低效率企业能否及时退出，以及行业真正的技术瓶颈能否通过扩大规模和竞争来解决。

光伏、动力电池和新能源汽车在相当长时期内满足了其中不少条件；对于芯片和前沿AI这样知识和人才约束更强的领域，这套机制能够发挥多大作用，则需要更加谨慎地判断。从这个角度看，中国真正需要保留下来的，是长期资本承担创新风险的能力，是充分竞争形成的工程效率，是完整供应链带来的学习效应，也是庞大产业体系提供的大规模真实应用场景。

需要减少的，则是无法产生技术增量的重复投资、低水平同质化竞争和长期透支产业链利润的价格战。所以，人工智能最终可能给“中国式产业竞争”提出一个比新能源汽车更困难的问题：中国过去已经反复证明了自己能够把一个新产业迅速做大；接下来需要回答的，是如何让规模、应用和工程能力进一步转化为持续的原创创新能力。

这也是为什么，相比“中国AI泡沫”这样的概括，我们更愿意把当前阶段理解为一场伴随过剩风险、但仍在向真实产业能力转换的AI产业扩张。编辑｜肖易 终审｜梁正 王净宇 内容中包含的图片若涉及版权问题，请及时与我们联系删除