AI谁会赢 · 5
要我看，中国赢：AI 竞争，拼的还有举国之力
炼焦配煤，比例里藏着老师傅的经验。原煤成分不同，硫、灰分等指标不同，配出来的结果也不同。想让 AI 帮忙，得先把这些具体的知识交到它手里。
在山东能源、云鼎科技与华为合作的矿山项目中，就有这样一项工作：把操作人员和专家的经验纳入预测模型，用来预测配煤后的焦炭质量。云鼎负责人在介绍这一项目的文章中，还谈到模型怎样与现场工序、设备和管理系统结合。
这份介绍来自项目参与方，并非独立效果审计。但它至少让我们看见，AI 进入一座工厂，需要有人把原本分散的东西组织起来。矿业专家知道问题在哪里，技术团队知道怎样建模，生产单位掌握设备、数据和现场。少了任何一边，模型都可能只停在演示里。
前两轮谈电、应用和信息，这一轮便来到这些条件背后：谁能让它们真正配合起来？
我再替中国投一票。这回押的是，从现在到 2030 年，在需要跨单位试验、再向多个生产现场推广的工业 AI 任务上，中国能凭借已有的国家与产业组织，占到一个有利的位置。模型领先固然重要，谁能让供给、需求和实施的人走到一起，也会改变竞争结果。
企业之间的合作只是起点。把国家的力量也放进来，便进入了中国一个更鲜明的制度安排：举国体制。
一家模型公司，未必办得了所有的事
开发一个模型，与把它带进真实生产，是两种相连却不同的工作。
假设一个小团队有了识别设备故障的新办法。它需要接触设备的历史记录，知道哪些异常后来真的变成了故障，还要有机会在实际运行中检验。数据在别人的系统里，设备归别人管，停下来做试验也会影响别人的工作。团队即使不缺聪明人，也可能卡在尚未开始试验的地方。
这些配合并非按一下“同意共享”就能完成。谁负责整理数据，谁付现场改造的钱，发现问题以后谁说了算，都要有人承担。市场合作可以解决其中许多问题；然而，牵涉的单位越多，越需要有人把共同任务安排清楚。
矿山项目展示的便是企业之间的一种组织。上述案例文章称，山东能源已在 32 个矿业单位部署相关应用。这个数字还不能告诉我们净收益有多大，却让“复制”有了具体范围。同一集团内的合作，至少提供了一个可能的便利：不同现场需要调整，技术团队却有机会沿着已有关系，找到下一处试验的地方。
这里用到的不全是今天常说的聊天式生成 AI，也包括视觉识别和预测。它们之所以值得放进这一轮，是因为同一道组织难题并不随着模型换代而消失：技术要进入现场，仍须取得知识、条件和责任人的配合。
中国可供下注的牌，还不止企业内部这一层。国家也能够参与组织，使原本各管一段的机构围绕共同任务行动。它能调动的关系与资源，可能超出一家模型公司的生意范围。
举国之力，具体用在哪里
2022 年关于新型举国体制的公开说明，把国家战略任务、集中协调、跨领域攻关与企业、市场机制放在一起。这里所说的组织，并不要求政府自己写模型、经营每一家参与企业。
国家可以决定支持哪些共同任务，把掌握不同条件的单位组织起来。对 AI 而言，一端是算力和技术，另一端可能是电网、矿山、铁路里的专业知识和试验机会。模型公司擅长做模型，并不意味着它有能力逐一打开这些门。
2025 年发布的“焕新社区”，提供了一个具体入口：国资委统筹、中国移动牵头，聚合央企和产业链资源，提供算力、模型、数据及开发服务。发布报道还列出来自 16 个行业的 40 个央企场景，包括航空工业的损伤检测、中石化的材料开发，以及中国铁建的隧道建造管理。
这份清单背后，还有一层容易被忽略的关系。国资委在其中不只是召集会议的部门，它还承担着相关央企的出资人职责。国有资本授权经营的制度安排，把出资人机构与企业的联系延伸到战略和公司治理，同时要求保障企业经营自主权。国家与这些生产系统的联系，早于这轮 AI 热潮便已存在。
这给国家组织增加了一种具体的用处。对单个技术团队来说，试验常常先是一门生意：它要说服资源持有者，这次合作值得花钱、值得让现场配合。国家若将某类问题列为共同任务，就有可能通过既有的国资联系，推动多家企业拿出试验条件，再让不同技术团队来试。协调者不必等一家模型公司独自谈妥所有伙伴，需求方也有机会分担建立共用条件的成本。
焕新社区展示了这种组织的入口。入口之后是否真的拿得到数据、做得成项目，还要看执行；但它至少让国家任务有机会沿着既有组织，走到拥有设备、数据和行业专家的企业那里。
我看好的，正是这条从共同任务通向生产现场的路。国家协调与产业资源持有者之间，已有一套可以使用的联系；一项办法若在某处可行，就有机会借助它安排下一处试验。中国不必等待某一个模型永远占住榜首，才能把工业 AI 向前推。
这与上一篇中国篇所说的“在使用中长本事”也有区别。那一篇看用过之后留下什么；这里看的是，谁有能力安排各方配合，使一项本事得到试验、实施和跨单位复制。
矿山案例说明现场整合需要什么，焕新社区说明国家怎样尝试组织这些条件。没有依据把前者的成效归到后者名下，两份材料合起来，也还不是一张全国效率成绩表。这一票押的是上述联系能产生的优势。
美国当然也能举国而动
若说到这里，就断言美国只会让企业各自为战，那便替自己的论点挑了个过于方便的对手。
曼哈顿计划已经说明，美国能够把科研、工业和军事力量组织成国家规模的工程。更近的例子是新冠疫情中的“曲速行动”。美国政府问责局的调查记录了公共部门怎样协调产能、设备和关键物资，同时支持不同技术路线的疫苗候选。
共同目标，并不意味着只能保留一种办法。集中力量与允许不同路线试验，完全可能发生在同一个项目里。
今天的 AI 领域，美国也在组织类似的合作。能源部于 2026 年 2 月宣布成立 Genesis Mission 联盟，连接国家实验室、企业和高校，计划协调计算、数据与研究。说美国非到战争才懂得组织国家任务，显然说不通。
所以，中国的举国体制不能靠“美国做不到”来证明价值。美国不必复制中国的整套体制，也能寻求相近的协调功能。真正要比的，是面对同一类任务，谁能让需要的条件更早到位，谁能把它们用得更好。
我仍倾向于中国，押的也是一种特定的任务：把工业 AI 从一个试验点，推进到许多需要配合的生产现场。在央企覆盖的这些领域，国家既推动战略任务，又通过国资关系联系资源持有者。这给了它一项便利：可以从需求一侧组织试验和推广，减少技术团队逐家寻找入口的负担。
美国可以用采购、联盟和企业合作取得相近的效果，现有材料并不能证明哪种办法已经更快。但在上述任务上，我愿意押中国的现成组织联系会更占便宜。这是本篇的判断，也正是它需要由实际交付来证明的地方。
人不能成了蓝图里的材料
另一个反驳更尖锐：这不就是计划经济吗？
人总想安排未来，工程也离不开计划。然而，计划经济最危险的，是那种“人定胜天”的政治狂妄：政府自认能够掌控一切，也就自认有权分配一切。从脑子里的创新，到子宫里的婴孩，都成了它可以调度的资源。在这幅蓝图里，人有自己的意愿、自己的生活，反倒成了麻烦。举国体制或许能把某些事情办成，却不能因此取得支配一切的正当性。
这个问题，不能用“效率高”三个字搪塞。组织有能力让人配合，与它有权要求人无条件配合，是两回事。为了改进模型，是否就能取走所有数据？为了完成任务，是否就能替研究者决定该想什么、替现场的人决定该承受什么？“这是国家需要”不能自动回答这些问题。
回到能力本身，国家定了方向，也不会使具体需求自动变得清楚。《科技日报》对智算中心的走访记录过这样的错位：一边有人找不到合用的算力，另一边一些已建中心却闲置，供给和需求没有接上。
这不是所有中心的共同成绩，更不能简单归罪于集中或分散中的任何一方。但它提醒我们，资源已经投进去，与事情已经组织好，相隔甚远。多建几个项目，不会自动填平这段距离。
若参与者只能报喜，使用者不能拒绝，现场的人不能根据新情况调整，组织越有力量，错误也可能被推得越远。原本值得重视的协调能力，就会变成要求所有人配合一种想象的能力。
这份代价不能等庆功以后再算，也不能因为本篇站在中国一侧便略去。
我押的是组织能办成什么
到 2030 年，这张票要靠实际项目来验。一个工业 AI 团队，从接触数据、取得现场试验机会，到把办法部署到第二处、第三处，需要多久、花费多少，系统又能否持续解决问题？若美国在可比较的任务上更早做成、代价更小，中国的相对优势就得重估。若留下的只是更多平台、更多场景清单和更多必须填写的报表，我也不能把它们算成赢。
我押中国，是因为在这段从试验走向生产的路上，举国之力有机会把一家技术公司独自办不成的事，变成许多机构可以共同完成的事。把需要 AI 的一方组织起来，也是一种竞争力。
把事情组织起来，本是一门本事。把人也当成可以随意安排的材料，则是另一回事。
组织能替一个想法找到设备、同伴和试验的地方。至于那个值得试的想法，是否听话，恐怕还得另说。
