过去几年，全球AI领域最显著的趋势是什么？不是某家公司又发了一款新模型，也不是某项基准测试被打破。而是一个长期被忽视的结构性问题正在加速暴露：学术研究正在被算力垄断所侵蚀，而这场危机的深度，远比多数人认知的更严重。
很多人以为高校AI研究落后于工业界是因为”经费不足”。这个判断只对了一半。真正的问题不是没钱，而是有钱也买不到算力。
2025年Stanford AI Index报告中的数据很能说明问题：工业界已经贡献了超过90%的最前沿AI模型，而就在不到十年前，高校还占据了高算力需求模型产出的相当比例。这个下降速度，比多数人以为的快得多。
算力问题：被刻意忽视的核心矛盾
做机器学习研究的人都清楚这个道理：论文里描述的方法能不能复现，取决于你有没有足够的算力来跑实验。而今天的现实是，能训练真正前沿模型的算力资源，基本都被几家企业牢牢把控。
一个简单的场景就能说明问题：一个国内高校的AI实验室，要申请足够训练大模型的GPU资源，需要层层审批、排队，有些学校的算力集群排队甚至要等半年以上。而企业研究员随时可以用成百上千张卡跑实验。这种差距不是靠增加经费就能弥补的。
更重要的是，钱能筹到，芯片买不到。2022年美国对华芯片出口管制升级后，中国科研机构获取高端AI芯片的通道被严重压缩。H100、A100这样的旗舰芯片几乎无法通过正常渠道获取，高校实验室的算力升级陷入被动。即使国内有华为昇腾等替代方案，但在生态成熟度和某些 benchmark 上的兼容性上，仍存在差距。
算力垄断正在重塑中国的学术研究逻辑
当算力成为稀缺资源，学术研究的游戏规则就发生了根本性改变。
做学术讲究”提出好问题”，但好问题的验证需要反复试错，反复试错需要算力。当算力受限时，学者们不得不做出妥协：选择那些”已有明确路径、可预见结果”的研究方向，而不是真正探索性的问题。结果是，学术界越来越擅长做改进性工作，越来越不擅长做开创性工作。
这在中国的AI研究圈里表现得尤为明显。大量AI顶会论文的背后，是”在已知的正确方向上做工程优化”，而非”探索未知领域提出新假设”。不是说这类工作没有价值，而是当整个学术生态都向这个方向倾斜时，原创性突破的概率就会显著下降。
另一个更隐蔽的问题是依附化。国内不少高校AI实验室的研究资金来自企业项目，企业的算力资源被引入学术合作，代价是研究课题需要与企业战略方向对齐。这在本质上跟”用算力换研究方向”没什么区别。学者在研究自主权上做出让步的程度，取决于他对算力需求的依赖程度。
制裁加剧了中国学术界的算力困境
必须正视一个现实：在全球AI算力竞争加剧的背景下，中国的学术研究面临着额外的地缘政治障碍。美国芯片出口管制直接压缩了中国获取前沿算力的空间，而学术研究恰恰是最先感受到这种压制的领域之一。
当OpenAI、Google可以在全球范围内采购算力时，国内高校却要为一块H800的供货周期发愁。这种落差不是科研能力的问题，而是科研基础设施受制于人的问题。
DeepSeek等国产模型的出现确实让人们看到了某种可能性：通过算法优化降低对算力的依赖，在相对有限的硬件条件下做出有竞争力的模型。但要注意的是，DeepSeek背后同样有大量算力投入，只是走的路径不同。对于大多数没有足够资源的学术团队来说，这条路同样难以复制。
知识生产的断层正在扩大
算力垄断对中国学术界的长期影响，可能比当前的论文产出问题更严重。当学术研究对产业算力的依赖达到一定程度，学术界对AI前沿的理解就会越来越依赖企业发布的技术报告和论文。这不是中国独有的问题，但在当前的地缘政治环境下，这个问题对中国学术界的冲击格外突出。
另一个连锁反应是人才流失。最优秀的年轻研究者毕业后为什么选择去工业界？因为那里有真实的实验环境，有充足的算力，有能落地的项目。留在学术界意味着接受更少的资源、更窄的研究方向。当人才流失形成趋势，学术研究的代际传承就会出现断层。
出路与反思
说了这么多问题，总要试着思考一些可能的出路。
首先，公共算力基础设施建设可能是最直接的手段。类似于当年政府投资宽带基础设施的逻辑，今天AI时代也需要公共算力平台来保障学术机构的基本研究条件。欧盟已经在推进EuroHPC，中国也在加强国家级算力网络建设，但推进速度仍落后于形势变化。
其次，开源生态的价值需要被更充分地认识到。Llama、Mistral等开源模型的崛起证明了一个道理：算力垄断不是铁板一块。当学术界和开源社区形成合力，至少可以在某些层面形成制衡。
最后，也是最根本的：重新思考AI时代学术研究的价值定位。当企业可以在算力和数据上形成绝对优势时，学术界如果不转向真正需要人类创造力的方向——比如提出新问题、定义新框架、建立新理论——而继续在工程优化层面跟企业竞争，处境只会越来越被动。
AI时代对学术研究提出的挑战是多层面的。对于中国学术界而言，挑战既来自内部的算力匮乏，也来自外部的地缘政治压力。这不是某一个人或某一个机构能解决的问题，但意识到问题的严重性，是解决问题的第一步。
当科研的边界越来越由算力决定，学术自由的含义也需要被重新审视。
