很多人想不通，为何AI盛世只有中美对垒，德法日韩却颗粒无收？这无关技术高低，而是他们丢了入场券。
 
最近有个数据在圈子里传得挺猛：全球AI大模型一周的调用量，加起来差不多到了9.8万亿token。

数字听着有点抽象，但换个角度看就很直观，榜单上前十个模型，刚好一半来自中国（基本集中在北京、深圳），另一半来自美国硅谷。
 
有意思的是，名单里完全看不到别的熟面孔，像慕尼黑、巴黎、东京、首尔这些传统科技强区，这次直接缺席。不是排在后面，是压根没上桌。
 
这件事让人多少有点意外，毕竟这些国家在过去的AI研究里并不弱，论文、算法、实验室成果都挺能打。但到了大模型这一轮，感觉像突然换了赛道，原来的优势一下子没那么好用了。
 
现在拼的东西，其实有点“粗暴”：算力、数据，还有钱，这三样东西缺哪一个，都很难往前走。
 
先说算力。像英伟达的H100这种显卡，现在已经不太像普通商品了，更像是关键资源，美国这边掌握着芯片设计和供应链的一部分，中国这边则在拼命铺算力基础设施，数据中心一片一片地建。
 
关键还有一个常被忽略的点，电价。
 
训练一个大模型，耗电量是非常夸张的，中国西部很多地方水电、风电资源充足，电价相对低，像内蒙古、贵州、云南这些地方，数据中心越建越多，说白了就是“电便宜，敢开机器”。
 
反过来看欧洲，能源这几年一直紧张，电价高得离谱。企业不是不会算账，训练一次模型可能就是一笔巨额电费，很多项目从一开始就卡住了。不是技术做不到，是成本顶不住。
 
再往下看数据这一块。
 
大模型本质上是“吃数据长大”的，数据越多、越丰富，模型能力才容易提升。英语在全球互联网里的占比太大了，美国天然占优势；中文这边靠着庞大的用户规模，也能形成自己的数据池。
 
但像德语、法语、日语、韩语这些语言，用户规模和内容总量都有限，很难支撑一个面向全球的大模型持续训练。
 
举个例子，法国那家AI公司Mistral，技术其实不差，但更多是在做开源小模型。原因也很现实，做大模型太烧钱，靠本地市场很难回本，闭源路线压力太大。
 
更微妙的是，很多德法日韩的用户，其实已经在用中美的大模型产品了，使用习惯一旦形成，本土公司就算后来推出类似产品，也很难再把用户拉回来。
 
最后一个因素是资本。
 
大模型这件事，本质上是长期投入、短期看不到回报的那种项目。美国的风投体系，对这种高风险高投入的项目接受度比较高；中国这边，则有政策和产业层面的支持，愿意持续砸资源。
 
欧洲企业很多时候更看重短期财务表现，投入这么大一笔钱，回报周期又长，内部决策就会变得很谨慎。

日本、韩国的大公司虽然资金雄厚，但更倾向投那些确定性更高的领域，比如半导体设备、制造业升级这些。
 
所以你会看到一个有点反差的情况：在2010年代，像东京大学、KAIST，还有德国的科研机构，在AI论文和基础研究上都挺活跃的。

但到了大模型阶段，规则变了，从“谁算法更巧妙”变成“谁资源更充足”。
 
这种变化不是一两年能补上的。
 
当然，也不能说德法日韩完全没机会。他们在一些垂直领域，比如工业控制、精密制造、医疗影像，依然很有优势。这些领域对数据和模型规模的要求不完全一样，更看重行业经验和积累。
 
只是整体来看，位置确实有点变化，从以前某种程度上的“规则参与者”，变成更多在特定场景里发力的角色。
 
同时，中美这两边还在继续加码，算力更大、模型更复杂、投入更多，门槛被一层层抬高，后来者想追上，就不只是技术问题了，还涉及整个体系的投入能力。
 
所以现在这个榜单上的“空白”，短时间内大概率不会轻易被填上。不是谁突然慢了一步，而是这场游戏本身，已经变成另一种玩法了。