撰文：刘红林
这两天，一条关于 Manus 的新闻很值得玩味。
3 月 26 日，财联社转引澎湃新闻消息称，在外交部例行记者会上，针对英国《金融时报》有关"中国已禁止人工智能公司 Manus 的两名高管离境"的报道，外交部发言人林剑回应说，对有关情况不了解，建议向中方主管部门询问。
再往前一天，路透社已援引《金融时报》的说法报道，中国方面正在审查 Meta 对 Manus 的收购交易，两名联合创始人被限制离境，背景是有关部门正在审查这笔大约 20 亿美元的交易是否违反投资规则。更早前，路透社 1 月的报道还提到，中国官方审查这笔交易时，关注的重点之一，是 Manus 在出售前将部分人员和技术迁往新加坡，是否触及相关规则问题。
如果只把这件事当成一条普通的科技并购新闻来看，意思其实并不算太大。无非就是一家美国科技巨头，收购了一家带有中国背景、后来又迁到新加坡的 AI 公司，然后在交易推进过程中，引发了中国监管层面的关注。
可如果把这件事放在今天的全球 AI 竞争背景下看，它释放出来的信号就很不一样了。它至少说明了一点：AI 这件事，已经不再只是实验室里的模型参数、论文路线和产品迭代，而是越来越深地卷入到资本跨境、技术转移、产业安全、人才流动和国家利益这些现实问题里。
技术可以流动，模型可以被调用，但创业者、控制权、数据、算力和监管，显然都不是漂浮在真空里的。
这也正是我最近一直在想的一个问题：AI 到底有没有国界？
如果只站在技术理想主义的角度，这个问题好像并不复杂。算法会传播，代码会扩散，开源社区天然就是全球协作的，模型能力也确实可以通过 API 被世界各地的开发者调用。从这个角度看，AI 当然带着很强的"无国界"色彩。
但现实世界的问题在于，技术一旦进入产业化阶段，进入资本市场，进入国家竞争，就不可能继续停留在一个纯粹知识共享的层面。科学可以讲无国界，产业不行；论文可以开源，控制权不行；模型可以全球调用，但算力、数据和业务落地，始终都要回到具体的土地、电网、机房、公司结构和法律体系上。
而有意思的地方就在这里。
就在 Manus 这样的事件提醒我们"AI 有边界"的同时，另一边的现实又恰恰在说明，AI 的确在以前所未有的方式跨越边界。
路透社 3 月的两篇报道提到，在 HuggingFace、OpenRouter 这样的全球平台上，中国开源模型的使用量和存在感正在快速上升。美国国会下属咨询机构在报告中提醒说，中国在开源 AI 上形成的领先，正在构成一种"自我强化的竞争优势"。
同一时期，路透 Breakingviews 直接写到，OpenRouter 当前最受欢迎的前 10 个模型里，有 7 个来自中国。报道里还提到，像西门子这样的公司，也公开采用来自中国的模型，因为它们在价格和定制性上更有吸引力。
这两个现象放在一起看，就很有意思了。
一边，资本和控制权的转移越来越敏感，国家开始关心人才有没有外流、技术有没有转移、交易有没有绕开监管；另一边，模型本身却在全球平台上被更大规模地调用，开发者用脚投票，企业按照成本和性能做选择。
也就是说，今天讨论 AI 有没有国界，已经不能只从一个很单薄的技术视角来谈。它在不同层级上，呈现出来的是完全不同的边界状态：知识层面是弱边界，调用层面是可穿透边界，资本和监管层面却是强边界。
真正的问题不是一句简单的"有"或者"没有"，而是 AI 在什么层面上没有国界，在什么层面上又会迅速回到国界之内。
要把这个问题想明白，还是得把视角再拉高一点。因为 AI 发展到今天，已经不只是一个科技行业的问题，它越来越像一个宏观经济问题。
过去二十多年，全球分工大体上是清楚的。美国掌握金融体系、规则制定权和高端创新，中国掌握制造、工程体系和基础设施供给，其他地区分别承担资源、市场或者低成本劳动力的角色。但 AI 的出现，第一次把"认知能力"本身变成了可以规模化交易的商品。
过去一个企业要扩大产能，核心约束之一是人。你要更多客服，就得再招一批客服；你要更多程序员辅助能力，就得多雇工程师；你要更多初级法务支持，就得堆更多人。现在不一样了，越来越多原本依附在人工身上的认知劳动，正在被模型、API 和 token 标准化、计量化、商品化。
换句话说，全球分工开始从"谁来生产货物"，慢慢转向"谁来供应智能"。
一旦你把 AI 理解成一种新的全球供给品，很多问题就会突然变得清楚。
决定胜负的，不再只是某一家实验室能不能在 benchmark 上领先几个点，而是谁能长期稳定地把一个"足够强、足够稳、足够便宜"的模型，输送给全球开发者和企业用户。这里拼的不是一场发布会，也不是一篇论文，而是一个国家和产业体系能不能持续支撑这种供给。
AI 产业从表面上看是技术竞赛，往下看越来越像供给侧竞争。真正决定长期格局的，不只是技术上限，还有供给曲线。谁能把智能服务做成一种高可用、低成本、可持续扩张的供给，谁就更有可能在下一轮全球竞争里占住位置。
而这种供给侧竞争，最终一定会落到一个很多人不太愿意谈、但又非常关键的变量上：电力。
AI 归根结底是吃电的。训练模型要电，推理服务要电，机房散热要电，数据中心运转还是要电。
国际能源署在《Energy and AI》报告里讲得很直接：到 2030 年，美国和中国将是数据中心电力消费增长最显著的两个地区，两者合计占全球增量的近 80%。按 IEA 的基准情景，美国到 2030 年的数据中心用电将比 2024 年增加约 240 TWh，中国则增加约 175 TWh。这背后其实很重要，它说明 AI 当然是数字产业，但它的底层同时也是一个能源产业。算力不是一个飘在空中的抽象词，它最终要落到发电能力、电网组织、机房建设、设备制造和持续运维上。
从这个角度再回头看，中国在 AI 上的优势，可能比很多人理解得更接地气。
Ember 的《Global Electricity Review 2025》显示，2024 年中国电力需求达到 10,066 TWh，约占全球总量的 32.6%，差不多就是全球三分之一。这个体量本身，并不自动等于中国在 AI 上一定更强，但它意味着中国在发电规模、电网调度、工业供给和基础设施延展能力上，确实拥有非常大的底盘优势。
AI 时代很多人盯着的是芯片、算法、参数和幻觉率，但真正决定"量大管饱"的，往往是后面这一整套更重、更慢、也更难复制的东西。
所以我一直觉得，最近行业里那句"token 某种意义上是在让中国的能源出海"，听起来极具传播力，但它并不只是修辞。模型调用背后是推理成本，推理成本背后是算力，算力背后是电力、服务器、机房和工程系统。
今天海外开发者调用中国模型，表面上是在买一个 API，实质上是在消耗一套由中国能源能力、制造能力、数据中心建设能力和工程效率支撑出来的智能供给。
过去几十年，中国最擅长的事情，是把劳动力、供应链和制造能力嵌入全球贸易体系；而在 AI 时代，中国很可能正在尝试把自己的电力、基础设施和工程体系，重新编码成 token、模型服务和推理能力，再卖向全球。
过去大家总觉得，中国在全球产业链里的优势更多体现在"看得见摸得着"的实物供给，比如工厂、设备、物流、基建和制造品。但今天 AI 这个产业，正在把一种原本很难运输、很难计价、很难标准化的能力，也就是算力和认知能力，变成像水、电、云服务一样可以被远程调用的供给品。
一旦这个逻辑跑通，中国在全球 AI 竞争中的位置，可能就不只是一个"追赶者"，而是一个"供给者"。而供给者的意义，往往比追赶者更大，因为它影响的不是一两个指标，而是整个市场的成本预期和使用习惯。
这背后还有一个经常被忽视、但同样关键的变量，就是人才结构。
很多人一谈中美 AI 竞争，喜欢笼统地说美国有顶级人才，中国也有人口优势，这种说法其实没有太大分析价值。更准确一点讲，美国在原创基础研究、顶尖算法突破、前沿实验室生态和高端芯片设计上，仍然有非常强的优势；但中国真正有竞争力的地方，在于大规模工程师群体、制造体系配合能力，以及把一个技术迅速压缩成本、快速部署、快速适配场景的能力。
路透社援引美国咨询机构报告时提到，中国正在把 AI 深度嵌入制造业、物流和机器人等真实场景，这种"真实世界部署—数据回流—模型迭代"的闭环，正在形成新的强化机制。也就是说，中国 AI 的优势未必首先体现在"谁发明了最前沿的一切"，而可能更多体现在"谁能把前沿能力更快地工程化、场景化、规模化"。
这恰恰也是中国在很多产业里反复证明过的一种能力。无论是移动互联网、电商物流、移动支付，还是后来的新能源车、光伏、电池和高端制造，真正把格局做出来的，往往不是某一次实验室里的灵光一现，而是把技术变成工程，把工程变成成本优势，把成本优势再变成生态优势的过程。
AI 现在也越来越像这样。对全球绝大多数企业用户来说，他们并不总是需要全世界最贵、最强、最前沿的模型，他们更需要的是一个可用、稳定、价格合理、能接入自己业务流程的模型。
当中国模型在"够用、便宜、稳定"这几个维度上形成组合优势之后，它的影响力未必会先体现在最顶层的媒体叙事里，但会先体现在开发者后台、企业采购单和真实调用量上。
而一旦这种使用习惯形成，事情就会发生更深一层的变化。产业竞争里，价格从来不只是价格，它还是市场教育工具，也是生态塑造工具。
今天很多海外开发者调用中国模型，不一定是因为他们认定中国模型在所有维度上都最强，而是因为它们在成本、开放度和稳定性上，形成了非常现实的吸引力。
一旦大量中小开发者、创业公司和垂直场景企业，在早期就建立起对中国模型和 token 的依赖，接下来改变的就不只是几家模型公司之间的份额，而是整个全球 AI 市场的成本预期和使用路径。
当用户被"量大管饱"的供给训练过之后，再让他们回到高门槛、高单价的体系，阻力会越来越大。这种路径依赖，可能才是中国 AI 未来最值得重视的一部分。
但话说回来，也不能太乐观。因为模型层和应用层，根本不是一回事。
模型可以跨境调用，开源权重可以全球下载，token 可以跨境计费，但应用不一样。应用一旦真正进入本地市场，马上就要碰到数据合规、内容治理、消费者保护、行业监管、责任认定，甚至国家安全审查。
模型的国际化程度，通常远高于应用的国际化程度。一个团队可以让全球开发者都来调用自己的模型，但这并不意味着它可以毫无障碍地把整个业务链条在全球复制。这里面隔着公司架构、知识产权安排、跨境数据流、支付结算、税务设计和本地合规要求。
很多人误以为"模型能出去，就等于业务也能出去"，这样的理解往往会踩坑。
回到最初那个问题，我的答案其实不是简单的"有"或者"没有"。更准确一点说，AI 是一种"分层有国界"的产业。
它在知识层和算法层，边界相对较弱；
在模型调用层，边界可以被商业化服务部分穿透；
但到了算力基础设施、资本并购、数据治理和应用落地层面，它的国界就会迅速清晰与刚硬。
我的理解是，中国在未来几年未必会在AI每一个最前沿指标上都压过美国，但中国非常有可能在全球 AI 供给体系里，逐渐占住最重要的一块位置。
这个位置不一定是"定义一切标准"的最高点，但很可能是"承接全球大规模使用需求"的底座。美国继续掌握高端研究、高端芯片和顶层规则的一部分主导权，中国则依靠电力、基础设施、工程组织和成本结构，成为全球 AI 大规模推理服务和模型供给的重要基础。
真走到那一步，未来的竞争就不再只是"谁的模型最聪明"，而会变成"谁更能长期、稳定、低成本地服务全世界"。这不是一个纯技术判断，而是一个宏观经济、产业能力和国家组织能力的判断。
对今天那些准备做 AI 出海、Web3 出海的人来说，一个危险的误区是把"模型已经全球化"误解成"业务自然全球化"。
AI 当然会跨越国界，但 AI 产业不会悬浮在国界之上。Meta 和 Manus 的新闻，只是把这件事鹅风险提前摆到了桌面上。
如果你们团队正在做 AI 出海、模型服务，或者是 AI 与 Web3 结合的业务，涉及模型调用、跨境数据和全球市场时，建议早起把公司结构、合规路径和知识产权安排理清，这会比后面出问题再补救要便宜得多。
曼昆律师在这类 Web3 出海、AI 出海和跨境结构设计上有比较丰富的经验，如果有需求，大家可以添加微信多交流。
