中美 AI 竞速迈向 2027 临界点，WHY Monad?

作者：Harvey C

从去年开始，全球对人工智能的热情就开始持续升温。无论是海外科技巨头还是国内研究机构，都在疯狂加大对AI模型的投入与发布节奏。

今天，我们从中美AI的赛跑现状、对2027年可能出现的里程碑时刻的预期，以及为什么AI项目应该选择在Monad上构建，来聊聊AI未来的巨大潜能与机遇。

1. 中美AI竞速：算力受限下依然进展神速

近年来，美方对中国AI产业的算力芯片封锁广受关注。然而，从实际成果来看，“硬件瓶颈”并没有如想象般大幅延缓大陆AI的研究进程。就拿近期中美大模型的迭代速度来说，差距已经缩小到几个月甚至更短。

• 追赶者的实力：OpenAI推出的“o1-preview”不过四个月前，o1正式版也只是在一个月前上线。几乎在同一时间段，大陆就有了与之指标相当的推理模型。量化巨头幻方旗下大模型公司DeepSeek就推出开源推理模型DeepSeek-R1在多项指标上与o1难分伯仲，甚至在一些定制化场景上更加“接地气”，此前DeepSeek的 V3 的发布，已经强烈让 Llama 4感受东方赶超的压力。另外，Kimi发布了全新的强化学习模型k1.5，OpenAI之后首个多模态类o1模型，能同时对文本与图像进行联合推理。

• 语音多模态的爆发：豆包GPT-4o高级语音模式对标Gemini 2.0和GPT-4o，也同样在国内迅速亮相。这些技术原本被认为是高算力专属，但显然大陆厂商通过多种绕行和优化算法，做到了在算力不充分的条件下依旧快速迭代。

从这一系列迹象可以看出，即便算力仍存在差距，大陆的AI研究者也在快速追随海外脚步。只要有前人试错铺路，后来者往往能省下昂贵的“碰壁成本”。

2. 海外领跑者的经验，给追赶者提供“抄作业”的机会

在深度学习蓬勃发展的这些年，行业对AI范式的理解也在不断演进。大型语言模型（LLM）成了当前的热点，但与此同时，另一条路线——强化学习（Reinforcement Learning），正在重新获得更多关注。

AI范式演进

• AI范式随时代转变：人工智能发展分为几个主要分支，符号主义（基于逻辑的 AI）以规则推理和形式逻辑为核心，擅长处理确定性任务；连接主义（神经网络）模仿人脑的计算方式，通过分层结构从数据中识别模式。贝叶斯人工智能（概率 AI）强调通过概率建模不确定性，强化学习(RL)通过动态环境中的试错优化行为，进化人工智能利用自然选择的原理来进化解决方案，混合人工智能结合多个范式的优势，打造更强大、更灵活的系统。这些范式随着时间演进而各领千秋。

• 快速复制与迭代：海外先跑一步，大陆就能在模式验证后以更低成本迅速跟进。例如多模态甚至o1推理模型等。互联网时代的欧美研发、大陆商业化的老路让人感觉似曾相似，实现路径已在欧美踩过坑，大陆团队通过复现和改良，用时往往大大缩短。

大陆的DeepSeek通过增强训练以更低成本带给美国竞争对手极大压力

一方面，海外的一线实验室为行业打下了前沿探索的基础；另一方面，大陆团队也并非只是被动追随，而是不断“融会贯通”，并且在算力资源相对受限情况下，另辟蹊径，在强化学习与推理方面做出更灵活的落地方案。

3. 强化学习或许是近期AI新的突破口

DeepSeek近期推出的新模型，用强化学习取代大部分有监督微调（SFT），从而降低了对特定领域数据标注的依赖。这打开了垂直领域泛化的可能性：只要有一个明确的奖励函数，模型就能在自我迭代中持续提升推理能力，在1的开源分享中，我型在强化学习环境里自我探索，让该模型具备一定程度的自我优化能力。

这意味着不需大量只要有足够算力，模型就能依赖RL路径持续进化。尽管美国在硬件和技术上对中国施加限制，但这种“另辟蹊径”的方法降低了对传统大规模训练资源的需求，也让更多大陆研究者看到快速追上的可行性，值得其他希望拥有自身大模型能力的组织仿效学习。

4. 2027年或许是AI时刻，大量工作会被取代或重新定义

AI的突飞猛进，让我们思考究竟速度有多快和极限在哪里，近日Anthropic的CEO Dario表示：“2027年会看到模型在绝大多数领域超过人类，背后的原因不脱以下因素：

• 强化学习的连续迭代：与过去“训练-测试-推理”严格分离的方式不同，在深度学习高度发展的情况下，新一波AI能力的突破可能会采用混合方式比如结合强化学习方式进行自我迭代，“在线”反思与更新，让它们的认知能力快速跃升。

• 产业资本的强力支持：芯片制造龙头台积电近期在业绩发布会上给出的预期显示，AI业务在2024～2029年的年复合增长率可达45%左右，到2029年可能是2024年的近20倍。背后的需求主要来自OpenAI等巨头的算力投入。这同样预示着AI将渗透到几乎所有能够想象的应用领域。

AI成为台积电未来业务增长最快的领域

2027年很可能成为AI能力快速爬升的关键节点。在这个时间点前后，许多过去需要人力评估和创造的工作，将逐步被模型替代或重新定义，带来社会形态与经济模式的深刻变化。

例如我很喜欢的一个由Benjamin Bloom提出并进过一系列的修订后的布鲁姆分类学（Bloom's Taxonomy），就把人类的认知领域分成六大块，而AI的飞速发展，也许在2027年，除了评价和创造，甚至除了创造以外，大模型也许都能完成所有的事务。留给人类的时间不多了，人类要干嘛？这值得开启另一个话题。

银翼杀手 (Blade Runner) (1982)

5. 为什么AI项目应该选择在Monad生态开发

说回正题，区块链与AI的结合不少人还停留在“概念炒作”的印象里。然而我认为，AI项目结合Monad技术特性，能提供独特的应用价值，所以 Monad 是区块链 AI 项目 Build 的不二选择，原因如下：

• EVM本身丰富的数据：获得多样化、高质量的数据，对训练出更精准、更强大的模型至关重要。以EVM为基础的生态早已积累了大量合约数据、交易数据以及用户行为，这些都可为AI提供上下文训练。 相比一些刚起步的区块链环境，EVM生态早已成熟，能为AI训练和推理提供“数据富矿”。

• MonadDB数据库适配实时数据：抓取实时网络信息对AI的时效性至关重要特别在Defi领域。MonadDB的高速数据获取能力与低Gas fee，为模型随时调取最新的链上或链外信息提供了强大支持。

• 高速度与低成本的环境：Monad 实现了每秒 10,000 笔交易的吞吐量，区块生成时间为 1 秒，提供AI Agent经济行为落地的友好环境，通过链上交易、抵押、支付等操作。Monad EVM环境提供高效、低成本的落地环境，赋予AI代理“动真格”的工具。低手续费让“高频次、微小交易”成为可能，进一步丰富了AI代理互动的使用场景。

• 并行执行：现有研究表明，混合AI协作能提供更复杂与难度更高的任务，Monad的并行执行环境允许在链上可同时运行Agentic Swarms让多个模型协作。

总的来说，目标是让现有或未来的 AI 智能体能够在Monad上Build从而在 EVM 环境中获得顺畅的使用体验，并利用已有的各种 DeFi 协议和基础设施，为打造下一代的 AI 体验奠定基础。

6. 面向华语AI开发者的邀请

正如我的同事Jing、Evan的X动态中多次提及的各类AI相关文章和案例等等，Monad一直以来都非常欢迎和支持AI项目在Monad生态上生根发芽，我另外想特别从华语AI开发者的视角来说明原因：

• 在中美AI竞争大背景下，华语开发者可能面临跨国资源或合作的局限。

• 然而，区块链世界讲究的是全球化与去中心化。在Monad上，您可以面向全球用户，而不用担心被"贴标签"，同时运用去中心化的优势来规避地缘政治与技术壁垒。

Monad诚挚地邀请各位AI从业者与开发者加入Monad生态，一起打造属于用户、主权自我的创新产品。欢迎野心勃勃的创业者在Monad上开发，致力于通过多种支持帮助各位成功，这些针对开发者的支持包含目前正在进行的evm/accathon、Mach加速器、Jumpstart计划、The Studio、The Foundry、Monad Madness等。无论您是想做区块链上的AI金融交易模型，还是希望构建自适应学习的去中心化机器人，都可以在Monad找到更高速、更低成本、更具开放度的技术支持。