文章引用的2.7%差距是2026年4月斯坦福AI指数报告的核心结论之一：截至2026年3月，中国顶尖模型DeepSeek的Elo评分1464，美国Anthropic的Claude Opus 4.6为1503，差距从早几年数百分的「代差」压缩到个位数。但报告同时揭示更宏观的结构性裂痕——美国私人AI投资2859亿美元是中国的23倍、数据中心数量十倍于中国、超过90%的前沿模型由产业界产出；而中国在论文总量、引用量、专利产出和工业机器人安装量上领先。这组数据才是理解「2.7%半年后被重新拉大」的前提：模型跑分接近，但创新土壤的深度完全不同。

文章聚焦「差距重新拉大」，但另一边的叙事完全不同。瑞银分析师数据指出，中国头部模型训练成本仅为美国同行的1/10，API定价为对标模型的10%-20%，且模型厂还能维持20%-40%的毛利。支撑这套效率的核心是差异化路径：中国走「工程优化+开源生态+场景落地」，激活参数比例（个位数到10%）远低于美国模型（15%-30%），GPU利用效率可达70%以上。分歧在于——这究竟是以退为进的高效策略，还是结构性创新不足的补偿机制？成本优势能否转化为基础范式探索的资本，才是拉开或缩小代际差距的关键变量。

卡内基2026年报告的数据值得追问：全球顶尖AI研究者41%在中国工作、超过美国的34%，但2019年在NeurIPS发过论文的中国籍研究者87%仍留美国。表面矛盾背后是两类人群的割裂——「在哪儿工作」统计的是整体就业地，包含了大量国内培养的毕业生；「NeurIPS论文作者去向」追踪的是已在美国顶级机构站稳脚跟的精英。真正卡脖子的不是总人才池大小，而是那批已经进入OpenAI、Google DeepMind、Anthropic核心研发层、手握前沿探索经验的华人科学家，回国比例仍然极低。问题不再是「中国能不能培养人」，而是「中国能不能让最顶级的大脑回来之后接着做最前沿的事」。