U.S. Policies Unintentionally Accelerated China's Open AI Ecosystems
Wang Jin, Nadav Kunievsky, Bowen Lou, Tianshu Sun, James Evans
econ.GN, cs.CY
2026-06-15
事件研究发现,2022 年芯片管制后中国开发者对开源 LLM 仓库的 fork 增速冲到美国约 12 倍,但中国模型在美国专利里几乎匿迹。
2022 年起美国对华 AI 芯片出口管制,本意是掐住算力咽喉、拖慢中国逼近前沿模型的速度。这篇论文问的是另一个没人测过的问题:这套管制有没有一个副作用,把中国推向开源 AI。
作者的判断是,算力被卡之后,「能下载、能改、能在本地跑」的开源模型对中国突然变得划算,因为它绕开了被外部控制的闭源平台和高性能硬件。于是管制没有单纯拖慢对手,反而催熟了一个开源生态作为对冲。整篇论文就是在用六类数据,把这个直觉测出来。
研究拼了六个数据源:中国的 AI 与开源政策文件、一个自建的开放权重模型发布库、GitHub 事件记录、带作者国别的 arXiv 元数据、arXiv 论文的公司隶属信息,以及美国专利全文记录。
最核心的是一组 GitHub 事件研究(event study)。作者挑了四次美国政策冲击,2022 年 8 月的《芯片与科学法案》、2022 年 10 月 7 日的出口管制、2023 年 10 月 17 日的扩围、2024 年 12 月 2 日的修订,把每个 LLM 相关仓库的 fork 数按冲击前后的相对周排成面板,看冲击那一刻活动量怎么跳。
国别归属用的是一个时区近似:GitHub 事件发生的小时数小于等于 17 划给中国、大于 17 划给美国。这是个粗糙但管用的办法,因为开发者活跃时段跟着所在时区走。作者反复强调,这套分析是描述性和准实验的,刻画的是「时机和相对响应」,不是一个能做因果归因的结构模型。
第二块是效率研究面板:把 2022 到 2025 年的 arXiv AI 论文按标题摘要归进六个算力受限主题(压缩、参数高效微调、推理效率、训练算力、内存效率、端侧部署),看管制之后中国相对美国的研究重心有没有往省算力的方向挪。
GitHub 这块的数字最直接。在四次政策冲击的合并窗口里,中国相关的 LLM 仓库平均每周每库多出 0.143 个 fork,美国相关的只多出 0.012 个,中国高出 0.131 个每周每库,大约是美国增速的 12 倍。非 LLM 仓库这个对照组没有同等幅度的分化,说明这不是一波普涨。
效率研究的方向也吻合:2022 年管制之后,中国在参数高效微调、推理优化、压缩、端侧部署这些省算力方向上的相对研究投入明显上升,和「算力变贵就改去做效率」的判断一致。
扩散那一组讲了一个不对称的故事:
| 场景 | 发现 |
| arXiv 科研 | 中国模型(Qwen、DeepSeek)被中美两国研究者以接近的速率采用 |
| 公司研究 | 中美企业的 LLM 使用分布高度相似,只有轻微的本国偏好 |
| 美国专利 | 高频引用 LLaMA、ChatGPT、Claude,Qwen、DeepSeek 几乎匿迹 |
| GitHub 仓库 | 中国模型迅速扩散,中国开发者对美国的开源模型同样积极 |
科研和开源社区里中国模型来去自如,一到正式商业化的专利系统就基本消失了。
对从业者,这篇给「为什么中国开源模型这两年这么猛」一个超出「他们就是能做」的解释:在算力被卡的约束下,开源同时承担了创新社区和韧性基础设施两重角色,能本地部署、能改、能不依赖外部平台。这解释了 Qwen、DeepSeek 这条线的战略位置。
专利缺口这条更要紧。美国公司在公开研究里实实在在地用中国模型,却几乎不在专利里披露它们。如果专利是衡量商业依赖的官方口径,这种依赖就被系统性低估了。
对制定政策的人,结论收不拢:限制前沿算力未必只是拖慢对手,它可能在重塑对手的创新架构,把它推向一个更开源、更分散、更难卡住的方向。
作者自己说清楚的最大一条:这是描述性和准实验证据,不是结构因果模型,「加速」这个判断主要靠时机上的相关性撑着,没有干净的对照组能把管制效应从 2022 到 2024 年那波 LLM 大爆发的普涨里剔出来。
国别近似也粗。按事件小时划中美,会把跨国团队、远程开发者、错峰活跃的人划错,这个误差有多大没单独估。
fork 的绝对量其实很小,每周每库 0.143 个,统计上看得见,但要说它代表整个生态的体量,是放大了。
专利那条还有个没排干净的替代解释:专利从申请到公开有几年滞后,中国模型 2024 年才大规模铺开,现在专利里看不到,可能只是还没到披露窗口,不一定是被制度过滤掉。作者更倾向后一种解读,但没有把这个时滞解释完全摁死。