近日，图灵奖得主、前Meta首席AI科学家杨立昆在社交媒体上公开反驳了硅谷知名投资人Elad Gil关于「硅谷AI研发领先全球」的说法，引发业界广泛讨论。Gil提出所谓“AI鄙视链”，认为顶级实验室的硅谷工程师领先普通工程师3至4个月，硅谷整体又领先纽约3至6个月，而纽约又比全球其他地区领先半年到一年。杨立昆直言这是“扯淡”，并通过列举全球重要AI成果的来源，强调创新并非硅谷独占，这对全球AI产业格局的认知具有重要警示作用。
在具体细节方面，杨立昆列出了多个反例，体现全球AI创新的多元性。首先，注意力机制（Attention）这一核心技术诞生于加拿大蒙特利尔，而PyTorch深度学习框架起源于纽约，这些技术已成为现代AI研究的重要基础。其次，AlphaGo与AlphaFold分别源自伦敦团队，而杭州的DeepSeek也在视觉搜索领域作出突破，显示出非硅谷地区的创新潜力。第三，Meta的Llama 1和Llama 2研发主要在巴黎和纽约完成，此外巴黎诞生的DINO算法以及JEPA的多地联合研发案例，进一步打破了硅谷中心化的刻板印象。值得注意的是，杨立昆讽刺指出，硅谷所谓的领先，也仅存在于“自己痴迷的特定话题上”，并非普遍现象。
从原因分析角度来看，这场论战折射出AI产业对区域创新的认知偏差。一方面，硅谷在资本密度、人才聚集和企业生态上确实具备优势，使其在部分前沿课题上快速迭代。另一方面，AI科研本质上依赖算法开源、论文共享和跨国合作，技术扩散速度极快，使全球研究者能够在短期内追赶或超越特定技术节点。因此，将AI研发的全球格局简化为单一“领先链条”，既忽略了学术和技术生态的多样性，也低估了其他地区在基础研究和应用创新上的贡献。
纵观行业背景，AI的多地创新模式早已形成趋势。蒙特利尔的深度学习社区因早期迁移学习和注意力机制研究而闻名，北京和上海在生成模型和多模态AI上崛起，欧洲的伦敦、巴黎团队在Alpha系列、视觉学习算法中长期贡献突出。值得注意的是，中国、加拿大和欧洲的团队不仅在学术论文发表上数量可观，还在开源框架、数据集建设和工业应用中积极布局。这表明全球AI创新正呈现“多核驱动”态势，而非单点领先，区域间的差距更多体现在资源聚集速度和研究方向选择上。
综合来看，杨立昆的回应不仅打破了硅谷中心论，也强调了全球AI创新的分布多元化。对产业和投资者而言，这意味着在AI布局和人才引进上，应更关注全球技术动态，而非局限于某一地区的标签化优势。一个轻度趋势判断是，随着开源文化和跨国合作的深入，全球AI创新的速度和质量将更加均衡，多区域、多团队的协作将成为未来AI技术突破的重要模式，同时推动技术成果更快速地服务于实际应用。
