过去三年，全球人工智能（AI）竞争几乎被简化为一场“大模型竞赛”。美国有OpenAI、Anthropic和谷歌，中国有深度求索（DeepSeek）、阿里巴巴和字节跳动，欧洲则忙于搭建监管框架。无论是新闻、论坛还是资本市场，人们反复追问的都是同一个问题：谁能训练出更强大的模型？于是，算力、晶片、参数与训练成本，成了衡量一个国家AI实力的标准答案。但如果把视线从实验室转向真实世界，会看到另一种正在浮现的景象。一些坐拥先进模型的机构，并没有换来预期中的生产力提升；一些并不研发基础模型的经济体，却在快速地把AI转化为实际能力，推动产业升级与公共服务改善。这提醒我们：AI时代真正的较量，也许并不只发生在实验室里。
决定未来国家竞争力的，未必是谁拥有最强的模型，而是谁能最快、最稳地把AI嵌入社会与经济的真实运行之中。下一轮竞争比拼的，可能不是技术能力，而是制度能力。这一判断并非凭空而来。先进模型正变得越来越容易获得：今天无论大企业还是中小企业，都能通过云端调用世界领先的大语言模型。模型之间仍有差距，但获取技术的门槛在迅速下降。真正拉开距离的，已不再是“是否拥有AI”，而是“能否让AI真正运转起来”。很多部署之所以失败，并不是因为模型不够聪明，而是因为组织还没准备好——流程没有重新设计，权责边界含糊，数据难以流通，员工也不清楚该如何与机器协作。结果，先进技术长期停在试点阶段，进不了核心业务。换句话说，AI带来的最大挑战，往往不是技术创新，而是制度与组织的创新。
我们不妨把支撑这种创新的能力，称为一个国家的“AI操作系统”。它不是某一套软件，而是一整套让AI能够被广泛、可靠地应用的制度基础设施：数码基础设施、人才培养体系、监管框架、行业标准、组织治理能力，以及社会信任机制。过去衡量科技实力，人们计算的是论文、专利与算力；到了应用阶段，更该问的是：一个社会能多快地把新技术接进自己的运行系统。未来国与国之间的差距，很可能不取决于谁拥有最多的图形处理器（GPU），而取决于谁拥有最成熟的AI操作系统。
从这个角度看，新加坡的处境也许比表面上更有利。它从来不是全球最大的科技市场，也无意在基础模型的研发上与中美正面竞争。但这不意味着它在AI时代缺乏优势——恰恰相反，它拥有一些常被低估的结构性条件。
第一，新加坡是一个高度制度化的社会。无论金融、医疗还是公共服务，多数机构都有清晰的流程、成熟的合规文化与较强的执行力。这种制度化有时被视为保守，但对AI落地而言却是难得的优势。AI并不擅长在混乱中工作，它更适合规则明确、责任清晰、流程稳定的环境。第二，新加坡的经济早已高度数码化。数码身份、电子支付与数据基础设施多年前就已铺设到位，这降低AI落地最常见的障碍——系统无法与底层业务数据打通。第三，人口老龄化与劳动力的有限增长，使采用AI不只是一种战略选择，更是一种现实需要。历史经验表明，“必要”往往比“热情”更能推动技术的真正普及。第四，新加坡的体量使跨部门协调成为可能。在许多大型经济体中，政府部门、高校、行业组织与培训机构总是各自为政，在新加坡则更容易朝同一方向行动。一项新的国家战略发布后，往往能较快形成从政策到培训、从产业到教育的联动。这种协调能力过去并不显眼，但在技术扩散速度决定胜负的AI时代，它可能成为关键变量。
这些条件并非纸上谈兵。自2017年以来，新加坡全国人工智能核心（AI Singapore）已在本地推动超过300个应用型AI项目，落地率约六成，而业界普遍引用、源自麻省理工的基准大约只有5%。两者的差距并不在模型质量，而在“次序”——真正成功的项目，都是在写下第一行代码之前，就先完成流程梳理、组织准备与责任界定。以AI Singapore与本地电力企业杨忠礼西拉雅能源（YTL PowerSeraya）的合作为例，团队先把系统嵌入既有工作流程，再谈技术实现，最终换来更快的决策与更高的操作准确度。
这60%与5%的落差，指向一个常被忽视的事实：决定AI成败的，往往不是模型本身，而是一套可复制的落地方法。先界定问题与责任，再嵌入流程，最后才谈技术实现——这种“集成先行”的次序，正是制度能力的具体体现。它无法靠购买更强的模型获得，只能靠一个社会长期积累的组织经验来沉淀。这种吸收能力也体现在人才培养上。在新加坡全国人工智能核心的学徒计划中，约八成学员并非计算机科学出身，而是被“嫁接”上AI能力的各行业从业者。这反映的并非培养少数尖端研究者，而是借助全国性的技能再培训，扩大整个社会消化AI的容量。
与此同时，新加坡持续投入建设的，是另一种容易被忽略的基础设施——信任。从代理式AI监管模式框架（Model AI Governance Framework for Agentic AI）、AI治理测试框架和工具箱（AI Verify），到与ISO/IEC 42001等国际标准接轨，这些举措常被误读为额外的监管负担。但它们真正的作用，是让金融、医疗等高度受监管的行业“敢于”把AI用在重要决策上。
前面几项条件关乎一个社会“能不能”吸收AI，而治理与信任关乎它“愿不愿意”。两者缺一不可。当然，这一切都不构成成功的保证。同样的制度化，既可能为AI提供结构，也可能在监管者把每一次部署都视为风险而非能力时，变成阻碍。优势能否兑现，取决于新加坡能否认清：自己在AI时代的比较优势，不在于“造模型”，而在于“用好模型”。
这套逻辑的意义，还不止于新加坡自身。在整个东南亚，多数经济体都不会成为基础模型的研发中心，却同样面临如何把AI转化为生产力的难题。如果新加坡能率先把“用好AI”的制度能力做成可借鉴的范式，它在区域中的价值，将不再取决于模型有多大，而在于能否输出一套让AI可靠落地的治理与组织经验。
很多人仍习惯用专利数量、研发投入和模型规模来衡量AI实力。这些指标当然重要，但它们衡量的主要是创新的供给侧。AI时代真正的难题，在于供给与吸收之间的距离：技术出现之后，能否被社会广泛采用、被组织有效利用、被转化为生产力提升与公共价值？这些问题最终考验的不是实验室，而是制度。
真正的分水岭也由此清晰起来：它不在于哪些国家拥有GPU、哪些没有，而在于哪些组织与国家已经具备让AI真正运转的制度能力，哪些还停留在一轮又一轮的试点之中。试点可以无限进行，价值却始终无法兑现，而把AI嵌入核心流程的能力，才是把技术变成生产力的那道关口。实验室决定一项技术的上限，组织决定它能否照进现实，而制度则决定一个国家最终能把技术带到多远。过去人们以为，AI的竞争是模型与模型之间的竞争。未来我们或许会发现，真正决定成败的，是一个国家如何组织自己。
作者廖永健是新加坡全国人工智能核心（AI Singapore）人工智能产业创新总监
石建政是新加坡社会科学大学客座讲师、新加坡国立大学李光耀公共政策学院访问学者
