美國AI研究員的中國觀察：36小時走訪，他看到了什么？

大數據文摘受權轉載自學術頭條

知名 AI 研究員、艾倫人工智能研究所（Ai2）后訓練主管Nathan Lambert，長期關注模型開源、強化學習與推理訓練。

近期，他在一次為期 36 小時的中國行中，密集走訪了智譜、月之暗面、清華、美團、小米、千問等模型實驗室，與大量一線 AI 研究員進行了深入交流。

他坦言，中國的 AI 實驗室，正在合作共贏。

“中國研究者身上的人情味、魅力和真誠的溫暖，能讓人彼此理解。美國語境中那種習以為常、帶有零和意味的地緣政治敘事，在他們身上幾乎看不到太多痕跡。”

基于此，Nathan 寫下長文，分享了他此次中國行期間令他印象深刻的觀點。

原文鏈接：https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

學術頭條在不改變原文大意的情況下，做了簡單的編譯。如下：

中國研究者的心態

Nathan在文中花了大量篇幅聊了一件事：為什么中國 AI 實驗室總能快速追趕上前沿？

他的核心判斷是，文化。

他認為，如今做好一個 LLM，拼的不只是某個單點突破，而是從數據、模型架構到 RL 算法的全棧優化。每個環節都可能帶來一些提升，但怎樣把提升有效疊加、演變成整體能力的躍遷，是一個非常復雜的多目標優化過程。

Nathan 認為，美國不缺聰明人，但做模型不是靠天才研究員各自發力，而是所有人都圍繞整體目標協同推進。但這類取舍在美國實驗室里，往往容易演變成沖突。Llama 團隊動蕩的原因，就與內部斗爭和路線分歧有關。

據此，他判斷：

過強的個人野心，往往會妨礙團隊做出最好的模型。

相比之下，中國實驗室的一個微妙差異在于：核心貢獻者中有大量學生，而這些學生通常以同事身份直接參與核心研發。

這一點對 Nathan 的觸動很大。美國最頂尖的幾家 AI 公司里，真正讓學生深度參與核心模型工作的機會并不多。OpenAI、Anthropic 這類公司基本沒有傳統意義上的實習體系；中國實驗室更年輕，而學生也恰好具備幾類適合從事大模型研究的特質：

1.他們更愿意去做那些不顯眼、但能提升模型質量的工作。

2.學生最擅長快速學習，更容易適應新技術范式。過去幾年 LLM 的關鍵范式從 Scaling MoE，到 Scaling RL，再到 Agent，每一次轉換意味著必須在極短時間內吸收海量上下文，學生恰恰最擅長這個。

3.更少的自我意識，使實驗室在團隊擴張過程中更容易保持協調。

4.目標直接，專注于把最好的模型造出來。

一位中國研究者在 Nathan 追問時，引用了華裔科技分析師 Dan Wang 那句有名的話：中國是工程師治國，美國是律師治國。

北京的AI生態，很像硅谷

在 Nathan 看來，北京的 AI 生態像極了硅谷：隨便走幾步路，旁邊就是競爭對手的辦公室。

一下飛機，他就在前往酒店的路上順道去了阿里巴巴北京園區。36 個小時內，他依次去了智譜、月之暗面、清華、美團、小米、零一萬物。

線下交流中，他問中國的研究者們怎么看待人才爭奪，得到的回答是：和美國差不多。

研究人員在不同公司之間流動很常見，很大程度上取決于哪家公司的氛圍最好。

但他認為，有一點跟美國很不一樣。

在中國，AI圈更像是彼此合作的生態系統，而不是對立的部落。在私下交流中，他感受到的幾乎都是中國研究者對同行的尊重。在美國，研究員之間談起同行，競爭意味往往很快就會顯現出來。即便中國各家實驗室都對字節跳動及其豆包模型保持高度關注，整體氛圍依然是克制和友善的。

還有一點讓他印象很深。許多中國研究者在談到商業化問題時，往往只是聳聳肩，表示那不是自己關心的重點。相比之下，從數據供應商、算力格局到融資環境，幾乎所有美國研究者都對產業趨勢保持高度關注。

中國AI產業的真實樣貌

以下是 Nathan 和中國 AI 實驗室交流后，對中國 AI 產業的判斷：

1.AI需求依然旺盛

Nathan 提到，一種常見看法是，中國公司歷來不太愿意為軟件付費，AI 市場的規模也因此受限。

但他認為，中國一直存在一個規?？捎^的云市場。未來企業對 AI 的支出可能會更接近云基礎設施，而不只是傳統軟件采購。

盡管 Claude 名義上并不在中國提供服務，很多開發者仍在頻繁使用它。這讓他相信，中國對推理能力的需求依然旺盛，而且還有很大的增長空間。

2.中國公司堅持技術自研

為什么像美團、螞蟻集團這樣的公司，也會去訓模型？

在不少西方觀察者看來，這多少令人出人意料。

但在 Nathan 看來，中國公司的想法很直接：既然 LLM 很可能成為未來科技產品的核心能力，底層模型就必須自己掌握。

在強通用模型之上繼續微調，對這些公司也有現實意義。Nathan 認為，行業里的開源傾向，本質上是一種務實選擇：既能幫助公司獲得高質量反饋、持續打磨技術棧，也能回饋社區，并加深對自身模型的理解。

3.數據產業不夠成熟

Nathan 提到，Anthropic 和 OpenAI 會為單個訓練環境投入上千萬美元，甚至為推動 RL 前沿花費數億美元。也因此，他很好奇，中國實驗室是不是也在從美國公司買這些環境，或者已有成熟的數據生態支撐？

他的判斷是，中國并不是沒有數據產業，但是現階段整體質量還不夠高。大部分實驗室的經驗是，與其向外采購，不如自己搭建環境、自己生產數據。研究人員往往會投入大量時間制作 RL 訓練環境，像字節跳動、阿里巴巴這樣的大公司，也會配備內部數據標注團隊，為這項工作提供支持。

4.算力不足

中國實驗室對英偉達芯片的需求普遍較高。訓練場景下，英偉達芯片仍是主流選擇，不少研究團隊都受到高端算力供給不足的限制。不過，包括華為芯片在內的其他加速器，也在推理場景中獲得了一些正面評價。

重新理解中國AI

這趟旅行結束后，Nathan坦言，自己對中國的理解其實才剛剛開始。

他在文中寫道，“中國不是能被幾條規則概括的地方，而是一個擁有不同化學反應的地方。這里的文化太古老、太深厚，我還有很多東西要學?！彼鼜娏业匾庾R到，中國有太多特質和直覺，很難直接套進西方熟悉的決策框架里。

他不明白，為什么這些實驗室要開源訓練出來的模型。

這些實驗室不會把每一個模型都無條件公開，但都非常有意愿、支持開發者、扶持生態，并把開源作為解模型的一種方式。

他還觀察到，中國幾乎每一家大型科技公司都在構建自己的通用 LLM，像美團這樣的外賣平臺、小米這樣做消費電子的公司，也都在發布開源權重模型。這并不是為了在新技術浪潮里刷存在感，而是出于一種更深層的沖動：把技術棧掌握在自己手中。

最后，他也坦言自己有些許焦慮，他希望美國在開放模型領域能夠保持領先；同時，他也希望開放生態在全球范圍內繁榮，帶來更安全、更可及、也更有用的 AI。問題在于是美國實驗室是否愿意采取足夠的行動，占據那個領導位置。、

歸根到底，這說的還是中國的開源文化。

Nathan 寫過一句很有畫面感的話：每當我從筆記本電腦前抬起頭，總能看見地平線上成排的塔吊。

這與中國的開源精神，也是一脈相承的。

*本文僅代表作者觀點

點「贊」的人都變好看了哦！