美國專家走訪中國AI實驗室，發現六個真相

Nathan Lambert。這個名字在AI圈的分量，相當于寫RLHF教科書的人親自下場給你解釋什么叫RLHF。他是艾倫AI研究所的post-training負責人，寫過RLHF教材，上過Lex Fridman播客，長期站在開源大模型最前沿。今年5月，他做了一件很多人想做但沒做成的事，飛了一趟中國，面對面走訪了幾乎所有能叫上號的AI實驗室，月之暗面、智譜、美團、小米、通義千問、螞蟻、零一萬物，一家都沒落下?；貋碇髮懥似L文，叫《Notes from inside China's AI labs》。

文中中有很多有價值的觀察，尤其是最后總結的6點。

先拋一個他觀察到的略反直覺的現象。

在中國AI圈，幾乎所有實驗室對同行只有尊重。字節跳動做豆包，是唯一跑在前沿的閉源實驗室，大家都敬著它。DeepSeek則是所有人公認的研究品味和技術執行力天花板。Nathan說跟這些人聊天，你感受不到美國那種「我們的模型比你強」「你們那個架構有問題」的火藥味。整個LLM社區給人的感覺更像一個生態系統，而不是一群互相廝殺的小部落。他提了一個細節，在北京，競爭實驗室可能就隔幾條街，那個密度讓他想起灣區。

這種生態感到底怎么來的？Nathan發現了一個關鍵變量。

中國最頂尖的實驗室里，有很大一部分核心貢獻者是學生。不是打雜的實習生，是真的在寫核心代碼、參與模型訓練的那種。這群年輕人沒有被過去幾年AI的炒作周期洗過腦，他們對LLM的理解方式極其純粹，就是快速吸收大量文獻，摸透公司技術棧，然后埋頭干活。你要是跟他們聊AGI哲學、長期社會風險、模型經濟學這些虛頭八腦的議題，他們臉上會浮現出一種「你在說什么」的簡單困惑。在他們看來，這些東西跟「把模型造好」之間，根本不是一個范疇的事。

Nathan自己都補了一段說明，說他最初覺得這種態度就是謙遜，后來意識到這其實也是他們成長和受訓體系塑造的結果。體制內的成功者，自然會內化那套游戲的規則。

反觀美國，OpenAI、Anthropic、Cursor根本不招實習生做核心工作。Google名義上有跟Gemini相關的實習項目，但實習生大概率被隔離在真正的工作之外。而在中國，學生的角色跟全職研究員幾乎沒有區別。

Nathan還聽到了一個特別有意思的現象，中美都在發生人才流失，但方向不太一樣。很多原本打算走學術軌道的學生，現在都決定留在工業界。有一個人跟他說，曾經考慮過當教授，因為覺得可以去影響教育系統。但他最后補了一句極其囂張又極其真實的話，「教育已經被LLM解決了，學生為什么要跟我交談？」這話放在今天的大環境里，真是又荒誕又讓人唏噓。

再說組織文化。

Nathan觀察到的一個微妙但影響巨大的差異是ego的問題。在西方實驗室，一個大牛研究員的idea如果沒被選進最終模型，往往需要某種安撫甚至補償來平息不滿。說到底這就是組織內耗。但在中國實驗室，這種沖突要少得多。研究者更愿意接受團隊決策，更愿意去做那些看起來不「光鮮」但能切實提升模型質量的工作。他聽到一句話挺有代表性的，中國是「工程師在管理一切」，美國是「律師在管理一切」。兩套不同的文化系統，最終導向了不同的組織效率。

文章最后，Nathan把這趟走訪中產業層面的發現，整理成了六個要點。

第一，關于中國AI市場的實際規模。一個普遍的假設是中國AI市場會比較小，因為中國企業歷來不愿意為軟件付費。這套邏輯對應的是SaaS生態，但Nathan的判斷是，AI的支出更像云市場而不是SaaS市場，而云在中國是有巨大體量的。這事還沒有定論，但沒人真的在擔心市場增長。

第二，中國AI開發者的工具選擇。盡管Claude在中國是被屏蔽的，但這不妨礙所有人都在用它寫代碼。有人提到也用Kimi或者GLM的命令行工具，但最后都會補一句「不過寫代碼還是Claude」。而灣區眼下狂熱追捧的Codex，在中國反而沒多少人提。技術圈的聲譽這東西，防火墻真的攔不住。

第三，中國公司對技術有一種強烈的「所有權心態」。美團做LLM，小米做LLM，螞蟻做LLM，這些公司在外人看來可能跟AI八竿子打不著，但它們的邏輯很簡單，LLM是未來技術產品的核心組件，必須自己掌握。Nathan給了一個畫面，每次從電腦前抬起頭，窗外總能看到一排排的起重機，「建設」本身就是一種文化。字節跳動和阿里巴巴被所有人視為最終會贏的大玩家，DeepSeek是受尊敬的技術領袖但不是市場贏家，它定方向，但沒準備好從商業化上獲勝。沒有總體計劃，就是大家都在建。

第四，政府層面的支持是真實存在的，但具體規模很難說清。中國政府是多層級、去中心化的，每一級都沒有一本明確的行動手冊。Nathan一路聽到不少政府幫助的提及，但細節太少。沒有任何跡象表明高層影響了模型里面的技術決策，但各地政府在消除官僚障礙、協助吸引人才方面，確實在發揮作用。

第五，數據產業鏈在中國遠不如美國成熟。你可能聽說過Anthropic和OpenAI在單一數據環境上的花費就超過一千萬美元，累積數億美元去推動RL前沿。中國也有數據公司，但質量參差不齊，大部分實驗室選擇自己動手造RL訓練環境。這反而又強化了那種「能自己干就自己干」的務實傳統。

第六，毫無懸念的一條共識，所有人都渴望更多Nvidia芯片。有供應就一定會買。華為的昇騰在推理端表現不錯，很多實驗室都能用上，但訓練這一塊，Nvidia是絕對金標準，沒有替代選項。

這就是他整理出來的六個產業級觀察。Nathan用了一句話收尾，作為美國人，他當然希望美國在AI的每一個層面都保持清晰領先，尤其是在開源模型這個他自己深耕的領域。但越來越多的行政命令正在影響開源模型，這種「美國領先加全球生態」的良性協同正在被破壞，他對此并不樂觀。