美国AI研究员的中国观察：36小时走访，他看到了什么？

知名 AI 研究员、艾伦人工智能研究所（Ai2）后训练主管 Nathan Lambert，长期关注模型开源、强化学习与推理训练。

近期，他在一次为期 36 小时的中国行中，密集走访了智谱、月之暗面、清华、美团、小米、千问等模型实验室，与大量一线 AI 研究员进行了深入交流。

他坦言，中国的 AI 实验室，正在合作共赢。

“中国研究者身上的人情味、魅力和真诚的温暖，能让人彼此理解。美国语境中那种习以为常、带有零和意味的地缘政治叙事，在他们身上几乎看不到太多痕迹。”

基于此，Nathan 写下长文，分享了他此次中国行期间令他印象深刻的观点。

原文链接：https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

学术头条在不改变原文大意的情况下，做了简单的编译。如下：

中国研究者的心态

Nathan在文中花了大量篇幅聊了一件事：为什么中国 AI 实验室总能快速追赶上前沿？

他的核心判断是，文化。

他认为，如今做好一个 LLM，拼的不只是某个单点突破，而是从数据、模型架构到 RL 算法的全栈优化。每个环节都可能带来一些提升，但怎样把提升有效叠加、演变成整体能力的跃迁，是一个非常复杂的多目标优化过程。

Nathan 认为，美国不缺聪明人，但做模型不是靠天才研究员各自发力，而是所有人都围绕整体目标协同推进。但这类取舍在美国实验室里，往往容易演变成冲突。Llama 团队动荡的原因，就与内部斗争和路线分歧有关。

据此，他判断：

过强的个人野心，往往会妨碍团队做出最好的模型。

相比之下，中国实验室的一个微妙差异在于：核心贡献者中有大量学生，而这些学生通常以同事身份直接参与核心研发。

这一点对 Nathan 的触动很大。美国最顶尖的几家 AI 公司里，真正让学生深度参与核心模型工作的机会并不多。OpenAI、Anthropic 这类公司基本没有传统意义上的实习体系；中国实验室更年轻，而学生也恰好具备几类适合从事大模型研究的特质：

1.他们更愿意去做那些不显眼、但能提升模型质量的工作。

2.学生最擅长快速学习，更容易适应新技术范式。过去几年 LLM 的关键范式从 Scaling MoE，到 Scaling RL，再到 Agent，每一次转换意味着必须在极短时间内吸收海量上下文，学生恰恰最擅长这个。

3.更少的自我意识，使实验室在团队扩张过程中更容易保持协调。

4.目标直接，专注于把最好的模型造出来。

一位中国研究者在 Nathan 追问时，引用了华裔科技分析师 Dan Wang 那句有名的话：中国是工程师治国，美国是律师治国。

北京的AI生态，很像硅谷

在 Nathan 看来，北京的 AI 生态像极了硅谷：随便走几步路，旁边就是竞争对手的办公室。

一下飞机，他就在前往酒店的路上顺道去了阿里巴巴北京园区。36 个小时内，他依次去了智谱、月之暗面、清华、美团、小米、零一万物。

线下交流中，他问中国的研究者们怎么看待人才争夺，得到的回答是：和美国差不多。

研究人员在不同公司之间流动很常见，很大程度上取决于哪家公司的氛围最好。

但他认为，有一点跟美国很不一样。

在中国，AI 圈更像是彼此合作的生态系统，而不是对立的部落。在私下交流中，他感受到的几乎都是中国研究者对同行的尊重。在美国，研究员之间谈起同行，竞争意味往往很快就会显现出来。即便中国各家实验室都对字节跳动及其豆包模型保持高度关注，整体氛围依然是克制和友善的。

还有一点让他印象很深。许多中国研究者在谈到商业化问题时，往往只是耸耸肩，表示那不是自己关心的重点。相比之下，从数据供应商、算力格局到融资环境，几乎所有美国研究者都对产业趋势保持高度关注。

中国AI产业的真实样貌

以下是 Nathan 和中国 AI 实验室交流后，对中国 AI 产业的判断：

1.AI需求依然旺盛

Nathan 提到，一种常见看法是，中国公司历来不太愿意为软件付费，AI 市场的规模也因此受限。

但他认为，中国一直存在一个规模可观的云市场。未来企业对 AI 的支出可能会更接近云基础设施，而不只是传统软件采购。

尽管 Claude 名义上并不在中国提供服务，很多开发者仍在频繁使用它。这让他相信，中国对推理能力的需求依然旺盛，而且还有很大的增长空间。

2.中国公司坚持技术自研

为什么像美团、蚂蚁集团这样的公司，也会去训模型？

在不少西方观察者看来，这多少令人出人意料。

但在 Nathan 看来，中国公司的想法很直接：既然 LLM 很可能成为未来科技产品的核心能力，底层模型就必须自己掌握。

在强通用模型之上继续微调，对这些公司也有现实意义。Nathan 认为，行业里的开源倾向，本质上是一种务实选择：既能帮助公司获得高质量反馈、持续打磨技术栈，也能回馈社区，并加深对自身模型的理解。

3.数据产业不够成熟

Nathan 提到，Anthropic 和 OpenAI 会为单个训练环境投入上千万美元，甚至为推动 RL 前沿花费数亿美元。也因此，他很好奇，中国实验室是不是也在从美国公司买这些环境，或者已有成熟的数据生态支撑？

他的判断是，中国并不是没有数据产业，但是现阶段整体质量还不够高。大部分实验室的经验是，与其向外采购，不如自己搭建环境、自己生产数据。研究人员往往会投入大量时间制作 RL 训练环境，像字节跳动、阿里巴巴这样的大公司，也会配备内部数据标注团队，为这项工作提供支持。

4.算力不足

中国实验室对英伟达芯片的需求普遍较高。训练场景下，英伟达芯片仍是主流选择，不少研究团队都受到高端算力供给不足的限制。不过，包括华为芯片在内的其他加速器，也在推理场景中获得了一些正面评价。

重新理解中国AI

这趟旅行结束后，Nathan坦言，自己对中国的理解其实才刚刚开始。

他在文中写道，“中国不是能被几条规则概括的地方，而是一个拥有不同化学反应的地方。这里的文化太古老、太深厚，我还有很多东西要学。”他更强烈地意识到，中国有太多特质和直觉，很难直接套进西方熟悉的决策框架里。

他不明白，为什么这些实验室要开源训练出来的模型。

这些实验室不会把每一个模型都无条件公开，但都非常有意愿、支持开发者、扶持生态，并把开源作为解模型的一种方式。

他还观察到，中国几乎每一家大型科技公司都在构建自己的通用 LLM，像美团这样的外卖平台、小米这样做消费电子的公司，也都在发布开源权重模型。这并不是为了在新技术浪潮里刷存在感，而是出于一种更深层的冲动：把技术栈掌握在自己手中。

最后，他也坦言自己有些许焦虑，他希望美国在开放模型领域能够保持领先；同时，他也希望开放生态在全球范围内繁荣，带来更安全、更可及、也更有用的 AI。问题在于是美国实验室是否愿意采取足够的行动，占据那个领导位置。、

归根到底，这说的还是中国的开源文化。

Nathan 写过一句很有画面感的话：每当我从笔记本电脑前抬起头，总能看见地平线上成排的塔吊。

这与中国的开源精神，也是一脉相承的。

*本文仅代表作者观点