坐在从杭州开往上海的新型高速列车上，我凝视窗外，层峦叠嶂的山脊线点缀着风力发电机，在夕阳的映照下形成剪影，美不胜收。群山为广袤的田野和密集的摩天大楼群提供了壮丽的背景。我带着极大的谦逊从中国归来。去到一个如此陌生的地方，却受到如此热情的欢迎，这是一次非常温暖、充满人情味的经历。我有幸见到了许多在AI生态系统中素未谋面的人，他们用灿烂的笑容和欢呼迎接我，让我意识到我的工作以及整个AI生态系统是多么具有全球性。

中国研究者的心态

构建语言模型的中国公司，其定位是这项技术的完美快速追随者，这建立在长期以来的教育和文化传统之上，同时也采用了略有不同的科技公司构建方式。当你审视其产出（支持智能体工作流的最新、最大模型）以及其要素（优秀的科学家、大规模数据和加速计算）时，中国和美国的实验室看起来大体相似。而持久的差异则体现在这些要素的组织和条件设定方式上。

我长期以来一直认为，中国实验室如此擅长追赶并保持在前沿水平的一个原因是，他们在文化上就适合这项任务。但如果没有直接与人交流，我觉得自己无权将这种直觉归因于实质性的影响。与来自中国顶尖实验室的许多优秀、谦逊且开放的科学家交谈后，我的许多信念变得更加清晰。

如今，构建最优秀的大语言模型，很大程度上取决于贯穿整个技术栈的细致工作，从数据到架构细节，再到强化学习算法的实现。模型的每个环节都能带来一些改进，而将它们整合在一起是一个复杂的过程，在此过程中，一些杰出个人的工作可能需要被搁置，以服务于整个模型在多目标优化中实现最大化。

美国研究人员显然也擅长解决各个独立组件的问题，但在美国，更盛行一种为自己发声的文化。作为一名科学家，当你为自己的工作发声时，你会更成功，而现代文化正在推动“顶尖AI科学家”这条新的成名之路。这导致了直接的冲突。据广泛传闻，Llama 组织已经在这种将个人利益嵌入层级组织的政治压力下崩溃了。我听说其他实验室表示，有时需要付钱给一位顶尖研究员，才能让他们停止抱怨自己的想法没有被纳入最终模型。无论这是否完全属实，其核心思想是明确的。自我意识和职业晋升的欲望确实会阻碍打造最佳模型。中美之间这种文化上的微小方向性差异，会对最终产出产生重大影响。

这其中部分原因与在中国构建模型的人员构成有关。所有实验室都面临一个现实情况，即核心贡献者中有很大一部分是在校学生。这些实验室非常年轻，这让我想起了我们在 Ai2 的架构，在那里学生被视为同侪，并直接融入大语言模型团队。这与美国顶尖实验室截然不同，像 OpenAI、Anthropic、Cursor 等公司根本不提供实习机会。其他公司如谷歌，名义上有与 Gemini 相关的实习项目，但很多人担心你的实习会被孤立起来，接触不到任何实质性的工作。

总结一下，这种文化上的细微变化如何能够提升构建模型的能力：

• 更愿意为了改进最终模型而从事不那么光鲜亮丽的工作，

• 刚进入 AI 领域的人可以不受之前 AI 炒作周期的影响，从而能够更快地适应新的现代技术（事实上，我交谈过的一位中国科学家非常积极地认同这一优势），

• 较少的自我意识使得组织架构能够略微扩展，因为系统内的博弈行为减少了，以及

• 充足的人才非常适合解决那些在其他地方已有概念验证的问题，等等。

这种略微偏向于补充构建当今语言模型所需技能的倾向，与一个众所周知的刻板印象形成对比，即中国研究者往往产出较少的创造性、开创领域、从0到1的学术型研究。在我们此行访问的更具学术氛围的实验室中，许多领导者都在谈论培养这种更具雄心的研究文化。与此同时，我们交谈过的一些技术领导者对此持怀疑态度，认为短期内不太可能实现这种科研方式的重新调整，因为这需要重新设计教育和激励机制，其规模之大在当前的经济均衡状态下难以实现。这种文化似乎正在培养出在构建大语言模型方面极为出色的学生和工程师。当然，他们的人数也极其充裕。

这些学生告诉我，中国也出现了与美国类似的人才流失现象，许多原本考虑走学术道路的人现在打算留在产业界。最有趣的一句话来自一位研究者，他原本有兴趣成为教授以接近教育体系，但评论说教育问题已经被大语言模型解决了——“学生为什么要跟我交流！”

这些学生有一个优势，他们能以全新的视角看待大语言模型。过去几年里，我们看到大语言模型的关键范式从扩展MoE，转向扩展强化学习，再到实现智能体。要做好其中任何一项，都需要快速吸收海量的上下文信息，既包括广泛的文献，也包括所在公司的技术栈。学生们习惯于这样做，并且乐于谦逊地放下所有关于什么应该有效的预设。他们一头扎进去，全身心投入，只为获得改进模型的机会。

这些学生还出奇地直率，摆脱了那些可能分散科学家注意力的哲学空谈。当被问及他们对模型的经济影响或长期社会风险有何看法时，很少有中国研究者持有复杂的观点或想要影响这些方面。他们的角色就是构建最好的模型。

这种差异很微妙，也容易被否认，但当你与一位优雅、才华横溢、能用英语清晰交流的研究员进行长时间对话时，最能感受到这一点。关于人工智能更哲学层面的基本问题，会因简单的困惑而悬在空中。对他们来说，这是一种范畴错误。一位研究员甚至在探讨这些领域时引用了著名的 Dan Wang 论断——中国由工程师管理，而美国由律师管理——以强调他们想要构建的愿望。在中国，没有一条系统性地培养中国科学家明星力量的路径，类似于 Dwarkesh 或 Lex 这类大型主流播客。

试图让中国科学家评论由人工智能引发的即将到来的经济不确定性、超越简单通用人工智能能力的问题，或关于模型应如何行为的道德辩论，都充分体现了这些科学家极度的谦逊。这不仅仅是专注于工作，而是他们不想对自己不了解的问题发表评论。

放眼全局——北京尤其感觉像湾区，一个竞争激烈的实验室只需步行或打车就能到达。我下了飞机，在去酒店的路上顺道去了阿里巴巴的北京园区。然后，在 36 小时内，我们走访了 Z.ai、月之暗面、清华大学、美团、小米和零一万物。用滴滴出行很方便，如果你在中国选择 XL 车型，通常会遇到带有按摩座椅的电动小型货车。我们向研究员们询问了人才争夺战，他们表示这与我们在美国经历的情况非常相似。研究员跳槽很常见，人们选择去哪很大程度上取决于当前哪里的氛围最好。

在中国，大语言模型社区感觉更像一个生态系统，而不是相互争斗的部落。在许多非公开的对话中，只有对同行的尊重。所有中国实验室都害怕字节跳动及其流行的豆包模型，这是中国唯一一家前沿闭源实验室。同时，所有实验室都极度尊重深度求索，认为它是执行层面研究品味最好的实验室。当你与美国实验室成员进行非公开会面时，火花会很快迸发。

中国研究人员谦逊态度中最引人注目的地方在于，他们在商业层面也常常耸耸肩，表示那不是他们的问题；而在美国，似乎每个人都痴迷于各种生态系统层面的产业趋势，从数据销售商到算力或融资，无一不关注。

中国 AI 产业与西方实验室的差异（与趋同之处）

如今构建 AI 模型之所以如此有趣，是因为它不再仅仅是把一群优秀的研究人员聚集在同一栋楼里，打造出一个工程奇迹。过去或许如此，但要维持 AI 业务，大语言模型正逐渐成为构建、部署、融资以及推动这项创造被采纳的混合体。领先的 AI 公司存在于复杂的生态系统之中，这些系统提供资金、算力、数据等资源，以持续推动前沿发展。

对于创造和维持大语言模型所需的各种要素的整合，西方生态系统（以 Anthropic 和 OpenAI 为代表）已经有了相当清晰的概念化和图谱化。因此，发现中国实验室在思考方式上的重大差异，就能看出不同公司可能对未来做出截然不同的押注。当然，这些未来在很大程度上会受到融资和/或算力方面的制约。

我记录了与这些实验室交流后，在“AI 产业”层面得出的最大收获：

1. 国内 AI 需求的早期迹象。有一种广为流传的假设认为，中国 AI 市场会更小，因为中国公司往往不愿为软件付费——因此无法释放出支撑实验室发展的巨大推理市场。这种说法仅适用于映射到 SaaS 生态系统的软件支出，而 SaaS 在中国历来规模很小；另一方面，中国显然仍然存在一个庞大的云市场。一个关键且悬而未决的问题——中国实验室内部也在争论——是企业对 AI 的支出究竟会跟随 SaaS 市场（规模小）还是云市场（基础性）。总体来看，感觉 AI 正更趋近于云市场，而且没有人对新工具周围正在形成的市场感到特别担忧。

2. 大多数开发者都是 Claude 的忠实拥趸。中国绝大多数 AI 开发者都对 Claude 及其对软件开发方式的改变痴迷不已，尽管 Claude 名义上在中国是被禁止的。仅仅因为中国历来对购买软件持谨慎态度，并不能让我认为推理需求不会出现爆发式增长。中国的技术人员非常务实、谦逊且充满动力——这一事实似乎比过去不花钱的习惯性承诺更为强大。一些中国研究人员提到会使用自己的工具进行开发，比如 Kimi 或 GLM 的命令行界面，但所有人都提到会使用 Claude 进行开发。此外，提到 Codex 的次数也出奇地少，而它在湾区显然正越来越受欢迎。

3. 中国企业有一种技术所有权心态。中国文化正与强劲的经济引擎相结合，催生出难以预测的结果。我始终有一种感觉，那就是众多 AI 模型反映了这里许多科技企业务实且当下的平衡状态。并没有什么宏大的总体规划。这个行业的特点是对字节跳动和阿里巴巴的尊重，这些行业巨头凭借其雄厚资源，有望在几乎所有市场中占据很大份额。深度求索是备受尊敬的技术领导者，但远非市场领导者。它们设定了方向，但并未做好在经济上获胜的准备。这就给美团或蚂蚁集团这样的公司留下了空间，西方人可能会惊讶于它们也在构建这些模型。实际上，它们清楚地看到大语言模型显然是未来科技产品的核心，因此需要一个强大的基础。当它们对强大且通用的模型进行微调时，这既加固了自身的技术栈，又能从开源社区获得反馈，同时还能为自家产品保留内部的微调版本。行业中“开放优先”的心态很大程度上是由实用性定义的——这有助于让它们的模型获得强有力的反馈，回馈开源社区，并赋能其使命。

4. 政府援助确实存在，但规模尚不明确。人们常声称中国政府正积极助力开源大语言模型竞赛。这是一个权力分散于多级政府的体系，每一级政府对于自身具体职责并无清晰行动指南。北京的各区会竞相吸引科技公司将办公地点设在其辖区内。这些公司获得的“帮助”几乎肯定包括简化行政审批等官僚程序，但这种帮助究竟能走多远？各级政府能否协助吸引人才？能否帮助走私芯片？在整个访问期间，多次提及政府的兴趣或帮助，但细节信息太少，不足以断言其具体内容，也无法形成关于政府如何影响中国人工智能发展轨迹的明确世界观。当然，没有任何迹象表明中国政府高层在影响模型的技术决策。

5. 数据行业的发展远未成熟。我们听闻过 Anthropic 或 OpenAI 为单一环境投入超过 1000 万美元，累计每年花费数亿美元来推动强化学习的前沿，因此我们迫切想知道中国实验室是直接从美国公司购买相同的环境，还是由国内镜像生态系统提供支持。答案并非完全不存在数据行业，而是他们的经验表明，数据行业质量相对较差，通常最好在内部自行构建环境或数据。研究人员自身会花费大量时间制作强化学习训练环境，而字节跳动、阿里巴巴等一些大公司则拥有内部数据标注团队来支持这项工作。这一切都印证了上一点中提到的“自建而非购买”的思路。

6. 对更多英伟达芯片的迫切需求。英伟达的计算资源是训练的黄金标准，每家公司的进展都因无法获得更多此类资源而受限。如果供应充足，他们显然会购买。其他加速器，包括但不限于华为的产品，在推理方面获得了积极评价。无数实验室都已获得华为芯片的使用权限。

这些观点描绘了一幅截然不同的人工智能生态图景：若试图将西方实验室的运作模式快速套用到中国同行身上，往往会导致范畴错误。关键问题在于，这些不同的生态系统是否会产生本质不同的模型类型，抑或中国模型始终会被解释为与美国3至9个月前的前沿模型相似。

结论：全球均衡

我深知自己在启程前对中国知之甚少，而此行结束时，只觉刚刚开始学习。中国并非能用规则或公式概括的地方，而是一个拥有截然不同的动态机制与内在化学反应的国度。这里的文化如此古老、如此深厚，且至今仍与本土技术的构建方式完全交织在一起。我面前还有很长的学习之路。

美国当前权力结构中的许多决策，都严重依赖其对中国现有的世界观作为关键思维工具。在与几乎所有中国领先的人工智能实验室进行过正式或非正式的面对面交流后，我发现中国有许多特质和本能，是西方决策模式极难模拟的。即便直接追问这些实验室为何公开其顶级模型，所有权意识与对生态系统的真诚支持之间的交集，仍让我难以理清其中的关联。

这里的实验室非常务实，并非开源领域的绝对主义者——并非它们构建的每一个模型都会公开——但在支持开发者、滋养生态系统，并将其作为更深入了解自身模型的手段方面，存在着深层的意图性。

几乎所有中国大型科技公司都在构建自己的通用大语言模型，正如我们看到美团（外卖服务平台）和小米（综合性消费科技公司）等企业发布了开源权重模型。美国同类公司通常只会购买相关服务。这些公司开发大语言模型并非为了追逐热点以保持存在感，而是出于一种深层的根本性渴望——掌控自身技术栈，并开发当今最重要的技术。当我从笔记本电脑前抬起头，总能看到地平线上成排的塔吊，这显然与更广泛的中国建设文化及其蕴含的能量相契合。

中国研究者身上的人性光辉、人格魅力与真诚热情，极具人性化感染力。在个人层面，美国习以为常的那种你死我活的地缘政治话语，在他们身上完全看不到。这个世界需要更多这样纯粹的积极态度。作为AI社群的一员，我目前更担忧的是，围绕国籍标签在成员和群体之间出现的裂痕。

如果说我不希望美国实验室在AI技术栈的每个层面都保持明确领先地位——尤其是在我深耕的开源模型领域——那是在撒谎。我是美国人，这是诚实的偏好。与此同时，我希望开源生态系统本身能在全球蓬勃发展，因为这能为世界创造更安全、更易获取、更有用的AI。而当前的问题是，美国实验室是否会采取行动来占据这一领导地位。

在完成本文之际，更多关于行政命令影响开源模型的传闻正在发酵，这可能会进一步复杂化美国领导力与全球生态系统之间的协同关系——这并未让我感到乐观。

感谢我在月之暗面、智谱、美团、小米、通义千问、蚂蚁集团、零一万物及其他公司有幸交流的所有杰出人士。每个人都如此热情好客，慷慨地付出时间。随着我对中国的认知逐渐清晰，我将继续分享我的思考，涵盖广义的文化层面以及具体的AI领域。显然，这些知识将直接关系到AI发展前沿正在展开的叙事。