Nathan Lambert。这个名字在AI圈的分量，相当于写RLHF教科书的人亲自下场给你解释什么叫RLHF。他是艾伦AI研究所的post-training负责人，写过RLHF教材，上过Lex Fridman播客，长期站在开源大模型最前沿。今年5月，他做了一件很多人想做但没做成的事，飞了一趟中国，面对面走访了几乎所有能叫上号的AI实验室，月之暗面、智谱、美团、小米、通义千问、蚂蚁、零一万物，一家都没落下。回来之后写了篇长文，叫《Notes from inside China's AI labs》。
文中中有很多有价值的观察，尤其是最后总结的6点。
先抛一个他观察到的略反直觉的现象。
在中国AI圈，几乎所有实验室对同行只有尊重。字节跳动做豆包，是唯一跑在前沿的闭源实验室，大家都敬着它。DeepSeek则是所有人公认的研究品味和技术执行力天花板。Nathan说跟这些人聊天，你感受不到美国那种「我们的模型比你强」「你们那个架构有问题」的火药味。整个LLM社区给人的感觉更像一个生态系统，而不是一群互相厮杀的小部落。他提了一个细节，在北京，竞争实验室可能就隔几条街，那个密度让他想起湾区。
这种生态感到底怎么来的？Nathan发现了一个关键变量。
中国最顶尖的实验室里，有很大一部分核心贡献者是学生。不是打杂的实习生，是真的在写核心代码、参与模型训练的那种。这群年轻人没有被过去几年AI的炒作周期洗过脑，他们对LLM的理解方式极其纯粹，就是快速吸收大量文献，摸透公司技术栈，然后埋头干活。你要是跟他们聊AGI哲学、长期社会风险、模型经济学这些虚头八脑的议题，他们脸上会浮现出一种「你在说什么」的简单困惑。在他们看来，这些东西跟「把模型造好」之间，根本不是一个范畴的事。
Nathan自己都补了一段说明，说他最初觉得这种态度就是谦逊，后来意识到这其实也是他们成长和受训体系塑造的结果。体制内的成功者，自然会内化那套游戏的规则。
反观美国，OpenAI、Anthropic、Cursor根本不招实习生做核心工作。Google名义上有跟Gemini相关的实习项目，但实习生大概率被隔离在真正的工作之外。而在中国，学生的角色跟全职研究员几乎没有区别。
Nathan还听到了一个特别有意思的现象，中美都在发生人才流失，但方向不太一样。很多原本打算走学术轨道的学生，现在都决定留在工业界。有一个人跟他说，曾经考虑过当教授，因为觉得可以去影响教育系统。但他最后补了一句极其嚣张又极其真实的话，「教育已经被LLM解决了，学生为什么要跟我交谈？」这话放在今天的大环境里，真是又荒诞又让人唏嘘。
再说组织文化。
Nathan观察到的一个微妙但影响巨大的差异是ego的问题。在西方实验室，一个大牛研究员的idea如果没被选进最终模型，往往需要某种安抚甚至补偿来平息不满。说到底这就是组织内耗。但在中国实验室，这种冲突要少得多。研究者更愿意接受团队决策，更愿意去做那些看起来不「光鲜」但能切实提升模型质量的工作。他听到一句话挺有代表性的，中国是「工程师在管理一切」，美国是「律师在管理一切」。两套不同的文化系统，最终导向了不同的组织效率。
文章最后，Nathan把这趟走访中产业层面的发现，整理成了六个要点。
第一，关于中国AI市场的实际规模。一个普遍的假设是中国AI市场会比较小，因为中国企业历来不愿意为软件付费。这套逻辑对应的是SaaS生态，但Nathan的判断是，AI的支出更像云市场而不是SaaS市场，而云在中国是有巨大体量的。这事还没有定论，但没人真的在担心市场增长。
第二，中国AI开发者的工具选择。尽管Claude在中国是被屏蔽的，但这不妨碍所有人都在用它写代码。有人提到也用Kimi或者GLM的命令行工具，但最后都会补一句「不过写代码还是Claude」。而湾区眼下狂热追捧的Codex，在中国反而没多少人提。技术圈的声誉这东西，防火墙真的拦不住。
第三，中国公司对技术有一种强烈的「所有权心态」。美团做LLM，小米做LLM，蚂蚁做LLM，这些公司在外人看来可能跟AI八竿子打不着，但它们的逻辑很简单，LLM是未来技术产品的核心组件，必须自己掌握。Nathan给了一个画面，每次从电脑前抬起头，窗外总能看到一排排的起重机，「建设」本身就是一种文化。字节跳动和阿里巴巴被所有人视为最终会赢的大玩家，DeepSeek是受尊敬的技术领袖但不是市场赢家，它定方向，但没准备好从商业化上获胜。没有总体计划，就是大家都在建。
第四，政府层面的支持是真实存在的，但具体规模很难说清。中国政府是多层级、去中心化的，每一级都没有一本明确的行动手册。Nathan一路听到不少政府帮助的提及，但细节太少。没有任何迹象表明高层影响了模型里面的技术决策，但各地政府在消除官僚障碍、协助吸引人才方面，确实在发挥作用。
第五，数据产业链在中国远不如美国成熟。你可能听说过Anthropic和OpenAI在单一数据环境上的花费就超过一千万美元，累积数亿美元去推动RL前沿。中国也有数据公司，但质量参差不齐，大部分实验室选择自己动手造RL训练环境。这反而又强化了那种「能自己干就自己干」的务实传统。
第六，毫无悬念的一条共识，所有人都渴望更多Nvidia芯片。有供应就一定会买。华为的昇腾在推理端表现不错，很多实验室都能用上，但训练这一块，Nvidia是绝对金标准，没有替代选项。
这就是他整理出来的六个产业级观察。Nathan用了一句话收尾，作为美国人，他当然希望美国在AI的每一个层面都保持清晰领先，尤其是在开源模型这个他自己深耕的领域。但越来越多的行政命令正在影响开源模型，这种「美国领先加全球生态」的良性协同正在被破坏，他对此并不乐观。
热门跟贴