一直以来，中美 AI 的发展差异，始终是行业讨论的核心话题。
美国负责创新，中国负责产业化，几乎已经成了很多人的共识。
但过去，大多数讨论都停留在外部视角：谁的模型更强、融资更多、产品更领先。真正从AI实验室内部出发，去观察中美研究文化、组织方式和技术生态差异的人，其实并不多。
不久前，美国 AI 研究员 Nathan Lambert 访问了多家中国 AI 实验室，包括月之暗面、智谱等等，并在之后撰写了一篇长文，系统分享了他对中国 AI 产业的观察。
Nathan Lambert 曾在 Meta AI、DeepMind、Hugging Face等机构工作，也是 AI 行业里颇具影响力的研究者和独立观察者之一。
在他的视角里，中国 AI 的竞争力，并不只是“追赶速度快”这么简单。更深层的差异，来自工程文化、人才结构、组织方式，以及中国科技公司对于技术栈控制权的重视。
某种程度上，这篇文章也提供了一个难得的“内部视角”——帮助我们理解，中国为什么能够在这一轮 AI 竞争中，始终紧紧咬住美国，甚至在部分方向上开始形成自己的优势。
以下是 Nathan Lambert 文章内容：
为什么中国实验室更适合“今天的大模型”
中国的大模型公司，某种程度上可以说是“快速追赶型技术体系”的最佳样本。
如果只看结果，中美之间其实已经非常接近。无论是支持 Agent 工作流的新一代模型，还是研究人员、数据规模、算力资源等基础条件，中国头部实验室与美国前沿实验室之间的差距，已经远没有外界想象得那么大。
真正的差异，不在资源本身，而在于这些资源是如何被组织、管理和激励的。
Nathan Lambert 在与大量中国 AI 实验室交流后，一个最强烈的感受是：中国的组织文化，可能天然更适合当前这一阶段的大模型竞争。
因为今天的大模型研发，本质上已经不再是单点突破，而是一场复杂的系统工程。
从数据清洗、模型架构、训练策略，到强化学习、后训练、Agent 能力，每一个环节都可能带来提升。但真正困难的地方在于，如何把这些细碎优化整合成一个整体。
很多时候，一个模型是否足够领先，并不取决于某一个“天才想法”，而取决于整个团队能否持续围绕最终结果做协同优化。
而这恰恰是中国实验室相对擅长的部分。
在 Lambert 看来，美国 AI 研究文化更强调个人表达。研究人员需要不断强调自己的贡献、技术路线和个人影响力，才能获得更高的认可。随着 AI 行业影响力不断扩大，“明星 AI 科学家”甚至正在变成一种新的名望路径。
但这种文化，也会带来副作用。
因为当模型研发越来越依赖团队协同和多目标优化时，过强的个人表达欲、技术路线之争，以及组织内部的利益博弈，反而可能影响最终模型效果。
外界一直有传言称，Llama 后期内部出现了明显的组织问题，本质上就是不同研究方向、不同利益群体不断嵌入层级组织后产生的结果。
Lambert 甚至提到，有实验室需要额外补偿顶级研究人员，才能让他们接受自己的方案没有被纳入最终模型。
这些细节未必完全真实，但背后的逻辑很明确：
当大模型竞争进入“系统工程”阶段后，个人 ego 和职业晋升诉求，本身就可能成为研发效率的一部分阻力。
而中国实验室在这方面，恰好呈现出另一种气质。
很多中国 AI 实验室里，大量核心贡献者仍然是在校学生。整个团队也更年轻。学生会被直接纳入核心研发体系，而不是只做边缘性工作。
这与美国顶级实验室形成了鲜明对比。像 OpenAI、Anthropic、Cursor等公司，几乎都不提供真正意义上的核心实习机会。即便是Google DeepMind 的 Gemini 相关实习，很多人也担心只能接触到相对边缘的工作。
而中国实验室这种更“开放”的组织方式，反而带来了几个优势。
第一，中国研究人员更愿意做那些“不够光鲜”的工作。
大模型能力提升，很多时候并不来自论文里的惊艳创新，而来自无数细节优化。大量中国工程师愿意长期投入这些基础工作，只为了让最终模型效果再提高一点。
第二，年轻研究人员没有太强的历史路径依赖。
过去几年，大模型技术路线变化极快，从 MoE 到强化学习，再到 Agent，几乎每隔一段时间，行业范式就会发生变化。
很多年轻研究人员没有经历过上一轮 AI 周期，因此更容易快速接受新的技术方向。
第三，组织内部的“政治摩擦”更少。
因为整体 ego 相对更弱，很多人更倾向于围绕最终结果协同，而不是持续强调个人贡献。这使得组织扩张时的阻力更小。
第四，中国拥有极其庞大的工程型人才供给。
尤其擅长解决那些已经被验证方向正确，但仍需要大量工程化优化的问题。
当然，这也对应着外界长期以来对中国 AI 的一个典型评价：
更擅长工程化追赶，而不是“0 到 1”的原创突破。
Lambert 在交流中也发现，很多中国实验室已经意识到这个问题。一些偏学术的负责人，正在尝试培养更具原创性的研究文化。
但与此同时，也有不少技术负责人对此持怀疑态度。
因为原创能力的形成，并不是靠几家公司就能完成的，它背后涉及整个教育体系、激励机制乃至社会结构。
短时间内，很难彻底改变。
但至少在当前这一轮大模型竞争里，中国教育体系确实正在持续输出大量非常适合“AI 工程战”的学生和工程师，而且数量极其庞大。
与此同时，中国也正在经历与美国类似的人才流向变化：越来越多原本想留在学术界的人，开始转向产业界。
其中最有意思的一句话，来自一位研究人员。
他说，自己曾经想成为教授，因为这样能更接近教育体系。
但后来他意识到：
“既然有了 LLM，学生为什么还要来找我？”
除此之外，Lambert 还提到一个很有意思的观察：中国年轻 AI 研究人员普遍非常“直接”。
他们很少像美国 AI 圈那样，持续讨论 AGI、社会风险、意识形态或 AI 哲学。
当 Lambert 询问他们对 AI 长期经济影响、社会结构变化等问题怎么看时，很多人的反应甚至会有些困惑。
因为在他们看来，自己的核心任务非常简单：
把模型做得更好。
这种差异非常微妙。
只有当你和一位极其聪明、英文流利、表达能力很强的研究人员长时间交流时，才会明显感受到：
一旦话题进入 AI 哲学层面，他们会突然露出一种“为什么要讨论这个”的不解。
对他们而言，这甚至像是一种“分类错误”。
有位研究人员甚至引用了一句话：“中国是工程师治国，美国是律师治国。”用来解释中国为什么更强调建设、执行和工程落地。
某种程度上，这也解释了为什么中国 AI 圈里，很少出现类似 Lex Fridman 或 Dwarkesh Patel 这样的“明星 AI 传播者”。
因为中国整个行业的文化重心，本身就更偏向“把东西做出来”，而不是持续围绕技术本身展开公共讨论。
中国AI更像“生态系统”，而不是“部落战争”
北京给我的感觉，其实很像旧金山湾区。
实验室之间距离很近，打车就能到。我下飞机后，先顺路去了阿里北京园区。之后 36 小时里，我们又连续拜访了：Z.ai、月之暗面、清华大学、美团、小米、01.ai 等公司。
研究人员之间跳槽也很频繁，这一点和美国非常像。
但不同的是，中国的大模型圈，更像一个“生态系统”，而不是彼此敌对的部落。
私下交流时，我几乎感受不到美国实验室之间那种明显的火药味。
所有中国实验室都非常忌惮字节跳动，因为豆包是中国唯一真正意义上的前沿闭源实验室。
与此同时，大家又都非常尊敬 DeepSeek，认为它是研究品位最好的实验室。
而在美国，如果你私下和实验室成员交流，很多时候很快就会进入激烈争论。
中国 AI 行业，与西方最大的不同
如今，AI 公司已经不仅仅是在“训练模型”。
它们还要解决部署、融资、推广、商业化、生态建设等问题。
美国生态已经形成了一套相对成熟的模式，以 OpenAI、Anthropic 为代表。
但中国公司的思路，有不少不同，有这样几个观点让我印象深刻：
1. 中国 AI 需求，可能比外界想象的大
很多人认为，中国 AI 市场会比较小，因为中国企业不愿为软件付费。
但这个逻辑，其实主要适用于 SaaS。而中国虽然 SaaS 不强，却拥有非常庞大的云计算市场。
一个关键问题在于：AI 更像 SaaS，还是更像云？
中国实验室内部也在争论这个问题。但整体来看，AI 更像云计算，而不是传统软件。
因此，大多数人并不担心未来没有足够大的 AI 市场。
2. 中国开发者几乎都在用 Claude
尽管 Claude 名义上在中国不可用，但中国开发者几乎都对它非常痴迷。
很多人都认为，Claude 极大改变了他们的软件开发方式。有些人也会提到 Kimi 或 GLM CLI，但几乎所有人都会提 Claude。
反而让我意外的是，几乎没人提到 Codex。而 Codex 在硅谷最近非常火。
3. 中国公司有很强的“技术所有权意识”
这一点非常重要。很多中国科技公司，并不是为了蹭热点才做大模型。
而是因为它们认为，未来最重要的技术能力，必须掌握在自己手里。
这也是为什么美团、蚂蚁、小米这些公司，都会自己做 LLM。
如果放在美国，同类公司更可能直接采购 OpenAI 或 Anthropic 的服务。
中国公司的逻辑则是，即使使用通用模型，也必须掌握自己的技术栈，并保留自己的内部微调版本。
所谓“开源优先”，本质上也是一种务实策略：开源可以帮助模型获得更多反馈，增强生态影响力，也能帮助自身迭代。
4. 政府支持确实存在，但很难量化
中国政府对 AI 的支持是真实存在的。但它到底有多大，目前外界很难真正判断。
北京很多区域都在争夺 AI 公司入驻。政府提供的帮助，可能包括审批、办公资源、人才支持等。
但究竟能深入到什么程度，很难说。整个访问过程中，我们听到了很多关于“政府支持”的说法，但很少有人能给出明确细节。
不过有一点很明确：没有任何迹象显示，中国政府高层会直接干预模型技术路线。
5. 中国的数据产业，仍然明显落后
美国很多 AI 公司，会花数亿美元购买 RL 环境和训练数据。
但中国实验室普遍认为，国内数据服务质量不够好。因此，它们更倾向于自己搭建训练环境、自己做数据。很多研究人员本身就会参与 RL 环境构建。
而字节、阿里这种公司，则拥有自己的数据标注团队。这其实也符合中国企业整体的“自建优先”思维。
6. 所有人都极度缺 GPU
英伟达 GPU 依然是训练前沿模型的黄金标准，所有实验室都缺。
如果供应足够，他们一定会大量购买。当然，华为芯片在推理侧也获得了很多积极评价。很多实验室都已经能使用华为芯片。
/ 04 /
总结，全球 AI 正在进入一种新的平衡
这趟中国之行让我意识到，中国并不是一个能简单用“规则”或者“模板”去理解的地方。
它拥有完全不同的文化、组织方式和技术生态。而这些东西，正在深刻影响 AI 的发展路径。
中国实验室并不一定是“开源理想主义者”。但它们非常重视开发者生态，也非常强调技术栈控制权。
几乎所有大型中国科技公司，都在做自己的通用大模型。
这不是因为跟风，而是他们真的相信，未来最重要的技术，必须掌握在自己手里。
当我从电脑前抬头，看见远处无数起重机时，我会非常自然地觉得：这种技术建设欲望，与整个中国社会的气质，其实是一体的。
最让我触动的，是中国研究人员身上的真诚、热情与温和。
美国那种激烈的地缘政治情绪，并没有明显影响到他们。
世界或许需要更多这种简单、直接的积极感。
当然，作为美国人，我依然希望美国实验室在 AI 各个层面保持领先。
但与此同时，我也希望全球开放 AI 生态能够继续繁荣。
因为这意味着，更安全、更开放、更普惠的 AI。
文/阿奇
PS：如果你也在寻找投资AI资产的机会，欢迎扫码加入我们的交流群。
热门跟贴