美国AI学者的中国观察：算力焦虑、年轻人才与大模型演进

type

status

date

slug

summary

category

icon

password

网址

美国AI研究员是怎么看中国AI模型发展的？

2026年4月，一位在美国AI圈极具影响力的研究者，专程来到中国，走进北京、杭州和上海的AI实验室。他密集拜访了阿里巴巴、月之暗面、智谱、清华、美团、小米、蚂蚁和零一万物等团队。回到美国后，他写了一篇名为《Notes from inside China's AI labs》（中国AI实验室内部观察随笔）的文章，在美国科技圈引发了不小讨论。

这位美国AI研究者，就是Nathan Lambert。

Nathan参与组建了Hugging Face的RLHF（基于人类反馈的强化学习）研究团队，后来担任艾伦人工智能研究院Ai2的大模型后训练负责人，参与打造了OLMo和Tülu等开源模型。同时，Nathan也是Lex Fridman播客里的熟面孔。

2025年DeepSeek引爆全球讨论之后，Lex曾邀请Nathan和SemiAnalysis创始人Dylan Patel进行了一场超过五个小时的深度对谈。2026年，Nathan再次登上Lex的节目，用四个多小时盘点了全球AI的最新进展。Lex称他是当前AI社区中广受尊敬的研究者、工程师和技术传播者之一，对全球开源模型有着紧密的追踪。

那么，一个长期站在美国开源模型最前线的人，真正走进中国AI实验室之后，看到了什么？中国和美国的大模型研究，分别正在发生怎样的变化？这篇文章，我们与Nathan Lambert聊了聊他的中国行、一路上的所见所闻、他眼中的中美AI发展异同，以及全球大模型竞赛的下一站。

本文为视频改写，欢迎大家收看视频

陈茜：你好Nathan，欢迎来到《硅谷101》。你刚从中国回来，这趟行程里你实地走访了很多中国领先的AI实验室，能多跟我们讲讲这次旅程吗？

Nathan：我回来之后，大家都会问我“你这次最大的收获是什么”。但我觉得，AI领域里谁在做模型、哪些团队在推进，很多信息其实已经相对公开，所以并没有太多那种“惊天大料”式的发现。对我来说，作为一个长期关注这些模型的人，这趟旅行更重要的是认识做这些模型的人，理解他们为什么做这件事，感受其中的细微差别。我今年一直在补课了解中国。在美国，很多人会替中国团队解释“他们为什么这么做”，但我更想听他们自己说“我们为什么在这里、为什么要做这些”，这很有价值。

所以我之后肯定会继续关注、继续试用这些开源模型。现在这个生态很有意思：美国有很多公司想围绕真正开放的模型智能栈来做产品和服务，为各行各业的人创造价值，而很多模型其实是在中国搭建出来的。这两个有着深厚历史的科技圈，在工作方式上一直交集不多。有些公司还留着一些老规矩，比如在Meta和Google，你一去中国出差，电脑基本就废了。也就是说，中间一直有一堵墙，让大家很难真正一起工作，但现在这堵墙正在慢慢被打通，我对此非常感兴趣。

某种程度上，这些模型能有这么强的竞争力确实让人惊讶，但当你进一步了解那里的人才和整个生态之后，又会觉得这件事变得合理了。我自己关注AI，很大一部分原因是我觉得未来几年它会带来很多风险，尤其是社会层面的风险，比如人们如何获取信息，当然地缘政治上它也会是重要议题。所以搭建人与人之间的桥梁、让大家看到这些技术背后真实的人，非常有意义，因为很多决策并不是他们做的，哪怕外界觉得这些决定很政治化或很极端。这是一个共同向着各种目标迈进的社群，不管你把那个目标叫AGI（通用人工智能）还是别的什么，能见到这些技术背后的人，我真的很高兴。

陈茜：你这次去了多久，主要去了哪些城市？

Nathan：大概六七个晚上，主要在北京和杭州。我们在北京住了三四晚，就在奥林匹克中心附近，所以早上还能去鸟巢那一带跑步。有意思的是，大多数公司都在清华附近，那边有一整片AI创业公司的聚集区，感觉很像湾区：溜达着就能逛遍这些顶尖AI公司，交通上几乎不用费心。

后来我们又去了杭州住了几晚，那里有阿里巴巴，还有DeepSeek。不过我们没去DeepSeek办公室，但和一些人聊过，也拜访了阿里。这是我第一次来中国，能见到这些团队很棒。

陈茜：所以这次你具体去了哪些实验室或公司？

Nathan：我尽量列全一些。我们也参观了一些机器人公司，不过写作时我没有重点写那部分，这里只说和语言模型相关的。

我去了两个不同的阿里巴巴办公室，一下飞机到北京，就直接去阿里巴巴北京办公室见了千问（Qwen）团队。还见了Kimi（也就是月之暗面）、智谱AI，以及和我一起写Interconnects的Florian。我们也去了美团，它们也有自己的语言模型团队，还去了清华大学和北京的小米园区。到杭州之后，我们去了阿里巴巴园区、蚂蚁集团的百灵团队，以及阿里旗下的魔搭社区（ModelScope）。

这次其实是一次团体行程，很大一部分是围绕SAIL来安排的。SAIL由一群AI领域的Substack作者组成，他们搭了一个平台，在AI媒体和活动上做些有趣的事。后来其他成员在上海和MiniMax聊了，可能也和阶跃星辰（StepFun）聊了。所以名单真的很长。当然，很明显缺席的是DeepSeek，它是最神秘的一家，还有字节跳动。你去拜访这些公司会发现，几乎所有人都在谈DeepSeek，因为它像是一个神秘的先行者。而字节跳动是那个坐拥海量资源的闭源AI实验室，大家似乎对它都有点忌惮，毕竟豆包现在是最主流的聊天机器人。你到了现场很快就能捕捉到这些信号，因为所有人都在聊。

陈茜：你在Substack文章里说，这次回来之后你“带着一种谦卑”。这是什么意思？

Nathan：作为一个美国科学家，我原本从没想过自己有资格对中国科技生态、或者中美在全球层面的互动发表什么看法。去之前我就知道自己了解得不多，去了之后更觉得，我没看到的还多着呢。我这次只去了中国的两座城市，而且是很密集的工作行程，很多时候像是被车“传送”到一个又一个地方。当然，我们也吃了很好的晚餐，看了北京一些很可爱的街区和老建筑，但总体上，我还是觉得自己对中国了解得很少。

你要想对一个地方形成比较准确的直觉，需要更接近“全栈式”的了解：一个在这里长大的人会怎么想，一个中国研究员的本能反应会是什么。作为美国人，我可能要花一辈子才能真正理解这些，比如教育系统到底有什么不同。

我们去清华时，他们也会主动谈到一种外界印象，就是过去中国研究员似乎不那么擅长“从0到1”的科学创新。这个说法本身也很模糊，“什么叫从0到1？”，这里面既涉及人的训练方式，也涉及人才如何从一个比美国广阔得多的国内网络，层层流向不同机构。这些话你听别人讲是一回事，真正到现场看到又是另一回事。今年我读了《Breakneck》和《Apple in China》这两本很好的书，都在讲美国科技生态与中国的互动，但那仍然只是很有限的视角。所以我离开时的感觉是：我原本就知道自己懂得不多，现在更确定了，我还有很多要学。

陈茜：你们这次主要见的是高管层，还是中层的AI研究员和工程师？你觉得这些对话真的有帮助吗？

Nathan：我们本来就更想多和研究员聊，建立一种对话，同时也尽量争取见到领导层，尤其是创业公司的负责人。实际情况是，我们大多先从研究员聊起，也见了一些高管，比如阿里的人，或者一些在公司内部很有名、会直接和创始人打交道的人。不过正式拜访时，很大一部分也是礼节性的，要向对方表示尊重。但说到底，公司领导通常更受过媒体训练，有时反而说得更少，会更贴着公司的口径，把细节和微妙之处压掉。所以两种情况都有。那些大公司可能更愿意让我们见一些资深的云业务负责人，但不会透露太多。还有一些内容是私下聊的，不方便公开。这个回答可能不算完美，但实际情况就是比较混合。

大多数正式会面，房间里都会有公关的同事。反而一些最好的对话是这样发生的：我发消息说我在中国，然后就和某个研究员加了微信、私下去喝杯奶茶，不在公司会议室里，你就可以很直接地问“你现在在做什么”。没有了“我坐在办公室、经理在旁边、公关也在旁边”那层表面包装，那种对话更有意思。但在这趟行程里也更少见。

陈茜：你主要会问他们哪些问题？

Nathan：问题有很多层次。我通常会从一个相对容易回答的问题开始：“你们为什么要发布这些模型？为什么要自己做模型，而不直接用DeepSeek的？”很多公司其实非常务实，他们会说：我们需要AI来服务自己的用户，也想掌握完整的技术栈，所以就自己做。相比美国那种“做前沿实验室是一件超级昂贵、几乎只有少数公司能做的事”的氛围，中国这些公司对自己做AI模型没有那么畏难。在美国，这可能只属于少数精英公司，但在中国，好像很多公司都会去做。

这也是我们为什么想去美团看看，没想到他们也有自己的大模型，所以我们就想去了解他们到底在做什么。他们会说：“我们需要这个模型来支撑自己的智能体产品，所以就把它做出来了。”至于是不是开源，并不是最重要的，顺便发布出来还能获得一些反馈。他们对“开放科学”这件事的态度也很务实。

顺着这个问题，话题就会延伸到“你们现在最大的瓶颈是什么”，而这个问题很快就会卡到算力上。很多人会说，华为芯片做推理还不错，“我们会用华为做推理，但基本不会用来训练”，类似的话很多人都提到过。同行的人也会问一些更宏观的问题，比如AI接下来会怎么发展、会怎样影响劳动力市场和经济，作为科学家，你会不会觉得自己有责任去理解、去思考这些影响。

我们发现，中国研究员相对不太愿意展开谈太多看法。这里面有企业文化的因素，但我觉得更主要的是他们所处的整个环境，比学校里教的那套要局限一些，更多是“我把东西做出来了”。而且中国没有那么强的播客生态，不像美国，研究人员能通过增加曝光获得认可，甚至影响公司的方向，所以整体氛围会更偏务实。我有时写文章会把这种务实和“谦逊”混在一起，但其实一个人可以很谦逊，同时也可能只是身处一种不习惯被问这些问题的环境里。

陈茜：聊聊你去过的几家公司，你觉得它们彼此差异大吗？先从月之暗面聊起吧。

Nathan：对，这些公司走进去之后，给人的感觉确实很不一样。Kimi是一个很明显的例子，你会感觉这群人关系特别近，做出一个很酷的东西本身就让他们兴奋，并且还能把它商业化。他们的想法是“我们做的这些模型，自己也在用”。那种紧密感，是你一走进办公室就能直觉感受到的，你会觉得这群人真的很有凝聚力、很亲近，一起全身心扑在这件事上。所以我会把Kimi形容成我们这次拜访过的公司里“氛围最好”的一家，你能感觉到他们挺开心，也很坚定地走在自己的路上，不是那种特别公司化的感觉。

你去阿里就很明显能感受到这是一家巨大的科技公司，整个氛围非常公司化。蚂蚁集团的百灵团队也有一些这种感觉，因为它同样隶属于一家巨型科技公司。而在一些中间状态的公司里，比如智谱，给人的感觉就非常“AGI导向”，也很有自豪感，但至少从我们接触到的情况看，它没有月之暗面那种亲和力和魅力。当然，这里面也可能有很多偶然因素，毕竟我只是某一天和这些人一起吃了几个小时午饭，不能就此判断一家公司的长期走向。但这仍然很有意思，因为人是会自然流露状态的，你确实能从中看出一些东西。

陈茜：月之暗面有一篇论文叫《Attention Residuals》，其中一个作者是17岁的高中生，马斯克在X上转发了这篇论文，说“Kimi的研究成果令人印象深刻”，这个高中生现在在中国很出名。你觉得这说明月之暗面的文化有什么特点？

Nathan：这可能不完全是月之暗面独有的现象，在中国这些AI公司里，人才都非常年轻。这些公司现在也都在努力扩大自己在西方媒体里的存在感，很多研究员在X上很活跃。我之前认识其中几个人，感觉他们有些是在公司里同时做产品和对外沟通的，比如Kimi、智谱和小米都见到了这样的研究员，他们都大概20来岁，和我打招呼的时候，我心想“哇，这些人真的太年轻了”。

美国当然也有这种人，特别有冲劲，最后进入前沿AI实验室，但在中国太普遍了，你会接连遇到这样的年轻研究员，年纪很小却已经深度参与到实验室的核心工作里。这让我感觉有点像一种结构性现象：这些公司吸纳年轻人才的速度比很多其他实验室快得多，也更愿意让他们站出来。真的挺震撼的。我自己也才30岁出头，平时觉得自己还挺年轻，但这些人真的好小，能看到这一点也很酷。

陈茜：但在美国不是这样吗？美国实验室里没有那么多年轻人才？

Nathan：对，我觉得不一样。Ai2有一个特点，也算是它的“秘诀”，就是它背后就是华盛顿大学。我们有很多博士生同时参与OLMo和其他重要项目，一边读书一边做核心工作。但这种开放的做法，换到别的实验室就没那么通融了。我知道有少数博士生在实验室工作，但在美国，那通常是“顶尖中的顶尖”。而在中国，产业和学术界的交融要深得多，尤其是清华和周边创业公司之间，这种互动更有意为之，人才的重叠度也更高。

陈茜：这为什么重要？

Nathan：学生年轻，有冲劲，生活里牵扯的事情少得多。我今年要结婚，也开始考虑家庭，30岁了，生活里还有很多别的事要顾。但学生会觉得“这就是我这辈子要搞的技术，我就一直干，把所有东西都吃透”。做语言模型时，比如我做后训练，你需要知道预训练团队在做什么，理解整个训练方案的多个阶段，然后找出瓶颈并解决它，你需要掌握的其实是一个非常庞大而稳定的知识体系。如果这就是你生活中最重要的事，又没太多分心，你就更容易把这些东西全部吸收进去。

有位研究员跟我们说，新来的学生没有那些先入为主的想法，不知道以前深度学习那一套是怎么做的，他们不会一上来就想换一种架构，而更像是“我想先知道当前最先进的方法是什么，然后把它做得更好”。这其实是一种简单、好执行的做法，中国的一些研究员也跟我们说“对，我们现在做的就是这个”。

陈茜：明白。那聊聊智谱吧，你去那里感觉怎么样？

Nathan：挺有意思的。我学到的一点是，中国公司很有“展厅文化”，有访客来就会展示公司的历史。智谱的展厅里，几乎每块展示板都有某种AGI相关的元素，比如“AGI加载中”，或者说AGI进度到了42%，这是《银河系漫游指南》的梗，你一进去就会注意到。另一方面，我可能没有像了解Kimi那样了解他们，但他们对自己的工作很自豪，也非常成功。我觉得他们因为上市，又突然被美国列入实体清单，某种程度上一下子被推到了“真正的大公司”的位置，而Kimi还没有完全走到那一步。在我看来，两家公司其实很相似，只是模型上的取舍不同。未来如果Kimi保持私有化、而智谱选择上市，这种文化差异会不会被进一步放大，还挺值得看的。

陈茜：进入二级市场有时候确实会带来差异，通常也会获得更多关注。

Nathan：对，智谱和MiniMax现在都上市了。这样也好，因为短期内能融到资，但如果以后还需要更多资本来训练模型，就会更难，你其实很难再去上市一轮。而现在市场对任何一家上市的AI公司都非常追捧，投资需求很强，但这个趋势也可能反转。所以现在是好事，之后不好说。这些决策不是我做的，只是说两边都能找到理由。

陈茜：今年早些时候，OpenRouter上Kimi和智谱的API请求量激增，就在OpenClaw火起来那阵子。你觉得这个趋势会持续吗？

Nathan：我们正在看到几个不同的市场逐渐成形。最顶端是Claude Code和Codex这类产品，我会把它们称为“知识工作工具”，但本质上，只要某个价格带能跑得通，就会出现对应的智能体产品。开放模型有意思的地方在于，价格足够低，大家更容易拿来做实验，所以自然会有很多人在这类平台上试。这些模型公认能力强，价格又低一档，同时还有一定的品牌认知，DeepSeek、智谱、Kimi、千问都在这个位置。

我个人觉得OpenClaw这个名字可能火一阵就过去了，但它代表的这类智能体会留下来，比如现在Hermes Agent更受欢迎，这些具体产品会来来去去，以后还会有新的。关键是，这种智能体你可以直接跑在OpenRouter上，调用这些托管模型也不算很贵。OpenRouter本身在真实的推理市场里占比其实不大，比如在美国，Fireworks和Together AI的规模要大得多，它们最近也开始公布自己每天处理多少token之类的数据。但OpenRouter更偏社区导向，所以对关注开放模型的人来说，它往往就是大家最先想到的平台，这个位置显然很有优势。这些公司也在很主动地借这个势：当模型在OpenRouter上火起来，他们就顺势去推，这是一种很好的、会自我强化的联合品牌效应。

陈茜：我们再聊聊你去美团和小米的经历吧。这个现象很有意思，就像前面说的，中美很不一样：在中国，这几乎有点像Uber和Apple这样的公司也在开发自己的开源模型，但在美国它们并没有这么做。为什么在中国会这样？

Nathan：如果你去问美团，或者看美团、小米这类公司的立场，会感觉他们的判断是：我们未来会有很多真正被用户使用的智能体。以美团为例，你可以想象一个智能体替用户做一些事，比如帮他判断该提什么需求、该点什么东西，它能做到这些。在美国，消费者公司的第一反应可能是“那我直接拿一个API key调外部模型就好了”。但在中国，很多公司的想法是“我们自己也能做，而且可能更便宜，我们有算力也有人才，为什么不自己试试”。

不只是美团，还有几家公司也这么想：“我们做通用模型，但用途不止于此，通用模型可以发布出来给更多人用，然后我们再在这个基础上做微调，做成更专门的智能体和模型，用在自己的内部服务里。”美团就是很好的例子，那些专用模型不会发布，但会用进自己的app里。你也可以想象小米，比如模型可以驱动汽车里的某些功能。我猜小米可能会像特斯拉那样，车会和云端通信，有各种各样的接口。虽然不太确定具体是什么样，但AI会越来越深地融入所有数字技术里。

陈茜：我觉得小米也是典型的“大公司什么都想自己做”，现在又做大语言模型、机器人模型和机器人硬件，它真的想把每件事都自己做一遍。

Nathan：对，小米的模型其实也很新。2025年4到6月，他们发布了最初的MiMo 7B模型，12月又推出了很受欢迎的MiMo-V2-Flash，最近好像还出了V2.5。人们需要一点时间才会意识到，这些模型会不停涌现。看到一个几乎从零起步的新实验室这样做起来，确实挺让人意外的。他们还招了之前DeepSeek的员工罗福莉。

现在看起来，小米很可能会成为中国最强的模型团队之一。而美国这边，很多人对中国模型的认知还停留在DeepSeek、千问、Kimi和智谱，有人知道MiniMax，有人可能还不知道，这个名单其实已经很长了。

但我去了小米之后，我预感他们会继续做下去，给人的感觉非常务实：对他们来说，做这件事是有道理的。小米过去已经做成过很多很厉害的事，相比造过的车和其他硬件，做一个AI模型反而好像没那么夸张了。

陈茜：美团还投资了月之暗面最近一轮融资，这也说明美团在大举押注AI。中国公司往往有非常庞大的生态，喜欢超级app，喜欢生态，也喜欢从零开始自己造一切。你觉得在AI时代，这是正确的路线吗？

Nathan：这件事确实值得自己上手试一试。我觉得AI因为天然非常依赖资源，会更有利于大公司，尤其是那些能进入正向飞轮的公司：我们有很多资源，AI让我们的产品变得更好，于是获得更多回报，又能继续投入，最后赢得更多。在美国，这种趋势已经很明显了，Google占据很强的位置，OpenAI和Anthropic也基本不用担心，英伟达更不用说，所有处在这个反馈循环里的公司都会很强。

有意思的是这套逻辑在中国会怎么展开。我觉得蚂蚁集团就在这条路上，他们在做自己的模型，同时能看到自己的平台能力不断扩展，比如现在进入医疗健康领域，未来也肯定会把模型用到这些场景里，所以对他们来说这件事非常合理。但如果你是一个西方观察者，可能会想“为什么会有蚂蚁百灵”，因为他们没意识到，当你用支付宝这样的平台时，它背后覆盖了多大的业务和多少应用场景。所以对这些触达范围很广的大公司来说，自己做模型是说得通的。

...