Jay 发自凹非寺
量子位 | 公众号 QbitAI
中国 AI 研究员的性格、魅力和真诚……让人倍感亲切。
这是艾伦研究所（Ai2）的研究员 Nathan Lambert，在最近结束中国之行后，发自内心的一番感慨。
在 Nathan 眼里，国内的 LLM 圈子简直是天堂，大家彼此尊重、即便立场不同也客客气气的。
反观大洋彼岸的御三家，他突然有点没眼看。
天天激情互喷，跟部落争霸似的……
并非场面客套话。
这次来中国的 36 小时，Nathan 几乎把国内 AI 圈打卡了个遍，月之暗面、智谱、清华、美团、小米、千问……都有深度交流。
在和大量一线 AI 研究员、学生聊完天后，Nathan 得出了这个结论：
这里的 AI 玩家，在合作共赢。
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种种事迹——
- 所有实验室都有点怕字节，所有人都敬佩 DeepSeek。
- 北京简直跟硅谷一样，他36 小时内跑了 6 家 AI 公司。
- 他问一名中国研究员对 AI 风险的看法，对方困惑地愣住了——这似乎是个不合适的问题。
- 美团、小米这种公司也会自研大模型，这在中国是理所当然的事。
- 从笔记本上抬起头，总能看到地平线上的起重机，仿佛中国工程师文化的一种具象化。
实在太真诚了，连MiniMax都跑来前排围观，表示希望下次 Nathan 的「中国行」能把上海和深圳也安排上。
以下是整理后的文章节选。
Enjoy。
中国研究员的心态
Nathan 在文中花了大篇幅聊一个事：为什么中国实验室这么擅长追赶前沿？
他的核心判断是，文化。
今天做一个好的 LLM，靠的是从数据到架构到 RL 算法，全栈每个细节的打磨。每个环节都能榨出一些提升，但怎么把这些提升拼到一起，是一个极其复杂的多目标优化问题。
有时候某个天才研究员的工作，需要为模型的整体工作让路。
在美国，这种事经常引爆冲突。
Nathan 透露了个瓜：Llama 团队据传就是因为内部政治斗争过重而崩盘的。
大家都想让别人按自己的想法做事，有实验室需要花钱安抚顶级研究员，才能让他们别再抱怨自己的想法没被采纳。
据此，他得出一个结论：
过强的 Ego 和野心，会妨碍做出最好的模型。
而中国这边，他观察到一个微妙差异：
中国实验室的核心贡献者有大量都是在读学生，在这里，学生被当成同事直接参与核心研发。
他们会愿意做那些不那么 Sexy 的工作，无所谓，只要能让模型变好就行。
反观美国呢？OpenAI、Anthropic、Cursor 这些顶级公司干脆就不开实习。
Google 这类公司名义上会有和 Gemini 相关的实习，但事实上，大家会担心实习生会被隔离在边缘区域，接触不到核心工作。
但中国经验证明，学生的参与，反而能大幅加快行进速度。
除此之外，这些学生还带来了一个意想不到的优势：全新的视角。
过去几年 LLM 的关键范式从 Scaling MoE，到 Scaling RL，再到 Agent，每一次转换都需要疯狂吸收新的上下文。
学生恰恰最擅长这个。他们擅长快速学习，也乐于放下一切预设，一头扎进去。
Nathan 还注意到一件有意思的事。当他问中国研究员对 AI 的经济影响或长远社会风险有什么看法时，很多人的反应是——
愣了一下。
不是不想回答，是真的觉得不关他们事。他们的任务就是做出最好的模型，其他的事，不是他们操心的范围。
相比之下，美国文化更强调为自己发声。
作为科学家，你越能为自己的工作发声，就越容易成功。
而硅谷文化也在推动一种新的成名路径，也就是成为明星 AI 科学家。所以大家乐忠于上 Dwarkesh、Lex Fridman 这种超级播客节目。
一位研究员引用了 Dan Wang 那个经典说法，很精辟：中国是工程师治国，美国是律师治国。
工程师考虑的是解决问题，而律师考虑的，是定义问题。
概括一下，Nathan 觉得有四点比较重要的文化差异：
1、更愿意做那些不那么光鲜，但能提升最终模型的工作。
2、刚进入 AI 构建领域的人，不受上一轮 AI 炒作周期的路径依赖束缚，因此能更快适应新的现代技术。
3、更少的自我意识，让组织结构能稍微更好地扩张，因为更少有人试图钻组织系统的空子。
4、大量人才非常适合解决那些已经在别处有概念验证的问题。
北京=硅谷
Nathan 的北京游挺有意思。
他说北京简直像湾区。随便走两步就是一个竞争对手的办公室。
他下了飞机，去酒店的路上顺便就拐进了阿里巴巴北京园区。然后在 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，他向研究员们八卦中国的人才争夺情况怎么样。回答是：
跟美国差不多。
跳槽很正常，主要看当前哪个团队氛围最好。
但有一点跟美国很不一样。
在中国的 AI 圈，实验室之间更像是一个生态，而不是互相厮杀的部落。在很多私下交流中，大家对同行都是尊重的。
所有实验室都对字节跳动和豆包保持高度关注，在 Nathan 看来，字节是中国少数走闭源路线推进的大模型玩家。
所有人都敬佩 DeepSeek，认为它是研究品味最好的实验室。
这让 Nathan 很惊讶，和美国研究员的线下对话，火药味可比这浓多了。
但在中国，大家似乎冥冥中形成了一种默契的共识。
还有一点他觉得很奇怪——
中国研究员谈到商业化的时候经常耸耸肩，说：那不是我的事。
而美国这边，从数据供应商到算力到融资，人人都对各种生态级别的产业趋势如数家珍。
中国 AI 产业的真实样貌
聊完文化，Nathan 接着聊了聊产业层面他观察到的几个关键差异。我挑几个最有意思的说。
1、国内 AI 需求的早期信号
一直有一种说法：中国 AI 市场会比较小，因为中国公司不太愿意为软件付费。Nathan 认为这个判断只对了一半。不愿意花钱的部分对应的是 SaaS 生态，这在中国确实很小。但中国有一个庞大的云计算市场。
关键问题在于：企业在 AI 上的花费，最终会走 SaaS 的路线还是云的路线？
Nathan 的感受是，AI 更接近云，而且没有人在担心围绕新工具是否能长出市场。
2、中国公司的技术自研执念
为什么美团、蚂蚁集团这种公司也在自己做大模型？
西方人可能会觉得奇怪。
但在 Nathan 看来，中国人的逻辑是：LLM 显然会成为未来科技产品的核心，所以必须自己掌握。
不过，虽然自研，但也开源。
先训一个通用底座，开源出去让社区帮忙打磨，内部再微调一个版本用到自己的产品里。
开源不是信仰，是实用主义——它能获得社区反馈，能回馈开源生态，也能帮助他们更好地理解自己的模型。
3、算力不足
英伟达仍是训练的黄金标准，每个实验室都因为芯片不够而受限。
4、数据产业不够成熟
Nathan 听说过 Anthropic 和 OpenAI 动辄花 1000 万美元以上买单个 RL 训练环境，每年累计花费数亿美元来推动前沿。
他很好奇，中国实验室是不是也在从美国公司买这些环境？或者有镜像的国内供应链？
答案是：有数据产业，但质量参差不齐。
所以自己做更靠谱。一般来说研究员们会亲自花大量时间搭 RL 训练环境，字节和阿里这种大公司则有内部数据标注团队。
尾声
Nathan 文章最后的一段话，关乎「了解」。
Nathan 表示，来之前就知道自己对中国了解甚少，走了一圈之后反而更强烈地感受到，自己根本不了解这块土地。
中国不是一个能用规则或公式来概括的地方，它有完全不同的动力学和化学反应。
如此古老且深厚文化，却又与当下的技术建设完全交织在一起。
在 Nathan 跟几乎所有中国领先 AI 实验室交谈后，他发现中国有很多特质和直觉，是很难用西方的决策框架去建模的。
他不明白，为什么这些实验室要开源自己好不容易训练出来的模型。
它们不会认为自己构建的每一个模型都必须开源，但都非常有意愿支持开发者、支持生态，并且把开源进一步了解模型的一种方式。
这些公司构建 LLM，并不是因为追逐热点，想在新潮技术里刷存在感。
这一切的背后，是一种 Nathan 没有想过强烈的深层愿望：
把技术栈掌控在自己手中。
这也让 Nathan 在文章结尾，直言自己有些许焦虑：
如果说我不希望美国实验室在 AI 的每个领域都保持明确领先——特别是在开源模型这块——那我就是在骗人。
我是美国人，这是一个诚实的偏好。
我希望开源生态能在全球繁荣。这能为世界创造更安全、更可及、更有用的 AI。
但现在的问题是，硅谷是否能保住这个领导地位？
归根结底，依旧是在谈中国开源文化这件事。
关于这一点，Nathan 说了一句非常有画面感的话，很适合用作结尾：
当我从笔记本电脑上抬起头，总能看到地平线上的一簇簇起重机。
这跟中国的开源精神，显然是一脉相承的。
Nathan 报告原文： https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs
