美国 AI 大佬中国行：所有实验室都忌惮字节，都认可 DeepSeek

【导读】：Nathan Lambert 是美国知名 AI 研究员、RLHF 技术权威与开源 AI 倡导者，现任艾伦人工智能研究所（AI2）高级研究科学家兼后训练负责人。

本文是他近日实地走访中国多家顶尖 AI 实验室后，对中美大模型行业的深度观察。

文章对比中美科研人员思维、职场文化差异：中国科研团队更务实低调、少个人内耗，年轻学生人才储备充足，专注模型落地研发；美国科研圈更重个人声望，易滋生利益博弈。

同时剖析中国 AI 行业六大特征：本土 AI 需求崛起、开发者高度依赖 Claude、企业技术自主意识极强、政策有扶持但难量化、本土数据产业链偏弱、全网紧缺英伟达高端算力。

文中指出中国科技企业自研大模型并非跟风，而是为掌控技术底层；中美 AI 生态逻辑截然不同，发展路径各有优劣，也点明全球 AI 生态亟需跳出地缘对立、协同共生。

坐上从杭州开往上海的全新高铁，望向窗外，连绵起伏的山脊线上错落矗立着一座座风力发电机，落日余晖将它们的轮廓勾勒得格外清晰。田野连绵成片，高楼集群拔地而起，群山为这一切铺就了天然背景。

此番中国之行，让我心怀极大的敬畏与感慨。去到一个文化迥异的陌生国度，却收获了满满的善意与欢迎，这种体验格外温暖人心。我有幸结识了许多 AI 行业的从业者，不少人此前只闻其名，此次线下相见，他们笑容爽朗、热情相待，也让我真切感受到：AI 行业本就是全球化的生态版图。

中国科研从业者的思维特质

中国做大语言模型的企业，天然具备技术快速跟进者的特质。这既源于根深蒂固的教育与职场文化，也和科技企业截然不同的发展理念息息相关。

单从成果来看，全球顶尖大模型都已具备智能体工作流能力；从底层配置来讲，顶尖科研人才、海量数据、算力加速资源一应俱全，中美顶尖实验室的硬件与基础条件大体相似。真正拉开差距的，是组织模式与发展逻辑。

我一直认为，中国实验室之所以能持续紧跟全球技术前沿，背后有深厚的文化因素加持。但在没有和从业者深入交流前，我始终不愿仅凭直觉下定论。此次和中国多家头部实验室谦逊、坦诚的科研人员深入沟通后，我心中的许多想法也有了清晰印证。

如今打造顶级大语言模型，本质是全链路精细化打磨：从数据底层、模型架构细节，到强化学习算法落地，每一个环节都决定最终效果。模型的每一处优化都有价值，而整合所有技术点是一项复杂工程——部分科研人员极具创意的单点想法，往往要为模型整体的多目标优化让步。

美国科研人员同样擅长攻克细分技术难题，但职场文化里更推崇自我发声、彰显个人成果。作为科研人员，主动为自己的研究发声更容易获得认可，当下也兴起了顶尖 AI 科学家走红成名的新路径，这也难免引发内部利益冲突。

坊间一直传言，Llama 团队正是因内部个人利益博弈、层级架构内耗，最终走向分崩离析。我还听闻有其他实验室直言，有时甚至需要安抚核心研究员，只因自己的创意没能纳入最终模型版本。不论传闻真假，背后逻辑显而易见：个人野心与职业晋升诉求，终究会拖累顶尖模型的研发进程。中美科研文化的细微差异，足以对模型最终成品质量产生实质性影响。

造成这种差异的另一关键：中国各大实验室的核心研发人员中，在读学生占比极高。中国 AI 实验室团队整体年轻化，这和 Ai2 的模式十分相似——学生被视作平等伙伴，直接深度参与大模型核心研发。

这和美国头部实验室形成鲜明反差：OpenAI、Anthropic、Cursor 等企业几乎不开放实习岗位；谷歌虽有 Gemini 相关实习名额，但实习生工作大多被隔离在核心业务之外，很难接触到真实前沿项目。

总结来看，这种文化差异，让中国团队在模型研发上具备四大优势：

1. 更愿意深耕冷门基础工作，只为优化模型整体效果；
2. 新生代 AI 从业者没有经历过往 AI 行业炒作周期，更易快速适配全新技术范式；
3. 个人功利心更淡，减少了内部博弈内耗，团队组织架构更易规模化协作；
4. 人才储备充沛，擅长将已验证的技术思路落地迭代。

外界固有印象认为，中国科研人员擅长跟进落地，却少有从零到一的原创开创性研究。走访多家学术导向的实验室后我发现，不少行业领军者已开始着力培育原创科研文化。但也有技术负责人坦言，短期内很难彻底扭转这种科研惯性——这需要教育体系与科研激励机制的全面重构，在当前经济格局下难以快速落地。

但不可否认，当下的培养模式，已经锤炼出大批适配大模型研发的优质人才，且人才供给量极其充足。

科研人员还提到，中国也出现了和美国相似的人才外流趋势：原本立志走学术任教路线的年轻人，如今大多更倾向于入职企业。有位原本想留校任教的研究员打趣道：大模型已经能搞定教学答疑了，现在学生谁还会主动找老师请教？

在校生入局大模型研发，最大优势是视角全新、没有固有思维桎梏。近几年大模型技术范式几经迭代：从混合专家模型规模化，到强化学习扩容，再到智能体能力落地。想要吃透每一轮变革，必须快速吸收海量学术文献与企业技术栈知识，而学生恰好擅长这种高强度学习，也愿意放下固有认知潜心钻研，全身心投入模型优化工作。

这群年轻科研人还有一个特质：极其直白务实，很少陷入空洞的哲学思辨内耗。当被问及 AI 商业化前景、长期社会风险等宏观议题时，多数中国科研人员并无复杂观点，也无意参与舆论博弈。对他们而言，本职工作就是打磨出最好的模型。

这种差异细微却真实，和许多学识渊博、英语流利的顶尖研究员深度交流时感触尤为明显：当聊到 AI 伦理、社会影响等哲学层面话题时，他们往往一脸茫然，觉得这并非自己该思考的范畴。有研究员引用学者 Dan Wang 的经典观点：美国由律师主导社会决策，而中国由工程师主导发展建设，以此强调国人务实落地、潜心研发的特质。

美国有大量主流播客，能捧红顶尖 AI 科学家，打造行业明星；而中国目前没有成熟渠道，能系统性塑造科研人员的行业影响力。

谈及 AI 引发的经济格局变革、通用人工智能之外的深层议题、模型价值取向的道德争论时，能清晰看出这群科研人员的成长与教育底色：他们极度敬业专注，但成长环境并不鼓励对社会架构、价值导向发表个人观点。

跳出行业视角来看，北京的科技氛围和硅谷高度相似，顶尖实验室之间打车短途就能抵达。我落地后顺路走访了阿里巴巴北京园区，短短 36 小时内，接连到访 Z.ai、Moonshot AI、清华大学、美团、小米、01.ai 等机构。中国打车出行十分便捷，选豪华车型常能坐到带按摩座椅的电动商务车。

聊到行业人才争夺，科研人员坦言和美国现状几乎一致：研究员跳槽流动已成常态，择业更多看重团队氛围与工作体验。

中国大模型行业更像共生生态，而非彼此敌对的阵营。私下交流中，各家都对同行抱有十足尊重。所有实验室都忌惮字节跳动的 Doubao 模型，也是中国唯一封闭研发的顶尖大模型；同时业内一致认可 DeepSeek，认为其技术落地与研发思路最具水准。反观美国实验室，私下交流中很容易滋生对立与争执。

中国科研从业者的谦逊还体现在商业化层面：多数人认为商业落地不是自己的职责；而美国从业者几乎人人都热衷于研判行业趋势，从数据服务商、算力供给到融资赛道，事事关心。

中美 AI 行业：相同与不同

如今研发 AI 模型，早已不是聚拢一群顶尖研究员就能完成的工程奇迹。早年确实如此，但现今想要撑起 AI 企业长久发展，大模型必须兼顾研发、部署、融资、商业化落地全链路。头部 AI 企业身处复杂生态中，依靠资本、算力、数据等多方供给，持续推进技术前沿。

以 Anthropic、OpenAI 为代表的西方 AI 生态，其产业链逻辑已十分成熟。对比之下，摸清中国实验室的发展思路，就能看清双方未来赛道的差异化布局。当然，发展上限很大程度也受融资环境、算力供给约束。

通过深度走访交流，我总结出中国 AI 行业六大核心特征：

1. 本土 AI 市场需求已现雏形一直有种主流观点：中国企业不愿为软件付费，本土 AI 市场规模会受限，难以撑起庞大的推理算力需求。但这一逻辑只适用于传统 SaaS 赛道——中国 SaaS 生态本就薄弱，云服务市场却体量庞大。

业内至今没有定论：企业 AI 支出会对标小众的 SaaS 市场，还是庞大的云服务市场。但从现状来看，AI 商业化更偏向云服务逻辑，从业者普遍不担心新工具带动的市场增长空间。

2. 中国开发者高度依赖 Claude尽管 Claude 在中国并未正式合规上线，但绝大多数 AI 开发者都深受其影响，彻底改变了软件开发方式。国人虽向来不愿为软件付费，但技术从业者务实、谦逊且执行力极强，这种特质终将催生海量推理算力需求。

不少研究员也会使用 Kimi、GLM 等本土工具，但几乎人人都在用 Claude；反观硅谷热度暴涨的 Codex，中国提及度反而极低。

3. 中国企业具备强烈的技术自主掌控意识本土文化叠加强劲的经济动能，催生出难以预判的行业格局。众多大模型百花齐放，只是当下市场平衡的自然结果，并无统一顶层规划。

行业普遍认可字节跳动、阿里巴巴等老牌巨头，凭借资源优势大概率抢占大部分市场份额；DeepSeek 技术实力公认顶尖，却并非市场领跑者，擅长引领技术方向，却难以实现商业盈利。

美团、蚂蚁集团等跨界入局大模型，在西方人看来难以理解，但本质逻辑很简单：大模型已是未来科技产品的核心底座，企业必须掌握核心自研能力。基于通用大模型做微调优化，既能借助开源社区反馈迭代技术，也能留存专属微调版本赋能自身业务。行业普遍推崇开源优先，本质是务实选择：借力开源打磨模型、回馈社区生态、夯实自身业务布局。

4. 政策扶持真实存在，但力度难以量化外界常传言中国政府深度介入大模型竞赛。中国行政体系层级多元，各地并无统一扶持标准。北京各片区争相引进科技企业入驻，政策扶持多体现在简化审批流程、放宽行政壁垒。

但扶持边界在哪？能否助力企业招揽全球人才？能否突破芯片供应限制？走访中虽多次听闻政策加持，却没有足够细节佐证其能彻底左右行业发展轨迹。同时也没有任何迹象表明，高层会干预模型技术研发决策。

5. 本土数据产业链成熟度偏低据悉 Anthropic、OpenAI 单单一类训练环境投入就超千万美元，每年投入数亿美元迭代强化学习技术。我原本好奇中国实验室是采购美国数据服务，还是有本土替代生态。

实际现状并非完全没有本土数据产业，而是行业整体质量参差不齐，多数企业更倾向于自建训练环境、自研数据集。研究员需投入大量精力搭建强化学习训练环境，字节跳动、阿里巴巴等大厂则组建内部标注团队自给自足，完美契合本土自研优先、减少外购的思维。

6. 英伟达芯片缺口巨大，行业渴求算力补给英伟达芯片是模型训练的黄金标准，算力短缺是所有实验室的共同发展瓶颈，一旦货源充足，企业必然会大规模采购。华为等国产芯片在推理场景口碑良好，已有大量实验室落地使用。

以上六点勾勒出完全不同的 AI 生态格局，若生硬套用美国实验室的运营逻辑对标中国企业，只会出现认知偏差。核心疑问在于：两种生态最终会催生出风格迥异的模型，还是中国模型永远落后美国前沿 3 至 9 个月？

结语：全球 AI 行业格局平衡

出发前，我自认对中国了解甚少；走访结束后，才发现只是刚刚入门。从不能用刻板规则定义中国，这里有着独特的行业动态与发展逻辑。源远流长的本土文化，深度影响着科技产业的发展脉络，我还有太多东西需要学习。

美国不少行业决策，都基于固有对华认知做出判断。但实地走访中国几乎所有头部 AI 实验室后，我发现中国从业者的思维特质、行事逻辑，很难用西方视角简单复刻解读。即便直接询问各家开源顶尖模型的初衷，技术自主诉求与生态共建情怀交织，背后逻辑也难以用西方思维完全理解。

中国企业并非盲目信奉开源至上，不会把所有模型无条件开源；但都发自内心扶持开发者、共建行业生态，借开源反哺自身模型迭代。

中国几乎所有头部科技企业都在自研通用大模型，美团、小米等非传统 AI 企业也开源了模型权重。反观美国同类企业，大多直接采购第三方服务即可。

中国企业入局自研，并非跟风追逐热点，而是源于掌控技术底层、把握时代核心科技的深层诉求。抬眼望去，城市遍地基建塔吊，这种潜心建设、踏实深耕的氛围，早已融入科技行业的骨子里。

中国科研人员的真诚、谦和与温暖，打破了很多刻板印象。在个人层面，美国舆论中常见的地缘政治对立论调，丝毫没有影响到他们。全球 AI 行业，本就需要这份纯粹的正向共识。

我坦诚希望美国实验室能守住全链路 AI 技术领先地位，尤其是开源模型赛道，这是身为美国人的真实想法。但同时，我更期待全球开源生态共同繁荣——唯有如此，才能打造更安全、普惠、实用的 AI 技术。而当下，美国能否守住全球行业领导力，仍是未知数。

本文截稿之际，有关行政命令约束开源模型的传言四起，或将进一步割裂美国行业与全球生态的协同发展，前景并不乐观。

感谢 Moonshot、智谱、美团、小米、通义、蚂蚁灵犀、01.ai 等所有机构从业者的热情接待与无私分享。我也会持续分享对中国文化及 AI 行业的观察思考，这些洞察，终将深刻影响全球 AI 前沿的发展走向。

补充修订：原文中我将科研人员不愿涉足宏观议题简单归为谦逊，实则不够严谨。谦逊是一部分原因，更关键的是成长教育体系的塑造——他们深谙这套规则，也在其中收获了事业成功，自然不愿跨界发表非专业领域的观点。

英文：https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs，本文经由 AI 翻译优化