Nathan Lambert。這個(gè)名字在AI圈的分量，相當(dāng)于寫RLHF教科書的人親自下場(chǎng)給你解釋什么叫RLHF。他是艾倫AI研究所的post-training負(fù)責(zé)人，寫過RLHF教材，上過Lex Fridman播客，長期站在開源大模型最前沿。今年5月，他做了一件很多人想做但沒做成的事，飛了一趟中國，面對(duì)面走訪了幾乎所有能叫上號(hào)的AI實(shí)驗(yàn)室，月之暗面、智譜、美團(tuán)、小米、通義千問、螞蟻、零一萬物，一家都沒落下?；貋碇髮懥似L文，叫《Notes from inside China's AI labs》。

文中中有很多有價(jià)值的觀察，尤其是最后總結(jié)的6點(diǎn)。

先拋一個(gè)他觀察到的略反直覺的現(xiàn)象。

在中國AI圈，幾乎所有實(shí)驗(yàn)室對(duì)同行只有尊重。字節(jié)跳動(dòng)做豆包，是唯一跑在前沿的閉源實(shí)驗(yàn)室，大家都敬著它。DeepSeek則是所有人公認(rèn)的研究品味和技術(shù)執(zhí)行力天花板。Nathan說跟這些人聊天，你感受不到美國那種「我們的模型比你強(qiáng)」「你們那個(gè)架構(gòu)有問題」的火藥味。整個(gè)LLM社區(qū)給人的感覺更像一個(gè)生態(tài)系統(tǒng)，而不是一群互相廝殺的小部落。他提了一個(gè)細(xì)節(jié)，在北京，競(jìng)爭(zhēng)實(shí)驗(yàn)室可能就隔幾條街，那個(gè)密度讓他想起灣區(qū)。

這種生態(tài)感到底怎么來的？Nathan發(fā)現(xiàn)了一個(gè)關(guān)鍵變量。

中國最頂尖的實(shí)驗(yàn)室里，有很大一部分核心貢獻(xiàn)者是學(xué)生。不是打雜的實(shí)習(xí)生，是真的在寫核心代碼、參與模型訓(xùn)練的那種。這群年輕人沒有被過去幾年AI的炒作周期洗過腦，他們對(duì)LLM的理解方式極其純粹，就是快速吸收大量文獻(xiàn)，摸透公司技術(shù)棧，然后埋頭干活。你要是跟他們聊AGI哲學(xué)、長期社會(huì)風(fēng)險(xiǎn)、模型經(jīng)濟(jì)學(xué)這些虛頭八腦的議題，他們臉上會(huì)浮現(xiàn)出一種「你在說什么」的簡(jiǎn)單困惑。在他們看來，這些東西跟「把模型造好」之間，根本不是一個(gè)范疇的事。

Nathan自己都補(bǔ)了一段說明，說他最初覺得這種態(tài)度就是謙遜，后來意識(shí)到這其實(shí)也是他們成長和受訓(xùn)體系塑造的結(jié)果。體制內(nèi)的成功者，自然會(huì)內(nèi)化那套游戲的規(guī)則。

反觀美國，OpenAI、Anthropic、Cursor根本不招實(shí)習(xí)生做核心工作。Google名義上有跟Gemini相關(guān)的實(shí)習(xí)項(xiàng)目，但實(shí)習(xí)生大概率被隔離在真正的工作之外。而在中國，學(xué)生的角色跟全職研究員幾乎沒有區(qū)別。

Nathan還聽到了一個(gè)特別有意思的現(xiàn)象，中美都在發(fā)生人才流失，但方向不太一樣。很多原本打算走學(xué)術(shù)軌道的學(xué)生，現(xiàn)在都決定留在工業(yè)界。有一個(gè)人跟他說，曾經(jīng)考慮過當(dāng)教授，因?yàn)橛X得可以去影響教育系統(tǒng)。但他最后補(bǔ)了一句極其囂張又極其真實(shí)的話，「教育已經(jīng)被LLM解決了，學(xué)生為什么要跟我交談？」這話放在今天的大環(huán)境里，真是又荒誕又讓人唏噓。

再說組織文化。

Nathan觀察到的一個(gè)微妙但影響巨大的差異是ego的問題。在西方實(shí)驗(yàn)室，一個(gè)大牛研究員的idea如果沒被選進(jìn)最終模型，往往需要某種安撫甚至補(bǔ)償來平息不滿。說到底這就是組織內(nèi)耗。但在中國實(shí)驗(yàn)室，這種沖突要少得多。研究者更愿意接受團(tuán)隊(duì)決策，更愿意去做那些看起來不「光鮮」但能切實(shí)提升模型質(zhì)量的工作。他聽到一句話挺有代表性的，中國是「工程師在管理一切」，美國是「律師在管理一切」。兩套不同的文化系統(tǒng)，最終導(dǎo)向了不同的組織效率。

文章最后，Nathan把這趟走訪中產(chǎn)業(yè)層面的發(fā)現(xiàn)，整理成了六個(gè)要點(diǎn)。

第一，關(guān)于中國AI市場(chǎng)的實(shí)際規(guī)模。一個(gè)普遍的假設(shè)是中國AI市場(chǎng)會(huì)比較小，因?yàn)橹袊髽I(yè)歷來不愿意為軟件付費(fèi)。這套邏輯對(duì)應(yīng)的是SaaS生態(tài)，但Nathan的判斷是，AI的支出更像云市場(chǎng)而不是SaaS市場(chǎng)，而云在中國是有巨大體量的。這事還沒有定論，但沒人真的在擔(dān)心市場(chǎng)增長。

第二，中國AI開發(fā)者的工具選擇。盡管Claude在中國是被屏蔽的，但這不妨礙所有人都在用它寫代碼。有人提到也用Kimi或者GLM的命令行工具，但最后都會(huì)補(bǔ)一句「不過寫代碼還是Claude」。而灣區(qū)眼下狂熱追捧的Codex，在中國反而沒多少人提。技術(shù)圈的聲譽(yù)這東西，防火墻真的攔不住。

第三，中國公司對(duì)技術(shù)有一種強(qiáng)烈的「所有權(quán)心態(tài)」。美團(tuán)做LLM，小米做LLM，螞蟻?zhàn)鯨LM，這些公司在外人看來可能跟AI八竿子打不著，但它們的邏輯很簡(jiǎn)單，LLM是未來技術(shù)產(chǎn)品的核心組件，必須自己掌握。Nathan給了一個(gè)畫面，每次從電腦前抬起頭，窗外總能看到一排排的起重機(jī)，「建設(shè)」本身就是一種文化。字節(jié)跳動(dòng)和阿里巴巴被所有人視為最終會(huì)贏的大玩家，DeepSeek是受尊敬的技術(shù)領(lǐng)袖但不是市場(chǎng)贏家，它定方向，但沒準(zhǔn)備好從商業(yè)化上獲勝。沒有總體計(jì)劃，就是大家都在建。

第四，政府層面的支持是真實(shí)存在的，但具體規(guī)模很難說清。中國政府是多層級(jí)、去中心化的，每一級(jí)都沒有一本明確的行動(dòng)手冊(cè)。Nathan一路聽到不少政府幫助的提及，但細(xì)節(jié)太少。沒有任何跡象表明高層影響了模型里面的技術(shù)決策，但各地政府在消除官僚障礙、協(xié)助吸引人才方面，確實(shí)在發(fā)揮作用。

第五，數(shù)據(jù)產(chǎn)業(yè)鏈在中國遠(yuǎn)不如美國成熟。你可能聽說過Anthropic和OpenAI在單一數(shù)據(jù)環(huán)境上的花費(fèi)就超過一千萬美元，累積數(shù)億美元去推動(dòng)RL前沿。中國也有數(shù)據(jù)公司，但質(zhì)量參差不齊，大部分實(shí)驗(yàn)室選擇自己動(dòng)手造RL訓(xùn)練環(huán)境。這反而又強(qiáng)化了那種「能自己干就自己干」的務(wù)實(shí)傳統(tǒng)。

第六，毫無懸念的一條共識(shí)，所有人都渴望更多Nvidia芯片。有供應(yīng)就一定會(huì)買。華為的昇騰在推理端表現(xiàn)不錯(cuò)，很多實(shí)驗(yàn)室都能用上，但訓(xùn)練這一塊，Nvidia是絕對(duì)金標(biāo)準(zhǔn)，沒有替代選項(xiàng)。

這就是他整理出來的六個(gè)產(chǎn)業(yè)級(jí)觀察。Nathan用了一句話收尾，作為美國人，他當(dāng)然希望美國在AI的每一個(gè)層面都保持清晰領(lǐng)先，尤其是在開源模型這個(gè)他自己深耕的領(lǐng)域。但越來越多的行政命令正在影響開源模型，這種「美國領(lǐng)先加全球生態(tài)」的良性協(xié)同正在被破壞，他對(duì)此并不樂觀。