“缺算力成共識、所有實驗室都忌憚字節跳動、極度敬重DeepSeek”，10天走訪中國頂尖AI實驗室后，美國研究者的最新觀察

整理 | 屠敏

出品 | CSDN（ID：CSDNnews）

• “所有中國實驗室都忌憚字節跳動及其熱門模型豆包，因為它是中國唯一一家處于前沿的閉源實驗室；幾乎所有實驗室都對 DeepSeek 懷有高度敬意，認為其在工程落地與研究品味方面表現出色。”

• “中國技術人員務實、謙遜、有沖勁。”

• “在中國接觸到的幾乎每一位 AI 研究員，都提到了同一個痛點：企業缺乏訓練和運行 AI 模型所需的高端算力資源。”

• “應對這一困境的辦法，是極度努力地工作，還有就是更早、更快推進產品化。”

• “中國的大模型社區，更像一個協同生態，而非互相敵對的陣營。”

這些評價，并非來自行業內部的自我總結，而是一次高密度中國 AI 實地走訪后的真實觀察。

近日，艾倫人工智能研究所（AI2）研究員 Nathan Lambert，聯合 ChinaTalk 執行編輯 Lily Ottinger、Understanding AI 記者 Kai Williams 以及 ChinaTalk 創始人 Jordan Schneider 等人，用 10 天時間密集走訪了北京、杭州、上海、深圳等地的十余家中國頭部 AI 實驗室與科技機構，包括 DeepSeek、字節跳動、月之暗面（Moonshot AI）、智譜AI（Z.ai）、美團、小米、01.ai、通義千問、螞蟻靈犀、宇樹等。

而在這趟走訪結束后，他們得出了一個鮮明判斷：在算力仍受限制的背景下，中國 AI 公司正在依靠高強度工程投入、極快的產品迭代速度，以及高度務實的落地思維，迅速縮小與全球頂尖模型之間的差距。

以下內容整理自 Lily Ottinger 和 Nathan Lambert 觀察實錄。

外部觀察：中國 AI 研究者的困境與突圍

“在中國接觸到的幾乎每一位 AI 研究員，都提到了同一個痛點：企業缺乏訓練和運行 AI 模型所需的高端算力資源。”Lily Ottinger 在文章中寫道。

在走訪團隊看來，中國并不缺頂尖 AI 人才，也不缺大規模數據，真正稀缺的，是能夠持續支撐前沿模型訓練的高端 GPU 資源。

盡管英偉達 CEO 黃仁勛曾，中國企業已經擁有足夠算力，但 Lily Ottinger 提到，“我們接觸的中國研究員，沒有一個人真正相信這件事。”

不過，比“缺 GPU”本身更讓走訪團隊印象深刻的，是中國 AI 團隊面對這一現實后的工作狀態。

Lily Ottinger 表示，即便算力受限，但像月之暗面、MiniMax、智譜 AI 等實驗室依然篤信 AGI 愿景。對于許多研究員而言，AGI 更像是一種長期信仰。

而應對資源限制，中國研究者也采用了自己的方式方法：

• 一是“極度努力地工作”。在五一假期和周末期間，Lily Ottinger 直言道，在多家實驗室看到，大量研究員依然留在工位上：站立式辦公桌前坐滿人，各類含糖、含咖啡因飲料堆滿桌面。

• 二是中國大模型公司還比西方同行更早推進產品化。許多中國企業推出編碼方案，用慷慨的 token 額度吸引用戶從 Claude Code 轉向自家產品；同時也在探索更細分的產品方向。如 MiniMax 打造了高營收的 AI 陪伴產品；智譜 AI 則與社交媒體、中國商飛等企業達成 B 端合作；阿里旗下的螞蟻集團深耕 AI 醫療服務。

不過，一個頗具反差感的細節是：即便商業化已經成為現實壓力，許多實驗室更愿意談研究、談 AGI、談智能體編碼。Lily Ottinger 稱，在 MiniMax 的演示中，占據其最大收入來源的 AI 陪伴業務，也只是被輕描淡寫地帶過。

而在共同追趕 AGI 的氛圍之外，競爭同樣異常激烈。

Lily Ottinger 提到，她對中國 AI 行業的感受，與 Nathan Lambert 略有不同。“中國 AI 實驗室之間，確實存在非常強烈的競爭氛圍。”

在走訪團隊看來，中國 AI 行業接下來很可能會像中國新能源汽車行業一樣，經歷長期、高強度的洗牌與淘汰。只是對于仍留在牌桌上的團隊來說，AGI 依舊是那個被反復提起、也被反復相信的終點。

加入 AMD AI 開發者計劃，免費領 50 小時云算力券

進群月月抽顯卡、AIPC，好運不停！

中國實驗室的優勢是什么？

相比 Lily Ottinger 對“高強度投入”與“快速產品化”的直觀感受，艾倫人工智能研究所（AI2）研究員 Nathan Lambert 則給出了另一視角的觀察結果。

Nathan Lambert 在博客中寫道，打造大語言模型的中國企業，堪稱這一技術領域“完美的快速跟進者”。

“單看產出——支撐智能體工作流的最新、最大規模模型，再看核心要素——頂尖科學家、海量數據、加速計算，中美實驗室看上去大體相似。真正持久的差異，體現在組織方式與運行邏輯上。”Nathan Lambert 坦言，他過去一直認為，中國實驗室擅長追趕前沿，很大程度上源于文化與這一目標高度契合。但在真正與一線研究人員長時間交流之前，他并不愿意輕易下結論。而與中國頭部實驗室那些“優秀、謙遜、開放的科學家”交流后，他的許多想法得到了印證。

Nathan Lambert 表示，如今打造頂尖大模型，高度依賴全棧式精細化工作——從數據、架構細節到強化學習算法實現，每一環都能帶來提升，而將這些環節整合在一起是一個復雜過程，“為了讓模型實現多目標優化的整體最大化，一些才華橫溢的個人成果甚至需要被暫時擱置”。

相比之下，他認為美國研究者在解決單個模塊問題上同樣非常優秀，但美國文化更強調“為自己發聲”。作為科學家，主動為自己的工作爭取關注，更容易獲得成功；而當前行業環境，也在不斷強化“AI 頂尖研究員”這種成名路徑，而這這直接引發一些內部沖突。

他甚至提到，有傳言稱 Meta 的 Llama 團隊，正因為個人利益與層級化組織之間的內耗而面臨問題。“我還聽說，有些實驗室甚至需要花錢安撫頂尖研究員，才能讓他們不再抱怨自己的想法沒被納入最終模型。無論傳言是否完全屬實，核心邏輯很清晰：自我意識與職業晉升欲，會阻礙打造最優模型。中美在這種文化上的細微差異，足以對最終成果產生顯著影響。”

而中國實驗室的另一大特點，是團隊極度年輕化。

Nathan Lambert 觀察到，中國許多大模型團隊的核心貢獻者中，都有相當比例是在讀學生。“這些團隊非常年輕，讓我想起了 AI2 機構的模式 —— 學生被視為平等伙伴，直接融入大模型團隊。這與美國頂尖實驗室截然不同：OpenAI、Anthropic、Cursor 等機構基本不提供實習崗位；谷歌等公司雖名義上有與 Gemini 相關的實習，但實習生普遍擔心自己被隔離在核心工作之外，無法接觸真實項目。”

在 Nathan Lambert 看來，這種文化差異，讓中國團隊在模型打造上形成了幾項獨特優勢：

• 第一，更愿意為了最終模型效果，去做那些“不夠亮眼但極其關鍵”的基礎工作；

• 第二，剛進入 AI 領域的新人沒有過往 AI 熱潮周期的思維包袱，能更快適應現代新技術；
  

• 第三，自我意識相對更弱，組織架構更容易擴張，減少了鉆制度空子的內耗；

• 第四，人才儲備極其龐大，且非常擅長基于已有驗證方案快速解決問題。

這種能力傾向，也與“中國研究者缺乏 0 到 1 原始創新”的刻板印象形成了反差。

Nathan Lambert 提到，一些偏研究導向的中國實驗室，已經開始主動培養更具野心的科研文化。但不少技術負責人也坦言，短時間內想完成這種轉型并不容易，因為這意味著要重構整個教育與激勵體系。

“把模型做到最好”，是很多人的唯一目標

該走訪團隊還發現，中國 AI 研究者普遍展現出一種極度務實的工程師氣質。

過去幾年，大模型的發展路徑已經從混合專家模型（MoE）規模化，轉向強化學習（RL）規模化，再到智能體能力落地。做好任何一環，都需要快速吸收大量論文、實驗結果與內部技術棧知識。

Nathan Lambert 認為，許多學生研究員恰恰非常適應這種節奏。“他們愿意放下所有預設，全身心、竭盡所能投入優化模型。”

與此同時，中國研究者普遍對宏大敘事、哲學爭論或 AI 道德討論興趣不高。

當他們被問及模型對經濟、社會與長期風險的影響時，大多數研究者并不會給出復雜觀點，也沒有強烈意愿介入這些議題。

“他們的定位很清晰：把模型做到最好。”Nathan Lambert 寫道。

他還提到，當話題轉向 AI 哲學層面的問題時，不少中國研究者甚至會顯得有些困惑，因為他們更習慣將 AI 看作工程問題，而不是思想實驗。

有研究者引用了科技評論人 Dan Wang 的一句話：“中國由工程師治理，而美國由律師治理。”這也體現在整個行業氛圍之中。

Nathan Lambert 發現，中國的大模型社區，更像一個協同生態，而非彼此敵對的陣營。

“在多次非公開交流中，研究者們對同行只有尊重。”他寫道。

Nathan Lambert 還特別對比了中美實驗室的差異：“在美國，非公開場合聊起同行時，往往火藥味十足。”

此外，「中國研究者謙遜最突出的一點，是他們普遍不關心商業層面，直言 “這不是我的問題”；而美國從業者幾乎都癡迷于各種生態級產業趨勢 —— 從數據供應商、算力到融資。」Nathan Lambert 表示。

不同賽道的中國 AI 力量

字節跳動：所有人都忌憚豆包

在走訪多家中國 AI 實驗室后，Lily Ottinger 與 Nathan Lambert 都認為，字節跳動的綜合實力，是其他實驗室暫時難以企及的。

Lily Ottinger 提到，字節跳動的大模型豆包是中國最受歡迎的聊天機器人，月活近 3.5 億。豆包支持多種方言，這需要強大的語音模型 —— 因為普通話、粵語之外的中國方言大多沒有文字形式（對比之下，GPT 的語音模式仍由 GPT-4o 驅動）。

相比單純追求模型智力水平，字節跳動更強調用戶留存與產品體驗。

一位模型創業者甚至直言：“和字節比，我們全是中型玩家。”

而 Nathan Lambert 對字節的評價則更加直接，「所有中國實驗室都對字節跳動及其熱門模型豆包保持警惕——它是中國唯一一家處于前沿的閉源實驗室。與此同時，所有實驗室都對 DeepSeek 極度敬重，認為其在工程落地與研究品味方面表現出色。」

宇樹科技與銀河通用：機器人賽道的兩面

機器人，被走訪團隊視為中國 AI 野心進入物理世界的重要載體。

Lily Ottinger 提到，在中國“AI+”戰略推進之前，很多地方長期認為“只有硬件才算真正科技”，這也導致大量大模型公司紛紛成立機器人部門。

但在她看來，真正的例外是宇樹科技。宇樹總部位于杭州，創始人并無海外名校背景，卻依靠硬件創新快速崛起，并以極低成本實現了機器人產品的量產與盈利。

她發現，宇樹研究員同樣在高強度工作，但相比 AGI 實驗室，他們并沒有那種被“通用人工智能愿景”驅動的強烈氛圍。“對于宇樹來說，AGI 的定義就像魚需要自行車一樣無關緊要。”Lily Ottinger 在文中這樣形容。

另一家機器人企業銀河通用，則向該走訪團隊展示了其自動化倉儲系統：機器人能夠根據 App 訂單，自動分揀感冒藥、隱形眼鏡并完成打包。銀河通用稱，其在 2025 年已完成超過 100 萬單配送，其中約 20% 來自夜間傳統藥店關閉后的即時需求。而這些場景，并不需要所謂“超人類智能”，更多依賴的是工程集成能力與產業落地能力。

小米：年輕且務實的團隊

小米給這群西方研究者團隊留下的印象，是“年輕且務實”。

Lily Ottinger 提到，他們接觸的小米研究員幾乎全部是博士生。據介紹，小米 LLM 團隊約 80% 為在讀博士，平均年齡只有 25 歲。

她還觀察到，小米研究員幾乎都穿著黑色衣服，整個辦公環境也保持著極簡的黑色風格。

甚至連衛生間采用的都是蹲便器，“顯然公司內部有人對此非常堅持”。

ModelScope：中國版 Hugging Face

開源，被走訪團隊認為是中國 AI 生態的重要底色。Lily Ottinger 表示，阿里旗下的 ModelScope，則被視作“中國版 Hugging Face”。

Lily Ottinger 形容，這里有懶人沙發、潮流公告板與開放式交流空間，是整個走訪過程中“最酷的辦公室”。

中國 AI 產業與西方實驗室的異同

在 Nathan Lambert 看來，如今打造 AI 模型，已經不再只是“把一群聰明研究員關進一棟樓里，造出工程奇跡”。

AI 公司正逐漸演變成一個融合研發、部署、融資、推廣與生態協同的復雜系統。而這也讓中國 AI 產業與西方實驗室之間，出現了越來越明顯的差異。

Nathan Lambert 根據自己的觀察以及與中國 AI 實驗室的交流，總結出了最核心的幾點：

1. 國內 AI 需求已現早期跡象

外界常有一種說法：中國企業不習慣為軟件付費，因此 AI 市場規模會很小，無法支撐起龐大的推理市場。但這只適用于 SaaS 模式 —— 中國 SaaS 市場歷來很小，而云計算市場體量巨大。一個關鍵且尚無答案的問題（中國實驗室內部也在爭論）：企業 AI 支出會追隨小眾的 SaaS 市場，還是剛需的云計算市場？

總體來看，AI 更傾向于貼近云計算，沒有人真正擔心新工具的市場增長。

2. 絕大多數開發者都是 Claude 忠實用戶

盡管 Claude 在中國被限制使用，但中國 AI 開發者幾乎都癡迷于它，深受其開發模式影響。中國歷來對購買軟件謹慎，但這并不代表推理需求不會爆發。中國技術人員務實、謙遜、有沖勁—— 這種特質，比不付費的舊習慣更有力量。

部分中國研究者會使用 Kimi、GLM 等自研工具，但所有人都在用 Claude 開發。他們極少提及 Codex，而這款工具在硅谷正快速流行。

3. 中國企業擁有強烈的技術自主心態

中國文化與強勁的經濟動力結合，產生了難以預測的結果。Nathan Lambert 表示，自己深刻感受到，眾多 AI 模型，是當下中國科技企業務實選擇的平衡結果。行業沒有統一的 “總體規劃”，但普遍敬重字節跳動、阿里這類巨頭 —— 它們手握充足資源，有望在各大市場占據大量份額。DeepSeek 是受敬重的技術標桿，但遠非市場領導者，它定義方向，卻沒有商業化取勝的架構。

這也解釋了為何美團、螞蟻集團這類企業會讓西方意外 —— 它們居然在自研大模型。事實上，它們深知大模型是未來技術產品的核心，必須掌握在自己手中。通過微調強大的通用模型，它們能加固技術棧，獲取開源社區反饋，同時保留內部微調版本用于自身產品。行業內的「開源優先」心態，本質是務實：既能讓模型獲得優質反饋，又能反哺開源社區，還能助力自身使命。

4. 數據產業成熟度遠低于西方

聽聞 Anthropic、OpenAI 等機構為單個訓練環境花費超千萬美元，每年累計投入數億美元推進強化學習前沿，我們很好奇：中國實驗室是從美國公司購買同類環境，還是有成熟的國內生態支撐？

答案并非完全沒有數據產業，而是國內數據產業質量偏低，企業往往選擇自建訓練環境與數據體系。研究員會花大量時間親自搭建強化學習訓練環境；字節、阿里等大型企業則有內部數據標注團隊支持。這完全契合上文 “自研而非外購” 的心態。

6. 極度渴求更多英偉達芯片

英偉達算力是訓練的黃金標準，幾乎所有實驗室都因芯片不足而受限。只要供應充足，它們一定會采購。

這些觀察，勾勒出一個與西方截然不同的 AI 生態。

結語

這場為期 10 天的密集走訪，沒有給出“中國 AI 是否會超越美國”的簡單答案。

但它至少揭示了一個越來越清晰的現實：在算力受限、資源不對稱的背景下，中國 AI 行業更強調工程效率、更強調組織協同、更強調快速落地。

它未必總能率先定義下一代 AI 范式，但卻正在以極強的執行能力，將前沿技術迅速轉化為真實產品、真實市場與真實產業能力。

而真正值得關注的問題，或許已經不再只是“中國模型距離美國還有幾個月”。而是當兩種完全不同的 AI 生態，開始沿著不同邏輯持續演化，它們最終會不會走向兩種截然不同的 AI 未來。

https://blog.readsail.com/p/we-spent-10-days-touring-chinese

https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

加入AMD AI 開發者計劃與全球極客共筑開源

加入即領 50 小時免費云算力

進群抽顯卡、AIPC，好運不停

活動與工作坊，早鳥名額優先鎖定

AMD Al Academy 官方課程，加速