中国AI研究员为何让美国同行羡慕？36小时北京行揭示文化差异

中国AI研究员为何让美国同行羡慕？36小时北京行揭示文化差异

“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，在结束最近的中国之行后，发自内心的一番感慨。

在Nathan看来，国内的LLM圈子简直如同天堂——大家彼此尊重，即便立场不同也客客气气。反观大洋彼岸的“御三家”，他突然有些“没眼看”：天天激情互喷，像部落争霸一样激烈。

这并非场面客套话。在短短36小时的北京行程中，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……他都进行了深度交流。与大量一线AI研究员和学生深入交谈后，Nathan得出了结论：这里的AI玩家，在合作共赢。

基于此，Nathan写下一篇文章，分享了他此次中国行期间印象深刻的种种事迹：

• 所有实验室都“有点怕”字节，而所有人都敬佩DeepSeek。
• 北京简直跟硅谷一样，他在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、小米这类公司也会自研大模型，在中国，这是理所当然的事。
• 从笔记本上抬起头，总能看到地平线上的起重机，仿佛是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，并表示希望Nathan下次“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在文章中大篇幅探讨了一个问题：为什么中国实验室如此擅长追赶前沿？他的核心判断是——文化。

今天，要做出一个好的LLM，需要从数据到架构到RL算法，全栈每个细节的打磨。每个环节都能榨出一些提升，但如何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，需要为模型的整体目标让路。

在美国，这种事经常引爆冲突。Nathan透露了一个“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，有的实验室甚至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，他得出结论：过强的Ego和野心，会妨碍做出最好的模型。

而在中国，他观察到一个微妙的差异：中国实验室的核心贡献者中，有大量是在读学生。在这里，学生被当成同事，直接参与核心研发。他们愿意做那些不那么“性感”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与Gemini相关的实习，但事实上，大家会担心实习生被隔离在边缘区域，接触不到核心工作。但中国的经验证明，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，而是真的觉得不关他们的事。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，即成为明星AI科学家。所以大家热衷于上Dwarkesh、Lex Fridman这类超级播客节目。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认为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的北京之行很有趣。他说北京简直像湾区——随便走两步就是一家竞争对手的办公室。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如何。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时经常耸耸肩，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、蚂蚁集团这类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建RL训练环境，字节和阿里这类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。如此古老且深厚的文化，却又与当下的技术建设完全交织在一起。

在与几乎所有中国领先AI实验室交谈后，Nathan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，并且把开源当作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没有想过的强烈深层愿望：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。

坦白说，如果我说自己不希望美国实验室在AI的每一个细分领域——尤其是开源模型方向——都稳稳占据领先地位，那我就是在自欺欺人。

身为美国人，这是我坦诚的立场。

我真心期盼开源生态能在全球范围内蓬勃生长。这会让AI变得更安全、更易获取、也更具实用价值，惠及整个世界。

但眼下的关键问题是：硅谷还能守住这份领导权吗？

归根结底，这一切仍然绕不开中国开源文化这个话题。

对此，Nathan用了一句极具画面感的描述，非常适合作为收尾：

每当我从笔记本电脑前抬起头，总能看到地平线上那一簇簇起重机。

这与中国开源精神的内核，显然是一脉相承的。

Nathan报告原文： https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

— 完 —

5月20日，我们将在北京金茂万丽酒店举办年度中国AIGC产业峰会。

首批嘉宾阵容现已揭晓！昆仑万维方汉、智谱吴玮杰、EverMind邓亚峰、风行在线易正朝、百度秒哒朱广翔、Fusion Fund张璐、香港大学黄超、MarsWave冯雷均已确认出席，🔍了解详情

邀请你与我们同行，不再只是空谈AI的未来，而是现在就动手用起来。👉 报名参会

一键关注 👇 点亮星标

每日追踪科技前沿动态