艾伦研究所大模型负责人称算力缺口为中国AI最大劣势

艾伦研究所大模型负责人称算力缺口为中国AI最大劣势 由于美国大厂顾虑安全风险与营销策略在开源上止步不前，中国实验室已在2025年夏天夺得全球开放大模型的领导权。 在专访中，Nathan分享了走访月之暗面、智谱、阿里、美团、小米等顶尖中国AI团队的切身感受，指出中国实验室虽面临严峻的算力焦虑和国产芯片推理的务实抉择，但凭借强烈的“技术所有权心态”积极推进全栈自研。同时，中国在开源模型领域已悄然夺得全球领导权，千问等模型在学术界展现出统治力，且中国团队正以极快的发布节奏缩短感知差距。尽管中美在真实场景编程易用性和专业数据产业上仍存在6至9个月的隐性差距，但双方在新型推理模型上正并驾齐驱，未来跨国协作亦将迎来新浪潮。 艾伦人工智能研究所（Ai2）后训练负责人Nathan Lambert走访中国顶级AI实验室，指出中国顶尖AI创业公司高度集中在清华大学周边，形成了类似硅谷湾区的密集创新网络。 (2:22) 中国AI人才与组织呈现极度年轻化的结构性现象，月之暗面、智谱和小米等团队大量破格录用20岁左右的年轻人才或在读博士，且面对算力约束大多采取“用华为芯片做推理，但基本不用来训练”的务实策略。 (6:50) 中国科技大厂普遍具备“技术所有权心态”，坚持自主掌控完整技术栈以服务真实业务，导致中国缺乏美国由英伟达扶持的中间层生态，大厂更倾向于从算力到应用进行全栈垂直整合。 (25:14) 中美前沿模型在传统基准测试上的差距约为6到9个月，且美国在开放权重模型上的领导权正逐渐转移至中国，而推理模型新范式则让双方在早期阶段紧密并驾齐驱。 (35:40)

美国艾伦人工智能研究所（Ai2）大模型后训练负责人Nathan Lambert在实地走访中国顶级AI实验室后指出，尽管面临严重的算力限制与专业数据短板，中国团队凭借极度务实的高效工程落地、年轻人才结构与独特的“技术所有权心态”，已在开源大模型领域确立了事实上的全球领导地位。 开源话语权转移与真实技术差距的维度 (30:16) Lambert直言，自2025年夏天GLM-4.5和Kimi K2等模型涌现以来，美国已将开放权重模型的领导权让渡给中国，阿里通义千问（Qwen）更在学术界取代了Meta的Llama生态；美国重塑开源话语权的唯一希望正落在英伟达身上。中国实验室的发布机制极度迅速，训练完成后数天内即可推向公众，有效压缩了感知差距。但在真实使用层面，双方差距依然存在：中国模型在公开基准上落后约6至9个月，且由于缺乏类似Claude Code或Cursor的高频客户端交互数据回流，代码模型的易用性和通用鲁棒性仍不及美国顶尖闭源产品。而在处于范式红利初期的推理模型赛道上，中美研发速度正呈现并驾齐驱的态势。 “技术所有权心态”与全栈垂直整合 (25:14) 与美国企业倾向采购商业API或依赖生态协作不同，中国大厂表现出强烈的“技术所有权心态”。美团为了外卖调度与本地生活智能体自研专用模型，小米则依托硬件与造车体系快速自研并迭代MiMo系列模型。Lambert分析，中国激烈的市场竞争迫使企业将自研模型视为掌握长期利润和防范技术卡脖子的战略底线。这一生态导致中美产业格局出现巨大断层：美国催生了由英伟达扶持的CoreWeave、Together AI等繁荣的“中间层”推理与优化市场；而中国因缺乏将GPU托管交给第三方的信任文化，云厂商与大厂走向了从芯片算力、模型到应用的全栈垂直整合，迫使零一万物等创业公司及早放弃高成本的万亿参数MoE军备竞赛，转向B端软件出海寻求变现。 年轻化人才结构与务实的极客工程文化 (12:05) 走进月之暗面、智谱AI等中国实验室，团队的年轻化与本土化程度令Lambert大为震撼。中国学术界与初创公司的结合极为深入，研发主力大量由20岁左右的在读博士甚至高中生构成，展现出极高的团队凝聚力与纯粹极客氛围。与美国实验室普遍由多国移民构成且热衷探讨形而上的哲学、模型语气或社会影响不同，中国研究员在宏观劳动力影响上表达谨慎，不盲目追求颠覆底层架构，而是专注将现有先进方法执行到极致，以最低成本和最高效率把可用模型落地到真实产品中。 算力与数据制约下的中长期演变预测 (73:30) 算力是中国团队目前最直观的硬伤，Meta或OpenAI单家拥有的GPU规模甚至超越中国AI公司的总和，导致中国企业普遍采取“华为芯片做推理、基本不用来训练”的妥协方案。此外，美国已形成年支出数十亿美元的高技能人工数据标注产业，而中国缺乏此类专业数据链，研究员往往需要自行模拟复杂的垂直任务环境。Lambert预测，未来12个月内全球将涌现新型现象级智能体，中美基准感知差距可能拉大至6到12个月，中国仍将如期推出DeepSeek V5、Kimi K3及GLM 6；但拉长到3至5年维度，持续剧烈消耗资本的大模型军备竞赛可能引发行业洗牌，部分依赖外部融资的中国头部实验室或将面临倒闭风险。 Lambert强调，地缘政治层面的科技封锁与标签化掩盖了技术背后的真实从业者，开源生态正成为中美技术社区建立跨国协作与增进互信的桥梁；然而，国内资本能否持续支撑起庞大的算力投入与数据产业链需求，仍是中国AI实验室长期生存的核心未决问题。

[0:00] Nathan Lambert: 如果你拿枪指着我，我会说某某和某某的开源模型最好。 [2:22] Nathan Lambert: 不管你把那个目标叫AGI还是别的什么，能见到这些技术背后的人，我真的很高兴。 [6:50] 我们会用华为芯片做推理，但基本不会用来训练 [12:05] Nathan Lambert: 这些人真的太年轻了 [20:03] 大公司什么都想自己做 [26:59] Nathan Lambert: 美国有一种刻板印象或真实情况，认为中国公司不太愿意为Slack这类按人头、按座席收费的SaaS软件服务买单，他们更倾向于自己重做一个最小可用软件或下载开源工具。但中国公司非常习惯为‘云’付费，阿里云本身就是一门极大的生意。因此，中国市场正逐渐将AI支出顺理成章地视作云支出，将其看作制造自己专属技术所必需的基础设施投入。 [35:40] 我们的模型还在做强化学习，最后一轮大概还要跑一周，完成后一天内就发布。 [38:40] Nathan Lambert: 任何声称美国仍拥有开放模型领导地位的人，都有点没有看清现实 [38:40] Nathan Lambert: 中国实验室非常务实。在 AI 模型极度有价值且稀缺的世界里，发布开源模型是它们获得全球关注度（Relevance）和吸引客户的唯一路径。即便 Meta 曾尝试引领，但因顾虑营销、安全风险及分散精力，美国大厂在开源上止步不前。 [73:30] Nathan Lambert: 这不是 AI 研究员天然擅长的任务 [74:43] 我想做最好的模型 [74:43] Nathan Lambert: 如果问产品经理或者需要继续买更多算力的领导层，他们可能会担心 [76:20] Nathan Lambert: 亲眼去看是理解事物最好的方式

[0:00] 美国AI研究员是怎么看中国AI模型发展的？ [0:03] 2026年4月 [0:04] 一位在美国AI圈极具影响力的研究者 [0:07] 专程来到中国 [0:08] 走进北京、杭州和上海的AI实验室 [0:11] 他密集拜访了阿里巴巴、月之暗面 [0:13] 智谱、清华、美团、小米、蚂蚁 [0:16] 和零一万物等团队 [0:17] 回到美国之后 [0:18] 他写了一篇文章 [0:19] 在美国科技界引发了不小的讨论 [0:22] 这位美国AI研究者 [0:24] 就是Nathan Lambert [0:26] 他的观察也非常有意思 [0:28] 中国最好的开源模型是谁家的 [0:31] 如果你拿枪指着我 我会说 [0:33] XX和XX最好 [0:35] 截至目前 [0:35] 中国实验室 [0:37] 最大的劣势是什么 [0:39] 对 是算力 [0:40] Meta或者OpenAI拥有的GPU数量 [0:43] 比所有这些中国公司加起来还多 [0:45] 国产加速器的表现如何 [0:48] 比如华为芯片 [0:49] 所以这些公司都会说 [0:50] “如果你能给我华为芯片 [0:52] 我们也许能拿到更多客户” [0:53] Anthropic的CEO达里奥·阿莫迪 [0:55] 他短期内有点过于激进了 [0:58] 尤其是开放权重模型的风险上 [1:00] 你觉得美国最顶尖的模型 [1:03] 领先中国模型多少个月 [1:05] 这个差距 [1:06] 会缩小还是扩大 [1:09] 在美国AI届 [1:10] Nathan是一个很难绕开的名字 [1:13] 他参与组建了Hugging Face的 [1:14] RLHF（基于人类反馈的强化学习）研究团队 [1:16] 后来担任艾伦人工智能研究院 [1:18] Ai2的大模型后训练负责人 [1:20] 参与打造了OLMo和Tülu等开源模型 [1:23] 同时 Nathan也是Lex Fridman播客里的熟面孔 [1:26] 2025年DeepSeek引爆全球讨论之后 [1:29] Lex邀请Nathan和SemiAnalysis创始人Dylan Patel [1:32] 进行了一场超过五个小时的深度对谈 [1:35] 2026年 Nathan再次登上Lex的节目 [1:38] 用四个多小时盘点全球AI的最新进展 [1:41] Lex称他是AI社区中 [1:43] 广受尊敬的研究者、工程师和技术传播者之一 [1:47] 也对全球开源模型有着紧密的追踪 [1:50] 一个长期站在美国开源模型最前线的人 [1:53] 真正走进中国AI实验室之后 [1:55] 看到了什么 [1:56] 中国和美国的大模型研究 [1:58] 分别正在发生怎样的变化 [2:00] 这一期《硅谷101》视频播客 [2:02] 我们飞到了西雅图 [2:03] 与Nathan Lambert聊了聊他的中国行 [2:06] 一路上的所见所闻 [2:07] 他眼中的中美AI发展异同 [2:10] 以及全球大模型竞赛的下一站 [2:12] 同时 不要忘记关注硅谷101 [2:14] 不要错过AI最前沿的一线内容哦 [2:17] 以下 就是我的Nathan的专访 用全英文进行 [2:21] 你好 Nathan 欢迎来到《硅谷101》 [2:24] 嗨 感谢邀请 [2:25] 你刚从中国回来 [2:28] 这趟行程里 [2:29] 你实地走访了很多中国领先的AI实验室 [2:32] 能多跟我们讲讲这次旅程吗 [2:33] 我回来之后 大家都会问我 [2:35] “你这次最大的收获是什么” [2:36] 但我觉得 [2:37] AI领域谁在做模型、哪些团队在推进 [2:38] 很多信息其实已经相对公开了 [2:40] 所以并没有特别多那种“惊天大料”式的发现 [2:42] 或者“我有个大胆看法”的感觉 [2:43] 对我来说 作为一个长期关注这些模型的人 [2:45] 这趟旅行更重要的是认识做这些模型的人 [2:47] 理解他们为什么要做这件事 [2:49] 感受其中的细微差别 [2:50] 我今年一直在补课了解中国 [2:52] 在美国 很多人会替中国团队解释 [2:54] “他们为什么这么做” [2:55] 但我想听他们自己说 [2:58] “我们在这里” [2:59] “我们为什么要做这些” 这很有价值 [3:01] 所以我之后肯定还会继续关注开源模型 [3:03] 也会继续试用这些模型 [3:05] 现在这个生态很有意思 [3:07] 美国有很多公司想围绕 [3:08] 真正开放的模型智能栈来做产品和服务 [3:12] 为各行各业的人创造价值 [3:14] 而很多模型其实是在中国搭建出来的 [3:16] 这两个有着深厚历史的科技圈 [3:18] 在工作方式上一直交集不多 [3:21] 有的公司还有一些老规矩 [3:24] 比如Meta和Google [3:25] 你一去中国出差 [3:26] 电脑基本就废了 [3:28] 也就是说中间一直有一堵墙 [3:31] 让大家很难真正一起工作 [3:34] 但现在这堵墙正在慢慢被打通 [3:37] 对此我非常感兴趣 [3:39] 某种程度上 这些模型能有这么强的竞争力 [3:41] 确实会让人惊讶 [3:43] 但当你进一步了解那里的人才和整个生态之后 [3:47] 又会觉得这件事其实变得合理了 [3:48] 我自己 [3:49] 之所以关注AI很大一部分原因是 [3:52] 我觉得未来几年它会带来很多风险 [3:55] 尤其是社会层面的风险 [3:57] 比如人们如何获取信息 [3:58] 当然 地缘政治上它也会是一个重要议题 [4:02] 所以要搭建人与人之间的桥梁 [4:04] 让大家看到这些技术背后真实的人 [4:06] 因为很多决策并不是他们做的 [4:08] 哪怕外界觉得这些决定很政治化或是很极端 [4:11] 建立这样的联系真的非常有意义 [4:13] 因为这是一个共同向着各种目标迈进的社群 [4:19] 不管你把那个目标叫AGI还是别的什么 [4:22] 能见到这些技术背后的人 我真的很高兴 [4:25] 太棒了 [4:26] 那你这次去了多久 主要去了哪些城市 [4:30] 大概六七个晚上 [4:32] 主要在北京和杭州 [4:35] 我们在北京住了三四晚 [4:37] 就在奥林匹克中心附近 [4:40] 所以早上还能去鸟巢那一带跑步 [4:43] 酒店位置刚好在那边 [4:46] 但很有意思的是大多数公司都在清华附近 [4:48] 那边有一整片AI创业公司的聚集区 [4:52] 感觉很像湾区 [4:54] 溜达着就能逛遍这些顶尖的AI公司 [4:58] 不需要特别折腾交通 [4:59] 很有湾区那种感觉 [5:01] 后来我们又去了杭州几晚 [5:03] 那里有阿里巴巴 [5:05] 我觉得DeepSeek也在那里 [5:06] 我们没有去DeepSeek办公室 [5:07] 但和一些人聊过 [5:09] 也拜访了阿里 [5:11] 这很棒 [5:13] 这是我第一次来中国 能见到这些团队很棒 [5:16] 所以这次你具体去了哪些实验室或公司 [5:19] 我尽量列全一些 [5:22] 我们也参观了一些机器人公司 [5:24] 不过我写作时没有重点写那部分 [5:26] 只说语言模型相关的 [5:30] 我去了两个不同的阿里巴巴办公室 [5:33] 我一下飞机到北京 [5:34] 就直接去阿里北京办公室见了千问团队的人 [5:38] 所以有阿里巴巴 [5:39] Kimi也就是月之暗面 [5:42] 智谱AI [5:43] 还有和我一起写Interconnects的Florian [5:45] 我们去了美团 [5:47] 它也有自己的语言模型团队 [5:49] 还去了清华大学 [5:53] 和北京的小米园区 [5:56] 到杭州之后 [5:57] 我们去了阿里巴巴园区、蚂蚁集团的百灵团队 [6:01] 以及阿里旗下的魔搭社区 [6:05] 这次其实是一次团体行程 [6:06] 很大一部分是围绕SAIL来安排的 [6:10] SAIL由一群AI领域的Substack作者组成 [6:12] 他们搭建了一个平台 [6:14] 在AI媒体和活动领域里做些有趣的事情 [6:18] 所以大部分是围绕SAIL来安排 [6:19] 后来其他成员在上海还聊了MiniMax [6:24] 可能也聊了StepFun [6:26] 所以名单真的很长 [6:27] 很明显的一个是DeepSeek [6:29] 它是最神秘的那家 [6:30] 还有字节跳动 [6:32] 你去拜访这些公司时 [6:33] 会发现几乎所有人都在谈DeepSeek [6:35] 因为它像是一个神秘的先行者 [6:37] 字节跳动是那个有海量资源的闭源AI实验室 [6:41] 大家似乎对他们都有点忌惮 [6:43] 毕竟豆包聊天机器人现在是主流 [6:46] 你到了现场很快就能捕捉到这些信号 [6:48] 因为所有人都在聊 [6:50] 你在Substack文章里说 [6:52] 这次回来之后你有一种谦卑感 [6:55] 你说的是什么意思 [6:56] 作为一个美国科学家 [6:59] 我并不觉得自己有资格对中国科技生态 [7:03] 或者中美在全球层面的互动发表什么看法 [7:06] 我会说 去之前我就知道自己了解得不多 [7:08] 去了之后更觉得 我没看过的还多着呢 [7:11] 我这次只去了中国的两座城市 [7:13] 而且是很密集的工作行程 [7:14] 很多时候像是被车“传送”到一个又一个地方 [7:16] 当然 我们也吃了很好的晚餐 [7:18] 看了北京一些很可爱的街区 [7:20] 还有一些老建筑 [7:22] 但总体上我还是觉得自己对中国了解得很少 [7:25] 你如果想对一个地方形成比较即时 [7:28] 准确的直觉 [7:29] 需要更接近全栈式的知识和体会 [7:33] 一个在这里成长的人会怎么想 [7:35] 一个中国研究员的本能反应会是什么 [7:38] 作为美国人 我可能要花一辈子才能真正理解这些 [7:43] 比如教育系统到底有什么不同 [7:45] 我们去清华时 他们也会谈到 [7:47] 一种外界印象 [7:50] 过去中国研究员似乎不那么擅长 [7:52] “从0到1”的科学创新 [7:54] 这个说法本身也很模糊 [7:55] 什么叫0到1 [7:56] 但他们会主动提起 [7:58] 这里面涉及人的训练方式 [8:00] 也涉及人才如何从更广泛的国内网络 [8:02] 流向不同机构 [8:05] 这些话你听别人讲是一回事 [8:07] 真正去现场看到又是另一回事 [8:09] 今年我读了《Breakneck》和《Apple in China》 [8:12] 这两本很好的书 [8:13] 都在讲美国科技生态与中国的互动 [8:17] 但那仍然只是很有限的视角 [8:19] 所以我离开中国时的感觉是 [8:23] 我原本就知道自己懂得不多 [8:25] 现在更确定了 我还有很多要学 [8:27] 你们这次主要见的是首席、高管 [8:30] 还是中层AI研究员或者工程师 [8:35] 你觉得这些对话有帮助吗 [8:38] 我们本来就希望多和研究员聊 [8:40] 建立一种对话 [8:42] 同时也想尽量见到领导层 [8:44] 尤其是创业公司的领导者 [8:45] 实际情况是我们大多先从研究员聊起 [8:47] 也见了一些高管 [8:49] 比如阿里的人 [8:51] 或者一些在公司内部非常有名 [8:54] 会直接和创始人打交道的人 [8:57] 不过正式拜访的时候 [9:01] 很大一部分也是礼节性的 要向对方表示尊重 [9:04] 但话说回来 [9:06] 公司领导通常更受过媒体训练 [9:08] 有时候反而不会说太多 [9:10] 他们会更贴着公司口径 [9:12] 这样细节和微妙之处就会被压掉 [9:14] 所以我觉得两种情况都有 [9:15] 那些大公司可能更愿意让我们见一些 [9:19] 资深的云业务负责人 [9:21] 但不会透露太多 [9:24] 还有一些话我只能说有些内容是私下聊的 [9:26] 我不知道 [9:27] 回答可能不是最完美 [9:27] 但实际情况就是比较混合 [9:28] 尤其是有公关和传播团队在场的时候 [9:30] 大多数正式会面房间里都会有公关的同事 [9:33] 反而一些最好的对话是这样的 [9:36] 我发消息说我在中国 [9:37] 加了微信 [9:38] 然后就和某个研究员 [9:40] 私下去喝杯奶茶 [9:42] 不是在公司会议室里 [9:43] 你就可以很直接地问 [9:44] “你现在在做什么” [9:46] 没有那层 [9:48] “我坐在办公室里 经理在旁边” [9:51] “公关也在旁边”的表面包装 [9:53] 那种对话更有意思 [9:55] 但在这趟行程里也更少见 [9:56] 确实 那你主要会问他们哪些问题 [10:01] 问题有很多层次 [10:02] 所以我觉得 [10:04] 我会从一个相对容易回答的问题开始 [10:08] “你们为什么要发布这些模型” [10:10] “为什么要自己做模型” [10:11] “为什么不直接用DeepSeek的模型” [10:13] 很多公司其实非常务实 [10:15] 他们会说 [10:15] 我们需要AI服务自己的用户 [10:17] 也想掌握完整技术栈 [10:19] 所以我们就自己做 [10:20] 相比美国那种“做前沿实验室是一件超级昂贵 [10:24] 几乎只有少数公司能做的事”的氛围 [10:26] 中国这些公司对自己做AI模型没有那么畏难 [10:30] 它在美国可能只属于少数精英公司 [10:31] 但在中国 好像很多公司都会去做 [10:32] 这也是我们为什么想去美团看看 [10:34] 我们很喜欢它 [10:35] 没想到他们也有自己的大模型 [10:38] 所以我们就想去看看他们到底在做什么 [10:39] 他们会说 对 [10:40] 我们需要这个模型来支撑自己的智能体产品 [10:42] 所以我们就把模型做出来了 [10:44] 我们是产品上真的要用 [10:45] 至于它是不是开源并不是最重要的 [10:46] 我们也可以把它发布出来 [10:47] 顺便获得一些反馈 [10:48] 他们对“开放科学”这件事的态度也非常务实 [10:52] 顺着这个问题 话题就会延伸到 [10:54] 你们现在最大的瓶颈是什么 [10:57] 当然 这个问题很快就可能卡到算力上 [11:00] 但很多人会说 华为芯片做推理还不错 [11:03] “我们会用华为做推理 但基本不会用来训练” [11:06] 类似这样的话 很多人都会提到 [11:07] 我们同行的人也会问一些更宏观的问题 [11:11] 比如AI接下来会怎么发展 [11:13] 你觉得它会怎样影响劳动力市场和经济 [11:17] 作为科学家 你会不会觉得自己有责任 [11:20] 去理解、去思考这些影响 [11:22] 我们发现中国的研究员 [11:24] 相对不太愿意展开谈太多看法 [11:27] 这里面有企业文化的因素 [11:29] 但我觉得更主要的是 [11:32] 他们所处的整个环境 [11:34] 比学校里教的那套要局限得多 [11:37] 更多是“我把东西做出来了” [11:39] 而且中国没有那么强的播客生态 [11:43] 不像美国 研究人员能通过增加曝光来获得认可 [11:47] 甚至影响公司的方向 [11:49] 整体氛围会更偏务实一些 [11:51] 我有时候在写文章时 [11:53] 会把这种务实和“谦逊”混在一起 [11:55] 但其实 一个人可以很谦逊 [11:57] 同时 他也可能只是身处一种环境里 [11:59] 并不习惯被问特定问题 [12:02] 好 [12:03] 我们聊聊你去过的几家公司 [12:06] 你觉得它们彼此差异大吗 [12:09] 先从月之暗面聊起吧 [12:12] 对 我觉得这些公司走进去之后 [12:15] 给人的感觉确实很不一样 [12:16] Kimi是其中一个很明显的例子 [12:18] 你会感觉这群人关系特别近 [12:21] 做出一个很酷的东西本身就让他们兴奋 [12:24] 还能把这个很酷的东西商业化 [12:27] 他们的想法是 [12:28] “我们做的这些模型 我们自己也在用” [12:31] 他们之间那种紧密感 [12:33] 是你一走进办公室就能直觉感受到的 [12:36] 你会觉得这群人是真的很有凝聚力 很亲近 [12:39] 一起全身心扑在这件事上 [12:42] 所以我会把Kimi形容成 [12:44] 我们这次拜访过的公司里 [12:45] “氛围最好”的一家 [12:46] 就是说你能感觉到他们挺开心的 [12:49] 也很坚定地走在自己的路上 [12:50] 它不是那种特别公司化的感觉 [12:52] 你去阿里就很明显 [12:55] 这是一个巨大的科技公司 [12:57] 整个氛围非常公司化 [12:58] 蚂蚁集团的百灵团队也有一些这种感觉 [12:59] 因为它同样隶属于一家巨型科技公司 [13:01] 而在一些中间状态的公司里 [13:03] 比如智谱给人的感觉就非常AGI导向 [13:07] 也很有自豪感 [13:09] 但至少从我们接触到的情况来看 [13:11] 它没有月之暗面那种亲和力和魅力 [13:15] 当然 这里面也可能有很多偶然因素 [13:18] 毕竟我也只是某一天 [13:19] 和这些人一起吃了几个小时午饭 [13:20] 不能因为这个就判断一家公司的长期走向 [13:23] 但这仍然很有意思 [13:24] 因为人是会表达状态的 [13:27] 而你确实可以从这些状态里看出一些东西 [13:29] 月之暗面有一篇论文叫《Attention Residuals》 [13:33] 其中一个作者是17岁高中生 [13:38] 你知道这件事吧 [13:39] 马斯克在X上转发了这篇论文 [13:42] 说“Kimi的研究成果令人印象深刻” [13:44] 这个高中生现在在中国很出名 [13:47] 你觉得这说明月之暗面的文化有什么特点 [13:52] 这可能不完全是月之暗面独有的现象 [13:54] 而是中国这些AI公司里人才非常年轻 [13:56] 这些公司现在也都在努力 [13:58] 扩大自己在西方媒体里的存在感 [14:00] 很多研究员也都在X上很活跃 [14:03] 我之前认识其中几个人 [14:04] 感觉他们有些是 [14:07] 在公司里同时做产品和对外沟通这类工作的 [14:10] 比如Kimi的Crystal [14:11] 还有智谱的Lu [14:13] 我见过Lu [14:15] 不确定她名字我发音是不是完全对 [14:17] 但她大概才20岁 而且还在上学 [14:18] 她跟我打招呼的时候 [14:19] 我就想 [14:20] “哇 这些人真的太年轻了” [14:21] 还有我们见到的一位小米研究员Lai Li [14:25] 他好像也是博士生 [14:27] 同时又是小米的核心研究员之一 [14:29] 美国当然也有这种人 [14:32] 就是特别有冲劲 [14:33] 最后进入前沿AI实验室 [14:34] 但在中国太普遍了 [14:36] 你会接连遇到这样的年轻研究员 [14:39] 年纪很小 [14:40] 却已经深度参与到实验室的核心工作里 [14:42] 这让我感觉有点像是一种结构性的现象 [14:44] 这些公司吸纳年轻人才的速度 [14:46] 比其他很多实验室快得多 [14:48] 而且也更愿意让他们站出来 [14:50] 真的挺震撼的 [14:51] 我自己也才30岁出头 [14:53] 但这些人真的好小 [14:54] 我平时觉得自己还挺年轻的 [14:57] 不过能看到这一点也很酷 [14:58] 但在美国不是这样吗 [15:00] 我觉得不一样 [15:01] 我觉得... [15:03] 你是说美国实验室里没有那么多年轻人才 [15:06] 对 [15:06] Ai2有一个特点 [15:09] 也算是它的秘诀 [15:10] 就是它背后就是华盛顿大学 [15:12] 我们有很多博士生 [15:14] 同时参与OLMo和其他重要项目 [15:17] 他们一边读书一边做核心工作 [15:18] 但这种开放的做法 [15:21] 换到别的实验室就没那么通融了 [15:23] 我知道少数博士生在实验室工作 [15:26] 但在美国 那通常是最顶尖中的顶尖 [15:29] 但在中国 和学术界的交融要深得多 [15:33] 尤其是清华和周边的创业公司之间 [15:37] 这种互动是更有意为之的 [15:39] 人才重叠度也更高 [15:41] 这为什么重要 [15:43] 学生年轻 [15:44] 他们有冲劲 [15:45] 没什么别的事儿要操心 [15:47] 他们生活里牵扯的事情少得多 [15:49] 我今年要结婚 [15:50] 也开始考虑家庭 [15:51] 我30岁了 生活里还有很多别的事情要顾 [15:53] 但学生会觉得“这就是我这辈子要搞的技术” [15:56] “我就一直干 把所有的东西都吃透” [16:00] 做语言模型时 [16:02] 比如我做后训练 [16:03] 你需要知道预训练团队在做什么 [16:05] 要理解整个训练方案的多个阶段 [16:08] 然后找出瓶颈并解决它 [16:11] 你需要的技术知识其实是一个非常大的、固定的知识体系 [16:15] 如果这就是你生活中最重要的事 [16:18] 而且没太多分心的东西 [16:19] 你就更容易把这些东西全部吸收进去 [16:22] 有位研究员跟我们说 [16:23] 新来的学生没有那些先入为主的想法 [16:25] 不知道以前深度学习那一套是怎么做的 [16:27] 他们并不是一上来就想着换一种架构 [16:30] 他们更像是“我想先知道当前最先进的方法是什么” [16:32] “然后把它做得更好” [16:33] 这其实是一种简单、好执行的做法 [16:36] 中国的一些研究员也跟我们说 [16:38] “对 我们现在做的就是这个” [16:39] 明白 [16:40] 那聊聊智谱吧 [16:42] 你去那里的感觉怎么样 [16:43] 挺有意思的 [16:44] 我学到的一点是 [16:47] 中国公司很有"展厅文化" [16:49] 有访客来 [16:51] 就会展示公司的历史 [16:53] 智谱的展厅里 [16:55] 几乎每块展示板都有某种AGI相关元素 [16:58] 比如“AGI加载中” [17:00] 或者说AGI [17:01] 进度到了42% [17:03] 这是《银河系漫游指南》的梗 [17:07] 你一进去就会注意到 [17:09] 但另一方面 [17:14] 我可能没有像了解Kimi那样了解他们 [17:18] 不过他们对自己的工作很自豪 [17:20] 也非常成功 [17:21] 我觉得他们因为上市 [17:24] 又突然被美国列入实体清单 [17:27] 某种程度上立刻被推到了 [17:29] “真正的大公司”位置 [17:33] Kimi还没有完全到那个阶段 [17:36] 在我看来 两家公司其实很相似 [17:38] 只是模型取舍不同 [17:42] 未来如果Kimi保持私有化 而智谱选择上市 [17:46] 文化差异会不会因此变得更大 还挺值得看的 [17:49] 进入二级市场 [17:52] 有时候确实会带来差异 [17:54] 通常也会获得更多关注 [17:56] 对 智谱和MiniMax现在都上市了 [18:00] 这样也好 因为短期内能融到资 [18:02] 但如果以后还需要更多资本来训练模型 [18:05] 就会更难 [18:06] 你其实不会真的再去上市一轮 [18:09] 情况有点不清楚 [18:10] 而现在 [18:11] 市场对任何一家上市的AI公司都非常追捧 [18:14] 投资需求很强 [18:15] 但这个趋势也可能反转 [18:17] 所以现在是好事 [18:19] 但之后不好说 [18:20] 我不做这些决策 [18:21] 只是说两边都能找到理由 [18:24] 今年早些时候 [18:25] OpenRouter上 Kimi和智谱的API请求量激增 [18:31] 就在OpenClaw火起来那阵子 [18:34] 你觉得这个趋势会持续吗 [18:36] 对 [18:37] 我们正在看到几个不同的市场逐渐成形 [18:39] 最顶端的是Claude Code和Codex这类产品 [18:42] 我会把它们称为“知识工作工具” [18:44] 但本质上 只要某个价格带能跑得通 [18:47] 就会出现对应的agent产品 [18:48] 开放模型有意思的地方在于价格足够低 [18:52] 所以大家更容易拿来做实验 [18:55] 所以自然而然 [18:56] 很多人就在这个平台上试这些模型 [18:59] 这些模型公认能力强 [19:01] 价格又低一档 [19:02] 同时还有一定品牌认知 [19:04] DeepSeek、智谱、Kimi、Qwen都在这个位置 [19:10] 我个人觉得 [19:11] OpenClaw这个名字可能火一阵就过去了 [19:14] 但它代表的这种智能体会留下来 [19:17] 比如现在Hermes Agent更受欢迎 [19:20] 但这些具体产品都会来来去去 [19:21] 以后还会有新的 [19:23] 关键是这种agent你能直接跑 [19:26] 在OpenRouter上调用这些托管模型也不算很贵 [19:32] 很有意思 [19:33] OpenRouter本身在真实的推理市场里占比不算大 [19:37] 比如在美国 [19:38] Fireworks和Together AI的规模要大得多 [19:41] 它们最近也开始公布 [19:42] 自己每天处理多少token之类的数据 [19:45] 但OpenRouter [19:46] 更偏社区导向 [19:48] 所以对关注开放模型的人来说 [19:51] 它往往就是大家首先想到的平台 [19:52] 这个位置显然很有优势 [19:54] 我觉得这些公司也在很主动地借这个势 [19:57] 当模型在OpenRouter上火起来时 他们就会顺势去推 [20:00] 这是一种很好的联合品牌效应 而且会自我强化 [20:02] 我们再聊聊你去美团和小米的经历吧 [20:07] 这个现象很有意思 [20:08] 就像我们前面说的 [20:10] 中美的情况很不一样 [20:11] 在中国 几乎有点像Uber和Apple这样的公司 [20:13] 也在开发自己的开源模型 [20:17] 但在美国 它们并没有这么做 [20:19] 为什么在中国会是这样 [20:21] 如果你去问美团 [20:22] 或者看美团和小米这类公司的立场 [20:25] 你会感觉他们的判断是 [20:26] 我们未来会有很多真正被用户使用的智能体 [20:28] 以美团为例 [20:31] 你可以想象一个智能体可以替用户做一些事情 [20:32] 比如帮用户判断 [20:34] 该提出什么需求 该点什么东西 [20:36] 它能做到这些 [20:37] 对 [20:38] 在美国 消费者公司的第一反应可能是 [20:42] 那我直接拿一个API key调外部模型就好了 [20:44] 没错 [20:45] 但在中国 [20:45] 很多公司的想法是“我们自己也能做 而且可能更便宜” [20:49] “我们有算力 也有人才 [20:52] 为什么不自己试着做一下” [20:54] 不光是美团 [20:56] 有几家公司也是这么想的 [20:57] “我们做通用模型 [21:00] 但我们的用途不止于此 [21:03] 通用模型可以发布出来 让更多人使用” [21:05] 然后他们再在这个基础上做微调 [21:07] 做成更专门的智能体和专门模型 [21:09] 用在自己的内部服务里 [21:12] 美团就是一个很好的例子 [21:13] 那些专用模型它们不会发布出来 [21:15] 但希望把它们用进自己的app里 [21:17] 可以想象一下小米 [21:20] 比如模型可以驱动汽车里的某些功能 [21:23] 我猜小米可能会像特斯拉那样 [21:25] 车会和云端通信 [21:27] 有各种各样的接口 [21:29] 虽然不太确定具体会是什么样 [21:31] 但AI会越来越深地融入所有数字技术里 [21:37] 我觉得小米也是典型的 [21:40] “大公司什么都想自己做” [21:43] 现在又做大语言模型、机器人模型和机器人硬件 [21:48] 它真的想把每件事都自己做一遍 [21:52] 对 小米的模型其实也很新 [21:55] 2025年4到6月 他们发布了最初的MiMo 7B模型 [22:02] 到了12月 [22:04] 又推出了很受欢迎的MiMo-V2-Flash [22:07] 最近好像又出了V2.5 [22:09] 人们需要一点时间才会意识到 [22:12] 这些模型会不停涌现 [22:14] 看到一个新的实验室几乎从零开始做起来 [22:16] 确实挺让人意外的 [22:18] 他们还招了之前DeepSeek的员工 我忘了名字怎么念 [22:22] 罗福莉 [22:23] 对 罗福莉 [22:24] 现在看起来 小米很可能会成为 [22:26] 中国最强的模型团队之一 [22:29] 而美国这边很多人对中国模型的认知 [22:30] 还停留在DeepSeek、千问、Kimi和智谱 [22:37] 有人知道MiniMax [22:38] 有人可能还不知道 [22:39] 这个名单其实已经很长了 [22:40] 但我去了小米之后 [22:43] 我预感他们会继续做下去 [22:45] 他们给人的感觉非常务实 [22:46] 对他们来说 做这件事是有道理的 [22:48] 小米过去已经做成过很多很厉害的事情 [22:51] 相比他们造过的车和其他硬件 [22:53] 做一个AI模型反而好像没那么夸张了 [22:56] 美团还投资了月之暗面最近一轮融资 [23:01] 这也说明美团在大举押注AI [23:04] 中国公司往往有非常庞大的生态 [23:09] 它们喜欢超级app [23:10] 它们喜欢生态 [23:11] 也喜欢从零开始自己造一切 [23:14] 你觉得在AI时代 这是正确的路线吗 [23:18] 这件事确实值得自己上手试一试 [23:20] 我觉得AI因为天然非常依赖资源 [23:23] 所以会更有利于大型公司 [23:26] 尤其是那些能够进入正向飞轮的公司 [23:28] 我们有很多资源 [23:30] AI让我们的产品变得更好 [23:32] 于是我们获得更多回报 [23:33] 又能继续投入 [23:34] 最后就会赢得更多 [23:35] 在美国 这种趋势已经很明显了 [23:37] Google已经占据很强的位置 [23:39] OpenAI和Anthropic也基本不用担心 [23:41] 英伟达更不用说 [23:42] 所有处在这个反馈循环里的公司都会很强 [23:45] 有意思的是 这套逻辑在中国会怎么展开 [23:49] 我觉得蚂蚁集团就在这条路上 [23:52] 他们在做自己的模型 [23:53] 同时也能看到自己的平台能力不断扩展 [23:55] 比如现在正在进入医疗健康领域 [23:57] 他们也经常谈到这一点 [23:58] 而且未来肯定也会把模型用到这些场景里 [24:00] 所以对他们来说 [24:01] 这件事其实非常合理 [24:03] 但如果你是一个西方观察者 [24:04] 可能会想 为什么蚂蚁百灵会存在 [24:08] 他们没有意识到当你使用支付宝这样的平台时 [24:12] 它背后有多大的业务覆盖面和应用场景 [24:15] 所以我觉得 [24:16] 对这些触达范围非常广的大公司来说 [24:18] 自己做模型是说得通的 [24:19] 不过我也担心这会压制一部分竞争 [24:22] 比如像Kimi、MiniMax、智谱这些体量小一些的公司 [24:27] 要怎么融入这个已经有大应用存在的生态 [24:32] 我记不清是哪家公司了 [24:34] 但他们跟我们说 [24:35] 他们曾经做过一个agent [24:37] 去操作字节跳动旗下某个app [24:39] 后来被字节封掉了 [24:41] 所以他们就没法继续抓取数据 [24:42] 你能看到 大公司和小公司之间 [24:46] 正在形成一些新的接口和边界 [24:47] 或者说 小公司也在努力寻找自己的生态位 [24:49] 美团在这里有点处在中间位置 [24:51] 以我的视角来看 我其实还没有完全把握 [24:53] 它到底算多大的科技公司 [24:55] 它会不会被行业整合吞进去 [24:58] 或者继续投入语言模型的成本会不会太高 [25:01] 这些我都不太确定 [25:02] 但总体上 我还是很看好AI作为一门生意 [25:05] 所以我觉得 [25:05] 这些早期入场的公司大概率都会还不错 [25:09] 它们卖token [25:11] 卖智能 [25:12] 而市场对这些东西会有大量需求 [25:14] 你写过 [25:14] 中国公司有一种"技术所有权心态" [25:18] 能解释一下吗 [25:20] 这和超级app的想法有关 [25:23] 他们就是觉得自己能把东西做出来 [25:26] 并且做得更好 [25:27] 如果成功 [25:28] 就继续投钱、继续提高效率 [25:30] 再按自己的实际场景去调 [25:33] 这很像中国很多国内产业 [25:36] 成长为全球最大产业之一的路径 [25:39] 能自己做就尽量自己做 而不是购买别人的服务 [25:43] 这样才能掌握长期轨迹 [25:47] 就像是 [25:48] 我记得王丹在《Breakneck》里说过 [25:50] 中国的资本主义比美国更强烈 [25:53] 因为他们会用更长周期思考 [25:55] 什么能带来最好的利润率 [25:57] 最强的产品能力和竞争优势 [26:00] 如果你依赖别人的服务 [26:01] 你很难真正击败对方 [26:02] 在高度竞争的环境里 [26:04] 你会想把每件事都做到最好 [26:06] 而且最好都自己做 [26:07] 所以我会把这理解成一种 [26:08] “自己要掌握在手里”的心态 [26:09] 对这些公司来说 做模型现在还不是一个 [26:13] 完全不可承受的支出项 [26:14] 我估计 [26:16] 他们一年可能要花5亿到几十亿美元 [26:21] 来做这些模型 [26:22] 这当然是一大笔钱 [26:24] 但对这些实验室来说还没有到做不起的程度 [26:27] 如果模型能力继续往上走 [26:30] 市场最终很可能会整合 [26:32] 因为能力提升有点像是投资额的对数函数 [26:36] 投入越多 模型会越强 [26:38] 但边际回报会递减 [26:40] 现在是一个很有意思的阶段 [26:42] 我记得我采访过蚂蚁百灵的Richard [26:44] 他说他们只花了六个月 [26:45] 就把做大模型的团队搭起来了 [26:48] 这是因为他们本来就已经有大量人才 [26:50] 他们只是把团队调过去做这件事 [26:53] 所以我们现在处在这样一个阶段 [26:54] 我不知道这些公司会持续投入多久 [26:56] 但至少眼下 这件事还挺有意思 [26:58] 我们聊聊你拜访的其他公司 [27:01] 千问和阿里巴巴是大公司 [27:05] 它们和月之暗面以及其他小一些的实验室不一样 对吧 [27:09] 对 我觉得 [27:10] 千问通过持续发布性能很强 [27:14] 尺寸覆盖很广的小模型 [27:18] 赢得开源AI社区的广泛认同 [27:20] 在Llama 4出来以及声势变弱之前 他们其实已经在做这件事 [27:24] 而当Llama 4发布、Meta放慢节奏时 [27:27] 千问正好进入状态 [27:29] 他们也知道这一点 [27:31] 所以我们问他们时 [27:32] 他们会非常关注开发者会用什么 [27:34] 他们想持续构建开发者会使用 [27:36] 会在上面生长的模型 [27:38] 但你看千问 会发现 [27:39] 他们有一段时间没有发布最大的模型 [27:41] 比如千问Plus和千问Max都是闭源的 [27:44] 这很明显反映了阿里云的一面 [27:49] 就像美国的Google Cloud [27:51] 有巨额支出也有巨额收入 [27:54] 在中国 阿里是最自然承担这个位置的公司 [27:57] 他们也知道这一点 [27:58] 所以他们不一定会发布所有模型 [28:00] 也许他们会说 不发布是因为没人会用 [28:03] 但我也会想 [28:04] “这里面能赚很多钱” [28:06] 而AI确实有很多钱可赚 [28:08] 最有意思的是 [28:11] 很多人都提到 [28:12] 他们对小模型都是有意为之的 [28:14] 这不是偶然 [28:16] 也许最开始只是 [28:17] “别人做 我们也试试” [28:20] 但他们在1B、10B、30B这些规模的模型上 [28:23] 有一套非常成熟的配方 这些模型非常受欢迎 [28:26] 而且这是刻意为之 [28:28] 听他们自己说 [28:30] “对 我们就是这么做的 [28:32] 我们也知道这很耗时间” [28:34] 所以发布模型很难 [28:35] 需要为生态投入大量工作 [28:37] 我觉得他们也感受到压力 [28:40] “我们可以做更多模型 [28:42] 但只要发布一个模型 就得有人去维护它 [28:44] 我们要去对接vLLM [28:46] 得去对接所有这些公司 融入到开源生态里” [28:49] 模型团队本身还很小 [28:51] 也没有办法把这些工作外包出去 [28:53] 这件事得由那些直接参与模型开发的人来做 [28:58] 因此两边都有谨慎 [28:59] 一方面不能发布太多模型 [29:01] 另一方面最大模型又不一定发布 [29:04] 因为他们想在云上变现 [29:06] 这次去中国前 [29:09] 我关心的另一个问题是 [29:10] “AI投入更像SaaS软件支出 [29:15] 还是更像云支出” [29:17] 美国有一种看法 [29:18] 不管是刻板印象还是真实情况 [29:20] 就是中国公司不太愿意为这类软件服务付费 [29:25] 比如Slack的对应产品规模小得多 [29:28] 很多公司可能会自己重做一个最小可用软件 [29:31] 或者下载开源工具 [29:32] 而不愿意按人头、按座席每月付软件费 [29:37] 但这些公司都会用云 [29:39] 阿里云本身就是一门大生意 [29:40] 很多现代软件也必须通过云来运行 [29:44] 我认为 [29:45] 中国会逐渐把AI支出看作云支出 [29:49] 它可能不会像美国那么夸张 [29:51] 但会被视为 [29:52] 制造自己想要的技术所必需的投入 [29:56] 因此 这些云服务商会存在 [29:59] 这很有意思 [30:00] 因为你一到上海机场 [30:03] 或者坐高铁去杭州 [30:05] 就到处都会看到阿里云的商业广告牌 [30:09] 对 我一到北京 [30:10] 我第一眼看到的就是阿里云的广告 [30:13] 心想好吧 我到这儿了 [30:15] 我觉得阿里云和亚马逊云科技的一个区别是 [30:20] AWS Bedrock会同时承载几乎所有大模型 [30:26] 自家模型和小模型 [30:28] 但中国云厂商通常只承载自己的模型 [30:32] 这是一个很大的区别 [30:32] 而且我认为 [30:33] 美国有一个新型的云服务市场 [30:35] 有很多人转卖别人的模型 [30:39] 按token收费 或者转售算力 [30:41] 这在美国市场里占很大一块 [30:43] 你可以列出很多公司 [30:44] CoreWeave、Nebius、Together、Fireworks、Lambda等等 [30:49] 这个层次会开放得多 [30:51] 我们也聊到OpenRouter [30:52] 我不知道中国有没有真正等价的东西 [30:56] 我觉得没有 [30:59] 美国这些公司在很多方面被认为 [31:01] 是受英伟达支持的 [31:03] 英伟达希望生态更多元 [31:07] 因为如果大部分收入 [31:08] 只来自OpenAI这样的少数几家公司 [31:11] 对它并不好 [31:13] 中国似乎没有完全相同的动态 [31:15] 对 [31:16] 这点很有意思 [31:17] 因为中国缺了这一层 [31:20] 它们没有这种基础设施层或优化层 [31:25] 因为你看现在出现的一些趋势 [31:27] 比如Cursor拿了Kimi的模型 [31:30] 在Fireworks做后训练 [31:33] 用的是那个强化学习沙箱训练环境 [31:36] 然后又通过Fireworks提供服务 [31:39] 这是一种很有意思的多方协作 [31:42] 几家公司共同把很强的模型和产品做出来 [31:45] 而如果在中国想要做到同样的事 [31:48] 可能就需要更垂直整合 [31:49] 可能中国公司就是更喜欢什么都自己做、自己掌握在手里 [31:53] 这和“所有权”和“整合”的逻辑相反 [32:00] 要支持一家处在中间层的公司 [32:04] 你必须愿意把某个重要环节交出去 [32:07] 不管是GPU托管还是推理服务 [32:10] 因为你想把精力放到别的地方 [32:12] 这看起来更像西方创业公司的模式 [32:17] 不过我确实认为中国很多模型实验室 [32:19] 会相较于更老、更大的中国科技公司 [32:21] 更愿意尝试不同做法 [32:25] Kimi知道Cursor在训练它们的模型 [32:30] 也会去和Cursor交流 [32:33] "零一万物"是李开复创办的AI公司 [32:38] 现在经历了重大转型 [32:40] 转向偏ToB的商业模式 [32:43] 你怎么看中国AI时代ToB市场的未来 [32:47] 这又回到这些合作关系能不能形成 [32:51] 我觉得很多公司都在想 [32:53] 自己能不能进入全球ToB企业软件市场 [32:58] 老实说我很难判断 [32:59] 国内ToB市场最终会不会赢 [33:03] 你当然可以把AI专长带进另一家公司 [33:09] 对那些AI能力较弱的公司会很有价值 [33:13] 但问题是 大家是否愿意这样做？ [33:15] 因为你一旦依赖外部合作伙伴来完成这件事 [33:18] 你就会失去一部分掌控权 [33:19] 美国最近的趋势 [33:21] FDE前线部署工程师 是这个领域的热词 [33:25] OpenAI也在大量招这类人 [33:27] 这在美国会发生 [33:29] 但在中国这会不会成为一种可行的模式 [33:33] 你能不能从一家公司正门进去 [33:35] 被对方欢迎 [33:38] 这很有意思 [33:39] 他们会尝试 [33:40] 我觉得如果这条路跑通 [33:42] 在AI时代第一个重新把这件事做成的人 [33:45] 显然会很有价值 [33:46] 但我说不准 就像扔硬币一样 一半一半 [33:49] 只能说这取决于 [33:51] 中国文化和商业环境 [33:54] 而那部分我还不能完全理解 [33:57] 但你有没有 [33:58] 你们见到了谁 [33:59] 我们见了李开复 [34:02] 那次对话怎么样 [34:03] 挺好 [34:04] 见到他本身就像见到一位传奇人物 [34:06] 能够见到这样的人，真的很好 [34:09] 他很专注 [34:10] 他已经做了很多事 [34:12] 理论上他完全可以想做什么就做什么 [34:14] 甚至不工作 [34:15] 但你看到他还在试图解决问题 [34:17] 重新想象这门生意该怎么做 [34:21] 这非常符合AI时代的气质 [34:23] AI把很多这样的人又吸引回来 [34:25] 让他们重新思考 [34:26] 下一阶段公司会如何被构建 [34:30] 为什么李开复的实验室 [34:32] 没能成为中国领先实验室 [34:35] 这个我真的不知道 [34:36] 你应该问他 [34:38] 这是个很难的问题 [34:39] 对 我觉得AI领域机会很多 [34:45] 但做模型是一种完全不同的文化 [34:48] 做模型很像持续转动机器 [34:51] 不断加码资源投入 [34:55] 我不觉得零一万物只是“做了一个模型就停下来了”这么简单 [34:59] 美国也有类似情况 [35:00] 比如Databricks做过模型 [35:02] 后来他们可能会觉得 我们没必要继续做这个 [35:04] 别人已经把这件事做起来了 [35:06] 虽然我不确定这是不是公开说法 [35:07] 但我想Databricks的许多管理层都会这么想 [35:09] 我们很高兴不用再自己花钱训练模型 [35:12] 我们要去做自己的核心业务 [35:13] 这也是为什么我惊讶于 [35:15] 这么多公司仍然在持续加码 [35:17] 想着做1万亿参数级别的MoE [35:19] 那要贵得多 [35:20] 零一万物和Databricks [35:22] 在小型混合专家模型 [35:23] 或小型稠密模型阶段就退出了 [35:24] 投入小很多 [35:27] 从某种角度看 [35:28] 如果你判断自己不会有竞争力 [35:32] 早点停下来可能反而是明智的 [35:34] 不是每个人都需要拥有或做出最好的模型 对吧 [35:39] 对 [35:39] 一个老套但重要的问题 [35:41] 你觉得美国最顶尖的模型 [35:44] 领先中国模型多少个月 [35:46] 这个差距会变窄还是变宽 为什么 [35:50] 在传统基准测试上 [35:52] 过去一段时间大概是6到9个月 [35:54] 但在真实使用里 [35:57] 尤其是推理模型早期 差距非常接近 [35:59] 因为那是一个新范式 [36:00] 新范式里改进收益非常陡 [36:02] 美国和中国实验室 [36:04] 都在以很快速度往上爬 [36:08] 而中国实验室发布更快 [36:10] 你和中国实验室的人聊 [36:11] 他们会说 [36:12] 我们的模型还在做强化学习 [36:13] 最后一轮强化学习大概要跑一周 [36:16] 然后完成后一天内就发布 [36:18] 美国实验室通常有一套流程 [36:21] 模型出来要几周才能发 [36:23] 所以这是急剧的增长 [36:25] 有两条不同的曲线 [36:26] 如果中国处于落后位置 [36:27] 也不是零进展的 [36:29] 水平线阶段是发布前的等待期 [36:32] 所以中国发布得更快 [36:33] 相当于把用户获得的性能差距给缩小了 [36:36] 最终 [36:37] 性能差距是人们可用模型之间的差距 [36:41] 我们前面也聊到知识工作领域 [36:44] 这主要涉及美国工作者 [36:46] 我认为美国前沿模型 [36:48] 在这些真实场景里的 [36:52] 原始实用性更稳健 [36:56] 但这很难测量 [36:58] 所以在热门基准测试上 [37:00] 6到9个月的差距可能会相对稳定 [37:02] 但在一些无形、难以衡量的使用层面 [37:05] 美国模型可能会拉开 [37:07] 最好的例子是Claude Code、Codex这场 [37:10] 从12月、1月开始的编程革命 [37:14] 如果某个开放权重模型能支持同样行为 [37:16] 全世界都会谈论它 [37:18] 我每个月花1美元 [37:21] 而不是给OpenAI付200美元 [37:23] 那很多人会切换 [37:25] 现在我会说五六个月吧 [37:28] 我不太预期今年会出现一个 [37:31] 非常明确的分水岭 [37:33] 它会让我们重新理解差距 [37:36] 现在我们看差距的方式 [37:39] 可能对于AI如今广泛使用的场景来说太窄了 [37:43] 为什么中国还没有出现 [37:47] 真正很好的AI编程模型 [37:50] Claude Code和Codex流行 [37:53] 很大一部分原因是它们非常容易用 [37:56] 我觉得中国团队 [37:59] 会持续把代码能力解决好 [38:01] 模型实际代码质量会非常高 [38:04] 因为这可以基于公开数据、GitHub等等 [38:07] 让模型通过题目学习解决问题 [38:11] 但在“易用性”上 [38:13] 美国实验室有很大领先 [38:16] 运营方式也不同 [38:18] 美国实验室能获得消费者数据 [38:20] 比如Cursor会基于用户 [38:22] 使用Cursor的数据训练模型 [38:24] ChatGPT、Codex、Claude Code也类似 [38:26] 而开放权重实验室发布模型后 [38:29] 虽然也有自己的CLI但没那么流行 [38:33] 大量模型使用并不会回流给开发者 [38:35] 这种真实世界数据对提升模型 [38:38] 在各种通用情境下的鲁棒性非常有用 [38:43] 这也是闭源实验室的巨大优势 [38:45] 好 [38:46] 我还有一些关于开源模型的问题 [38:49] 为什么中国实验室会发布这么多强大的开源模型 [38:53] 这是它们获得相关性的路径 [38:55] 我认为它们知道自己落后 [38:56] 也知道自己想进入讨论 [38:59] 如果没人知道你 即便你有API [39:02] 也没人会想到你的模型 [39:04] 但在AI模型非常有价值也相对稀缺的世界里 [39:08] 当你把模型开放出来 [39:10] 很多人会说 [39:11] “我也想拥有自己的AI模型” [39:13] 于是就会来看、来试 [39:15] 所以这些实验室非常务实 [39:16] 这是我们参与前沿AI开放故事的方式 [39:21] 它们会继续这样做 [39:22] 我预期这会很稳定 [39:24] 因为快速跟进的差距会继续存在 [39:28] 这就是一种非常务实的心态 [39:31] “这么做并不会增加什么风险 [39:34] 又能帮助我们达成目标 [39:36] 也是获得客户的唯一方式之一 [39:38] 所以我们必须这么做” [39:40] 如果Meta没能成为最好的开放模型 [39:44] 这是否意味着 [39:45] 美国正在把开放模型领导权输给中国 [39:49] 过去一年 [39:50] 美国已经把开放模型领导权让给了中国 [39:53] 尤其是2025年夏天 [39:55] 一批新的中国实验室开始变得非常突出 [39:59] GLM 4.5和Kimi K2 [40:03] 作为突破性模型出现 [40:04] 从那之后 [40:05] 美国就不再拥有开放模型领导地位了 [40:08] 我认为从2025年夏天起就是这样 [40:12] 任何声称不是这样的人都有点没有看清 [40:14] 真正重要的模型来自哪里 [40:18] 美国还有机会追上吗 [40:20] 有 因为美国有英伟达 [40:22] 而英伟达的财务利益 [40:24] 并不希望AI被任何单一公司拥有 [40:26] 做到这一点的最好方式 [40:28] 就是为全世界发布开放模型 [40:30] 所以唯一的希望是英伟达 [40:33] 现实地说 可能是 [40:36] 开放模型方面 [40:37] 像Meta和Microsoft 他们本身就有产品 [40:41] 无论产品是面向用户或企业 [40:43] 背后都有AI支持 [40:44] 所以他们可以放出开源权重模型 [40:46] 不会真的影响他们的生意 [40:48] 但过去几年它们选择不这么做 [40:50] 也许这会分散注意力 [40:52] 也许有营销或安全风险 [40:56] 只要这种状态持续 [40:58] 英伟达就是最有位置改变局面的一方 [41:01] 就在我们录制这期节目的时候 几天前吧 [41:04] 黄仁勋发布了他们的Nemotron 3 Ultra模型 [41:07] 我觉得这意味着 [41:09] 英伟达完成了重新尝试开源模型的第一个阶段 [41:13] 他们推出了Nemotron 3 Nano、Super和Ultra系列 [41:16] 采用了混合专家模型 Ultra是最大的那个 [41:20] 接下来他们会用它生成合成数据 [41:22] 在内部做各种小模型和蒸馏 [41:25] 现在他们有了第一个大模型 [41:28] 就更有灵活性 [41:29] 去构建其他尺寸、继续改进 [41:33] 所以接下来英伟达在开源模型方面的动向会更值得关注 [41:35] 问题在于一旦有人做出这个大的混合专家模型 [41:38] 能不能在这个基础上继续把它规模做大 [41:40] 英伟达过去也有很多模型 质量不错 [41:43] 但很快就掉出了使用和讨论周期 [41:48] 那Reflection AI或者你们这样的玩家呢 [41:53] 我觉得以后会有更多人在开源社区里做模型 [41:58] 开源生态本身也能容纳各种不同类型的模型 [42:01] 这些小型和中型模型 [42:03] 都非常有用 [42:04] 因为它们太便宜了 [42:05] 如果你能让它重复做一个任务 [42:08] 就能比一直用Claude或Codex省很多钱 [42:12] 现在开放模型领域有一种执念 [42:16] 就是追前沿、追最大的MoE模型 [42:17] 比如Nemotron Ultra、Kimi K2这类 [42:20] 我觉得随着时间推移 [42:23] 对最大模型的执念会淡化 [42:26] Reflection AI想做大模型 [42:28] 但他们得和千问竞争 [42:30] 而千问已经赢得认可 [42:32] 模型规模不大 [42:33] 但全世界每个研究员拿它当基础来用 [42:35] 现在AI研究有多少是拿千问来做的 简直不可思议 [42:40] 很长一段时间是Llama [42:42] 但现在所有人 [42:43] 所有研究员对千问的运作方式了如指掌 [42:45] 也习惯使用它 [42:47] 这对千问来说是非常了不起的成就 [42:50] 我觉得讨论得还不够 [42:52] 随着时间推移 [42:53] 从小到大的模型分布 [42:55] 会有更多层次的兴趣 [42:58] 对Reflection AI来说 [43:00] 也许选择一个服务不足的细分领域更好 [43:03] Ai2做小型OLMo模型 [43:05] 对研究非常有帮助 [43:06] 我不认为Ai2应该 [43:08] 追前沿、去做1万亿参数模型 [43:11] 从慈善资金角度看也不可行 [43:13] 但做一些战略上不同的东西也是好事 [43:18] 在大家意识到自己财务上已经跟不上前沿之前 [43:20] 还有时间去填补不同的细分领域 [43:24] 中国最好的开源模型是谁家的 [43:28] 这个排名会来回变化 [43:29] 我自己也想花更多时间 [43:32] 试用各种模型 [43:34] 如果现在让我说最强的模型 [43:37] 我会觉得大概是Kimi和智谱 [43:39] 比如Kimi K2.6和GLM-5.1是我听得最多的 [43:44] 感觉它们确实在前沿实际使用里产生影响 [43:47] 但变化太快了 [43:49] 2025年全年 [43:51] DeepSeek基本是公认王者 [43:54] 尤其是V3和R1系列 [43:57] 我也不会惊讶如果小米后来居上 拿下领先位置 [44:01] 在中国 千问最大的模型一直是闭源的 [44:03] 这一定程度上限制了 [44:04] 它在更大模型上的采用率和声量 [44:07] 但我也说不准 如果你拿把枪指着我非要我说 [44:10] 我会说Kimi和智谱是世界上最好的开源模型 [44:16] 但竞争很激烈 对吧 一直在变 [44:18] 非常微小的差距 [44:20] 你在文章里提到很多中国研究员 [44:23] 能谈谈你对他们的印象吗 [44:24] 他们和美国AI研究员有什么不同 [44:27] 中国有非常多人才 [44:29] 你去一个实验室 [44:30] 会发现里面大多 [44:31] 是中国本土成长起来的研究员 [44:33] 而且往往更年轻 [44:35] 我们去了很多清华附近的地方 [44:37] 当然中国还有其他很好的大学 [44:38] 所以进入中国实验室时 [44:43] 人员构成会更同质一些 [44:45] 相比之下 在Ai2或美国其他实验室 [44:48] 作为一个不是移民 父母也不是移民的美国人 [44:53] 我有时反而觉得自己有点特殊 [44:54] 我和世界各地的人一起共事 [44:56] 欧洲、中东、中国 [44:59] 亚洲其他地方都有 [45:01] 美国实验室也是这样 [45:04] 也有很多中国研究员 [45:06] 但从整体人口构成看 [45:08] 现场感受很不一样 [45:11] 另一个差异是 我们前面提到过 [45:13] 美国很多顶尖研究员在讨论 [45:17] “AI将走向哪里”这类问题时 [45:19] 更多是围绕模型背后的哲学思考或者艺术性的设计理念 [45:23] 有个例子是这次行程的组织者Caithrin Rintoul提到的 [45:29] 她指出像Amanda Askell [45:32] 会谈模型气质如何精心塑造模型语气 [45:36] 这样的讨论在中国没有怎么出现 [45:39] 中国也有一些局部讨论 [45:42] 但他们愿意谈的话题 [45:44] 愿意把AI未来投射到多远 [45:48] 和美国很不一样 [45:50] 除此之外 其实又非常相似 [45:51] 更有意思、也更具中国特色的一点是 [45:53] 中国最新一代研究员的英语似乎更好 [45:57] 很多非常年轻的人英语非常出色 [46:01] 也都在关注西方AI生态 [46:04] 他们在Twitter和博客上 [46:07] 他们也都在写论文 [46:08] 但反过来并不成立 [46:10] 美国生态里 [46:11] 很多人并不关心中国发生了什么 [46:13] 也不太理解中国科技生态如何运转 [46:17] 即便对我这样很感兴趣、很想知道 [46:22] 这些公司怎么做的人来说 [46:23] 获取可靠信息也很难 [46:25] 所以两边的信息流非常不对称 [46:27] 这会影响人们怎么思考 [46:32] 另外 这里面也有一种很典型的美国性格 [46:36] 对自己身边正在发生的事情非常自豪 [46:40] 甚至有点自我陶醉 [46:42] 硅谷尤其奖励这种表达 [46:46] 硅谷正在形成一种“隧道视野”的状态 [46:50] 围绕AI发展出自己越来越狭窄的文化和讨论 [46:54] 比如关于“永久底层阶级”之类的奇怪论调 [46:57] 还有现在大家谈技术奇点中的递归式自我改进之类的 [47:01] 在中国实验室也会零星听到一点类似的讨论 但少得多 [47:05] 他们可能从美国那里接收到一部分 会觉得这东西有点奇怪 [47:08] 不过也挺有意思的 可以听一听 [47:10] 但你去旧金山 [47:11] 那里的人真的就在谈这些 [47:13] 你会看到博士生说 [47:15] 我现在得赶紧赚钱 我得进实验室 [47:19] 围绕AI时间表和职业变化 [47:21] 有一种非常强烈的文化和焦虑 [47:27] 在中国感觉不太一样 [47:30] 他们像是说 [47:30] 我们要把这件事做出来 [47:34] 某种意义上更接地气 也没那么焦虑 [47:37] 你怎么看这一轮浪潮中的中国AI人才 [47:41] 即便看美国最领先的前沿AI实验室 [47:45] 也会看到很多中国研究员 对吧 [47:48] 很多华人研究员 [47:50] 在美国读完博士后进入这些实验室 [47:52] 也可能是移民或移民二代 [47:56] 中国人才今天在AI研究里到底扮演什么角色 [48:02] 他们在每家公司里都扮演着非常关键的角色 [48:05] 我觉得美国目前限制高技能移民的政治立场 [48:08] 对美国本身是不利的 [48:11] 我和很多中国人 [48:14] 以及其他国际背景的人一起工作 [48:15] 我希望他们 [48:17] 能够留在这个我也喜欢生活的国家 [48:20] 所以我不同意现在正在推进的这些政策 [48:24] 而且我觉得 只要是在科技行业工作的人 [48:26] 都知道这些人才有多关键 [48:29] 当然大家也会有担忧 [48:32] 比如最近有新闻说 [48:33] 有些AI公司的高管被限制出境 [48:38] 美国有些人知道人才有多重要 [48:43] 也知道局势越来越紧张 [48:45] 就担心“万一他们把顶尖研究人员召回去怎么办” [48:47] 因为那样的话美国公司会受到很严重的打击 [48:49] 这就是现实 [48:52] 我不知道短期内会不会真的有人做出这种决定 [48:55] 这种决定离这档播客的听众圈子非常远 [48:59] 听众也不是做这种决策的人 [49:00] 但在美国 确实有人会把这件事 [49:03] 当成科技行业未来发展的 [49:06] 一个重大潜在瓶颈来讨论 [49:08] 听起来好像只要有一个人来带团队 [49:11] 就能把模型做出来 对吗 [49:13] 然后就能把模型做出来 [49:15] 我觉得愿景本身是很难的 [49:16] 做语言模型这件事里 [49:17] 有一个经常被低估的部分 [49:19] 它很大程度上其实是一个组织架构问题 [49:21] 你手里有很多人才 [49:22] 也想把模型做得更好 [49:24] 真正难的是 怎么组织这些人 [49:26] 怎么把一个大问题拆成很多小问题 [49:29] 让大量人才都能汇入同一个模型的改进里 [49:32] 我还不确定 [49:32] 自己是不是愿意把这个判断说得很绝对 [49:35] 但有一种可能是 [49:35] 中国工程师的训练方式 [49:37] 确实更适合这种组织模式 [49:40] 每个人专注把自己那一小块反复打磨好 [49:42] 并且接受它最终是为更大的模型贡献一部分 [49:44] 当然 这里面还有很多不确定性 [49:46] 因为真正的前沿实验室内部到底怎么运作 [49:49] 其实并没有被很好地记录下来 [49:50] 也许实际情况更混乱 [49:52] 就是一群人到处忙着 [49:53] 想办法让模型变好 [49:54] 这个类比可能不算特别完美 [49:56] 但可以肯定的是 [49:57] 这件事确实很受组织能力限制 [49:58] 你必须把这么多人 [50:00] 有效地组织到同一个目标上 [50:01] 中国AI研究员是不是更愿意 [50:03] 放下过去的旧假设 [50:04] 直接吸收最新的范式? [50:08] 比如看混合专家模型、强化学习智能体、编程模型 [50:11] 和工具调用这些方向 [50:13] 混合专家模型并不是DeepSeek发明的 [50:16] 但DeepSeek把这项技术优化到了 [50:18] 非常高效的程度 [50:21] 我觉得这更多是 [50:23] 与年轻和有动力的研究员有关 [50:27] 有一句很丧的话 [50:28] “科学每次进步都要等一场葬礼” [50:31] 这大概是最悲观的表达方式了 [50:32] 但核心意思是 [50:34] 新人更愿意接受最新东西 [50:38] 他们没有既有成绩要维护 [50:41] 也没有旧观点要捍卫 [50:43] 所以更容易直接跳进去 [50:45] 某种程度上 [50:46] 中国的工程师和领导层 [50:48] 整体可能都更年轻 [50:51] 他们的经验包袱更少 [50:54] 所以这种说法也许是成立的 [50:55] 如果你是搞科研的 [50:57] 你就知道很多新想法和变化 [50:59] 确实来自年轻人 [51:02] 从中国文化来看 [51:03] 会不会更难培养出真正有远见的人 [51:08] 比如Ilya Sutskever级别的顶尖专家 [51:13] 我就是有这样的印象 [51:14] 而这个印象是基于我了解到的文化 [51:17] 也就是从很小的年龄开始 [51:20] 整个体系就建立在标准化考试之上 [51:21] 其中一些考试会奖励记忆能力 [51:24] 学生也很清楚 只要这次考试考好了 [51:26] 就能进入下一阶段最好的学校 [51:29] 所以他们一直处在一种高度竞争的状态里 [51:31] 想着这个决定自己前程的关键门槛 [51:35] 请纠正我 [51:35] 如果我对中国体系的理解有偏差 [51:37] 但我的理解是 [51:38] 美国的教育生态里 [51:39] 这种“一道关口决定命运好坏”的节点 [51:43] 相对少一些 [51:43] 它更像是一个连续的 [51:47] 很多最优秀的人会去最好的学校 [51:50] 但第二梯队的学校也非常不错 [51:52] 不同层级之间也会有更多交叉和流动 [51:54] 美国当然也有学历崇拜和名校光环 [51:56] 但可能没有那么极端 [51:58] 所以这很可能是真的 [52:00] 一些领导层也会私下里谈到 [52:03] 教育系统奖励记忆 [52:06] 即便你想改变 重塑教育系统也非常难 [52:12] 有些科技领导者私下这么说 [52:15] 我会觉得 [52:15] “好吧 我没有理由不相信你” [52:18] 你把中国的实验室描述为近乎完美的“快速跟进者” [52:23] 能解释一下 是什么让它们执行这么快吗 [52:27] 这和我前面提到的 [52:29] 年轻人才、文化都有关系 [52:32] 非常技术导向 [52:35] 非常专注具体任务 [52:36] 大家可能会锁定一件事一直做 [52:38] 而且他们不缺人才 [52:40] 人员可以覆盖整个技术栈 [52:43] 最后汇聚到一个模型上 [52:45] 这种情况我们看过很多次 [52:46] 一旦你知道一件事是可能的 [52:48] 再做出来就会容易一些 [52:50] 中国科技公司在其他领域 [52:53] 也已经展示过这种能力 [52:55] 比如你去小米的线下店 [52:58] 会感觉很像Apple Store [53:00] 很显然他们受到了iPad、iPhone和苹果设计的启发 [53:04] 而且他们确实做得很好 [53:05] 他们不只是在AI领域这么干过 [53:07] 我觉得他们在AI领域还会再来一次 [53:10] 现在大家争论的是他们做这些基础的东西 [53:14] 反复打磨 [53:15] 是否足以让他们 [53:16] 大家都在猜 [53:17] “中国会不会超越美国的AI实验室” [53:21] 我觉得如果资源完全对等 [53:24] 他们可能可以 [53:25] 或者他们就是有更多愿意 [53:27] 在五到十年内投入更多时间的人才 [53:31] 但我认为人才 [53:33] 只是做模型所需资源的一部分 [53:35] 而算力和数据资本 [53:38] 才是最大的杠杆 [53:39] 相比美国超大规模科技公司 [53:42] 中国团队的资源似乎明显更少 [53:45] 所以光靠人才是走不了太远的 [53:47] 不过技术会扩散 [53:50] 最好的模型一旦出现 再去做更高效的模型就简单多了 [53:56] 所以它会一直这样推进下去 [53:59] 一个擅长追赶的后来者 [54:00] 有可能成为前沿领域的领导者吗 [54:03] 可以 [54:03] AI很特殊 因为资源需求太大 [54:07] 中国走向领先的路径 [54:09] 可能不是立刻超越 而是因为通往最终目标的时间足够长 [54:13] 而这段时间里华为把产能建起来 [54:16] 净算力容量变大 [54:18] 所以在人们讨论力量平衡和芯片时 [54:20] 你经常会听到这种情景设想 [54:22] 大多数人都会认为这需要很长时间 [54:26] 但也不能排除这种可能 [54:28] 刚才我们聊到 [54:31] 顶尖AI科学家的文化差异 [54:33] 在美国是这样 [54:34] 回到中国 也许小米是一个例外 [54:38] 比如罗福莉在社交媒体和播客上 [54:41] 都比较活跃 [54:43] 还有千问的林俊旸 [54:46] 他曾是千问的技术负责人 [54:48] 今年早些时候离开了公司 [54:50] 尤其是林俊旸这件事 [54:51] 我感觉能看到个人主义 [54:55] 和集体主义、公司利益优先之间的 [54:58] 明显张力 [55:01] 你觉得中国实验室 [55:03] 会出现更多这种冲突吗 [55:05] 进入西方生态后 [55:07] 我觉得一些中国研究员会发现 [55:09] 自己其实很适合这种环境 [55:12] 我称他Justin，这是他的英文名 [55:14] 他真的很擅长这套 [55:15] 我把它看作一种 [55:17] 我们在美国也见过的现象 [55:18] 科技公司里有些人 [55:20] 如果在外部也有很强影响力 [55:23] 就可能反过来挑战公司管理层 [55:25] 但大科技公司往往会觉得 [55:26] 我们不一定需要听你的 [55:28] 于是双方可能分道扬镳 [55:29] 已经出现过类似情况 [55:30] 就像杨立昆 [55:32] 美国已经出现过类似情况 [55:33] 典型例子是Google一些的AI伦理研究员 [55:38] 当时Timnit向Google管理层提出了 [55:41] 类似最后通牒 但公司拒绝了 [55:43] 也就是说 在大科技公司内部 [55:46] 有些墙是很硬的 [55:49] 我觉得一些中国研究员 [55:52] 可能也会进入这种生态 [55:54] 我们可能会再次看到类似情况 [55:55] 但如果是在创业公司 [55:56] 比如Kimi和智谱，我反而会很欢迎 [55:59] 一个能带来声量、带来关注的人 [56:03] 剩下的问题以后再解决 [56:04] 这很大程度上取决于公司规模 [56:07] 但我觉得如果更多中国研究员 [56:10] 进入这种公开表达生态 会是好事 [56:12] 因为这样一来能看到 [56:15] 来自世界另一部分的更多的观点 [56:17] 如果能在美国被更多人理解 [56:19] 大家就更能理解 [56:21] 他们如何思考、如何做模型 [56:23] 这对全球均衡是有益的 [56:26] 这很好 [56:27] 我们也在努力做这件事 [56:28] 邀请更多中国研究员来节目 [56:32] 所以大家可以订阅我们的频道 [56:34] 你和中国研究员聊天时 [56:39] 中国AI实验室内部的氛围是什么样的 [56:42] 你看到更多的是自信、焦虑、好奇 [56:47] 还是更务实 [56:49] 我觉得他们确实有一种焦虑，主要是担心算力跟不上 [56:54] 我觉得所有中国实验室 [56:56] 都想要更多英伟达算力来训练最新模型 [56:59] 而研究员是最直接感受到这一点的人 [57:02] 因为他们就是被资源限制的人 [57:05] 但除此之外，他们的社会性焦虑要少一些 [57:08] 在美国 社会焦虑已经非常强了 [57:12] 比如我身边的同事 [57:17] 会很认真地担心自己的工作被取代 [57:19] 我会想你已经是我认识的最优秀的AI研究员之一了 [57:21] 但即便是这样的人也会说 [57:23] 我真的非常非常担心这个问题 [57:25] 这种焦虑也出现在更广泛的舆论里 [57:28] 美国CEO到处说 AI会让很多人失业 [57:31] 我觉得这不是一个好的传播方式 [57:33] 但它已经深深嵌入在大家现在看待AI的方式里了 [57:36] 也嵌入了关于数据中心的讨论里 [57:38] 可是这些文化上的共识焦点 [57:41] 好像还没有真正落到中国 [57:44] 有些开发者被问到“什么是AGI？” [57:47] 他们会说 就是它拿走我工作的时候 [57:50] 但这并不像一朵乌云压在他们头顶 [57:52] 他们更多是 [57:52] 我想把这个东西做出来之后再看 [57:55] 为什么会这样 [57:56] 开发者群体里也有一些迟疑 [57:58] 而且变化很快 [57:59] 他们都在用Claude [58:00] 虽然Claude在中国理论上不能直接用 [58:03] 他们用它工作 而且很坦诚地告诉我们 [58:06] 我们爱Claude Claude是最好的模型 [58:08] 所以关于软件工作变化 [58:11] 确实有一些不安在增长 [58:13] 但它远没有形成一种 [58:16] “AI是坏的、会破坏社会”的集体社会判断 [58:20] 在中国 这种叙事似乎还没有确立 [58:23] 我觉得有些人也提到 [58:26] 中国过去几十年经历了 [58:30] 太多快速的技术和经济变化 [58:33] 所以他们会觉得AI只是下一波变化而已 [58:35] 之前已经经历过很多轮了 [58:36] 比如中国的超级App [58:38] 现在又有了电动车 [58:41] 人们已经习以为常了 [58:43] 而在美国，这些变化之间的间隔很长 [58:45] 节奏没有那么密集 [58:48] 所以当最新一波变化到来时 [58:49] 会面对更多惯性和阻力 [58:54] 中国实验室内部会谈论对齐或安全问题吗 [58:59] 他们更常用的词是security（安全） [59:01] 公司当然关心这些 [59:05] 但它并不是他们最优先考虑的东西 [59:10] 他们的想法更像是发布模型权重 [59:12] 就要确保它不会带来某种巨大的新风险 [59:16] 我们也会追问一些问题，比如多模态模型怎么办？ [59:19] 他们会承认有些东西可能更快变成风险 [59:23] 但他们没有那种强烈叙事 [59:27] 就是 我们要发布的文本LLM agent是重大风险 [59:30] 因此必须禁止发布 [59:33] 他们对这些问题的回答是合理的，但不像美国 [59:36] 在美国，这种讨论有时候几乎带有意识形态色彩 [59:38] 也是一种很深的担忧 [59:41] 下一代AI可能就是那个真正值得高度警惕的东西 [59:45] 所以我觉得中国实验室的态度是有分寸的 [59:46] 但这个问题并没有被放在最前面 [59:48] 有可能中国公司会更务实一些 [59:53] 我觉得这很合理 [59:54] 某种程度上这也接近我的立场 [59:56] 我支持开放模型 但不是绝对主义者 [59:59] 我不认为每一个模型都一定应该开放 [60:01] 比如Claude Mythos [60:02] 某种程度上当然也有营销包装的成分 [60:05] 但它确实也是一个非常重大的突破 [60:07] 如果它刚做出来第一天 [60:08] 就被上传到Hugging Face [60:11] 那未必是好事 [60:11] 技术扩散本来就需要时间 [60:14] 尤其是对这种可能带来巨大影响的技术 [60:17] 随着时间逐步扩散是合理的 [60:20] 在当前闭源模型领先 [60:22] 开源模型在后面跟进 [60:23] 我觉得这反而是一种比较好的方式 [60:25] 可以让技术逐步进入现实世界 [60:26] 我想很多中国公司也会有类似感受 [60:30] 你觉得今天中国实验室 [60:32] 在哪些方面真的领先美国实验室 [60:34] 哪些方面只是比美国人预期得更快 [60:37] 但并没有真正领先 [60:39] 很多人说中国实验室做出了更高效的模型 [60:42] 我觉得这个说法有点被夸大了 [60:43] 因为美国实验室承载的推理总量要大得多 [60:46] 它们有更强的财务激励去提高效率 [60:49] 比如让Claude或ChatGPT的推理效率 [60:51] 提高1% [60:52] 可能就是几十亿美元 [60:53] 所以美国公司其实也非常有理由追求效率 [60:56] 但中国实验室 [60:57] 因为更长期地发布开源模型 [60:59] 确实更了解人们如何使用这些开放模型 [61:03] 我们和阿里的人聊时 [61:05] 他们非常有意识地在做这件事 [61:06] Kimi、智谱以及其他 [61:11] 已经经历多轮MoE发布的团队也一样 [61:14] 他们在追踪用户如何使用模型 [61:17] 这种专业知识非常短暂、也很难获得 [61:21] 我想弄清楚大家怎么用OLMo [61:23] 就会发现非常复杂 直接信息很难拿到 [61:26] 但这些信息恰恰决定了 [61:28] 模型为什么成功或不成功 [61:30] 基准当然重要 [61:31] 但比如Cursor为什么选择Kimi模型 [61:34] Kimi一定会非常认真地思考这个问题 [61:36] 或者直接去问他们 [61:38] 这种关于AI前沿实际使用的经验 [61:40] 非常宝贵 很难得到 [61:42] 它们知道怎样的开源模型会更好 [61:47] 而这些知识只能通过频繁发布模型获得 [61:49] 英伟达现在也在发布模型上建立势能 [61:52] 之后会得到更多这样的反馈 [61:53] 美国的Reflection AI可能会说 [61:55] 等模型准备好我们再发布 [61:57] 但那样就得不到真实用户使用模型的反馈 [62:01] 基准很好，但某个非常相关的场景不行 [62:05] 为什么 [62:05] 所以我觉得 [62:06] 关于开放生态如何运转的无形知识 [62:10] 正在中国这边沉淀下来 [62:12] 那反过来 [62:14] 中国实验室今天最大的劣势是什么 [62:19] 还是GPU吗 [62:21] 对 是算力 [62:22] 这些估算可能并不完全准确 [62:24] 但你大概可以这么说 [62:27] Meta或者OpenAI拥有的GPU数量 [62:29] 比所有这些中国公司加起来还多 [62:31] 而且很可能确实如此 [62:34] 我听过传闻说 [62:35] 一个OpenAI研究员 [62:37] 自己能拿到大约5000张GPU [62:40] 这对中国开源模型实验室来说 [62:43] 可能已经是研究预算里非常大的一部分 [62:46] 所以它们冒险尝试的空间 [62:49] 能做的动态算法实验 都窄得多 [62:52] 它们更需要沿着当前模型路径持续优化 [62:55] 把这当成一种必然选择 [62:57] 因为它们知道这条路还能变好 [62:59] 但整个生态不那么动态 [63:01] 有一家中国实验室告诉我们 [63:02] 他们最新一次预训练跑了大概六个月 [63:05] 而那个模型 [63:06] 已经发布在Hugging Face上 [63:07] 如果那次训练失败 [63:08] 整个这一代模型可能就根本不会存在了 [63:11] 对公司来说 这是非常危险的位置 [63:15] 我觉得在现有算力条件下 [63:19] 他们已经做出了超出大多数人预期的成绩 [63:21] 但算力确实是限制因素 [63:23] 中国实验室确实非常渴望 [63:25] 更多英伟达的GPU [63:27] 算力稀缺会多大程度 [63:29] 改变它们的模型策略 [63:32] 最重要的是 [63:34] 每个模型基本上 [63:35] 都是根据你预期的下游使用方式 [63:39] 以及你的训练集群形态来设计的 [63:42] 训练集群会决定 [63:43] 训练不同规模模型的效率 [63:48] 同时你也知道自己还要服务这个模型 [63:50] 因为它们可能拥有更小的训练集群 [63:52] 这会改变很多决策 [63:56] 也可能让它们更少改变基础模型架构 [64:00] 因为预训练跑得会更久 [64:02] 对较小实验室来说会更明显 [64:05] 阿里和字节跳动因为资源规模不同 [64:07] 情况有些特殊 [64:08] 但像MiniMax、月之暗面这些 [64:12] 外界普遍认为Claude和GPT级模型 [64:15] 大概在3到6万亿参数范围 [64:17] 如果拿不到最新的NVL72机柜 [64:21] Blackwell芯片这类资源 [64:25] 它们要继续扩大规模会更难 [64:26] 所以它们会有天花板 [64:29] 但这又是一个多目标优化问题 [64:32] 你的训练集群是什么？推理栈是什么 [64:35] 你是否希望现在能跑在华为推理芯片上 [64:39] 你的用户是谁？这些都会影响设计 [64:41] 我们最后看到的只是Hugging Face [64:44] 上一个6000亿到1万亿参数的模型 [64:47] 背后映射很复杂 [64:47] 但这是一个实验室最有意思的决策之一 [64:50] 而且大多数人不会告诉你细节 [64:53] 算力稀缺会迫使更高效率 [64:56] 还是最终会限制上限 [64:59] 两者都有 但更准确地说 [65:01] 它会改变你的工作方式 [65:02] 所有人都想要算力效率 [65:05] 因为如果你的研究效率更高 [65:07] 把一次实验的成本降到一半 [65:10] 就能跑两倍实验 [65:11] 这是每个AI研究员 [65:13] 都想要的非常基础的数学 [65:16] 很难说中国实验室一定更擅长效率 [65:20] 也许因为推理算力较少 [65:22] 它们会训练出推理更高效的模型 [65:25] 但那是另一种取舍 [65:27] DeepSeek以一些节省显存的创新而闻名 [65:30] 其中一些现在已经被广泛采用 [65:32] 但从美国实验室角度看 [65:34] 这种优化有时也可能显得用力过猛 [65:37] 它能带来一点收益 [65:39] 但未必值得投入那么多精力 [65:41] 国产加速器的表现如何 [65:43] 比如华为芯片 在实践中到底怎么样 [65:45] 我听很多人说 [65:46] 推理基本可用 但训练还不行 [65:49] 这基本是共识 [65:51] 我们去一些不那么核心的公司 [65:52] 不是核心LLM公司 [65:54] 他们会说 [65:54] 对 我们必须有华为芯片 [65:55] 但还没怎么用 [65:56] 但我们聊到的大多数语言模型公司 [65:58] 已经足够成熟 它们都有服务 [66:00] 有人在注册使用 [66:01] 比如智谱的API每天要处理数万亿token [66:05] 所以这些公司都会说 [66:06] “如果你能给我华为芯片 [66:08] 我们也许能拿到更多客户” [66:09] 他们正在摸索如何把华为芯片用于推理 [66:13] 但训练方面 [66:13] 现在只有很小的模型可能用华为芯片训练 [66:18] 我个人预计这种状态还会持续一段时间 [66:21] 所以专注训练的研究员都会说 [66:24] “我想要更多英伟达芯片” [66:26] “一段时间”大概是多久 [66:27] 这个最好问半导体专家 [66:30] 但我预期这至少还需要几年时间 [66:32] 因为英伟达现在仍然领先太多 [66:35] 他是在调动全球供应链 [66:38] 来做最顶级的产品 [66:42] 而华为这边更像是需求倒逼创新 [66:44] 它们能走多远 我不知道 [66:48] 你怎么看最近黄仁勋 [66:50] 和Dwarkesh的争论 [66:52] 给不熟悉背景的人简单说一下 [66:55] 老黄反对 [66:56] 严格限制中国获得英伟达GPU [66:59] 认为中国已经有 [67:01] 能源基础设施、芯片生产能力和AI人才 [67:05] 可以独立开发先进模型 [67:07] 除此之外 [67:08] 他说限制销售只会让英伟达失去巨大市场 [67:12] 却无法阻止中国技术进步 [67:16] 而Dwarkesh更强调中国威胁论 [67:20] 当然 老黄也有自己的立场 [67:22] 因为他想在中国卖更多芯片 [67:24] 你觉得谁更有道理 [67:27] 现实一点说 我在中间 [67:28] 但更偏Dwarkesh一边 [67:30] 最后这会变成地缘政治讨论 [67:33] 你是否认为AI会被用于国家力量竞争 [67:38] 作为美国人 我更希望传统美国价值 [67:43] 比如表达自由等 能更多传播到世界 [67:47] 我也认为 把AI芯片提供给中国 [67:50] 在力量平衡上确实会带来一定风险 [67:55] 所以作为美国人 [67:56] 我大概会站在这个位置 [67:59] 但问题是程度很难判断 [68:01] 你听英伟达内部的人讲 他们基本会说 [68:06] 美国已经没有更多电力建数据中心了 [68:11] 所以美国没有人能买这些芯片 [68:13] 我们想卖给中国 [68:14] 但同时 美国公司又在要求更多配额 [68:18] 美国政策制定者 [68:20] 也听到美国公司说他们本来会买更多 [68:24] 所以我两边都聊过 [68:26] 美国实验室会说 [68:27] “我想要更多芯片来发展公司” [68:29] 英伟达的政策研究者会说 [68:32] “美国承载不了更多量” [68:35] 很难拿到真实的数据 [68:37] 美国到底会买多少 [68:40] 又有多少芯片被转向了中国市场？ [68:44] 这也是为什么我对这个问题的不确定性很大 [68:47] 我不知道最终的平衡点到底在哪里 [68:51] 所以可能确实有一部分芯片 [68:54] 英伟达本来就没法在美国卖掉 [68:56] 那我们也许应该允许他们卖到中国 [68:57] 支持英伟达继续保持AI领导地位 [69:00] 但我也说不准 [69:01] 我更好奇的是 [69:04] 禁令会不会刺激中国 [69:09] 做出更好的AI芯片 也就是华为芯片 [69:11] 这肯定会发生 [69:13] 我们前面说过SaaS和云的区别 [69:16] 我认为AI会更像云支出 [69:19] 这会支撑中国各种新公司 [69:22] 因为它们需要云来构建可行的产品 [69:24] 也会带来不断增长的推理需求 [69:27] 我们谈OpenClaw也谈Claude Code [69:29] 这些都说明推理需求已经存在 [69:31] 中国的采用还更早期 [69:35] 你和中国开发者聊 [69:36] 他们会说 [69:37] 我用Claude [69:38] 也就是说 [69:38] 这些需求现在被路由到了西方算力 [69:42] 随着中国解锁更多国内AI推理能力 [69:47] 这类用例带来的需求 [69:50] 会汇聚到一个问题上 [69:52] 华为能造多少芯片 [69:54] 所以这不是几年后的事 [69:58] 而是几个月内就会发生 [69:58] 中国会出现像Claude Code [70:01] 这样极大赋能开发者的新应用 [70:04] 人们会对它们有非常强的需求 [70:07] 所以我确实看到这件事正在发生 [70:10] 从这个角度看 [70:12] 黄仁勋有一部分是对的 [70:13] 这会推动本土AI技术栈发展 [70:17] 本土实验室已经有华为芯片 [70:19] 并且在为它们设计推理方案 [70:21] 某种意义上 这已经发生了 [70:22] 剩下的问题是规模多大 [70:25] 以及人们认为多大程度是可以接受的 [70:28] 所以瓶颈其实在华为的产能 [70:33] 对 还有生态 [70:35] 模型在这些芯片上 [70:37] 到底能不能方便地跑起来 [70:39] 也就是对应的CUDA生态是什么样 [70:41] 我非常看好AI需求继续增长 [70:47] 所以需求会创造这种必要性 [70:50] Anthropic的CEO Dario Amodei [70:52] 一直是最公开警告中国AI发展 [70:57] 带来国家安全和地缘政治威胁的 [71:01] 科技领袖之一 [71:02] 你怎么看他的做法 [71:05] 我觉得有点太激进了 [71:07] Anthropic的一些媒体表述 [71:11] 其实会比较小心地区分对中国政府的担忧 [71:15] 和对中国个体科学家的看法 [71:17] 但Dario在短期风险上 [71:21] 尤其是开放权重模型的风险上 [71:22] 表达得有些过于激烈 [71:28] 所以他在这个议题上 [71:31] 扮演这种最尖锐的发声者角色 [71:33] 听起来可能会让一些人不太舒服 [71:34] 你提到 中国在AI数据产业上的弱点 [71:38] 比人们意识到的更重要 [71:41] 能展开讲讲吗 [71:42] 最让我惊讶的事情之一 [71:44] 是中国的数据产业远没有美国发达 [71:46] 在美国现在这个环境里 [71:51] Anthropic、OpenAI这类公司会说 [71:53] 它们有数十亿美元的数据预算 [71:56] 用来从外部供应商那里购买训练环境 [71:58] 我们问中国公司 他们会说 [71:59] 没有 我们基本没有这种东西 [72:01] 有些是在内部做 [72:03] 大家会提到字节跳动、阿里巴巴 [72:05] 这类公司更大 [72:05] 可以建内部数据团队 [72:08] 但几乎没人会说 [72:09] 我们去找外部供应商买一些数据 [72:12] 而这在美国是非常常见的 [72:14] 几乎就是前沿实验室的标准打法 [72:15] 如果说得现实一点 [72:17] 训练模型有时就是模型哪块不行 [72:21] 就去买那块的数据 [72:22] 看看能不能把效果拉上来 [72:23] 当然他们也做更令人兴奋的研究 [72:27] 但这种无聊的数据工程非常重要 [72:30] 而这种动态在中国似乎不存在 [72:32] 这是我看到的最大差异 [72:34] OpenAI研究员 [72:35] 当然比中国研究员有更多算力 [72:38] 所以中国创业公司 [72:40] 可能会在不同问题上工作 [72:42] 看起来更高效 [72:44] 但数据这一点本就不一定必须不同 [72:46] 却确实非常不同 [72:50] 现在大家对美国前沿模型的理解是 [72:53] 它们会进入知识工作工具 [72:55] 以我这样一个典型知识工作者来说 [72:57] 我现在用Claude Code和Codex [72:58] 来处理我大部分工作 [73:01] 人们会看到 [73:03] 它们进入医疗、法律、咨询、金融等领域 [73:06] 而这些模型在这些领域的很多训练数据 [73:09] 是通过数据公司网络获得的 [73:14] 它们付钱给专业人士 [73:17] 让他们制作训练数据 [73:19] 美国有完整的市场 [73:21] Scale AI、Mercor、Surge、Turing [73:24] 等很多公司 [73:26] 市场正在推动它们 [73:29] 从给人类反馈强化学习做离岸偏好数据 [73:30] 转向非常高技能的劳动产业 [73:35] 规模非常大 [73:38] 各模型实验室 [73:39] 为此支付的金额以十亿美元计 [73:43] 它们这样做是因为确实有价值 [73:47] 会让模型在这些智能体任务上更强 [73:50] 所以问题在于 [73:52] 中国实验室能不能为自己的智能体 [73:55] 打开国内市场 [73:57] 如果人们真的用它们的模型做这些事 [74:00] 需求就会让它们有能力 [74:02] 购买这些昂贵数据 [74:03] 反过来 [74:06] 如果中国AI研究员和知识工作者都说 [74:07] “我都用Claude” [74:08] 那Claude就更有理由继续在美国做这些事 [74:12] 数据产业也会继续留在美国 [74:14] 我和在实验室做后训练的朋友聊 [74:18] 他们说这些数据公司 [74:19] 在各个领域 [74:21] 获得增量性能提升真的非常重要 [74:24] 如果中国没有这样的产业 [74:25] 就必须非常有创造力 [74:27] 你可能会让AI研究员 [74:29] 自己去构造一个金融任务环境 [74:33] 比如做Excel表格 [74:36] 但这不是AI研究员天然擅长的任务 [74:41] 那是另一个世界 [74:43] 我还有几个关于中国需求和模型的问题 [74:48] 移动互联网时代 [74:50] 中国公司非常擅长推出新app [74:54] 人们会说 [74:56] 美团、微信、阿里巴巴这些公司 [74:59] 完全改变了我们的日常生活 [75:00] 所以有一种假设 [75:02] “一旦模型准备好 [75:04] 中国这次在AI应用层面也会跑得更快” [75:07] 你觉得会这样吗 [75:09] 我觉得美国和中国 [75:11] 在应用层都会特别活跃 [75:14] 甚至有人会说 美国消费者 [75:16] 更习惯下载新app [75:18] 习惯使用并为它付费 [75:21] 而中国有这些超级app [75:23] 问题在于 [75:24] “超级app能支撑得起同样多样化的新应用场景吗” [75:28] 在美国 你会看到Sora这样的产品 [75:30] 突然成为第一名 几百万人尝试 [75:33] 然后可能又跌落神坛 [75:35] 它有自己的沙盒 [75:36] 可以提供一个更明确的体验 [75:39] 所以我觉得在软件层面 [75:41] 美国的生态更适合新应用快速试错、快速迭代 [75:47] 中国实验室会担心商业化吗 [75:51] 他们没有特别明确地表达 [75:52] 不过我们也没问 [75:53] 我也不觉得很多前沿AI实验室 [75:57] 会特别执着于商业化 [76:00] OpenAI和Anthropic都想上市 [76:02] 但大多数做AI模型的人会说 [76:05] “我想做最好的模型” [76:07] 如果你觉得模型会越来越强 [76:09] 越来越好用 融资就不会是问题 [76:12] 这取决于你问谁 对吧 [76:13] 如果问产品经理 他们可能会担心 [76:16] 或者问那些需要继续买更多算力的领导层 [76:20] 美国实验室应该更常去中国实验室看看吗 [76:24] 我觉得会有一些美国公司 [76:27] 尤其是围绕开源模型 [76:28] 创造经济价值的中小玩家 [76:31] 不管是做微调API 还是做专门的部署等等 [76:36] 会想和中国实验室建立关系 [76:38] 因为中国实验室 [76:39] 非常愿意分享技术和经验 [76:43] 去过中国之后 [76:44] 好多公司都来问我 [76:47] 比如 [76:48] “你们怎么接触到那些实验室的 我们也想去” [76:50] 你去看美国那些做基础设施 [76:54] 或者做模型训练的公司 [76:57] 都是基于开源模型来做的 [76:58] 如果这个趋势继续发展 就会进入一个新时代 [77:02] 这些新公司会开始学着跨国协作 [77:06] 我预计会有更多美国公司去中国 [77:08] 因为现在办签证容易多了 [77:12] 我当时用的是过境免签 [77:14] 也就是从不同国家出入境的那种 [77:16] 非常简单 [77:17] 基本上人到了就行 [77:19] 相比之下 中国研究员或工程师去美国 [77:22] 要等签证流程 [77:25] 所以我预计会有更多对开源模型感兴趣的 [77:28] 美国中型创业公司去中国 [77:30] 应该就在接下来几周到几个月的事 [77:34] 这种事情发生得很快 [77:36] 2026年夏天 [77:37] 这很有意思 [77:38] 你是Lex Fridman播客的常客 [77:43] 他最近也去了中国 [77:45] 他有一个坐卡车的视频 [77:49] 在中文互联网上很火 [77:51] 你和Lex私下有没有聊过你这趟中国之行 [77:54] 或者他有没有说起过想去中国 [77:57] 我们还没有做那种“复盘中国”的对话 [78:00] 我觉得我们俩 [78:03] 都只是对这个庞大的人类群体感兴趣 [78:08] 它深刻影响着我们生活其中的技术 [78:11] 而亲眼去看是理解事物最好的方式 [78:16] 当然 Lex比我旅行多得多 [78:19] 他本来就去过很多地方 [78:22] 我不能替他说话 [78:24] 但我猜动机上有一些相似之处 [78:29] 好的 [78:30] 那你能不能做一些预测12个月后 [78:35] 中国实验室和美国实验室 [78:38] 会分别出现什么 [78:40] 我觉得接下来会出现 [78:44] 某种新的智能体产品 [78:46] 会成为所有人谈论的对象 [78:50] Claude Code和Codex还会在 [78:52] 但还会有其他产品出现 [78:53] 可能来自Google [78:55] 也可能来自别家公司 [78:57] 我觉得在复杂智能体工作流这件事上 [79:00] 我们真的还处于非常早期的阶段 [79:04] 所以那会是一个新的东西 [79:06] 不可预测的是 [79:08] 模型会不会只是继续按现在的方式变好 [79:10] 还是会在持续学习之类方向上 [79:12] 出现幸运的突破 [79:14] 我更倾向于认为 [79:15] 我们会看到 [79:18] 大大小小AI实验室的收入继续增长 [79:23] OpenAI和Anthropic可能会公开上市 [79:25] 也会没问题 [79:25] 但更有意思的是中型公司 [79:29] 比如Together、Fireworks、Baseten [79:32] 以及一些中国实验室 [79:34] 如Kimi、智谱、MiniMax [79:37] 它们不那么巨型 [79:39] 但会卖token、卖模型、卖各种智能服务 [79:40] 它们在“出售智能”这件事上也会表现很好 [79:44] 因为需求太大 [79:46] 我预期美国和中国前沿模型之间 [79:50] 被普遍接受的差距会变大 [79:53] 以前大家说三个月 [79:54] 之后可能会说六到九个月 或者一年 [79:58] 但中国实验室看起来 [80:00] 不会出现停滞不前或放弃 [80:01] 我们很可能会看到 [80:03] DeepSeek V5、Kimi K3、GLM 6等模型 [80:08] 12个月仍然是很短的时间 [80:11] 我们还在看到需求快速上升 [80:13] 市场大概率还会很疯狂 [80:17] 或者我们还没有做出反应 [80:18] 我们还没有完全消化这一轮需求周期 [80:20] 所以它可能仍然像是现在趋势的延续 [80:23] 如果你问三到五年 [80:26] 我会觉得某个主要中国实验室 [80:28] 可能会因为融资问题倒下 [80:31] 我不知道 比如说MiniMax或智谱这类公司 [80:34] 美国市场也可能有更多修正 [80:38] 到了三到五年、十年的尺度 [80:39] 情况就会不一样 [80:42] 这趟旅行之后 [80:43] 你对全球AI竞赛是更乐观 还是更担心 [80:49] 我大概比较中性 [80:50] 我对AI的主要担忧集中在 [80:54] 美国公众舆论可能对AI变得更负面 [80:56] 而这会伤害进展 [80:59] 全球AI竞赛大体符合我的地缘政治预期 [81:05] 在最大图景里 [81:07] 美国领先 中国想追赶 [81:09] 真正复杂的是芯片卖多少 [81:14] 这些芯片最终会如何影响生态 [81:20] 我觉得最主要的是能给带来更多的人性化 [81:25] 尽我所能 [81:28] 让双方都不会觉得那么极端 [81:31] 很多构建和使用技术的人 [81:33] 对最高层决策几乎没有发言权 [81:37] 我能做的一小部分 [81:38] 就是让双方更理解彼此 [81:42] 非常感谢你 Nathan [81:43] 我的问题就这些 [81:45] 你还有什么想补充的吗 [81:47] 或者有什么我没问到的问题 [81:48] 没有了 谢谢邀请 [81:50] 希望不久之后还能再去一次中国 [81:53] 还有很多地方值得看 [81:55] 期待你下一次中国之行后 我们再做第二次采访 [81:58] 谢谢 [81:59] 好的 谢谢 [82:04] 跟我们说说你们都做些什么吧 [82:06] Ai2做的是各种各样的 [82:08] 开源AI研究与开发 [82:11] 以前它一直偏学术 而随着时间推移 [82:14] 越来越转向这种“以产出物为核心”的开发 [82:18] 你做出模型、代码库和数据集 [82:20] 让整个社区能在其之上继续构建 [82:23] OLMo以及这些开放语言模型 [82:25] 是其中最受欢迎的 [82:26] 但也还有Molmo多模态模型 [82:29] OlmoEarth等等 [82:30] 另外Ai2历来 [82:34] 以“与学术文献的整合”而广为人知 [82:36] 在这方面的应用就是Semantic Scholar [82:39] 它某种程度上被视为检索学术文献时 [82:41] Google Scholar的替代品 [82:43] 而这个团队后来演进成了 [82:45] 为科学打造AI智能体 [82:47] 也就是Asta这个品牌 [82:48] 他们在做一些工具 [82:49] 帮助人们构建并理解科学文献 [82:53] 这正是Ai2最深层文化的核心 [82:56] 它太"科学"了 [82:58] 并且怀有一种社区价值观 [83:02] 给科研圈带来了很多实实在在的好处 [83:05] 这一点真的很棒 [83:06] 这种特质会体现在那些 [83:08] 非常注重细节、用心打磨的论文里 [83:10] 我们想去的方向太多了 [83:14] 你想走哪一边 [83:15] 有太多不同的方向了 [83:17] 在Ai2工作最棒的事情之一 [83:19] 就是你会全神贯注于打造那些 [83:23] 被不同研究者真正使用的东西 [83:25] 当你以学者身份四处走访时 [83:26] 会发现到处都是在OLMo之上做开发 [83:29] 并且知道Ai2的人 [83:30] 这是一种会长久留存的影响 特别好 [83:33] 而且我们有实习生和学生研究员 [83:35] 他们会走进学术社区 [83:37] 走进其他各种研究机构 [83:39] 把这种科学价值观传播出去 [83:41] 这是Ai2做的一件很有意义的事 [83:43] 你们现在有多少人 [83:45] 大概200人左右吧 我想 [83:46] 哇 不少人 [83:47] 其中大部分是研究员 对吧 [83:51] 我估计大约一半的人才是技术岗 [83:54] 在传统AI研究这一侧做工程 [83:56] 另外还有一些工程团队 [83:57] 负责支撑我们的算力集群和部分产品 [84:01] 一家非营利实验室 [84:04] 和硅谷其他实验室有什么不同 [84:06] Ai2是一家纯粹的非营利机构 [84:08] 这意味着它的大部分资金来自慈善捐赠 [84:10] 门上挂着Allen这个名字 [84:12] 来自保罗·艾伦 [84:14] 微软的联合创始人之一 [84:15] 同时它也拿到了一些大额资助 [84:18] 比如来自美国国家科学基金会的 [84:20] 所以它完全靠非营利性的资金运转 [84:21] 基本不卖任何产品 [84:24] 它只是把自己做出来的一切免费分享出去 [84:26] 供大家学习 [84:28] 我猜你们有更多的研究自由 [84:31] 对 [84:33] 从封闭实验室到学术界这条光谱上 [84:37] 按资源来算 我们处在中间 [84:39] 按自由度来算 [84:40] 我们的资源更多一些 [84:42] 但也有压力 必须做出真正好用的模型 [84:44] 所以这确实会稍微压抑一点自由 [84:46] 但远不及一家 [84:49] 朝着AGI狂奔的前沿实验室 [84:51] 不过 如果你走进一家真正的学术机构 [84:54] 你会看到他们身上 [84:56] 有一种多样性和思想的火花 [84:58] 那是你在公司里得不到的 [85:00] 公司绕不开“赚钱付账单” [85:03] 西雅图的氛围和硅谷的氛围有什么不同 [85:07] 这里要平静得多 [85:08] 聚会活动没有很多 [85:12] 我倒希望西雅图有更多人 [85:14] 这里有几个重要的科技人才聚集地 [85:15] 像亚马逊、微软 [85:17] 各大科技公司应该多聚一聚 [85:19] 但现实就是这样 没办法 [85:21] 从某些方面看 [85:22] 我觉得这里更适合定居和组建家庭 [85:25] 因为地方更开阔 生活也没那么紧绷 [85:30] 整个氛围都挺好的 [85:34] 在这里 不会走哪儿都聊AI [85:36] 而在湾区 [85:37] 感觉现在AI就像是唯一的话题 [85:40] 我理解这是为什么 [85:41] 我自己也是信这一套的 [85:43] 但你也经常去湾区 [85:45] 我定期去 [85:46] 大概一年三到八次吧 [85:50] 我在加州大学伯克利分校读的书 [85:51] 所以在湾区住过七八年 [85:55] 而且你必须时不时回去 [85:57] 才能跟上那边真正在发生的事 [85:58] 在湾区你没有这样的风景 [86:00] 这么漂亮的一片湖 [86:02] 它叫什么名字 [86:02] 联合湖 [86:03] 这绝对是我梦想中的办公室 [86:07] 那你去中国的时候 [86:09] 你觉得那些办公室怎么样 [86:11] 那些AI实验室的办公室 [86:14] 他们没有这样的景观 [86:15] 但那些也都是科技公司的办公室 [86:17] 所以在这方面挺像的 [86:20] 我走进去 感觉就像置身于一家科技公司 [86:23] 我这辈子进过的科技公司办公室可不少 [86:26] “展厅文化”不一样 [86:28] 哦对 展厅 [86:29] 那很独特 [86:30] 那是非常具有中国特色的东西 [86:31] 很多人大概都得亲自去见识第一次 [86:34] 然后才会恍然大悟 [86:35] “哦 原来真有这么回事” [86:37] 太好了 [86:38] 非常感谢你 Nathan 谢谢你接待我们 [86:40] 不客气 谢谢你们来 [86:42] 以上就是我与Nathan的对话 [86:45] 以及Ai2的office tour [86:47] 感谢大家的收看 [86:48] 你们的留言、转发和点赞 [86:50] 是支持我们硅谷101做好深度科技和商业内容的最佳动力 [86:53] 我是陈茜 我们就下期视频再见啦 Bye