正在加载文章内容，请稍候。
《Nathan Lambert 中国行：美国 AI 研究者看到的追赶、算力与年轻人》
硅谷 101 专访 Nathan Lambert，围绕他在中国的 AI 考察展开，适合观察外部研究者如何理解中国年轻科研人才、产业追赶和算力焦虑。
我的笔记
✍️ 写下你的想法，自由记录即可。如果没有灵感，试着回答上方的费曼输出问题。
登录后可记笔记
登录后可保存笔记、高亮、划线和批注。
正在加载文章内容，请稍候。
硅谷 101 专访 Nathan Lambert，围绕他在中国的 AI 考察展开，适合观察外部研究者如何理解中国年轻科研人才、产业追赶和算力焦虑。
✍️ 写下你的想法，自由记录即可。如果没有灵感，试着回答上方的费曼输出问题。
登录后可保存笔记、高亮、划线和批注。
精准输入
2026 年 4 月，美国 AI 研究者 Nathan Lambert 走访北京和杭州的多家实验室与科技公司。回到西雅图后，他接受《硅谷 101》主持人陈茜的长访谈，从亲眼见到的人和组织出发，讨论中国 AI 团队的年轻化、务实文化、开源模型、算力与数据瓶颈，以及中美模型竞争。以下内容依据 Readwise 保存的中文字幕整理为原序精读稿；字幕未标明是否为官方版本，个别专名与数字以保存内容为准。
节目旁白： Nathan Lambert 曾参与组建 Hugging Face 的 RLHF 研究团队，后来担任艾伦人工智能研究院 Ai2 的大模型后训练负责人，参与 OLMo、Tülu 等开源模型，也是 Lex Fridman 播客的常客。2025 年 DeepSeek 引发全球讨论后，他与 SemiAnalysis 创始人 Dylan Patel 在 Lex 的节目中进行过一次超过五小时的对谈；2026 年，他又用四个多小时梳理全球 AI 的最新进展。
主持人陈茜： 你刚从中国回来，也实地走访了很多领先的 AI 实验室。这趟旅程最大的收获是什么？
Nathan Lambert： 很多信息其实已经公开了：谁在做模型、哪些团队在推进，并没有多少“惊天大料”。对我而言，更重要的是认识做模型的人，理解他们为什么做这件事，感受公开信息里没有的细微差别。在美国，很多人会替中国团队解释“他们为什么这么做”；我更想听他们自己说“我们在这里，我们为什么要做这些”。
美国有很多公司想围绕真正开放的模型智能栈做产品和服务，而其中许多模型是在中国建立的。两个有深厚科技积累的圈子，过去在工作方式上交集很少，甚至一些美国公司仍有“去中国出差后电脑就不能再用”的安全规矩。模型正在让这堵墙出现缝隙：当你了解人才和生态之后，中国模型的竞争力就不再只是一件令人意外的事。
我关注 AI，也因为它未来几年可能带来社会风险和地缘政治问题。搭建人与人之间的桥梁，让大家看到技术背后真实的人，很重要。许多被外界视为政治化或极端的决定，并不是一线研究者作出的；不论大家把共同追求的目标叫 AGI 还是别的名字，能见到这些人本身就很有意义。
主持人陈茜： 这次去了多久？主要去了哪些地方？
Nathan Lambert： 大约六七个晚上，主要在北京和杭州。北京住了三四晚，酒店在奥林匹克中心附近，早上可以去鸟巢跑步。很多 AI 公司集中在清华附近，步行就能串起不少顶尖团队，很像湾区。之后去了杭州，拜访阿里巴巴，也和一些了解 DeepSeek 的人聊过，但没有进入 DeepSeek 办公室。这是我第一次来中国。
语言模型相关的拜访包括阿里巴巴北京与杭州团队、月之暗面 Kimi、智谱 AI、美团、清华、小米、蚂蚁百灵和魔搭社区。行程很大一部分由 AI 写作者组织 SAIL 安排，同行者后来还在上海接触了 MiniMax、StepFun 等团队。DeepSeek 仍是最神秘的先行者；字节跳动则像拥有海量资源的闭源实验室，豆包已经成为主流产品，所以大家谈到这两家公司时都会格外在意。
主持人陈茜： 你在文章里说，回来以后有一种“谦卑感”。这是什么意思？
Nathan Lambert： 作为美国科学家，我不觉得自己有资格轻易评价中国科技生态，或者中美在全球层面的互动。去之前我就知道自己懂得不多，去了以后更确定：我没看到的东西还很多。这次只去了两座城市，而且行程密集，常常像被车从一个地点“传送”到另一个地点。
真正准确的直觉，需要接近全栈式的知识和生活经验：在这里长大的人会怎么想，中国研究者的本能反应是什么，教育系统如何塑造人才，人才又怎样从国内网络流向不同机构。清华的人会主动谈到外界所谓“不擅长从 0 到 1”的印象，但“从 0 到 1”本身就是模糊说法。读《Breakneck》和《Apple in China》能帮助我理解中美科技互动，却仍只是有限视角。我原本知道自己懂得不多；这趟旅程让我更清楚，还有多少东西需要学习。
主持人陈茜： 你们见到的主要是高管，还是一线研究员和工程师？这些对话有帮助吗？
Nathan Lambert： 我们本来就希望多和研究员聊，也尽量见领导层，尤其是创业公司的领导者。实际往往先从研究员聊起，也见到阿里等公司的高管，以及能直接和创始人合作的资深人士。正式拜访有礼节成分，领导层通常受过媒体训练，会贴近公司口径；大公司的云业务负责人也不太可能透露细节。
多数正式会议都有公关和传播团队在场。反而有些最好的谈话，是我发消息说自己在中国，加了微信，再和某位研究员私下喝杯奶茶。那时我可以直接问“你现在在做什么”，不必隔着经理和公关的表面包装。这样的对话更有意思，但在紧凑行程里并不多。
主持人陈茜： 你通常会问他们什么？
Nathan Lambert： 我会先问容易回答的问题：“为什么发布这些模型？为什么自己做？为什么不直接用 DeepSeek？”很多公司的答案非常务实：我们需要 AI 服务自己的用户，也想掌握完整技术栈，所以就自己做。在美国，前沿模型像一项只有少数精英公司负担得起的昂贵事业；在中国，很多公司并不畏惧自己做模型。
美团就是例子。他们需要模型支撑自己的智能体产品，产品确实要用，于是把模型做出来。是否开源不是最重要的，也可以发布出去顺便获取反馈。这种“开放科学”同样带有实用主义色彩。
问题很快就会落到瓶颈：算力。许多人会说，华为芯片做推理还可以，但基本不用来训练。同行也会问 AI 对劳动力市场和经济的影响，以及科学家的责任。中国研究者通常不太愿意展开宏观判断，既有企业文化因素，也因为他们更习惯“把东西做出来”。中国没有美国那么强的播客生态，研究者不太靠公开曝光获取认可、影响公司方向。这种务实有时会被我写成“谦逊”，但两者并不完全相同。
主持人陈茜： 你觉得各家公司差异大吗？先谈谈月之暗面。
Nathan Lambert： Kimi 的团队关系很近。做出很酷的东西会让他们兴奋，他们也想把它商业化，而且自己就在使用模型。走进办公室，就能感到这群人有凝聚力、彼此亲近，正全身心投入同一件事。我会把 Kimi 称为这次拜访里“氛围最好”的公司：开心、坚定，不那么公司化。
阿里是巨型科技公司，气氛明显更公司化；蚂蚁百灵也有这种感觉。智谱非常 AGI 导向，对自己的工作很自豪，但至少在我们短暂接触中，没有 Kimi 那种亲和力。不过我只是在某一天和这些人吃了几个小时午饭，不能据此判断公司的长期走向。
主持人陈茜： Kimi 的《Attention Residuals》论文有一位 17 岁高中生作者，马斯克还在 X 上称赞了成果。这说明什么？
Nathan Lambert： 这未必是 Kimi 独有的，而是中国 AI 公司里的人才普遍很年轻。许多团队也在扩大西方媒体影响力，研究者活跃于 X。我见到 Kimi 的 Crystal、智谱还在上学的 Lu，以及同时读博、又是小米核心研究员之一的 Lai Li。你会连续遇见年纪很小、却已深度参与核心工作的研究者。这更像结构性现象：公司吸纳年轻人才的速度更快，也更愿意让他们站出来。
Ai2 因为背靠华盛顿大学，也有博士生参与 OLMo 等核心项目，但在美国其他实验室，这种开放并不普遍，能进入前沿团队的博士生往往是最顶尖中的顶尖。中国公司与学术界交融更深，尤其是清华和周边创业公司之间，人才重叠度更高。
年轻学生牵挂较少，容易把全部精力投入技术。做后训练的人还必须理解预训练团队、训练方案的多个阶段和瓶颈，这是一个很大的知识体系。新学生没有太多先入为主的架构偏见，常常先问“现在最先进的方法是什么”，再把它做得更好。这是一条简单、可执行的路径。
主持人陈茜： 智谱给你的感觉呢？
Nathan Lambert： 中国公司有很强的“展厅文化”。智谱展厅几乎每块展示板都有 AGI 元素，比如“AGI 加载中”或“进度 42%”，后者是《银河系漫游指南》的梗。智谱上市、又被美国列入实体清单后，迅速被推到“真正的大公司”的位置。Kimi 还没有完全进入那个阶段。两家公司模型取舍不同；如果 Kimi 继续保持私有化而智谱留在二级市场，文化差异是否扩大，很值得观察。上市短期有助融资，但未来如果训练模型需要更多资本，也会出现新压力。
主持人陈茜： OpenClaw 流行时，Kimi 和智谱在 OpenRouter 上的 API 请求量激增。这个趋势会持续吗？
Nathan Lambert： 几个市场正在成形。最顶端是 Claude Code、Codex 这样的知识工作工具，但只要某个价格带跑得通，就会出现相应的智能体产品。开放模型足够便宜，大家更容易实验。DeepSeek、智谱、Kimi、千问都处在“能力强、价格低一档、又有品牌认知”的位置。
OpenClaw 这个名字也许会过去，具体产品也会来来去去，Hermes Agent 之类可能接上，但这种可直接运行、能调用低价托管模型的智能体会留下来。OpenRouter 在真实推理市场的份额并不算大，Fireworks 和 Together AI 的处理规模更大；不过 OpenRouter 更面向社区，是开放模型用户首先想到的平台。模型一旦在那里走红，实验室就会顺势推广，形成联合品牌和自我强化。
主持人陈茜： 在中国，美团、小米这样的公司也开发自己的模型；美国的 Uber、Apple 却没有走同样路线。为什么？
Nathan Lambert： 美团认为未来会有真正替用户做事的智能体，比如理解需求、帮助点单。美国消费者公司的第一反应可能是调用外部 API；中国公司的想法常常是：“我们也能做，而且可能更便宜。既然有算力和人才，为什么不试？”通用模型可以发布，专门模型则在内部微调，用进自己的应用。
小米更典型：模型可以进入汽车、机器人和各种数字接口。2025 年 4 至 6 月，小米发布早期 MiMo 7B；12 月推出 MiMo-V2-Flash，之后又有 V2.5。团队还吸收了前 DeepSeek 人才罗福莉。美国很多人对中国模型的认知还停在 DeepSeek、千问、Kimi、智谱和 MiniMax，却没有意识到名单已经很长。我去过小米后，觉得它很可能成为中国最强模型团队之一。对一家已经造过汽车和大量硬件的公司来说，做模型甚至没有那么夸张。
主持人陈茜： 中国公司喜欢超级应用和庞大生态。在 AI 时代，这是正确路线吗？
Nathan Lambert： AI 天然依赖资源，会偏向能够形成正向飞轮的大公司：资源让产品更好，产品带来回报，再继续投入。美国的 Google、OpenAI、Anthropic 和英伟达都在这条飞轮上。中国的蚂蚁也很像：它有广泛的平台能力，正在进入医疗健康，模型自然会进入这些场景。
但这也可能压制 Kimi、MiniMax、智谱等较小公司的空间。有团队曾做智能体操作字节跳动旗下某个应用，后来被对方封掉，无法继续获取数据。大公司与小公司之间正在形成新的接口和边界。美团处在中间位置：它究竟会继续投入，还是被整合，语言模型成本会不会过高，我还没有把握。不过我仍看好 AI 作为生意：这些公司卖 token、卖智能，而需求会很大。
主持人陈茜： 你写过中国公司有一种“技术所有权心态”，能解释一下吗？
Nathan Lambert： 它和超级应用逻辑相连：公司相信自己能做出来，成功后继续投入、提高效率，再按真实场景调整。能自己做就尽量自己做，而不是购买别人的服务，这样才能掌握长期轨迹。在高度竞争的环境里，依赖别人的关键服务，很难真正击败对方。
做模型目前还不是完全不可承受的支出。我粗略估计，实验室一年可能投入 5 亿到几十亿美元，当然很贵，但尚未贵到所有公司都做不起。模型能力随投资增加而提升，却有边际回报递减。蚂蚁百灵的 Richard 曾告诉我，他们只用六个月就搭起大模型团队，因为公司本来就有大量人才，只需调动过去。
主持人陈茜： 千问和阿里这样的巨头，与 Kimi 等创业公司又有什么不同？
Nathan Lambert： 千问靠持续发布性能强、尺寸覆盖广的小模型赢得开放社区认可。Llama 4 发布、Meta 放慢节奏时，千问正好进入状态。它非常关注开发者会用什么，希望构建人们愿意采用、能在上面继续生长的模型。
但千问 Plus、千问 Max 等最大模型保持闭源，这反映了阿里云的一面：它既有巨额支出，也有巨额收入，不一定发布所有模型。另一方面，1B、10B、30B 等小模型不是偶然尝试，而是成熟、刻意经营的产品线。每发布一个模型，都要维护生态、对接 vLLM 等项目，而这常常仍由直接开发模型的小团队承担。因此，团队既不能发布过多，又会把最大模型留在云上变现。
我来中国前一直在想：AI 支出更像 SaaS 软件，还是更像云？中国公司可能不愿按人头、按座席持续为 Slack 一类软件付费，宁愿自己做最小可用产品或采用开源工具；但它们会使用云。我认为中国会逐渐把 AI 当作云支出，视为制造自身技术所必需的基础投入。 阿里云在机场、高铁站和北京街头的大量广告，也让这种存在感很具体。
美国还有一个中国相对缺少的基础设施中间层。AWS Bedrock 会同时承载多家模型；CoreWeave、Nebius、Together、Fireworks、Lambda 等公司转售算力、模型或推理服务，英伟达也希望生态多元。Cursor 可以拿 Kimi 模型，在 Fireworks 做后训练，再由 Fireworks 提供服务。中国若要完成同样协作，往往需要更垂直整合，因为支持中间层意味着愿意把 GPU 托管或推理服务等重要环节交出去，这与“自己掌握”的文化存在张力。
主持人陈茜： 零一万物转向企业服务。你怎么看中国 AI 时代的 ToB 市场？
Nathan Lambert： 关键仍是合作关系能否形成。把 AI 专长带进能力较弱的公司当然有价值，但客户是否愿意依赖外部伙伴、让出一部分掌控权，仍不确定。美国正流行前线部署工程师，OpenAI 也大量招聘；在中国，这种人能否直接进入客户公司开展工作，我只能说机会大约一半一半，取决于文化和商业环境，而这正是我还不能完全理解的部分。
我们见到了李开复。见到这样的传奇人物很好：他已经做过很多事，本可以不再工作，却仍在解决问题、重新想象 AI 时代的公司。至于零一万物为什么没有成为领先模型实验室，我不知道，应该问他本人。
做模型像持续转动机器、不断加码资源。美国的 Databricks 也做过模型，后来可能判断不必继续，把资源转回核心业务。零一万物和 Databricks 都是在小型混合专家或稠密模型阶段收缩，而许多中国团队仍想做 1 万亿参数级混合专家模型。如果判断自己不会有竞争力，早点停下可能是明智选择；并不是每家公司都必须拥有或做出最好的模型。
主持人陈茜： 美国最顶尖模型领先中国多少个月？差距会缩小还是扩大？
Nathan Lambert： 传统基准上，过去一段时间大约是 6 到 9 个月；真实使用中，尤其在推理模型早期，差距一度更近，因为新范式的改进曲线很陡。中美团队都快速爬坡，但中国实验室发布更快。它们会说最后一轮强化学习跑一周，结束后一天内就发布；美国实验室从模型完成到发布通常还要数周。用户能用到的模型之间，因此可能比实验室内部性能差距更小。
美国前沿模型在知识工作等真实场景里仍更稳健，但这难以测量。Claude Code、Codex 从 12 月、1 月开始带来的编程变化，是最明显的例子。如果某个开放权重模型能达到同样行为，而月费是 1 美元而不是 200 美元，很多人会切换。就当前体感，我会说差距约五六个月，但今年未必出现一个让所有人重新定义差距的明确分水岭。
主持人陈茜： 为什么中国还没有真正出色、又广泛使用的 AI 编程产品？
Nathan Lambert： 中国团队会把代码能力做好，因为训练可以利用公开数据和 GitHub；真正的差距在易用性和运营数据。Cursor、ChatGPT、Codex、Claude Code 都能从消费者真实使用中获取反馈。开放权重实验室发布模型后，自己的命令行工具不够普及，大量使用数据也不会回流。真实世界数据能提高模型在通用情境中的鲁棒性，这是闭源实验室的巨大优势。
主持人陈茜： 中国实验室为什么发布这么多强大的开放模型？
Nathan Lambert： 因为这是获得相关性的路径。它们知道自己仍在追赶，也知道如果没人听说过你，即使有 API，也没人会想到使用。当模型有价值、又相对稀缺时，把权重开放出来，人们就会试用、部署，实验室也能进入全球讨论并获得客户。对它们来说，这是稳定而务实的选择：风险没有显著增加，却能帮助达成目标。
主持人陈茜： 如果 Meta 不再拥有最好的开放模型，美国是不是已经把领导权让给中国？
Nathan Lambert： 是的。尤其从 2025 年夏天起，GLM 4.5、Kimi K2 等突破性模型出现，美国就不再拥有开放模型领导地位。真正重要的新模型来自哪里，答案已经很明显。
美国仍有机会，最大的变量是英伟达。英伟达的财务利益不希望 AI 被少数公司垄断，发布开放模型有助于扩大整个生态。Meta 和 Microsoft 本来也可以发布权重而不破坏主营业务，却在过去几年选择放慢。英伟达因此最有动力改变局面。
录制前不久，黄仁勋发布 Nemotron 3 Ultra；与 Nano、Super 一起构成混合专家系列。英伟达可以用大模型生成合成数据，再做不同尺寸模型和蒸馏。但它过去也有不少质量不错、很快就离开讨论周期的模型，能否持续建立社区仍是问题。
开放生态不只需要最大的模型。小型和中型模型足够便宜，若能重复完成特定任务，就能显著降低 Claude 或 Codex 的成本。Reflection AI 想做大模型，却必须和已经赢得开发者习惯的千问竞争。如今大量 AI 研究以千问为基础，过去这个位置属于 Llama。Ai2 的小型 OLMo 对研究也很有价值；作为依赖慈善资金的机构，它没必要追逐 1 万亿参数模型。随着行业成熟，对最大混合专家模型的执念会下降，更多团队会寻找服务不足的细分领域。
主持人陈茜： 如果一定要选，中国最好的开放模型是谁家的？
Nathan Lambert： 排名一直变化。现在我会选 Kimi 和智谱，例如 Kimi K2.6、GLM-5.1；它们在前沿实际使用中影响明显。2025 年大部分时间，DeepSeek 的 V3、R1 系列是公认王者；小米也可能后来居上。千问最大的模型保持闭源，限制了它在大模型上的采用和声量。如果一定要我回答，我会说 Kimi 和智谱，但差距很小，竞争随时会变。
主持人陈茜： 中国研究者和美国研究者有什么不同？
Nathan Lambert： 中国实验室里有大量本土成长、而且更年轻的研究者，人员背景相对同质。Ai2 和美国其他实验室则非常国际化，我和来自欧洲、中东、中国及亚洲其他地区的人共同工作。作为父母都不是移民的美国人，我有时反而显得特殊。
美国顶尖研究者谈 AI 未来时，常会讨论哲学、模型背后的艺术设计，例如 Amanda Askell 如何塑造模型气质和语气。中国也有局部讨论，但整体更聚焦具体任务，愿意把未来投射到的距离也更短。
更重要的是信息流不对称。中国新一代研究者英语很好，关注西方 AI 生态，活跃于 X、博客和论文；反过来，美国生态里的许多人并不关心中国发生什么，也不理解中国科技公司如何运作。即使像我这样主动寻找信息，也很难获得可靠内容。
硅谷还容易陷入“隧道视野”，围绕 AI 形成越来越窄的文化：有人谈“永久底层阶级”、技术奇点和递归式自我改进，博士生会焦虑地说必须赶快赚钱、进入实验室。中国团队偶尔听到这些说法，但更多是“先把东西做出来”，更接地气，也没那么焦虑。
主持人陈茜： 中国人才在美国前沿实验室里扮演什么角色？
Nathan Lambert： 他们在每家公司都非常关键。美国限制高技能移民的政治立场对美国不利。我希望和我共事的中国及其他国际人才可以留下。科技行业的人都知道这些人才有多重要，也有人担心，如果顶尖研究者因政治压力被召回，美国公司会遭受严重打击。短期是否真会发生，我不知道，但这已经被视为潜在瓶颈。
主持人陈茜： 听起来，好像只要有一个人来带团队，就能把模型做出来？
Nathan Lambert： 愿景本身很难，但做语言模型还有一个常被低估的部分：组织架构。你有很多人才，也想改进模型，真正困难的是把大问题拆成小问题，让所有人的工作汇入同一个模型。中国工程师的训练方式也许更适合这种组织模式，每个人反复打磨自己的一小块，再贡献给整体；但我不愿把这个判断说得太绝对，因为前沿实验室内部究竟如何运作，公开记录很少，现实可能比想象中混乱。
主持人陈茜： 中国研究者是不是更容易放下旧假设，直接吸收混合专家、强化学习智能体、编程模型和工具调用等最新范式？
Nathan Lambert： 这更多与年轻和动力有关。有句悲观的话说“科学每次进步都要等一场葬礼”，意思是新人没有旧成就需要维护，也没有既有观点需要捍卫。中国工程师和领导层整体更年轻，经验包袱更少，所以更容易直接进入最新范式。
标准化考试与高度竞争的教育系统，也可能让“培养真正有远见的人”更难。一些中国科技领导者会私下谈到教育奖励记忆，但我仍是外部观察者，不能把这个推断说得太满。重塑教育系统本身也非常困难。
主持人陈茜： 你把中国实验室称为近乎完美的“快速跟进者”。它们为什么执行这么快？后来者能成为领导者吗？
Nathan Lambert： 年轻人才、任务导向和完整技术栈共同发挥作用。一旦知道一件事可行，第二次做出来就容易得多。小米受到 Apple Store、iPad、iPhone 启发，却能把产品做得很好；中国科技公司在其他产业已经证明过这种能力。
如果资源完全对等，中国团队可能有机会超越，或者至少有更多愿意在五到十年里投入的人才。但人才只是资源的一部分，算力、数据和资本仍是最大杠杆。中国团队资源少于美国超大规模公司，仅靠人才走不了无限远。更长期的领先路径可能来自足够长的追赶时间，以及华为逐步扩大芯片产能和净算力容量。
主持人陈茜： 千问前技术负责人林俊旸离职，似乎暴露出个人影响力与公司利益之间的张力。以后会更多吗？
Nathan Lambert： 会。一些中国研究者进入西方公开表达生态后，会发现自己很适应。外部影响力很强的人可能反过来挑战公司管理层，而大公司会认为不一定需要听他的，最后分道扬镳。美国也发生过类似事情，例如杨立昆，或 Google 与 AI 伦理研究者 Timnit Gebru 的冲突。创业公司如 Kimi、智谱反而可能欢迎能带来声量的人，矛盾以后再解决。更多中国研究者公开表达，会让世界另一部分的观点被理解，也有利于全球认知更均衡。
主持人陈茜： 中国实验室内部更多是自信、焦虑、好奇，还是务实？
Nathan Lambert： 确实有焦虑，主要担心算力跟不上。研究者最直接受到资源限制，都想获得更多英伟达 GPU。但社会层面的焦虑少得多。美国顶尖研究者也会认真担心自己的工作被取代，CEO 又不断宣称 AI 会让很多人失业，这种叙事已经嵌入公众看待 AI 和数据中心的方式。
中国开发者也会说“AGI 就是它拿走我工作的那一刻”，也在大量使用 Claude，并坦率承认 Claude 最好，软件工作的变化因此开始带来不安。但“AI 会破坏社会”的集体判断尚未确立。中国过去几十年经历过密集的技术和经济变化，从超级应用到电动车，人们容易把 AI 看作下一波变化；美国的变化间隔更长，新一波冲击到来时会遭遇更多惯性和阻力。
主持人陈茜： 中国实验室会谈对齐或安全问题吗？
Nathan Lambert： 更常用的词是 security。公司会关心发布模型权重是否制造巨大新风险，也承认多模态模型可能更快带来风险，但不会把文本大模型智能体直接描述成必须禁止发布的重大威胁。态度有分寸，却不是最优先议题。
我支持开放模型，但不是绝对主义者，不认为每一个模型都必须立即开放。像 Claude Mythos 这样的重大突破，若第一天就上传到 Hugging Face，未必是好事。技术扩散需要时间；当前闭源前沿模型领先、开放模型随后跟进，反而让技术逐步进入现实世界。
主持人陈茜： 中国模型真的比美国模型更高效吗？
Nathan Lambert： 这个说法被夸大了。美国实验室承载的推理总量更大，把 Claude 或 ChatGPT 的效率提高 1%，可能就价值数十亿美元，因此它们同样有极强动力追求效率。中国团队真正领先的经验，是更长期、频繁地发布开放模型，理解用户怎样使用。Kimi 会认真研究 Cursor 为什么选择自己的模型，阿里也会追踪开发者反馈。
如果 Reflection AI 只等模型完全准备好再发布，它就拿不到真实用户反馈；基准测试很好，却覆盖不了许多关键场景。关于开放生态如何运转的隐性知识，正在中国实验室里沉淀。
主持人陈茜： 中国实验室今天最大的劣势，仍然是 GPU 吗？
Nathan Lambert： 是，仍是算力。估算未必完全准确，但 Meta 或 OpenAI 拥有的 GPU 数量，可能比所有中国公司加起来还多。我甚至听过传闻，一个 OpenAI 研究者就能获得约 5,000 块 GPU，这可能已经接近某些中国开放模型实验室相当大的一部分研究预算。
因此，中国团队大胆尝试动态算法实验的空间更窄，只能沿着已知可改进的模型路线持续优化。有实验室告诉我们，最新一次预训练跑了约六个月；如果失败，那一代模型可能就不会存在。在既有算力下，它们做出了超出预期的成绩，但一次失败就可能吞掉整代模型，这是一种非常危险的位置。
算力会进入模型设计的每一层：训练集群形态、下游用途、服务成本、是否要适配华为推理芯片、目标用户是谁。外界只看到 Hugging Face 上 6,000 亿至 1 万亿参数的模型，背后其实是复杂的多目标优化。外界普遍估计 Claude、GPT 级模型在 3 万亿至 6 万亿参数范围；如果 MiniMax、Kimi 等团队拿不到 NVL72 机柜和 Blackwell 芯片，继续扩大规模就更困难。
稀缺既会迫使效率提升，也会限制上限。所有研究者都想把一次实验成本减半，从而做两倍实验；这并不意味着中国团队天然更擅长效率。DeepSeek 的一些显存优化已经被广泛采用，但美国团队也可能认为，某些优化带来的收益不足以抵消投入。
主持人陈茜： 华为加速器在实践中表现怎样？
Nathan Lambert： 共识是推理基本可用，训练还不行。非核心语言模型公司会说必须拥有华为芯片，但尚未充分使用；成熟模型公司已经有真实服务，例如智谱 API 每天处理数万亿 token，会说“如果给我华为芯片，我们也许能拿到更多客户”。它们正在解决推理适配，训练方面目前只可能覆盖很小的模型。专注训练的研究者仍会直接说：“我需要更多英伟达芯片。”我预计这种情况至少还会持续几年。
主持人陈茜： 黄仁勋认为限制中国获得英伟达 GPU 只会丢掉市场、刺激本土替代；Dwarkesh 更强调国家安全威胁。你站哪边？
Nathan Lambert： 我在中间，但更偏 Dwarkesh。AI 是否用于国家力量竞争，最终是地缘政治问题。作为美国人，我希望表达自由等传统价值传播得更广，也承认提供 AI 芯片会改变力量平衡。不过程度很难判断。
英伟达内部会说，美国已经没有足够电力建设更多数据中心，一部分芯片在美国卖不掉；美国实验室却同时要求更多配额。真实数据很难得到，所以我不知道平衡点。禁令肯定会刺激中国做出更好的芯片。本土实验室已经拿到华为芯片并设计推理方案，剩下的问题是产能和生态，也就是模型能否像在 CUDA 上那样方便运行。
这不是纯粹几年后的问题。中国开发者已经在使用 Claude，说明推理需求正被路由到西方算力；随着国内出现类似 Claude Code 的产品，需求会在几个月内快速汇聚到“华为能造多少芯片”。从这个角度看，黄仁勋说得有一部分道理：限制会推动完整的本土技术栈。
主持人陈茜： Anthropic CEO Dario Amodei 是公开警告中国 AI 风险最强烈的科技领袖之一。你怎么看？
Nathan Lambert： 我觉得有些过于激进。Anthropic 的媒体表述会区分对中国政府的担忧与对中国科学家个体的看法，但 Dario 对短期风险，尤其开放权重模型的风险，表达得太强烈。他选择扮演最尖锐的发声者，难免让人不舒服。
主持人陈茜： 你还提到，中国 AI 数据产业的弱点比外界意识到的更重要。
Nathan Lambert： 这是最让我惊讶的差异之一。Anthropic、OpenAI 等美国公司有数十亿美元数据预算，从外部供应商购买训练环境；中国公司却几乎没有这种市场，更多在内部完成。字节和阿里能建内部数据团队，但很少有人说会向外部供应商采购。
在美国，模型哪里弱，就购买对应数据改善它。Scale AI、Mercor、Surge、Turing 等公司把数据行业从低成本偏好标注，推向医疗、法律、咨询、金融等高技能劳动，实验室为此支付数十亿美元，因为这些数据确实能提升智能体任务表现。
中国实验室能否形成同样产业，取决于国内知识工作者是否真正使用本土模型。如果研究者和用户都说“我用 Claude”，需求、数据和改进就继续留在美国。让 AI 研究者自己构造金融或 Excel 任务环境并不理想，因为那是另一个专业世界。算力决定能跑多少实验，数据产业则决定模型能否深入真实知识工作。
主持人陈茜： 中国在移动互联网时代很会做新应用。模型准备好后，中国会在应用层跑得更快吗？
Nathan Lambert： 中美都会很活跃。美国消费者更习惯下载新应用、使用并付费，Sora 之类的独立产品可以突然冲到第一名，让数百万人试用，再快速回落；独立沙盒有利于快速试错。中国超级应用能否承载同样多样的新场景，仍是问题。
前沿模型团队未必天天担心商业化。研究者通常只想做最好的模型；产品经理和需要购买更多算力的领导层才更在意收入。只要模型持续变强、变得更有用，融资短期内不会是首要问题。
主持人陈茜： 美国实验室应该更常来中国吗？
Nathan Lambert： 尤其是依靠开放模型创造经济价值的中小公司，不论做微调 API 还是部署，都有理由与中国实验室建立关系，因为这些团队愿意分享技术和经验。我回国后已有很多公司问怎样联系实验室。中国入境更方便，而中国研究者去美国仍需等待签证，因此我预计 2026 年夏天会有更多美国中型创业公司来中国，这可能在几周到几个月内发生。
主持人陈茜： 你和 Lex Fridman 都去了中国，私下交流过吗？
Nathan Lambert： 还没有做正式复盘。我们都对这个庞大的人类群体感兴趣，因为它深刻影响着我们生活其中的技术。亲眼去看，始终是理解事物最好的方式。
主持人陈茜： 预测一下十二个月后的中美 AI。
Nathan Lambert： 会出现新的智能体产品，成为所有人谈论的对象。Claude Code 和 Codex 还会在，也可能有 Google 或其他公司的新产品。复杂智能体工作流仍处在很早期；不确定的是，模型只按现有方式继续变好，还是在持续学习等方向出现突破。
大中小实验室收入都会增长。除了 OpenAI、Anthropic，中型公司如 Together、Fireworks、Baseten，以及 Kimi、智谱、MiniMax，也会通过出售 token、模型和智能服务表现不错。公众对中美前沿模型差距的说法可能从三个月变成六至九个月，甚至一年，但中国团队不会停止，DeepSeek V5、Kimi K3、GLM 6 一类后续仍会出现。三至五年尺度上，融资压力可能让某个主要中国实验室退出，美国市场也会出现修正。
主持人陈茜： 这趟旅行之后，你对全球 AI 竞赛更乐观，还是更担心？
Nathan Lambert： 大致中性。我的主要担忧是美国公众舆论对 AI 变得更负面，最终伤害技术进展。全球竞赛仍是美国领先、中国追赶，最复杂的问题是芯片卖多少，以及这些芯片怎样改变生态。
这趟旅行最重要的影响，是让图景更有人性。很多构建和使用技术的人，对最高层决策几乎没有发言权。我能做的一小部分，是让双方更理解彼此。我希望不久后再去中国，还有很多地方值得看。
主持人陈茜： 最后带我们看看 Ai2。你们主要做什么？
Nathan Lambert： Ai2 做各种开放 AI 研发。过去更偏学术，后来逐渐转向“以产出物为核心”：做出模型、代码库和数据集，让社区继续构建。最知名的是 OLMo 开放语言模型，也有 Molmo 多模态模型、OLMoEarth。Ai2 还长期深耕学术文献，Semantic Scholar 是 Google Scholar 的替代方案之一；相关团队后来发展出面向科学的 AI 智能体品牌 Asta，帮助人们构建并理解科学文献。
Ai2 最深的文化是科学与社区价值。研究者会在各地看到别人基于 OLMo 开发，这种影响能够长久留存。实习生和学生研究员离开后，也会把开放科学的价值带进学术界和其他机构。
主持人陈茜： 这里大约有多少人？非营利实验室与硅谷实验室有什么不同？
Nathan Lambert： 大约 200 人，估计一半是传统 AI 研究和工程技术岗，另有团队维护算力集群与产品。Ai2 是纯非营利机构，名字来自微软联合创始人保罗·艾伦，也获得美国国家科学基金会等资助。我们基本不卖产品，而是免费分享成果。
从封闭实验室到学术界的光谱看，Ai2 的资源和自由度都处在中间。我们也有压力，必须做出真正好用的模型，但不像朝 AGI 狂奔的前沿公司那样紧绷。纯学术机构拥有更多多样性和思想火花，公司则始终要面对“赚钱付账单”。
主持人陈茜： 西雅图和硅谷的氛围有什么不同？
Nathan Lambert： 西雅图平静得多，活动不多，更适合定居和组建家庭，也不会走到哪里都只聊 AI。湾区则像只剩这一个话题。我每年仍会去三到八次，因为曾在伯克利生活七八年，也必须回去才能跟上那里发生的事。中国实验室的办公室同样像科技公司，只是“展厅文化”非常独特，很多人必须亲眼见一次，才会明白那是什么。
（小标题依据谈话主题整理。）
这期访谈从“为什么亲自来中国”开始：Nathan 先承认外部观察者的知识边界，再以北京、杭州的公司拜访解释自己看到的人才、组织与文化。讨论随后沿原片顺序进入三条相互咬合的主线：一是 Kimi、智谱、美团、小米、阿里等团队如何依靠年轻人才、技术所有权和快速发布形成竞争力；二是美国在真实使用数据、知识工作产品、算力和数据供应链上的优势；三是开放模型把两套生态连接起来，却也把 GPU、华为芯片、移民与地缘政治冲突推到台前。最后，Nathan 没有把中国简化成威胁或奇迹，而把落点放回具体的人、组织能力和跨国理解：美国仍领先，中国仍追赶，但竞赛如何发展，取决于算力、数据、应用反馈与双方是否愿意真正看见彼此。
费曼输出