Let's Make AGI Real

——一篇田野笔记，如何照亮中美AI竞争的另一张底片

2026年5月7日，Nathan Lambert坐在从杭州开往上海的高铁上。窗外是山脊、风机、农田和城市天际线；窗内，是一位美国AI研究员刚刚结束的中国实验室之旅。

这趟旅程后来变成了一篇文章：《Notes from inside China’s AI labs》。它的价值不在于证明“中国更强”或“美国更强”，而是把中美AI竞争从芯片、算力、制裁这些粗线条叙事里拉了出来，让我们看见更贴近地面的东西：组织怎么运转，学生如何进入核心项目，公司为什么愿意开源，产业为什么坚持掌控技术栈。

他看见的不是口号，而是工程组织

Lambert不是普通游客。他是Allen Institute for AI的研究员，此前在Hugging Face做过RLHF相关研究，长期写作开放模型、后训练和前沿模型生态。因此，他对中国AI的观察，最敏感的不是宣传口号，而是工程现场的气味。

在他的笔记里，中国LLM社区并不像美国前沿实验室那样充满部落边界。许多团队彼此尊重，也承认DeepSeek、阿里、字节等玩家的影响力。更有意思的是，很多仍在读书的学生已经进入核心研发；美团、小米、蚂蚁这样的公司，也会认真训练自己的通用模型。

这背后是一种产业直觉：如果大模型会成为未来产品的底层接口，那么把它完全交给别人，就像把自己的神经系统外包。所以，开源在这里并不只是理想主义。发布权重，换来开发者反馈；扩大社区影响，再把内部微调版本接回业务。这是一种非常实用的生态策略。

但不要把一切解释成“文化优势”

文章最容易引发争议的地方，是把中国实验室的某些效率归因于组织文化。这个判断并非完全没有道理。今天的大模型不再只是几个天才研究员拍脑袋的产物，而是一整套复杂工程系统：数据、训练、后训练、评测、部署、反馈，任何一环粗糙，模型都会露出缝。

可“文化”也是一个危险的解释容器。中国实验室的效率，可能来自组织纪律，也可能来自就业压力；可能来自学生早早进入核心项目，也可能来自年轻人才被过度消耗；可能来自务实工程风格，也可能来自一些人不愿公开谈论制度、伦理和社会后果。

真正值得读的田野笔记，不是从头到尾都正确，而是愿意暴露自己的盲区。Lambert后来也修正了自己对中国研究者“不谈大问题”的理解，承认这不只是谦逊，也和成长制度、训练环境有关。

开源正在改变竞争坐标

过去一年，中国AI最重要的外部信号，是open-weight模型的扩散。DeepSeek之后，Qwen、Kimi、MiniMax、智谱、小米等模型不断进入全球开发者视野。Stanford HAI的2026 AI Index也指出，中美顶尖模型性能差距已经大幅收拢。

如果闭源模型像高楼，开放模型更像道路。高楼代表天际线，道路决定谁能进入、谁能迁移、谁能把自己的业务接上去。美国顶级闭源模型仍然很强，但中国开放模型正在另一层面争夺开发者心智。对一个印度创业者、巴西中小企业或欧洲本地部署团队来说，如果成本、隐私或政策让他们不能长期依赖美国闭源API，中国开权重模型就可能成为默认基础设施。

被误读的“中国速度”

中文圈读这篇文章，很容易读出一种暗爽：你看，连美国研究员都承认中国AI实验室很强。可最好不要停在那里。强大和健康不是一回事。一个生态可以很高效，同时很压抑；一个组织可以很会交付，同时不太鼓励异议；一批年轻研究者可以快速成长，同时过早被消耗。

对中国AI最好的评价，不是“厉害了”，也不是“危险了”，而是把它当作一个复杂、快速、充满矛盾的真实系统来看。美国也一样。美国前沿实验室拥有资本、人才和闭源商业化优势，也被估值、明星文化、产品压力和安全争议拉扯。中国实验室拥有工程韧性、产业腹地和开源扩散能力，也被芯片约束、数据产业短板、组织等级和公共讨论空间限制。

两边都不是神话。两边都是机器，只是齿轮长得不一样。

真正决定未来的，可能不是某次发布会，也不是某张榜单，而是那些更不起眼的问题：谁能持续吸引开发者？谁能把模型嵌入产业？谁能让年轻研究者既有速度也有余地？谁能在开放与安全之间建立可信规则？谁能把一套技术栈变成别人愿意依赖的日常工具？

AI竞争的故事，从来不只发生在云端的数据中心里。它也发生在实验室的白板前、学生的工位上、开源社区的issue里、公司内部那些没人署名的脚本中。真正的技术强国，最后比拼的不是谁喊得更响，而是谁能让这些沉默的系统，长期、诚实、有效地运转下去。

参考资料： Nathan Lambert / Interconnects AI《Notes from inside China’s AI labs》；Stanford HAI《2026 AI Index Report》；Hugging Face关于中国开源AI生态与全球算力格局的系列文章。