专访 Nathan Lambert：一位美国 AI 研究员的中国之旅
节目信息
- 栏目：硅谷 101（视频播客）
- 主持：陈茜
- 发布时间：2026-07-03
- 采访嘉宾：Nathan Lambert —— 美国知名 AI 研究员、艾伦人工智能研究所（Ai2）后训练负责人
- 主题：Nathan 走访阿里巴巴、月之暗面、智谱、清华、美团、小米、蚂蚁、零一万物等团队后，谈中国 AI 生态的真实运转
带着谦逊回来
2026 年 4 月，长期关注开放模型的美国研究者 Nathan Lambert 来到中国，走访了阿里巴巴、月之暗面（Kimi）、智谱、清华、美团、小米、蚂蚁、零一万物等一线团队。行程主要落在北京和杭州——北京的公司大多聚集在高校周边，密度高到「可以随意穿梭于顶尖 AI 公司之间」，让他想起湾区的氛围。
他想弄清的不是某个模型到底强不强，而是这些模型背后的组织和产业生态究竟如何运转、这些人为什么这样做。用他自己的话说，这趟是「带着谦逊回来」的：作为美国研究者，他此前从未真正预料到要对中国科技生态发表看法，走完一圈反而更清楚自己了解得还很少。中国 AI 正在被重新理解——它不只是 DeepSeek 之后的短暂热潮，也不只是模型参数和榜单排名，而是一套由年轻人才、工程文化、开放模型、 超级 App 生态、算力约束和「技术所有权心态」共同塑造出来的生态。
为什么中国公司都想自己做模型？
一个反复出现的观察是：几乎每一家像样的中国科技公司，哪怕主业不是 AI，也都在自己做大模型。问到原因，答案高度务实——我们需要 AI 来服务产品，并且想掌控全栈技术，所以决定自己构建。即使模型是开放的，也会发布出来收集反馈。
这背后是一种「技术所有权心态」，和中国公司钟爱超级 App、钟爱从零到一自建整个生态的传统一脉相承。他们倾向于自己构建而非采购，以便掌控长期发展：先做出通用模型对外开放（因为更多人用），再在其上微调出不对外发布的专用模型供内部产品使用。以美团为例，它把自研模型直接接进叫车、下单这类操作里——在美国消费者的第一反应是「去申请一个 API key」，而在中国的第一反应是「我们有算力有人才，为什么不自己更便宜地把它构建出来」。对这些占据巨大业务表面积的公司来说，自研确实成立；但这种「什么都自己做」的取向，也可能抑制中间层公司的生存空间。
年轻人才与工程文化
最让 Nathan 印象深刻的是人才的年轻。走进这些实验室，遇到的往往是一个接一个二十岁上下、扎根一线的研究者，有的还是在读学生。这种年轻化像是一种结构性特征——中国实验室吸收人才的速度远超其他地方，而且毫不掩饰。月之暗面被他形容为整趟行程里「氛围最好」的公司：团队关系紧密、显得幸福、坚定走在自己的路上，且不官僚；相比之下大厂（阿里、蚂蚁）不可避免地更结构化。
年轻的另一面是心态。新一代研究者先验包袱少，不执着于捍卫旧架构，只想搞清当前最前沿并把它改进一点点——这是一种简单却有效的方法论。他们英语越来越流利，普遍关注推特上的西方 AI 生态、读英文博客、写论文；而反向并不成立——美国生态里很多人根本不关注、也很难获取中国的可靠信息。Nathan 还给出一个略显冷峻的判断：构建大模型被低估的难点其实是组织问题——如何把一个大问题拆成小问题，让大量人才聚焦到同一个模型上；而中国工程师的培养方式，也许让他们更适合这种「专注自己一小块、乐于为更大模型做贡献」的协作。
开放模型：中国 AI 的全球名片
为什么中国实验室发布这么多强开放模型？答案同样务实：这是获得存在感的途径。他们知道自己在某些方面落后，也希望更多参与全球讨论——如果没人知道你、你只有一个 API，就没人会关注你的模型；而在模型价值稀缺的当下，公开发布会立刻吸引大量开发者上手。这几乎没有额外风险，还能帮助拿到客户，于是成了参与 AI 叙事的方式。
而自 2025 年夏天 GLM-4.5、Kimi K2 这批突破性模型出现起，美国就已经把开放模型的领导权让给了中国，此后一直如此——模型的来源真正开始变得重要。如果被迫回答「谁拥有最好的中国开源模型」，Nathan 会说是 Kimi，但强调竞争异常激烈、排名一直在细微处变化。
阿里的 Qwen 是另一种打法：靠持续发布 1B 到 30B 的中小模型赢得开源社区的心，同时把最大的 Qwen Plus、Qwen Max 留作闭源——因为要在阿里云上变现。这也折射出中美云的一个关键区别：AWS 的 Bedrock 承载各家大模型，而中国的云主要只承载自家模型。Qwen 已经成了全球研究者默认使用的基准模型，取代了当年的 Llama——这是一项还没被充分讨论的巨大成就。
算力焦虑
如果只能指出一个短板，那就是算力。可以说 Meta 或 OpenAI 单独一家拥有的 GPU，就比这些中国公司加起来还多；有传言称 OpenAI 研究员人均可动用约五千块 GPU，这已经相当于一家中国开源模型实验室的大部分研究预算。算力稀缺直接改变了做事方式：模型的规模要按下游使用场景和训练集群架构来设计，基础架构的更新也更谨慎、更新频率更低——因为一次预训练可能耗时半年，一旦失败，整个模型系列就没了，这对公司相当危险。资源紧张也逼出效率，但「中国模型更高效」这个说法被 Nathan 认为有些夸大——真正有强烈动力优化推理的其实是美国实验室，因为 ChatGPT 的规模下，效率提升哪怕百分之一都是数十亿美元。
国产加速器方面，业界的共识是华为芯片已经「可以做推理」——不少公司用它跑推理，但训练只能训很小的模型；大家普遍表示「如果你能提供华为方案，我们可能会拿到更多客户」。但短期内 NVIDIA 仍遥遥领先，瓶颈更多在华为的产能与易用性。围绕出口管制，Jensen Huang 反对严格限制，理由是中国已具备能源、芯片产能和人才，限制销售只会让 NVIDIA 失去庞大市场却挡不住中国的进程；而 Anthropic 的 Dario Amodei 则强调中国 AI 的国家安全威胁。Nathan 认为 Dario 近期在开放权重风险等问题上「有点过于激进」，自己的立场居中、略偏 Jensen 一侧。他也指出，NVIDIA 恰恰是最有能力改变开放模型格局的一方——Jensen 刚发布了 Nemotron 3（Nano / Super / Ultra），既有财务动机不让 AI 被单一公司垄断，也在重启自己的开放模型计划。
被低估的短板：数据产业
比算力更出人意料的，是中国数据产业的欠发达。美国前沿实验室会花数十亿美元向 Scale、Surge、Turing、Mercor 这类数据公司购买高技能标注数据，用来针对性地补齐模型的短板；而在中国，字节、阿里更多是组建内部数据团队，很少有人谈「去外部买数据」。这条产业链在美国已经形成规模化市场，正是它支撑起模型进入医疗、法律、咨询、金融等知识工作领域。如果中国缺这条产业链，研究者就得自己去构造这些数据——而这既不是 AI 研究者擅长的事，也远离他们的工作环境。这是 Nathan 眼中中美之间「本不该不同、却确实不同」的最大差异之一。
与之相关的还有中间层的缺 失。美国有 OpenRouter 这样的聚合层，有 Fireworks、Together、Lambda、Baseten 等一批 neocloud 承担 GPU 托管和推理服务，形成 Cursor 用 Kimi 模型、在 Fireworks 上微调和服务的多方协作；而中国几乎没有对应的产品，公司更倾向于全栈垂直自研。要支持中间层，就得接受把 GPU 托管、推理服务这些重要职责交出去——这与「所有权与整合」的取向天然冲突。
两种焦虑：未来 vs 算力
这趟行程最鲜明的对照，是两地情绪的错位。美国 AI 圈弥漫着对未来的社会焦虑——连顶尖研究者和 CEO 都在公开谈论工作会被取代；而中国 AI 圈更焦虑的是算力，研究者最直接的感受就是「拿不到足够的 NVIDIA 算力来训练最新模型」。问中国开发者「什么是 AGI」，回答是「当它取代我工作的时候」，但这并不是悬在头顶的乌云——他们的态度更接地气：我先想把这个东西构建出来，之后再解决。一个耐人寻味的细节是，尽管 Claude 在中国据说被禁，开发者们仍在用它干活，并坦率地说「Claude 是最好的模型」。
安全议题在中国实验室内部也会讨论，但不是首要考虑，整体更务实——发布模型权重时会确保不引入巨大的新风险，也会认真对待多模态、Agent 带来的更高风险。Nathan 本人的立场是支持开放模型、但不做绝对主义者：并非所有模型都必须开源，闭源模型领先、开放模型随后跟进，本身就是把技术稳步推向世界的合理方式。
差 距还剩多久？
在流行基准趋于饱和之后，Nathan 判断美国前沿模型的真实领先约为六到九个月，而且这种优势更多体现在难以量化的稳健性和易用性上，而非榜单分数。中国实验室发布更快——最后一轮强化学习跑完大约一周就当天发布，而美国实验室通常还要走数周流程；因此最终用户拿到的性能会逐渐趋近。但美国在「好不好用」上仍明显领先，Claude Code 与 Codex 掀起的编码革命就是最好的例子，而易用性的护城河，很大程度来自闭源实验室能拿到 Cursor、ChatGPT 这类产品的真实使用数据反馈——这正是只发布模型、却收不到下游使用数据的开放实验室最吃亏的地方。
对未来十二个月，他的预测是：美国会推出某个人人热议的新产品（Claude、Codex 仍在，也会冒出新的竞争者），中美前沿模型的差距可能进一步拉大到六到九个月甚至一年；更长的三到五年里，不排除某家主要中国实验室因融资问题倒下。走完这一趟，他对全球 AI 竞赛保持中立——真正让他担心的反而是美国对 AI 的悲观情绪可能拖慢自身进展。而他能做的，是在中美之间多搭一座桥，让双方少一些极端、多一点相互理解。