美国 AI 分析师看完中国大厂之后，真正改观的是什么

2026 年 4 月底到 5 月初，一支由美国和英国 AI 研究者、写作者、分析师组成的访问团，在中国跑了大约十天。 他们走访的路线很密：北京、上海、杭州、深圳。 见的机构也很集中：DeepSeek、月之暗面、MiniMax、智谱、字节 Seed、阿里 Qwen、蚂蚁、零一万物、小米、宇树、魔搭、Galbot、RWKV、清华 AIR、美团等。 按访问团成员自己的估算，这趟行程覆盖了中国头部 AI 实验室的相当大一部分。 成员也不是普通游客，而是一批长期写 AI、研究开源模型、关注中美技术竞争的人——Kevin Xu、Nathan Lambert、Florian Brand、Afra Wang、Kai Williams、Lily Ottinger、Lingua Sinica、Azeem Azhar、Hannah Petrovic 等人，回去之后都写了文章或者做了播客。 这类文章容易被写成两种极端。 一种是“外国人震惊中国 AI”，全篇只有情绪。 另一种是“全球竞合新图景”，每个段落都像智库报告，读起来很完整，但没什么人味。 我更关心的是另一件事：这批人到底看到了什么，哪些地方真的改变了他们原来的判断，哪些地方只是中国 AI 叙事里常见的包装。 读完他们的记录后，我觉得最值得注意的不是某一家公司的模型参数，也不是某个机器人演示有多炫，而是几个更底层的东西：人怎么组织，算力不够时怎么做研究，开源到底是信仰还是策略，机器人为什么在中国显得更现实，以及中美 AI 叙事的差异到底在哪里。 这趟行程最先打破的是抽象感 很多西方观察者谈中国 AI，容易停在几个词上：出口管制、DeepSeek、开源模型、国家补贴、追赶美国。 这些词都没错，但太抽象。 这次访问团看到的是具体的人和具体的办公室。 他们在五一假期里被接待，即使在假期，仍然很多研究员仍然在办公室。有人办公室里有睡铺，有人因为连续工作身体出问题。

也有一些很日常的细节：多米诺披萨、转盘菜、酒店大堂聊天、KTV、夜店、Labubu 礼物、定制 AI 乐高。 Moonshot 的办公室里有钢琴和 Pink Floyd《月之暗面》黑胶。 Z.ai 的展厅里有一个“42% AGI 进度”的梗，明显是致敬《银河系漫游指南》。 宇树的旧办公区并不精致，甚至有点粗糙，但工程味很重，但新办公室又放着类人机器人迎宾。 这些细节本身不构成什么大结论，但它们很有用。 因为它们让“中国 AI 实验室”从一个新闻词，变成了一群具体的人：年轻、熬夜、在线、懂英文技术语境、看 X、用小红书，也会用 Claude Code 或自己写的 CLI 工具。 这种感受很重要。 技术竞争当然有国家层面的叙事，但最后做模型、写代码、调机器人的还是人。访问团里不少人回去之后都提到，他们原来对中国 AI 有一些硬邦邦的先验，这趟之后变得没那么简单了。

最让他们意外的，是“实习生”不是实习生 几乎所有成员都提到了一件事：中国 AI 实验室里的年轻人太多了。 这里的“实习生”不能按通常意义理解。 在很多公司里，实习生是辅助角色，做边缘任务，能不能接触核心系统还要看权限。但这些访问者看到的情况不一样。 很多 20 岁出头的本科生、硕士生、博士生，直接参与核心模型、数据、系统和论文工作。 注意：他们不是在旁边学习，而是在干活。 小米 LLM 团队平均年龄 25 岁，80% 是 PhD 实习生。 Moonshot 和清华有联合论文。很多学生并不是短期体验，而是长时间参与项目，几乎像全职研究员。 为什么会这样？ 一个原因是高校缺算力。 AI 研究已经不是单靠聪明和论文阅读就能推进的领域。你要有 GPU，要有数据，要有工程系统，要能跑实验。大学实验室很难持续提供这种条件，于是头部公司变成了学生的第二实验室。 学生在公司拿到真实项目、真实算力、真实数据，也能产出论文和履历。公司拿到的是便宜但高质量的研究力量。这个交换很现实。 另一个原因是 AI 本身变化太快。 在很多传统学科里，资历很重要——你做了十年，积累会非常明显。 但大模型这一轮变化太快，新范式不断出来，年轻人反而不一定吃亏。MoE、后训练、Agent、推理优化、数据工程，很多东西都是最近几年才快速成熟。一个 22 岁的学生，如果足够投入，可能真的能在某个窄方向上很快追到前沿。 Nathan Lambert 对比了美国情况——他认为 OpenAI、Anthropic 这类西方顶级实验室的实习机会更少，真实权限也更保守。中国实验室对学生的使用更激进，也更平等。这个模式看起来粗糙，但产出很高。 当然，这里面也有代价。 加班强度很高。 访问记录里提到办公室睡铺、假期工作、身体出问题、推迟家庭计划。这不是一个可以轻轻带过的“奋斗文化”。短期看，它提高了产出。长期看，它可能会影响人才保留，也可能让一些真正需要慢思考的研究被压缩。 但至少在当前阶段，这条年轻人才管道是中国 AI 很大的结构性优势。 外界常常只看芯片和模型，反而低估了这个部分。

中国实验室的“氛围”，和美国不太一样 Florian Brand 的文章标题直接写的是中国 AI 实验室的 vibes。 这个词不好翻。 它不是制度，也不是文化口号，更像你坐在一群人中间时感受到的气味：他们怎么评价同行，怎么谈竞争，怎么谈失败，怎么谈自己公司的位置。 访问者普遍感到中国研究员对同行的评价很直接，也更愿意公开称赞别人。 DeepSeek 就被多名访问者多次提到，很多人认可它的研究品味和执行力。 字节 Doubao 则让人既尊重又警惕，因为它有巨大的用户流量和分发能力。 这和美国 AI 圈的气质不太一样。 美国顶级实验室之间当然也交流，但商业竞争、人才竞争、媒体叙事、创始人风格，都会让话语变得更防御。谁领先、谁抄谁、谁的人跳槽了、哪家公司内部混乱了，这些东西经常浮上台面。 中国这边不是没有竞争，也不是没有政治和利益。但至少访问者看到的那一面，更强调团队、同行关系、工程推进，而不是个人英雄叙事。 Afra Wang 提了一个有意思的框架：在中国，AI 更像国家升级和新质生产力的一部分，不像硅谷那样常被包装成“人类未来由谁托管”的问题。 我个人非常喜欢这句话！每天就是看到Anthropic疑神疑鬼的烦死了，整天就是什么安全问题，人类问题，各种危机。 看着就烦！ 反观我们的AI圈，确实不太热衷于公开讨论 AGI 的终极哲学问题，也较少把自己放在“文明转折点守门人”的位置。大家其实更关心模型能不能做事，机器人能不能落地，产品能不能服务用户。 我们对AGI 的定义很朴素：能替代我自己就行。 这句话听起来很粗，但很能说明问题。 中国实验室的 AI 叙事更偏工程和应用。 社会风险、安全治理、长期影响，更多被视为政府、监管部门、学术机构要处理的事情。研究员自己的角色是把技术做出来。 这可能是中国 AI 推进速度快的原因之一，也是它未来必须补课的地方。 这个分工有利有弊。 好处是少了很多抽象争论，推进速度快。坏处是长期社会影响、治理风险、技术价值观这些问题，容易被推迟到后面。等到技术真的大规模部署时，再讨论可能会比较被动。 而且现在还没有大规模进入央国企，我个人觉得大规模的话，至少还得2-4年吧。

算力不够，是事实，不是口号 这趟行程里，算力短缺几乎是所有人都听到的问题。 Kai Williams 写得最直接：算力短缺正在拖累中国 AI。 有一个估算被反复引用：OpenAI 一家的算力，可能接近整个中国 AI 产业的总量。 这个数字不一定精确，但方向很清楚。先进 NVIDIA GPU 的出口管制，对中国实验室的影响是真实存在的。 不过，访问者看到的不是一群人停下来抱怨。 更像是：牌确实不好，但大家已经开始按这副牌重新设计打法。 有实验室会把有限算力拆开用，比如更多留给研究实验，少量用于预训练和后训练。有人提到类似 3:1:1 的分配方式：3 份给研究，1 份给预训练，1 份给后训练。 这个比例未必能代表所有公司，但说明了一种思路：不盲目堆大训练，而是把算力花在更容易产生边际收益的地方。 这也是为什么中国模型在效率优化、蒸馏、MoE、后训练、推理成本上会特别敏感。 你没有无限算力，就不会自然走向“更大、更贵、更暴力”的路线。 这叫 efficiency moat，效率护城河。 这个词有点包装，但意思是对的：制裁短期压制了中国的规模化训练能力，但也迫使实验室在成本、推理、部署、工程优化上变得更极端。 这件事对美国政策是双刃剑。 短期看，限制先进 GPU 确实能延缓中国最前沿训练。长期看，它可能会推动中国发展一套更便宜、更节制、更适合全球南方和成本敏感市场的 AI 技术栈。 美国如果只盯“谁训练出最大模型”，可能会低估另一个问题：谁能把模型以更低成本部署到更多场景里。 这可能是中国实验室最可能跑出差异的地方。 产品化比很多人想象得早 访问团注意到，中国实验室并不只是训练模型。 很多公司已经在做很具体的产品。 MiniMax 强调 AI 伴侣和编码代理。 Z.ai 有 B2B 合作，涉及社交媒体、商飞、政府等方向。蚂蚁在做 AI 医疗配送。 小米把 LLM 放进自己的硬件和系统生态里。 Doubao 已经有大规模用户，甚至支持方言，有老年人把它当搜索入口。 这说明中国 AI 的一个特点：模型和产品之间距离更短。 美国实验室经常先讲模型能力，再通过 API、订阅、企业合作慢慢外溢。中国公司更习惯直接把能力塞进已有流量和应用里。 OpenAI和Anthropic的发展路径就是这样的，一力降十会。 国内的话，字节就是最典型的例子。Doubao 不是只有模型能力，它背后还有字节原本的流量、产品节奏和分发系统。 字节有抖音生态，腾讯有微信，阿里有电商和云，小米有硬件，蚂蚁有支付和金融场景。它们天然有分发入口。但这也带来另一个问题：宣传和真实使用之间有落差。 很多地方都在宣传 AI，机场、广告、政府项目、展厅里到处能看到。但个人层面的高频使用并没有想象中那么彻底。深圳有人家里也就几个 AI 玩具和翻译器。消费端还存在很多低质 AI 产品，比如 AI 摆件、教育伴侣、各种看起来很 AI 但实用性一般的东西。 中国 AI 的应用速度确实快，但不能把“到处都在宣传 AI”误读成“AI 已经深度进入每个人的生活”。 真实情况更复杂：头部产品有规模，企业和硬件场景在推进，但大量普通消费者还没有形成稳定、高价值的 AI 使用习惯。 机器人是这趟行程里最不虚的部分 如果只看大模型，中美差距还会被算力问题强烈影响。 但到了机器人和具身智能，访问团的观感明显不同。

宇树给他们留下了很深印象。 它不是那种典型的海归精英创业故事，创始人背景也不完全符合硅谷想象。但这家公司在硬件、运动控制、商业化上做得很实际。访问者看到了人形和四足机器人演示，也看到了机器人拳击赛中一只机器人腿卡住、工作人员上去处理的场景。 这个细节反而真实——机器人不是宣传片里的完美动作，而是会卡，会响，会摔，会需要人救场。但只要它不断进入真实环境，问题就会暴露，然后被修掉。 Galbot 的机器人药房更有意思。

它不是靠最前沿大模型吸引注意力，而是用机器人完成药品拣选、打包和 24 小时运营。据访问记录，它已经处理过超百万订单，其中一部分发生在夜间。 这类场景非常适合中国。 原因不只是算法。 中国有硬件供应链，有制造经验，有线下复杂场景，也有愿意快速试错的商业环境。机器人不是单纯 AI 问题，而是传感器、电机、关节、控制、成本、维修、供应链、场地运营的综合问题。 这也是为什么有访问者把中国机器人类比为 2017 年前后的电动车产业。 当年很多人看中国电动车，觉得粗糙、补贴驱动、低端。但几年之后，供应链、工程迭代和市场规模叠加起来，局面变了。 机器人当然不一定会复制电动车路径，但这个类比值得重视。中国真正的优势，可能不在“发明一个最强机器人基础模型”，而在把机器人做便宜、做稳定、做进门店、仓库、药房、工厂。 不能只用领先和落后来理解这件事 读完这些访问记录，最容易犯的错误，是马上问一句：中国 AI 到底领先还是落后？ 这个问题不是不能问，但它太粗。 中国 AI 当然还有明显短板。 算力受限，训练大模型的空间被压缩。 数据质量不稳定，很多场景还要靠公司自己补。 加班文化短期有效，长期未必健康。 安全和社会影响讨论也不像美国 AI 圈那样密集。 但如果只盯这些短板，也会错过另一面。 中国实验室已经长出了一套很适合本土环境的打法。 年轻人才被很早推到核心位置，学生和实习生不是装饰，而是实际生产力。 工程文化压过哲学叙事，很多团队少谈宏大终局，先把模型、产品和部署做出来。算力不够，反而让他们对成本、效率、推理、蒸馏更敏感。开源也不是统一信仰，而是根据品牌、生态、分发能力来选择。 机器人和硬件场景则更能说明问题。 这里不只看模型能力，还看供应链、线下场景、维修能力和成本控制。一个机器人能不能在药房、门店、仓库里长期跑，和一个模型在 benchmark 上多拿几分，是两种完全不同的能力。 产品化速度也一样。 中国公司很擅长把 AI 塞进已有应用和硬件里，但这不等于真实采用已经全面发生。AI 广告很多，展厅很多，政策口号很多，用户是不是真的每天用、用完有没有留存、有没有形成新的工作流，还要另看。 如果美国只靠算力领先和闭源大模型优势，短期会很强，但未必能覆盖所有市场。低成本、开源、可部署、适合本地场景的模型和机器人，可能会在美国视野之外扩散。 对中国来说，这些观察也不是纯夸奖。 中国确实有执行力、人才密度、供应链和应用场景。但问题也明显：算力受限，数据质量不稳，加班文化可能不可持续，长期安全和社会影响讨论不足，宣传和真实采用之间有落差。 这也是这批访问记录最有价值的地方。 它没有把中国 AI 写成一个神话，也没有把它写成美国技术的影子。 它更像一次现场校准：把那些宏大的判断拉回办公室、会议室、实验台、机器人药房和年轻研究员身上。 最后我反而觉得，这趟行程最值得保留的不是“谁领先”这个问题。 领先当然重要。 但如果只问谁领先，很容易又回到竞赛叙事。 更值得问的是：不同国家的 AI 实验室，为什么会长成不同样子？ 美国有资本、算力、顶级研究机构、全球人才和强大的基础设施。 中国有年轻工程师、高密度应用场景、硬件供应链、政策动员和极强的落地压力。 两边都不是完美系统，也不是彼此的简单翻版。 如果理解不到这一层，就很容易低估对方，也容易误判自己。 这批美国和英国观察者花十天跑完中国几个城市，看到的当然不可能是全部真相。 但他们至少做了一件有价值的事：他们把很多二手判断，换成了一手观察。 在现在这个环境下，这已经不容易了。