2026 年 4 月下旬，Linux 基金会全球人工智能首席技术官 Matt White 完成了为期 8 天的中国考察之旅。他走访了北京、上海和杭州，深入交流了 DeepSeek、月之暗面、智谱 AI、MiniMax、阿里云、蚂蚁集团、字节跳动、小米及零一万物等头部企业，并参访了清华大学智能产业研究院以及宇树科技、星海图、银河通用等机器人初创公司。
此行恰逢国内大模型发布的密集期，Kimi K2.6、Qwen 3.6-27B、MiMo V2.5 系列、Ling-2.6-1T 及 DeepSeek V4 等模型接连亮相。归美后，Matt 撰写了长文《在中国的八天：我从 AI 实验室、机器人初创公司和学术界学到了什么》，并在播客中详细复盘。其核心观点指出：外界对中国 AI 的认知滞后，仅凭论文和榜单难以感知实验室的研究热情、团队文化及产业密度。实地探访发现，中国团队虽不透露商业机密，但乐于分享技术判断，渴望在全球坐标系中检验成果。
不同企业气质鲜明：月之暗面团队年轻且具摇滚文化，DeepSeek 则低调务实，成员更关注问题解决而非个人名利。人才流向亦发生逆转，众多曾在伯克利、斯坦福等名校深造的研究者选择回国创业。Matt 认为，中国对创新的支持正形成新的聚集效应，全球 AI 人才中心已从单一的旧金山湾区，扩展至深圳、杭州和北京。
芯片受限未阻竞争，资源约束倒逼架构创新
针对“芯片禁令将拖慢中国 AI 速度”的论调，Matt 持不同看法。他认为限制虽影响训练，但资源紧缺反而激发了效率提升的创新。以 DeepSeek 为例，其通过 GRPO、推理训练方法及有限算力下的架构创新，实现了用更少资源做更多事。同行对其态度多为敬佩，视其为依靠精干团队和原创技术改变行业规则的力量。
这种创新并非闭门造车。DeepSeek 的 GRPO、月之暗面的 Muon 优化器研究、字节的 VeRL 及 MiniMax 的线性注意力机制，均建立在前人工作基础上。AI 演进本就是迭代改进的过程，技术在全球范围内流动，界限日益模糊。Matt 强调，简单将中国 AI 定义为“复制美国”已不准确，诸多中国技术已被美国开源模型和商业产品采纳。
此外，限制也加速了本土芯片投入及产业链整合。中国正尝试将芯片、模型、设备与部署深度融合。尽管先进算力仍是短板，但这迫使企业积极探索替代方案，推动全产业链发展。
图 | Matt White 在阿里云（来源：Matt White）
开源在中国胜出，但需厘清经济账与安全边界
Hugging Face 数据显示，2025 年 2 月至 2026 年 2 月，中国模型占全球下载量的 41%，超越美国的 36.5%。Matt 分析，以 Qwen 为代表的中小型模型因性能优异、成本低廉而广受欢迎。开发者可本地运行，企业则可自行部署以控制数据主权并降低 API 成本。
然而，“开放模型”、“开放权重”与“开放科学”概念各异。部分模型虽开放权重却限制商用，或未公开训练数据与方法。真正的开放科学应包含数据集、代码、配方及测试方法，确保可复现性。对企业而言，选用模型需像审查软件供应链一样，核实底座来源、微调过程及许可证合规性，尤其是涉及蒸馏技术的应用是否遵守服务条款。
开源亦面临商业化挑战。面对高昂的训练成本，中国模型公司正逐渐形成“开源模型建生态、商业 API 创收入”的混合模式，以付费服务反哺后续研发。
智能体与机器人热潮下，完全自主尚需时日
智能体（Agent）是当前应用层的热词，“一人公司”（OPC）概念盛行。虽然愿景是智能体能独立完成订票、购物甚至赚钱，但 Matt 对此保持谨慎。他认为，当前智能体更适合辅助完成具体任务（如整理表格、生成初稿），而非独立承担涉及资金与责任的复杂全流程工作。身份验证、支付权限及责任归属仍是主要难点。
机器人领域同样如此。中国在机械制造与系统集成方面优势明显，拥有人形机器人公司超 150 家，但多数仍依赖遥控或预编程，灵巧操作与自主决策尚未完全突破。“世界模型”因此受到关注，旨在让机器人理解空间与因果关系，但目前技术路线未统一，距离通用方案仍有差距。
图 | Matt White 在宇树科技（来源：Matt White）
行业下一阶段的核心将从演示效果转向解决真实问题的能力：能否连续稳定工作、是否越权、出错后的责任界定等，比单次展示更为关键。
若有 100 万美元，首选投资智能体安全框架
当智能体具备调用工具、访问数据及支付能力时，错误将导致实际损失。Matt 强调，安全不能仅靠模型提示词，必须写入程序和执行框架。权限、金额上限及人工确认环节需通过代码硬性锁定，尤其在多智能体协作系统中，需防止错误沿链条传递。
在被问及“若仅有 100 万美元会投向何处”时，Matt 毫不犹豫选择了智能体。他指出，当前市场缺乏跨行业的通用安全方案。未来的投入重点不应仅是训练更强模型，而是围绕模型构建一套安全、可靠、可监控的完整系统，通过限制上下文、增加确定性代码来提升可控性。
模型拟人化不代表具备人类思维，企业落地需理性
Matt 明确指出，大模型擅长解题不等于拥有类人思维，其本质仍是基于概率的下一个词预测。用户需警惕将流畅的对话误认为系统具备真正的理解力与责任感，尤其在情感交互场景中，产品应明确告知用户其面对的是系统而非真人。
在 AI 编程领域，生成代码的便捷性带来了 PR 激增，但也增加了审查难度。AI 降低了编码门槛，却提升了判断代码可用性的要求。
针对企业落地，Matt 建议非实验室背景的企业勿轻易从头训练模型。中小企业可利用现有软件的 AI 功能，大企业可借助开源工具或供应商。企业应区分“提效工具”与“核心竞争力”：通用功能外包更划算，唯有关键体验才值得自研。同时，传统机器学习在欺诈检测等场景可能比大模型更稳定。务实的做法是先在低风险场景建立测试标准，保留人工检查，逐步推进自动化，最终考量指标应是业务是否更快、更省、更可靠。
综上所述，Matt 认为外界不能再以“复制、低价、人海战术”概括中国 AI。中国实验室正走出独特路径：在资源约束下推动架构创新，借开源模型融入全球社区，依托庞大市场验证产品，并利用云计算、消费互联网及制造业供应链优势，将 AI 深度带入真实场景。
参考链接：
1. https://www.youtube.com/watch?v=zHi0jy4MK4c
2. https://matthewdwhite.substack.com/p/eight-days-in-china-what-i-learned?triedRedirect=true
3. https://huggingface.co/blog/huggingface/state-of-os-hf-spring-2026
排版：唐逸蕊
注：封面/首图由 AI 辅助生成