中国研究人员的心态
-
为了改进最终模型，他们更愿意做一些不那么引人注目的工作。 -
刚接触人工智能开发的人可以免受人工智能炒作周期先前阶段的影响，从而更快地适应新的现代技术（事实上，我交谈过的一位中国科学家就非常积极地利用了这一优势）。 -
组织架构图的规模略有扩大，因为系统中的游戏化成分减少了，这使得员工的自我意识有所降低。 -
拥有大量适合解决已在其他地方得到概念验证的问题的优秀人才，等等。
中国人工智能产业与西方实验室的异同之处
-
国内人工智能需求初现端倪。一种广为流传的假设认为，中国人工智能市场规模较小，因为中国企业通常不愿为软件付费，因此无法形成支撑实验室的庞大推理市场。这种假设仅适用于SaaS生态系统相关的软件支出，而SaaS生态系统在中国历来规模很小。另一方面，中国显然拥有庞大的云计算市场。一个关键的未解之谜——也是中国实验室自身争论的焦点——是企业在人工智能方面的支出究竟是反映SaaS市场（规模较小）还是云计算市场（基础性市场）的趋势？总体而言，人工智能的发展趋势似乎更倾向于云计算，而且没有人真正担心围绕这些新工具会形成一个庞大的市场。 -
大多数开发者都对 Claude 趋之若鹜。尽管 Claude 在中国名义上被禁用，但中国的大多数人工智能开发者都对它着迷，并深知它如何改变了他们的软件开发方式。中国历来不愿购买软件，但这并不意味着推理需求不会出现大幅增长。中国的技术人员务实、谦逊且积极进取——这种特质似乎比他们以往不愿消费的习惯更具说服力。一些中国研究人员提到使用他们自己的工具进行开发，例如 Kimi 或 GLM 命令行界面，但所有人都提到使用 Claude。令人惊讶的是，很少有人提及 Codex，而 Codex 在旧金山湾区的人气正在迅速飙升。 -
中国企业拥有技术所有权意识。中国文化与蓬勃发展的经济引擎相结合，正在创造难以预测的结果。我始终觉得，众多人工智能模型反映了中国众多科技企业目前务实的平衡状态。这里并没有什么宏伟的蓝图。整个行业以对字节跳动和阿里巴巴的尊重为特征，这两家拥有雄厚资源的巨头被寄予厚望，有望赢得所有市场的大部分份额。DeepSeek是备受尊敬的技术领导者，但远非市场领导者。它们引领着方向，但并不具备在经济上取胜的能力。这就使得像美团或蚂蚁集团这样的公司脱颖而出，西方人可能会对它们构建这些模型感到惊讶。实际上，它们显然认为大语言模型（LLM）对未来的技术产品至关重要，因此需要一个强大的基础。当他们对强大的通用模型进行微调时，就等于阻止了开放社区对其技术栈提供反馈，而他们可以保留内部的、经过微调的模型版本用于自己的产品。行业内“开放优先”的心态很大程度上是由实用性决定的——它有助于使他们的模型获得强有力的反馈，回馈开源社区，并增强他们的使命感。 -
政府援助确实存在，但规模尚不明确。人们经常声称中国政府正在积极推动开放的LLM项目。这是一个权力分散、层级众多的政府，每个层级都没有明确的行动指南。北京的各个街区都在竞相吸引科技公司入驻。政府向这些公司提供的“帮助”几乎肯定包括简化审批等繁琐的官僚程序，但这种帮助究竟有多大？各级政府能否帮助吸引人才？能否协助搞定芯片？在整个访问过程中，我们多次听到政府关注或提供帮助，但提供的细节信息太少，不足以让我们对政府如何左右中国人工智能的发展轨迹形成清晰的认识。当然，也没有任何迹象表明中国政府高层干预了模型中的任何技术决策。 -
数据产业的发展远不及美国。我们听说像 Anthropic 或 OpenAI 这样的公司，为了推进强化学习（RL）的前沿发展，每年在单个环境上投入超过 1000 万美元，累计投入更是高达数亿美元。因此，我们很想知道，中国的实验室是否也从美国公司购买类似的环境，或者是否拥有与之类似的国内生态系统。得到的答案并非完全否定中国的数据产业，而是指出他们的经验是，中国的数据产业质量相对较差，因此自行构建环境或数据往往更为理想。研究人员会花费大量时间来构建强化学习训练环境，而像字节跳动和阿里巴巴这样的大公司则拥有内部数据标注团队来支持这项工作。这一切都与前文提到的“自建而非购买”的理念不谋而合。 -
对英伟达芯片的迫切需求。英伟达的计算能力是训练的黄金标准，而资源的匮乏限制了所有人的发展。如果供应充足，他们显然会大量采购。其他加速器，包括但不限于华为的芯片，在推理方面也获得了好评。无数实验室都能使用华为的芯片。
结论：全球均衡
