基于硅谷101视频播客「美国AI研究员的中国之旅：年轻人，追赶者，算力焦虑与’AGI展示厅’｜专访Nathan Lambert」的完整转写整理。Nathan Lambert是美国Allen Institute for AI（AI2）的大模型后训练负责人，参与打造了OLMo和Tülu等开源模型，是Lex Friedman播客的常客，也是美国AI开源社区中最具影响力的声音之一。2026年4月，他实地走访了中国主要AI实验室，以下是他的第一手观察与深度分析。
背景速览：Nathan Lambert是谁？
Nathan Lambert现就职于AI2（Allen Institute for AI），这是一家由微软联合创始人Paul Allen资助的全非营利AI研究机构。Nathan参与组建了业内知名的RLHF研究团队，主导了OLMo和Tülu系列开源模型的开发。他被Lex Friedman称为"AI社区中广受尊敬的研究者、工程师和技术传播者"。
2025年DeepSeek引爆全球讨论后，Lex邀请Nathan进行了一场超过5小时的深度对谈。2026年，他再次登上Lex节目盘点全球AI进展。这次中国行之后，他写下的文章在美国科技界引发了不小讨论——因为他是极少数真正走进中国AI实验室内部、与中国研究者面对面交流的美国一线AI研究者。
一、中国AI实验室的众生相：从月之暗面的"最佳氛围"到DeepSeek的"神秘存在"
新的变化
Nathan此行走访了阿里巴巴（含Qwen团队和ModelScope）、智谱（Zhipu）、月之暗面（Moonshot/Kimi）、清华、美团、小米、蚂蚁（Antling团队）和零一万物等。两个最引人注目的缺席者是DeepSeek——“最神秘的那一个，你去每家公司大家都在谈论它，但它就像神秘地存在着”——和字节跳动（ByteDance）——“少数拥有海量资源但完全封闭的AI实验室，所有人都担心字节实验室会成为碾压性的力量”。
嘉宾观点与解释
月之暗面（Kimi）是"氛围最好"的公司。 Nathan用"best vibe company"来形容他拜访Kimi的感受。他注意到Kimi团队极为紧密——“这些人看起来真的在享受共同构建东西的过程”。Kimi并不像传统大公司那样刻板，团队既在构建模型，也在用自己构建的模型做产品。“他们似乎非常亲密，你能直观感受到这些人把生命投入到了这件事里。“Nathan还提到了Kimi那篇被Elon Musk转发的论文——其中一位作者是17岁的高中生——他认为这反映了Kimi对年轻人才的开放态度，而不是某个公司的特殊政策。
小米出人意料地认真。 Nathan指出，小米的模型虽然很新（2025年4月才发布第一个7B模型），但发展速度惊人，他们从DeepSeek挖来了罗福莉（Luo Fuli）。“他们看起来像是会持续成为最好的模型构建者之一。“小米做一切——算法、机器人模型、机器人硬件——这种"什么都自己干"的策略在中国大公司中很普遍。Nathan预测"预计他们会继续”。
智谱（Zhipu）上市的双面性。 智谱作为上市公司，短期内融资有利，但Nathan指出：“如果他们需要更多资本来构建更大的模型呢？二次公开发行的灵活性有限。“当前市场对所有上市AI公司需求旺盛，但风向可能改变。
Qwen（阿里）占领了开源研究者的心智。 Nathan强调，Qwen持续发布小模型（1B到30B参数范围）的策略是有意为之的，不是偶然。“现在全世界几乎所有研究者都在Qwen上做实验，他们都熟悉Qwen在这个规模上如何运作。这是一个非常了不起的成就。“但Qwen最大的模型（Qwen Plus和Qwen Max）是闭源的——Nathan认为这是阿里云（Alibaba Cloud）商业策略在主导：“和美国的Google Cloud一样，阿里云是中国默认的云服务商，他们知道这一点。他们不会发布最大的模型，因为那里有巨大的商业价值。”
二、“技术所有权心态”：中国大公司为何热衷于"什么都自己做”
新的变化
Nathan提出了一个关键概念——“technology ownership mentality”（技术所有权心态）。他发现中国大公司普遍倾向于构建而非购买AI能力，这与美国市场中大量中间层服务商（Fireworks、Together、Lambda、CoreWeave等）形成鲜明对比。
嘉宾观点与解释
为什么中国大公司都要自建模型？ Nathan的解释是：这些公司（阿里、小米、美团、字节等）拥有巨大的业务版图——电商、外卖、汽车、社交——AI模型是嵌入所有这些业务的核心能力。他们不想把这种核心能力外包给第三方。“他们看到自己可以构建这些模型，如果成功了就投入更多资金，让它越来越高效，并针对自己的场景调优。这就是中国许多本土产业成长方式——他们想拥有长期发展轨迹的控制权。”
缺失的"中间层"生态。 Nathan指出，美国有一个繁荣的AI推理和优化中间层——Cursor在Fireworks的RL沙箱中对Kimi模型进行后训练再用Fireworks部署服务，这种多方协作在中国几乎不存在。“中国没有这种基础设施或优化层。你找不到CoreWeave、Nubes、Together、Fireworks、Lambda的等价物。“原因是：中国公司倾向于把一切放在内部，这与"技术所有权"逻辑一致——“你必须愿意把重要工作交给外部伙伴才能支撑中间层公司的生存，但中国公司不想这么做。”
云市场的差异。 Nathan提到一个细节：美国的AWS Bedrock承载所有主流大模型（自家和第三方的），但中国的云平台只承载自己的模型。这意味着美国的推理市场竞争更激烈、更分散，而中国高度垂直整合。
小公司的生存空间。 Nathan对AI作为整体商业保持乐观——“大多数这些公司最终都会OK，它们卖出大量token，卖出智能。对智能的需求会非常大。“但他也担忧：“超级大公司的存在是否会压制竞争？小型创业公司如何在这种生态中找到自己的定位？”
三、开源模型领导权已经转移：自2025年夏天起，美国不再是开源AI的领导者
新的变化
Nathan给出了一个非常明确的判断：自2025年夏天起，美国在大模型开源领域的领导地位已经让位于中国。这不是模糊的预测，而是已发生的事实。
嘉宾观点与解释
为什么开源领导权会转移？ Nathan梳理了时间线：2025年夏天，DeepSeek、Kimi K2和一批中国新实验室开始推出突破性开源模型。从此之后，“美国不再拥有开源模型领导权。自2025年夏天以来任何人声称美国还领先，都是有点自欺欺人的。”
中国实验室的开源动机是务实的，不是理想主义的。 Nathan发现，中国公司开源的核心逻辑是：“如果我们不开源，没有人知道我们的存在；如果有了API但没人关注，没有人会想到你的模型。“在AI模型如此有价值且稀缺的世界中，开源是一种获取关注的手段。“这是他们参与AI前沿故事的方式，而且几乎没有额外风险，所以必须做。”
美国开源的唯一希望是NVIDIA。 Nathan直言：“Meta和微软本可以发布开源模型——这不会损害他们的企业产品。但他们近年来选择不做。“Nvidia则不同——Nvidia的财务利益在于不让任何一个公司垄断AI，所以它有动力为全世界发布开源模型。“所以唯一的希望是Nvidia。”
Qwen在小模型领域的统治力。 Nathan强调Qwen在研究者社区中的影响被严重低估了：“所有研究者都了解Qwen在那个规模上如何运作，他们习惯于使用它。这是一个真正了不起的成就，但我觉得人们讨论得还不够。“他预测，对大型前沿模型的执迷会逐渐消退，小到中型模型会因为成本极低而占据更多价值。
Meta（Llama）的角色。 当被问及"如果Meta未能成为最好的开源模型，是否意味着美国正在输掉开源领导权"时，Nathan的回答很直接：“去年美国已经看到了开源领导权向中国转移。“他暗示Llama 4/Llama 5系列的竞争力不足。
中国发布速度更快。 Nathan观察到一个关键的动态：中国实验室的研发进度处于陡峭上升期，而且发布更快。“你跟中国实验室的人聊，他们会说’我们模型还在做最后一轮RL训练，大概一周，完了之后一天内就发布’。而美国实验室通常需要数周才能把模型推出去。“这意味着在用户感知的性能层面，差距比实际研发差距更小——因为中国更快地把模型交到用户手上。
四、算力困局：NVIDIA碾压性优势与华为芯片的现实
新的变化
Nathan在节目中给出了一个震撼性的判断：“OpenAI、Meta或计算机领域的大公司拥有的GPU数量，比所有中国AI公司加起来还多。” 这是中国AI实验室面临的最大结构性劣势。
嘉宾观点与解释
算力如何塑造模型策略？ Nathan解释，模型设计从根本上取决于两件事：你有什么样的训练集群（决定了训练不同规模模型的效率），以及你需要怎么部署推理（决定了模型的服务成本）。中国实验室的集群更小，所以他们不得不更少地更换基础模型架构——因为每次预训练运行都更长、更昂贵。
小实验室的脆弱性。 Nathan透露了一个令人震惊的细节：“一家中国实验室告诉我们，他们最新的一次预训练运行花了六个月才构建出现在Hugging Face上的那个模型。如果那次运行失败了，整条模型线就不存在了。这是非常危险的处境。”
华为芯片的现状。 Nathan明确指出，华为芯片目前主要用于推理，而不是训练。“所有公司都有用户在注册AI服务，每天数万亿token的API调用，它们都在说’如果你给我华为芯片，我们可能获得更多客户’。但在训练方面，只有非常小的模型可以在华为芯片上训练。“他预计这种状态将持续"数年”。
为什么NVIDIA遥遥领先？ Nathan的解释是：“NVIDIA正在将全球供应链导向制造顶级产品，而华为则是’必要性是发明之母’——它们能走多远？我不知道。“他认为瓶颈不仅是华为的芯片产能，还有软件生态——“在这些芯片上实际运行模型的便利程度，也就是云层面的成熟度。”
对Jensen vs Dario（Anthropic CEO）芯片禁令之争的看法。 当主持人提到黄仁勋反对严格限制中国获取NVIDIA GPU、而Dario Amodei主张中国威胁论时，Nathan说：“现实地说，我倾向于Dario那边多一点。“他的立场基于地缘政治考量：“这是一个关于你是否认为AI是一种会被用于特定目的的技术的问题。我更希望看到传统的美国价值观——言论自由等——传播到世界，而不是相反。给中国AI芯片确实存在某种程度的风险。”
但禁令会催生华为芯片的崛起。 Nathan同时承认，芯片禁令正在推动中国发展本土AI芯片产业链。“这肯定在发生。推理需求在增长——Claude Code、编程Agent等——中国会更早采用这些应用。随着中国锁定更多本土AI推理能力，这些需求将全部汇聚到’华为能造多少芯片’上。”
五、人才与文化差异：年轻、执行力与信息不对称
新的变化
Nathan对中国AI实验室最深刻的感受之一是人才的年轻化和学术界与产业的深度融合——这种程度在美国看不到。
嘉宾观点与解释
清华与创业公司的"高度重叠”。 Nathan发现，在中国——尤其是在清华附近——学术界和创业公司之间的人才流动是"非常有意为之且高度重叠的”。相比之下，美国实验室虽然也有博士生参与（如AI2与华盛顿大学的紧密合作），但在其他实验室这种"开放门户"不够流畅。
为什么年轻人才如此关键？ Nathan从自身经验出发做了生动解释：“我今年30岁，即将结婚，想着家庭，生活中有各种事情。但学生们——这就是他们生命中最重要的事。他们就是会一直工作，吸收所有上下文。“构建语言模型需要极大的技术知识量——你需要知道预训练团队在做什么、你训练配方的每个阶段、瓶颈在哪里——“如果你生活中没有太多干扰，把所有这些塞进脑子里会更容易。”
一位中国研究者的朴素方法论。 Nathan转述了一位中国研究者的话：“新学生没有深度学习的先验经验，他们不去看不同的架构或什么。他们就是’我想知道当前最好的技术是什么，然后让它变得更好’。“这种极其聚焦的思路让Nathan印象深刻。
组织能力可能是中国的隐藏优势。 Nathan提出了一个大胆的假设——构建语言模型很大程度上是一个组织架构问题：“你有人才，想让模型更好，困难的是组织这些人才，把大问题拆分成小问题，让大量人才都能贡献到一个模型中。“他猜测，中国工程师的训练方式可能更适合构建这种组织架构——“他们就是会在自己的小事情上打磨，并为能贡献到更大的模型中而高兴。”
标准化考试文化的双面性。 Nathan也坦率地指出了一种担忧：中国的教育体系建立在标准化测试之上，某种程度上奖励记忆力。“学生知道如果考过了这道关，就能去最好的学校。“有科技领袖私下告诉他，这种体系"奖励记忆"且"很难培养出真正有远见的人”。Nathan认为这可能是真实的——“我不认为我理解错了中国的体系。“但他也强调这是一种优势与劣势的共存：标准化培养出的纪律性和执行力，恰恰是构建大模型需要的。
信息流的不对称是关键差异。 Nathan发现了一个令人不安的事实：中国最年轻一代的研究者英语极好，他们都关注Twitter上的西方AI生态、读英文博客和论文——但反过来不成立。“美国生态中很多人根本不思考中国在发生什么。他们很难获得关于中国科技生态的可靠信息。“这种信息不对称会深刻影响双方对AI发展的理解。
美国AI圈的"隧道视野”。 Nathan反思了美国科技文化的特点：“这是一种非常美国的性格特质——对你周围的东西感到自豪、有点自夸。硅谷奖励这样做的人。这有点隧道视野——硅谷显然在发展自己的东西，但你可能会忽略世界上其他地方正在发生什么。”
六、数据生态的根本差异：中国没有Scale AI
新的变化
Nathan在所有考察中发现了一个最出乎意料的差异——数据采购生态。在美国，数据公司（Scale AI、Turing、Surge等）构成了一个数十亿美元的市场，但中国完全没有对应物。
嘉宾观点与解释
美国的数据采购流程。 Nathan用略带讽刺的口吻描述了美国前沿实验室的"标准操作”：“模型在某方面不行，你就去买一些数据，看看数据能不能让模型变好。“这是一种流水线式的操作。更宏观地说，美国前沿模型正在向"知识工作工具"方向发展——用于医疗、法律、咨询、金融——而这些领域的高质量训练数据主要来自数据公司网络：他们向专业人士付费来创建训练数据。“这是一个价值数十亿美元的市场，每个模型实验室都在为此付费。”
中国完全不同。 “中国没有人去外部供应商那里买数据。“中国实验室要么靠内部数据团队（字节和阿里有这种能力），要么就没有。“这个动态在中国不存在。这看起来是最大的差异。“Nathan指出，虽然显然OpenAI拥有比中国创业者更多的算力——这是已知的差距——但数据生态的差异是"唯一一个让我觉得’这本来不一定要不同’的。”
这对中美模型差异意味着什么？ 如果美国前沿模型正在通过数据公司的专业人力数据进入知识工作领域（法律、医疗、咨询），而中国缺乏这条路径，那么在某些垂直领域的专业能力上，美国模型可能会持续领先。
七、社会焦虑的温度差：中国人把AI当"下一个变化”，美国人在恐惧失业
新的变化
Nathan在文化层面观察到了一个显著差异：中国人对AI取代工作的集体焦虑远远低于美国。
嘉宾观点与解释
中国开发者的态度。 Nathan提到他们问中国开发者"什么是AGI？“时，有人半开玩笑地说"就是它取代我工作的那天”。但这不是笼罩在他们头上的乌云——“他们就是’我想把这个东西做得更大更好’。“Nathan发现在中国，AI被视为"下一个技术变革”——他们已经经历了太多快速的技术和经济变革（移动互联网超级App、电动汽车等），“这就是他们生活的方式”。
美国的焦虑弥漫。 相比之下，Nathan描述了他在美国的切身感受：“我和一些共事的顶级AI研究者聊天，他们真的在认真担心自己的工作会被取代。而这些人是我认识的最优秀的AI研究者。“他将此归因于美国社会关于AI的公共讨论——“人们到处说其他人会失业，这不是一个好的信息传播决策。但这已经深深嵌入人们思考AI的方式中了。”
Claude Code在中国的渗透。 Nathan还发现一个有趣的细节：中国开发者大量使用Claude——“他们都非常坦诚地告诉我们’我们爱Claude，Claude是最好的模型’"——尽管Claude在中国理论上是受限的。这反映了中国开发者对前沿工具的热切追随，以及软件工作正在变化的现实。
八、未来12个月的预测：差距可能扩大，但中国不会放弃
新的变化
Nathan对未来一年做出了具体预测，核心判断是：中美模型在基准测试上的差距可能从3个月扩大到6-9个月，但中国实验室的发布节奏不会放缓。
嘉宾观点与解释
不可预测的变量。 Nathan认为最不可预测的是模型本身是否会继续以现有速度变好，还是会有"运气突破”（如持续学习等新范式）。他能比较确定的是：OpenAI、Google等大实验室的收入会继续增长，但更有趣的是中型公司——Fireworks、Space10以及中国的Kimi、智谱、MiniMax——“它们出售token和模型的组合，不像巨头那么大，但也会做得不错，因为对智能的需求实在太大了。”
中美差距的走向。 Nathan预测，人们讨论的差距会从"3个月"变成"6到9个月"甚至"一年”，但这"不会看起来像中国实验室已经投降了”。他预计将看到DeepSeek V5、Kimi K3、Qwen 6等新模型持续推出。
中美实验室互访的意义。 Nathan认为，美国中小型公司——那些围绕开源模型构建经济价值的微调API、专业部署公司——会越来越希望与中国实验室建立关系，因为"中国实验室非常乐于分享技术和专业知识”。他回国后收到了大量询问：“你们是怎么获得这些实验室的访问权的？我们想去访问。”
“追赶者能否成为前沿领导者？” 被问及这个问题时，Nathan给出了一个深思熟虑的回答：“AI的特殊性在于资源需求。中国的领导之路是通过长时间到达最终目标——在这段时间里，华为构建其产能，然后下一代产能变得更大。大多数人认为这需要很长时间，但不要排除这种可能。”
跨主题洞察
1. 开源是中国的"入场券”，不是信仰。 中国公司开源不是因为理想主义，而是因为在AI模型稀缺的世界里，开源是获取关注的最低成本路径。这意味着只要这种动态不变，中国开源的势头就不会减弱。
2. 算力差距与模型质量的"隐形天花板”。 基准测试上的差距可能是3-9个月，但Nathan指出存在一个"不可衡量的"差距——美国模型在知识工作工具化（Claude Code、Codex等）方面的能力，可能远超基准测试能反映的程度。“如果某天一个开源权重模型能实现Claude Code那种突破性体验，全世界都会讨论它。但到目前为止5-6个月过去了，我没有看到这种分水岭时刻今年会出现。”
3. 组织能力 > 个人天才。 Nathan的观察暗示，大模型竞争的本质不是某个天才的灵光一闪，而是组织大量人才高效协作的能力。如果中国工程师的训练方式天然更适合这种"组织化攻关”，那么在同等资源下，中国的执行力可能确实更强。
4. 信息不对称是美国最大的盲点。 中国研究者密切关注美国AI生态，但反过来不成立。Nathan此次中国行本身就是对这种不对称的一次纠正——但一个研究者走进几个实验室，无法从根本上改变一个国家科技圈的信息获取习惯。
本期信息来源：硅谷101视频播客「美国AI研究员的中国之旅：年轻人，追赶者，算力焦虑与’AGI展示厅’｜专访Nathan Lambert【101视频播客】」，全长约87分钟，英语访谈。主持人飞到西雅图与Nathan面对面录制。