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】

硅谷101

在美国 AI 圈，Nathan Lambert 是一个无法绕开的名字。

他曾参与组建了 Hugging Face 的 RLHF 研究团队，后来担任艾伦人工智能研究院（AI2）大模型后训练负责人，深度参与了 OLMo 和 TULU 等开源模型的打造。2025 年 DeepSeek 引爆全球讨论后，他在知名播客 Lex Fridman 中进行了长达 5 小时的对谈，被公认为 AI 社区中受尊敬的研究者与技术传播者。

2026 年 4 月，这位长期站在美国开源模型最前沿的研究者，展开了一场极具深意的**“中国行”**。他走进北京、杭州和上海的 AI 实验室，密集拜访了阿里巴巴、月之暗面（Moonshot）、智谱 AI（Zhipu AI）、美团、小米、蚂蚁集团以及零一万物。

回到美国后，他在科技界引发了不小的讨论。近日，《硅谷 101》在西雅图对他进行了专访，聊了聊他眼中的中美 AI 竞争、中国 AI 的独特性，以及全球大模型竞赛的下一站。

01 初衷与“谦卑”：打破信息的高墙 🧱

Nathan 表示，这次中国行最直接的动力是，作为一个覆盖全球模型的科学观察者，他发现中美科技界之间存在一道厚重的“墙”。在 Meta 或 Google，如果员工前往中国，笔记本电脑甚至会自动锁定，这种隔阂阻碍了跨文化的深度交流。

“人们总问我有什么‘劲爆’的发现。其实在大模型领域，谁在做什么大家大体清楚。我这次去，是为了认识那些模型背后的人，去理解他们为什么而做。” Nathan 特意在文章中使用了“谦和与谦卑（Humility）”这个词。

他发现，很多美国人对中国 AI 的认知完全基于推测，而真正走进清华大学周边的创业集群，看到那些如硅谷般紧密相连的实验室，他意识到，如果不理解中国的教育体系、人才流动和科研本能，就无法真正判断中国 AI 的潜力。

02 独特的中国图景：年轻、实用与“全栈” 🚀

在拜访过程中，有几点发现让这位资深研究员倍感深刻：

  • 惊人的“年轻化”人才 👶： 在月之暗面（Moonshot）和零一万物（ZAI），Nathan 见到了大量极其年轻的面孔。他提到一篇名为《Attention Residues》的论文，作者竟包含 17 岁的高中生；而在小米，有的核心模型负责人甚至是还没毕业的博士生。“在美国，虽然也有顶级天才，但中国这种将学术界（如清华）与初创公司紧密缝合、大规模吸收饥渴年轻人才的效率，非常惊人。”

  • 实用主义与“技术所有权” 🛠️： Nathan 观察到一个有趣的现象：美团、小米等公司都在投入重金研发自己的大模型。 “在圣克拉拉或旧金山，Uber 或 Apple 的第一反应可能是买个 API。但中国企业的逻辑是：如果有钱、有算力、有人才，为什么不自己造？” 这种对“全栈所有权”的执着，源于中国互联网激烈的竞争环境——只有拥有底层模型，才能拥有更低的成本和更高的产品毛利。

  • “展厅文化”与 AGI 的野心 🏛️： 在他看来，智谱 AI（Zhipu AI）极具 AGI 导向，其展厅甚至标有“AGI 进度 42%”的致敬标志；而 Moonshot（Kimi）则展现出了极高的凝聚力和“极客氛围”。

03 中美差距的真相：6 到 9 个月的“动态静止” ⚖️

关于最受关注的“差距问题”，Nathan 给出了客观的量化观察：

  • 基准测试的差距： 目前在传统 Benchmark 上，中国 SOTA 模型落后美国顶级模型约 6 到 9 个月。
  • 发布的“快鱼”策略： “中国实验室执行效率极高。有的模型刚跑完一周 RL（强化学习），转头就发布。而美国实验室往往有数周的流程。” 这在某种程度上拉近了用户感知的距离。
  • 开源领域的易主： Nathan 坦言：“在 2025 年夏天之后，如果你还觉得美国统治着开源模型，那可能是一种误解。从 Qwen 到 DeepSeek，再到 GLM 和 Kimi，全球开源模型的领导权已在很大程度上向中国倾斜。”

然而，他也指出，美国的优势在于**“不可量化的鲁棒性”**以及在逻辑代码、复杂推理上的“深水区”积淀。

04 核心瓶颈：算力焦虑与数据断层 ⚠️

尽管人才和工程能力卓越，但中国 AI 面临着两大真实挑战：

1. 算力（GPU）的物理墙 🔌 “所有中国实验室都极度渴望英伟达芯片。” Nathan 透露，一名 OpenAI 的研究员可能拥有 5000 块 GPU 的使用权，这可能是一个中国初创公司的全部家当。算力稀缺迫使中国实验室必须追求极端的高效率（如 DeepSeek 在显存优化上的创新），但也封死了在算法上大规模“试错”的空间。

2. 缺失的“专业数据工业” 📊 这是 Nathan 认为最被低估的差距。“在美国，OpenAI 等公司每年的数据预算高达 10 亿美金，背后有 Scale AI 等公司支撑着庞大的高水平人类反馈网络（如雇佣专业医生、程序员产生数据）。” 在中国，这种分工明确的专业数据服务业尚不成熟。大模型公司往往需要自己组建数据团队，这在处理法律、医疗等专业语境的 Agent 开发时，可能会成为隐形的掣肘。

05 写在最后：全球 AI 竞赛的下一站 🏁

面对 Jensen Huang（黄仁勋）关于“禁令无法阻止中国 AI”的讨论，Nathan 认为算力禁令确实推动了中国本土芯片（如华为昇腾）在推理端的应用，但训练端的鸿沟可能还需要数年时间填补。

“未来 12 个月，我会看到更多的 Agent 应用在中国落地。中国开发者对技术的变化已经习惯了，他们不像美国精英阶层那样对 AGI 充满职业焦虑，他们只想把工具造出来。”

通过这次旅程，Nathan Lambert 带回了一种更平面的视角——AI 不仅仅是地缘政治的筹码，更是两群极其聪明、努力的年轻人在不同环境下的同向奔赴。

“我想做的，是让这两群人更有‘人感’地被看见。” 🤝

✨ 关注《硅谷 101》，不错过 AI 最前沿的一线深度内容。