一百八十年前，晚清林则徐，被后世称为"开眼看世界第一人"。

那是一个帝国黄昏的时刻。英国的炮舰已经逼近，中国却对外部世界几乎一无所知。林则徐干了一件当时看来惊世骇俗的事：他让人翻译外国资料，了解对手是谁、欧洲在发生什么。不了解夷情，便无法治理——这是他给道光皇帝的答案。

那一次"开眼"，是被逼出来的。

今天，轮到西方了。

过去几年，西方世界对中国AI的认知，大致可以概括为十二个字：算力被卡、创新乏力、勤奋内卷。芯片限制之下，中国AI应该是在用蛮力追赶美国的背影。这个叙事简洁有力，符合西方科技圈对"追赶者"的全部想象。

但最近一篇来自西方的实地观察报告，正在悄悄戳破这个想象。

写这份报告的是一群真正的"圈内人"：来自ChinaTalk、Understanding AI等西方最顶尖AI社区的研究者，用10天时间走访了北京、杭州、上海、深圳的十余家头部AI实验室。他们的结论，和西方主流叙事完全对不上。

他们看到的，不是一个在追赶中挣扎的中国AI，而是一套完全不同的运行逻辑。

中国AI研究员不空谈方向，不空谈风险，他们只问一个问题：怎么把模型做得更好？

这句话看起来平淡，但它揭示的东西，远比听起来更值得琢磨。

第一层意思：他们不管外部叙事，只管内部干活。

当西方AI圈在社交媒体上互相攻击、在播客里争论AGI的哲学含义时，中国的研究员们正在工位上通宵调参数，用行军床和成箱的功能饮料度过假期。在他们眼里，AGI更像是一种宗教，通宵调参是在神坛前的祷告——哪怕一小时祷告的价值可能还赶不上一块GPU带来的提升。

第二层意思：他们不管对手是谁，只关心自己的模型。

这份报告中有一个细节很有趣：几乎所有实验室都在忌惮字节跳动，但对DeepSeek却是发自内心的尊重。这两件事放在一起，说明中国AI社区有一套自己的价值判断体系——谁的技术强，谁的产品好，他们心里有数，并不因为市场格局而改变评价。

第三层意思：他们不管商业故事，只管技术本身。

美国研究员几乎人人都在关注算力市场、融资动态、数据供应商。但中国研究员的回答简单到近乎可爱："这不是我的问题。"他们把模型做到最好，剩下的事，交给别人。

这三点放在一起，勾勒出的是一种和硅谷截然不同的气质——专注、务实、不被外部噪音带走。

Nathan Lambert说得一针见血：中美AI的真正差距，不在论文数量，不在算力堆叠，而在组织方式。 谁在做核心工作，谁在计较个人署名，谁在真正关心模型本身——这才是决定模型质量的关键变量。

而另一位同行者的观察更犀利："在中国，LLM社区更像一个生态系统，而不是相互厮杀的战场。" 这一点，或许比任何技术指标都更能解释中国AI的韧性。

当然，困境是真实存在的。算力被卡、加班过劳、创业公司要在巨头的阴影下求生，这些都是结构性挑战。但"穷则思变"四个字，或许才是这份报告最值得记住的结论：正是因为不完美，才被迫走出了一条不同的路。

还有一个反直觉的细节：几乎所有中国开发者都在用Claude构建产品——尽管Claude在中国名义上被禁。这个细节告诉我们：被现实约束的，并不等于被市场抛弃的。

读这份报告，最让我感慨的不是其中任何一个具体发现，而是一种结构的转变正在静悄悄地发生——

一百八十年前，林则徐开眼，是为了解敌人。

今天西方研究员来华开眼，是想了解一种不同的解题方式。

这种转变发生的原因很简单：中国的AI发展，已经到了值得被认真对待的阶段。

以下是这份报告的核心内容，略有删节。它不是唱赞歌，也不是唱衰，而是一群受过学术训练的年轻人，用最诚实的眼睛，看见了当下的中国。

以下是报告原文

我们用10天走访了中国AI实验室。这就是我们看到的。

睡、行军床、机器人药房，以及一场关于AGI的赛跑

Lily Ottinger & Kai Williams · 2026年5月8日 · SAIL Media

从4月底到5月初，我们一行人用10天时间走访了中国的AI和机器人实验室。飞机刚在北京落地，走出廊桥的那一刻，30英尺高的巨幅标语便迎面撞来——

"阿里云强力支持中国企业出海。"

AGI是这个国家空气中弥漫的氛围。我们走过的每一座城市——北京、杭州、上海、深圳——到处都是AI产品的广告。

今天，我想把我们这10天的见闻写下来，把那些慷慨接待我们的公司——Unitree、MiniMax、Moonshot、Z.ai，以及更多——最真实的模样呈现给你。

一、算力焦虑：所有人的痛点

几乎每一位中国AI研究员，都会主动提起同一个困境：公司缺高端GPU。

这不只是某一家公司的问题，而是整个中国AI生态的结构性困境。和美国一样，中国不缺顶尖人才，不缺数据，唯独缺能持续支撑前沿模型训练的算力。

英伟达CEO黄仁勋曾公开表示，中国企业的算力已经够用了。但没有一个中国研究员真的相信这句话。

面对这个困境，他们的应对方式有两个：

第一，比美国同行更拼命地工作。

我们去访问的那周，正好是五一劳动节假期。然而在多家实验室里，大约四分之一的研究员依然在工位上。站立办公桌前坐满了人，含咖啡因和含糖的饮料像大学派对上的纸杯一样，散落在每一个平面上。

我们采访的一位研究员，胸口一直有持续性的皮疹。他说自己和妻子原本在备孕，直到DeepSeek R1在1月发布，迫使整个团队进入持续加班模式。

在其中一个实验室，Lily无意间走进了一间茶水间——拐错了一个弯，赫然发现里面摆着一排行军床，而且明显是经常使用的状态。同一间实验室的大厅里，还堆满了员工们直接寄到办公室的个人快递。

中国公司本来有午睡文化，但这些研究员对加班的态度坦率得近乎冷漠。"我们就是工作强度很大，"他们说，"没什么好遮掩的。"

第二，比西方更早、更快地推进产品化。

很多中国公司推出了编程工具计划，用慷慨的token额度吸引用户从Claude Code切换过来。同时，各家公司也在探索更细分的产品方向：MiniMax做了高营收的AI陪伴产品；智谱AI与社交媒体公司和商飞谈下了B端合作；蚂蚁集团则在深耕AI医疗——这种事，放在美国光是隐私法规就够喝一壶的。

不过，有趣的是，即便商业化已经成了生存压力，这些实验室的研究员们最喜欢的谈资依然是AGI、是智能体、是编码Agent。MiniMax的收入里，最大一块其实来自AI陪伴业务，但在演示时，他们轻描淡写地带过，仿佛那是别人的事。

二、豆包：所有人忌惮的对手

在我们走访的这些实验室里，有一个名字被提及的频率高到几乎令人窒息：字节跳动。

字节跳动是TikTok的母公司，以"狼性文化"著称。他们的LLM产品叫豆包，是中国目前用户量最大的聊天机器人，月活接近3.5亿。

豆包有一个核心策略：不追求模型智力最强，追求用户留存最高。

它支持多种中文方言——这件事听起来简单，做起来极难，因为粤语、吴语等方言大多没有文字形式，需要强大的语音模型支撑。相比之下，GPT的语音模式至今仍由GPT-4o驱动，体验远谈不上完美。

更让其他实验室头疼的是：豆包的主要用户是老年人。百度搜索体验持续下滑之后，大量老年人把豆包当搜索引擎用。这意味着豆包在普通中国人生活中的渗透深度，远超大多数西方人的想象。

于是出现了这个有些荒诞的画面：其他实验室的研究员，被自己的父母辈追问——"你们做的和豆包有什么区别？"

豆包最近推出了付费订阅制，结果迎来了意想不到的反弹——用户吐槽："太蠢了，不配收费。"

一位创业者说得直接："和字节跳动比，我们全都是中型玩家。"

有意思的是，几乎所有实验室对字节跳动都是"忌惮"，但对另一家公司却是发自内心地敬佩——DeepSeek。

几乎每个实验室提到DeepSeek时，语气都带着真诚的尊重。他们认为DeepSeek在工程落地和研究品味上都极为出色，是整个中国AI生态的技术标杆。

而这种对比，在一次饭局上被Caitrin Rintoul讲得最为生动：走进会议室的时候，Kimi的人——低调；DeepSeek的人——低调；字节跳动的人呢？挺着胸脯，叼着烟就进来了。

三、小米故事：25岁的研究员，80%的在读博士

小米给我们的印象是两个字：年轻，务实。

我们接触的小米研究员，几乎全部是博士生。据内部介绍，小米LLM团队里，约80%是在读博士，平均年龄只有25岁。

我还注意到一个细节：小米的研究员几乎全员黑色着装，办公环境也是极简的黑色风格。连卫生间都是蹲厕——"显然公司内部有人对这件事非常坚持。"（笑）

这种年轻化的配置，在中国AI实验室里并非孤例。大模型公司的核心贡献者中，学生占了相当高的比例。这些学生不是做边角工作的——他们被直接纳入核心研发体系，和全职研究员承担差不多的任务。

这与美国顶尖实验室形成了鲜明对比：

OpenAI不招实习生做核心工作。Anthropic不招。Cursor不招。Google DeepMind名义上有实习项目，但实习生普遍反映被隔离在核心工作之外。

Nathan Lambert说得精准："学生被视为平等的伙伴，直接融入大模型团队。" 这让他想起AI2（艾伦人工智能研究所）的模式——在那里，学生从来不是二等公民。

这种文化差异带来了一些有趣的优势：

• • 学生更愿意做"不够亮眼但极其关键"的底层工作；
• • 新人没有过往AI热潮的思维包袱，能更快吸收新技术；
• • 自我意识相对弱，组织架构更容易横向扩展；
• • 人才储备极其庞大，且擅长在已有方案上快速迭代。

四、机器人赛道：两条不同的路

机器人是中国AI进入物理世界的载体。在"AI+"战略提出之前，很多地方的政策思路是：只有硬件才是真正的科技。这导致大量基础模型公司都设立了敷衍性的机器人部门，市面上出现了一大批同质化的机器人创业公司——唯一共同点是：创始人都是清华大学毕业的。

Unitree是例外。

这家总部在杭州的公司，没有海归背景，没有顶尖名校光环，完全靠硬件创新做到了行业第一。他们的机器人在过去两年的春晚（地球上收视率最高的节目）上连续亮相。关键在于：他们不仅技术强，而且能盈利——硬件便宜到可以量产，利润来自于不断出货。

Galbot是另一个故事。

他们带我们参观了一个仓库——货架上，机器人自主分拣感冒药和隐形眼镜，按订单打包，快递小哥在一旁等候取货。Galbot告诉我们，2025年他们完成了超过100万单配送，其中20%发生在夜间——正是传统药店关门的时候。

这些场景不需要前沿模型，不需要超级智能。需要的只是工程集成能力和对场景的深刻理解。

而如果你真正走进深圳的华强北电子市场，会看到另一幅画面：这里深度嵌入了乌克兰战争的供应链，摊主们用俄语打出广告，标榜自家无人机的红外传感能力；一群群受伤的斯拉夫老兵在这里仔细端详摊位上的器件。

战争、科技、老兵——这三个元素在中国的电子市场里交汇，而这个场景，大概永远不会出现在美国的科技报道里。

五、真正的差距是什么？

Nathan Lambert在访问结束后写了一句话，Lily认为值得单独摘出来：

"真正持久的差异，体现在组织方式与运行逻辑上，而非技术本身。"

他进一步解释：如今打造顶尖AI模型，越来越依赖全栈式精细化工作——从数据处理、架构细节到强化学习算法，每个环节都能带来提升，而将它们整合在一起是一个系统工程。为了让模型实现多目标优化的整体最大化，一些才华横溢的个人成果甚至需要被暂时搁置。

这恰恰是中国实验室做得最好的地方——而美国文化的"为自己发声"（making yourself heard），反而可能成为阻力。

他听到了一个传言：Meta的Llama团队正因为个人利益与层级化组织之间的内耗而焦头烂额。还有传言说，有些实验室需要花钱安抚明星研究员，才能让他们停止抱怨自己的想法没被采纳。

自我意识与职业晋升欲，真的会阻碍打造最优模型。中美之间这种文化上的细微差异，足以对最终成果产生显著影响。

中国研究员身上另一个让Lily印象深刻的特质是：他们几乎不关心商业层面的事。

当被问到AI对经济、社会或长期风险的影响时，他们不会给出复杂的哲学回答，也不会主动介入这些议题。他们的回答简单到近乎可爱：

"这不是我的问题。"

Dan Wang说得更直接："中国由工程师治理，而美国由律师治理。"

而另一位研究者分享了他观察到的一个规律：美国的从业者几乎人人都在关注数据供应商、算力市场、融资动态等产业趋势，但中国研究员的态度截然不同——他们把模型做到最好，剩下的交给别人。

对中国公司来说，赚钱，才是核心竞争力。

六、技术所有权的执念

这次走访还有一个被低估的发现：中国公司对"自研技术"的执念，不只是被逼出来的，更是一种文化基因。

美团明明是个外卖公司，它在自研LLM。蚂蚁集团明明是金融公司，它在深耕AI医疗。小米明明是硬件公司，它的LLM团队在做模型。放在美国，这些公司会直接买服务。

Nathan Lambert的观察更直接：这些公司做LLM，不是为了追风口，而是因为他们认定通用模型会成为未来所有产品的核心，必须自己掌控。 当他们用开源模型微调之后，并不打算开源自己的完整方案——这和硅谷"先把模型开源抢生态"的逻辑完全不同。

用他的话总结："中国的LLM生态更像一个生态系统，而不是相互厮杀的战场。" 这种生态感——各有所长，彼此敬畏——或许才是中国AI最让人意外的东西。

两种不同的AI未来

这10天没有给出一个简单的答案——中国AI会不会超越美国。

但它揭示了一个越来越清晰的现实：

在算力受限、资源不对称的背景下，中国AI行业更强调工程效率、更强调组织协同、更强调快速落地。他们未必总能率先定义下一代AI范式，但他们正在以极强的执行能力，将前沿技术迅速转化为真实产品、真实市场与真实产业能力。

真正值得思考的问题或许已经不只是"中国模型距离美国还有几个月"，而是——

当两种完全不同的AI生态，沿着不同逻辑持续演化，它们最终会不会走向两种截然不同的AI未来？

Nathan Lambert在结语里写了一段话，比任何结论都诚实：

"我去之前对中国几乎一无所知，回来之后却感觉只是刚刚开始了解。这个地方不能被规则或配方来解释，它有自己独特的动力和化学反应。这种文化如此古老、如此深刻，又如此紧密地交织在本土科技的构建方式里。"

这个问题，值得我们继续观察。

原文链接：We Spent 10 Days Touring Chinese AI Labs | 作者：Lily Ottinger & Kai Williams，SAIL Media，2026年5月8日

延伸阅读：Notes from inside China's AI labs — Nathan Lambert，Interconnects，2026年5月7日

编者按：这篇文章的价值，不在于它证明了什么，而在于它呈现了什么。一群西方研究员带着自己的认知框架走进中国实验室，最后发现自己预设的叙事全都对不上号——这本身就是一个值得记住的信号。关于中国AI，我们听过太多二手的、转述的、带着立场的解读。这份报告的不同之处在于：它是一手观察，是脚踏实地的走访，是睁着眼睛看见的东西。无论是做AI的人，还是关注AI的人，都值得认真读一读。