中国 AI 为什么突然追上来了?清华实验室、DeepSeek 与一场“少花钱也要赢”的战争

🧭 中国 AI 的追赶，不是突然发生的

十多年前，唐杰和杨植麟还是清华大学里的师生。他们共同相信，机器最终可以学会理解语言、观察世界，并完成越来越接近人类思维的任务。

今天，唐杰参与创立的智谱，已经成为中国最重要的模型公司之一；杨植麟领导的月之暗面，以 Kimi 为代表的产品被全球用户认识；而 DeepSeek 的崛起，则把中国 AI 的技术效率和成本优势推到了全世界面前。

这三个人的经历放在一起看，会发现一个容易被忽略的事实：

中国 AI 的追赶并不是从 DeepSeek 发布那一天才开始，而是由一代又一代高校研究者、工程师和创业者提前铺设了二十多年。

中国互联网在 21 世纪初开始高速发展。数以百万计的用户在网上购物、搜索和交流，企业为了提升电商效率、理解用户行为，开始持续投资机器学习。

与此同时，计算机视觉、语音识别和人脸识别逐渐成为高校与产业共同投入的方向。商汤科技等“AI 四小龙”在那个阶段成长起来，也培养出后来遍布中国 AI 公司的一批工程师。

这条人才和产业链，构成了今天中国大模型创业潮的底层土壤。

中国 AI 的今天，既有生成式 AI 的突然加速，也有早期机器学习基础设施、学术训练和互联网数据长期积累的结果。

🎓 清华实验室：一条通往产业的隐形流水线

唐杰已经在机器学习领域深耕约 25 年。他长期扎根清华大学，研究方向包括数据挖掘——从大型数据集中寻找隐藏模式，而这正是现代 AI 的重要基础。

清华大学之所以重要，不只是因为它拥有一所顶尖高校的声誉，更因为它形成了从研究、人才到创业的连续链条。

2005 年，图灵奖得主姚期智在清华设立“姚班”，以培养最优秀的计算机科学学生。很多后来进入顶级实验室、创办 AI 公司或回国创业的人，都与这样的精英训练体系有关。

唐杰的实验室在 2010 年代已经成为中国科技人才心中的重要坐标。实验室对研究强度的要求很高：研究人员不断做实验、验证机器学习想法，有时会工作到凌晨，直到结果跑出来。

这种训练方式最终带来的，不只是论文数量，而是一种完整能力：

• 能提出问题；
• 能把问题变成可计算的任务；
• 能通过实验排除错误方向；
• 能把研究结果写成论文；
• 能把论文中的方法变成工程系统；
• 能判断什么值得产品化和商业化。

这也是为什么中国 AI 的发展不能只用“追赶模型榜单”解释。真正发生变化的，是科研、人才和产业之间的距离越来越短。

图：清华大学校园。高校实验室是中国 AI 人才和研究积累的重要节点。

👥 唐杰与杨植麟：师生关系背后的产业扩散

杨植麟在 17 岁时就开始接受高强度编程训练，并参加全国青少年信息学奥林匹克竞赛。在清华学习期间，他与唐杰一起开发机器学习算法，之后前往卡内基梅隆大学获得博士学位。

回到中国后，他没有停留在学术研究，而是创办了自己的公司。

“月之暗面”这个中文名来自平克·弗洛伊德的同名专辑，英文名 Moonshot 则更直接地表达了目标：做那些看起来困难、但一旦成功就会改变行业上限的事情。

从清华实验室走出去的人，并没有沿着同一条路径发展：有人留在高校继续做基础研究，有人进入硅谷，有人回到中国创办公司，有人把论文变成模型、产品和平台。

但他们共享一套语言：

• 关注算法效率；
• 重视公开论文；
• 快速复现实验；
• 把研究结果投入真实用户环境；
• 用产品反馈反过来推动研究。

人才并不是简单地从学校流向公司，而是在高校、海外实验室、创业公司和开源社区之间循环流动。

这套循环，才是中国 AI 追赶速度越来越快的原因之一。

图：唐杰。

图：杨植麟。

🌐 开源为什么能把追赶速度进一步放大？

中国 AI 开发者有一个很鲜明的特点：高度重视公开论文、开源模型和可修改的技术。

当一个方法被写进论文、代码被放到公开仓库、模型权重可以被下载和实验时，知识流动的速度会显著加快。

一家公司的突破，不必等到多年后才被别人理解；其他团队可以立即复现、改造，再把自己的优化贡献回生态。

这会带来一种“叠加式创新”：

论文公开→ 其他团队复现→ 工程优化→ 开源模型扩散→ 产品反馈回流→ 新一轮研究

开源的意义不仅是降低使用门槛，更是改变了竞争速度。

当然，开源也会带来商业化问题。模型开放之后，竞争者可以迅速跟进，先发优势可能缩短，单靠模型权重很难长期建立护城河。

DeepSeek 创始人梁文锋曾在投资者追问“技术开源还能不能赚大钱”时，表达过一种典型的开源产业观：市场足够大，不必因为竞争者出现就停止开放。

这是一种与传统软件许可不同的价值判断：

真正的竞争，不一定是把技术锁在手里，而是不断把下一代技术推到别人还没有追上的地方。

🧪 蒸馏争议：追赶速度的另一面

中国 AI 的快速进步，也伴随着最具争议的技术路线之一：模型蒸馏。

简单来说，蒸馏可以让一个新模型通过大量提问现有模型、分析回答，再学习这些行为模式，从而缩短训练和试错时间。

Anthropic 曾指责智谱、月之暗面等多家中国公司进行了大规模蒸馏，并认为相关做法违反其政策。相关公司并未就这些指控作出完整公开回应。

这里需要把三个概念区分开：

第一，蒸馏本身是全球研究界都存在的技术方法

教师模型指导学生模型，是机器学习中广泛使用的思想。它并不天然等同于违法或不当行为。

第二，具体数据来源和使用方式决定争议性质

如果使用未经授权的输出、绕过服务限制，或将闭源模型的行为大规模复制到商业模型中，就会涉及服务条款、知识产权和商业伦理问题。

第三，蒸馏不能解释全部能力

一个模型能否真正进步，还取决于数据质量、训练架构、工程效率、评测体系、后训练和产品反馈。把所有进步都归因于蒸馏，会低估中国团队自身的研究和工程能力；把蒸馏争议完全忽略，也会回避真实的合规问题。

真正值得关注的是：在全球模型能力快速扩散的时代，原创研究、合法借鉴、公开复现和不当复制之间的边界会越来越需要清晰定义。

📉 Epoch AI 指数：差距正在缩小，但不要把指数当成全部现实

Epoch AI 的综合指标整合了 37 项基准测试，用来衡量顶尖 AI 模型的总体能力变化。

图表呈现出一个清晰趋势：从 2024 年到 2025 年，美国和中国顶尖模型的能力曲线都在上升，中国曲线从更低位置快速追近，差距不断缩小。

图：根据 PDF 中的 Epoch AI 图表整理。该指数整合 37 项基准测试，不代表所有真实任务，也不等于产品体验或商业收入。

需要注意的是，模型综合指数只能回答“在选定的基准测试上表现如何”，不能直接回答：

• 模型在真实企业里是否稳定；
• 是否能处理长周期复杂任务；
• 是否能安全调用工具；
• 是否能适应不同语言和行业；
• 是否具备可靠的事实性和可解释性。

但即便如此，趋势依然重要。中国最顶尖 AI 模型与美国最顶尖模型之间的差距，已经从“代际差距”逐渐变成“几个月的竞争窗口”。

这意味着竞争的焦点正在从“有没有能力”转向：

• 谁能更快迭代；
• 谁能更低成本部署；
• 谁能获得更多真实用户；
• 谁能把模型接入更大的应用生态；
• 谁能在芯片受限的情况下继续扩大训练规模。

🧠 DeepSeek：用更少资源做更多事情

DeepSeek 的崛起让全世界重新认识了“高性能模型必须烧掉巨额资金”这个假设。

梁文锋在计算机视觉领域起步，后来创立利用 AI 分析金融市场的对冲基金。2023 年，他把 DeepSeek 从对冲基金中剥离出来，建立了专注于通用人工智能的团队。

DeepSeek 面临的现实非常明确：

• 融资规模无法与 OpenAI、Anthropic 相比；
• 最先进的 AI 芯片受到出口管制限制；
• 高端算力数量可能只有美国顶级实验室的一小部分；
• 但模型能力又必须快速逼近全球第一梯队。

于是，“效率”不再是工程优化的附加项，而是生存条件。

MLA：压缩记忆，降低内存消耗

多头潜在注意力机制（MLA）通过压缩过去对话和上下文的表示，降低模型在长对话和推理过程中的内存占用。

模型需要处理的上下文越长，缓存和内存压力越大。如果能够用更紧凑的表示保留重要信息，就可以在不完全牺牲效果的情况下减少计算资源。

MLA 的价值不只是节约成本，也能让长上下文和更长时间的推理变得更可行。

MoE：不是每次都激活整个模型

混合专家模型（MoE）把模型拆成多个专家模块。面对不同问题，系统只激活其中一部分专家，而不是每次都运行全部参数。

可以把它想象成一家大型厨房：面条订单交给意大利菜厨师，甜点交给甜品师傅，所有厨师都存在，但每次只调用真正需要的那一组。

这样做的好处是，在增加模型总容量的同时，可以控制每次推理的实际计算量。

MLA 和 MoE 共同指向一个方向：

模型的规模不等于每一次任务都必须支付全部规模的成本。

这对芯片受限的团队尤其重要。资源越少，越需要把每一块显存、每一个计算周期和每一次训练实验用在最有效的地方。

💥 DeepSeek 冲击：它改变的不只是市场情绪

2025 年 1 月，DeepSeek 发布性能强大、成本相对低廉的新模型，引发全球市场剧烈反应。

美国科技股短暂下挫，华尔街开始重新估算训练大模型所需的资本规模，OpenAI 也公开承认中国出现了一个令人振奋的新竞争者。

但 DeepSeek 冲击对中国行业的影响更深。

月之暗面内部的投资者开始追问：为什么没有提前预见 DeepSeek 的崛起？杨植麟随后把 DeepSeek 验证的技术路线整合到 K2、K3 等后续模型中，包括 MoE 设计和 MLA 的变体。

反过来，DeepSeek 也吸收了月之暗面在训练效率和稳定性方面优化过的技术。

这不是单向复制，而是一个高速技术生态的真实样子：

一家公司的突破→ 全行业重新评估路线→ 竞争者迅速实验与吸收→ 形成新的工程共识→ 下一轮突破继续发生

当竞争速度足够快时，技术优势很难长期停留在一家公司的内部。行业整体的进步速度，反而会因此加快。

🏛️ 国家资金与市场竞争：两条力量同时存在

中国政府长期把 AI 和计算机科学视为经济增长与国家安全的重要引擎。

这带来了两种同时存在的力量：

一方面，国家向清华大学等高校的研究项目投入资源，并通过政府背景基金支持 AI 初创企业；另一方面，智谱、月之暗面、DeepSeek 等民营或创业团队之间仍然存在激烈竞争。

政府和国企还可能成为早期客户，为初创公司提供落地场景和收入来源。

2026 年上半年，央企投资协会披露的数据显示，中国近一半的股权投资流向 AI 领域，其中相当部分来自拥有政府背景的基金。

这样的资金结构，可以帮助中国企业在芯片和融资规模受限时维持长期投入，但也会带来新的问题：

• 资本是否会过度集中到少数热门公司；
• 政府客户能否代表真实市场需求；
• 企业能否在补贴之外建立持续商业模式；
• 资本投入是否真正转化为可复用技术和产品能力。

资金可以加速追赶，但不能替代技术判断。最终仍然要回到模型能力、成本效率、客户付费和生态扩张。

图：智谱在香港交易所举行上市仪式。资本市场为中国 AI 初创企业提供了新的融资渠道。

🚀 智谱、月之暗面和 DeepSeek：三种不同的公司命运

唐杰、杨植麟和梁文锋来自不同地方，却在北京、上海、杭州等城市形成了密集的创业网络。

唐杰把清华实验室的研究能力转化为智谱，推动模型公司走向资本市场；杨植麟把研究经验和产品化能力集中到 Moonshot AI，并以 Kimi 建立品牌；梁文锋则把对冲基金积累的金融 AI 能力和高效率工程文化带进 DeepSeek。

三家公司的路径并不相同：

• 智谱更强调科研体系、企业服务和资本市场；
• 月之暗面更强调产品体验、长上下文和面向用户的智能助手；
• DeepSeek 更强调模型效率、开放权重和训练成本控制。

图：月之暗面在上海世界人工智能大会展示 Kimi 模型。

它们共同构成了中国 AI 的多样性：不是一家公司代表一个国家，而是一批具有不同基因的公司在同一个技术周期中互相推动。

今年 1 月，智谱成为首家上市的中国 AI 模型初创公司。到 7 月，市场披露的数据显示，其年度经常性收入已经达到较高规模；但这类收入数据需要以正式公告、审计报告和公司披露为准，不能只依据采访中出现的单一数字判断公司的真实经营状况。

同样，关于 Anthropic、中国模型参数规模和下一代旗舰模型的说法，也必须区分公司披露、投资者转述和媒体报道。

🔥 真正的瓶颈不是人才，而是芯片

梁文锋曾表示，中美 AI 公司之间最关键的差距在于计算机芯片，而不是人才。

这句话值得反复咀嚼。

如果顶级中国实验室的研究人员能力并不逊色太多，但能获得的高端芯片只有美国同行的一小部分，那么很多训练实验就会被迫延后、缩小或重新设计。

芯片数量影响的不只是最终训练成本，还会影响：

• 同时可以探索多少个研究方向；
• 一个想法需要多久才能得到结果；
• 团队能否进行大规模消融实验；
• 模型训练失败后能否迅速重来；
• 研究人员是否能把更多时间用于创新，而不是排队等算力。

拥有更多芯片的公司，可以用更大预算探索更多可能性；芯片更少的公司，则必须更早判断哪条路线值得投入。

这会造成两种不同的创新风格：

• 资源充足的一方更容易进行探索性研究；
• 资源受限的一方更擅长压缩成本、优化架构和提高单位算力产出。

哪一种最终胜出，并没有简单答案。探索可能带来阶跃式突破，效率可能让团队在更长周期里保持竞争力。

中国 AI 当前最值得观察的，不是它能否在每个指标上超过美国，而是它能否持续用更少的硬件、更少的资本和更短的时间，完成足够多的有效实验。

🧱 从追赶到重新定义能力边界

唐杰正在训练下一代旗舰模型，希望它能够执行持续数周的复杂研究任务。

这代表模型竞争正在发生一个变化：从一次问答、一次代码生成，转向更长时间尺度的自主工作。

一个能连续工作数周的 AI 系统，必须解决很多问题：

• 如何保存和压缩长期上下文；
• 如何规划多阶段目标；
• 如何调用工具并验证结果；
• 如何在中途失败后恢复；
• 如何避免错误不断累积；
• 如何让人类在关键节点介入；
• 如何把一次任务的经验转化为下一次能力。

这已经不只是“模型更大”能够解决的问题，而是模型、Agent runtime、工具、记忆、执行环境和评估体系的整体工程。

谁能率先把智能上限往上推升一点，谁就可能重新定义行业的能力边界——这句话听起来像宣言，但它确实指向 AI 下一阶段的核心竞争：

大模型的价值，不只在于它能回答什么，而在于它能否在真实世界中持续完成复杂工作。

🧭 我的判断：中国 AI 的优势正在变成一种系统能力

把中国 AI 的崛起简单解释成“模仿美国”，是对现实的过度简化；把它解释成“完全独立的突然创新”，同样不准确。

更真实的图景是四种力量共同作用：

1. 长期人才积累

清华、姚班、计算机视觉实验室和互联网大厂，为行业提供了持续的人才供给。

2. 全球知识流动

中国研究人员在美国高校和公司接受训练，也把经验带回国内；论文、代码、开源模型和公开评测让技术迅速扩散。

3. 极致工程效率

芯片受限和融资规模差距，迫使团队研究 MLA、MoE 等降低成本的架构，也促使他们更重视每次实验的产出。

4. 国家投入与市场竞争叠加

高校研究、政府资金、产业资本、早期客户和民营竞争同时存在，形成了比单一市场或单一行政体系更复杂的推动力。

因此，中国 AI 的追赶并不是一条简单的“复制路线”，而是一种在全球知识环境中快速吸收、验证、优化和产品化的系统能力。

它的短板也同样清楚：高端芯片、全球化商业生态、原创基础研究的长期投入、数据和合规边界，以及对最顶级模型的持续资本需求。

未来几年，真正的竞争不会只发生在模型排行榜上，而会发生在四个更现实的维度：

算法效率× 算力供给× 人才密度× 商业落地

中国 AI 已经证明，资源更少并不意味着只能等待；美国 AI 也会证明，资源更充足仍然可能带来更远的探索边界。

两种模式的碰撞，正在把整个行业推向一个新的阶段。

🔚 结语：追赶的终点，不是复制第一名

唐杰、杨植麟和梁文锋的故事，真正重要的不是谁最先做出了哪个模型，而是他们共同展示了一条路径：

从高校实验室出发，经过论文、人才、开源和工程实践，再进入产品、资本和全球竞争。

DeepSeek 让世界看到成本效率的价值，月之暗面让世界看到中国产品团队的速度，智谱则把高校科研与资本市场连接起来。

中国 AI 仍然面临芯片、资本和全球生态的限制，但这些限制也迫使团队重新思考：

• 什么必须做得更大；
• 什么可以做得更小；
• 什么应该开源；
• 什么必须自己掌握；
• 哪些实验最值得优先投入；
• 如何让一次技术突破迅速扩散成整个行业的能力。

真正的追赶，不是把别人已经走过的路再走一遍，而是在资源约束下找到另一种更有效的走法。

当中国 AI 开发者把“少花钱也要赢”变成架构、工程和组织文化时，追赶就不再只是距离问题，而开始变成方法问题。

而方法一旦被证明有效，就会扩散得比任何单个模型都快。

🦞 龙虾之心 | OpenClaw Heart | AI 智能体成长伙伴

资料来源

• 《华尔街日报》：《推动中国AI实现惊人飞跃的幕后智囊》
• 原文链接：https://cn.wsj.com/articles/推动中国ai实现惊人飞跃的幕后智囊-9a0f1c39^[1]
• Epoch AI：用于图表的综合能力指数数据来源
• 图片来源：PDF 中随文图片；人物和活动图片版权归原出版方及摄影机构所有

文中关于公司收入、模型参数、芯片数量、蒸馏指控和下一代模型计划的内容，均按照文献中的报道口径处理；相关数字和商业信息可能随公司公告、审计披露与后续进展变化。图表仅用于展示趋势，不构成对具体模型能力或企业经营状况的独立认证。

引用链接