AI-исследователь Натан Ламберт недавно посетил несколько крупных китайских AI-лабораторий, включая Moonshot AI, Zhipu, Meituan, Xiaomi, Alibaba Tongyi Qianwen (Qwen), Ant Ling и 01.ai, и оставил подробный отчёт о своих наблюдениях. Он признался, что эта поездка помогла ему по-новому увидеть китайскую AI-экосистему: это не просто туристические впечатления исследователя, а первичный диагностический доклад о китайском AI — от технической культуры до структуры отрасли.
Ключевые преимущества китайского AI: культура, кадры и прагматичный настрой
Конкурентоспособность китайских исследователей: привычка усердно работать «вглубь»
Ламберт считает, что способность китайских лабораторий быстро догонять — а иногда и сопоставляться — с передовыми AI-решениями объясняется важным фактором, который часто упускают из виду: исследовательской культурой и организационной атмосферой.
В отличие от американских исследователей, у которых нередко сильна тяга к персональному самовыражению — к тому, чтобы публично говорить о результатах своей работы и строить личный бренд через СМИ и соцсети, — китайские исследователи чаще склонны ставить себя «после качества модели». Они охотнее берутся за задачи, которые не приносят славы, но действительно улучшают показатели модели, и им проще принимать, что их идеи могут быть отброшены в ходе оптимизации под разные цели.
Ламберт отмечает, что в США даже ходят истории о лабораториях, которым приходится «платить топовым исследователям, чтобы те перестали жаловаться на то, что их решения не были приняты», что символизирует реальность организационного трения за пределами западных лабораторий.
Эта культурная разница даёт заметный эффект на уровне организаций: более низкая выраженность самосознания делает структуру команды легче расширяемой «вверх», а исследователи на разных уровнях могут эффективнее сотрудничать, вместо того чтобы отстаивать собственные интересы.
Студенты как одна из главных сил в разработке LLM
Ещё одно явление, которое произвело на Ламберта впечатление, — очень высокая доля основных вкладчиков в каждой лаборатории всё ещё приходится на студентов. К этим студентам не относятся по принципу «разницы статуса»: их просто интегрируют в команды по разработке LLM. Это контрастирует с американской экосистемой, где OpenAI и Anthropic почти не дают возможностей для стажировок, или даже если стажировки есть, то их изолируют от основной работы:
Преимущество студентов в том, что у них «нет груза»: они не переживали инерционные допущения, оставшиеся после первых волн AI, и потому легче быстро впитывают новые технологии — от расширения MoE до обучения с подкреплением и разработки агентных систем. Каждая смена парадигмы для них — с нуля, без необходимости отбрасывать прежние представления.
Соревнование или сотрудничество? Раскрытие китайской экосистемы «власти инженеров»
Ламберт замечает, что когда он пытается обсуждать с китайскими исследователями долгосрочные социальные риски AI, экономические последствия или моральные споры о поведении моделей, разговоры часто заходят в тупик из-за тишины. Он понимает, что дело не в намеренном уклонении: эти вопросы для них действительно не входят в круг обсуждений.
Он ссылается на наблюдение учёного Дэна Ванга о том, что «в Китае управляю инженеры, а в США — юристы», чтобы объяснить свою позицию: «Их задача — сделать модель; остальные вопросы остаются на других».
Для Ламберта это делает китайское AI-сообщество больше похожим на «сообщество единомышленников», а не на конкурирующие друг с другом племена. Между лабораториями в целом сохраняется взаимное уважение: к ByteDance и другим гигантам относятся с почтением, вкус и исполнительность DeepSeek высоко ценят, но при этом нет той «пороховой» конкуренции, которая так характерна американским лабораториям.
Ограничения и недостатки китайского AI: чипы, данные и нехватка креативности
Проблема с чипами NVIDIA — общий узкий горлышко для всех лабораторий
Из-за влияния американских экспортных ограничений нехватка вычислительных мощностей NVIDIA — общее ограничение, с которым сталкиваются все китайские лаборатории. Ламберт отмечает: почти каждая лаборатория прямо заявляет, что при достаточном предложении мощностей они без колебаний бы расширили закупки.
Отечественные ускорители вроде Huawei в части инференса получают положительные оценки, и многие лаборатории уже активно их используют. Но на стороне обучения NVIDIA остаётся незаменимым «золотым стандартом», и этот разрыв в краткосрочной перспективе трудно полностью закрыть другими решениями.
Данные как крупнейшая слабость: самообучение становится нормой
По сравнению с Anthropic и OpenAI, которые ежегодно тратят сотни миллионов долларов на закупку сред для обучения с подкреплением, китайская внешняя индустрия данных по качеству всё ещё заметно отстаёт. Ламберт наблюдает, что большинство лабораторий считает доступные на рынке данные недостаточно качественными, поэтому предпочитает вкладывать ресурсы в самостоятельное создание среды обучения, а исследователи тратят на построение среды очень много времени.
Крупные компании вроде ByteDance и Alibaba имеют внутренние команды по данным, которые могут поддерживать работу, но, как отмечал аналитик Citrini Zephyr, это всё равно остаётся главным слабым местом китайской AI-экосистемы.
(Китайский стартап Moonshot робот называет себя Claude; следы дистиллированной модели Anthropic вскрылись)
Открытый исходный код — прагматизм, а не идеология
Отвечая на вопрос со стороны внешнего мира о том, почему Meituan и Xiaomi — компании такого типа — должны создавать и открывать универсальные большие модели, Ламберт считает, что за этим стоит очень практичная коммерческая логика: открытый код позволяет получать обратную связь от внешнего сообщества и улучшать качество модели; при этом компания может сохранить внутренние версии для тонкой настройки для собственных продуктов и контролировать ключевой технологический стек.
Такой настрой «технологической собственности» подталкивает практически все ключевые китайские технологические компании строить собственные базовые модели, а не полагаться на внешние сервисы — это резко отличается от выбора AI-компаний в США.
Взгляд основателя Delphi Ventures: сильная исполнительность, но нехватка креативности
Другой основатель Delphi Ventures Хосе Мария Мачедо также недавно глубоко прошёлся по китайской AI-экосистеме и, с точки зрения инвестора, дал ещё один слой наблюдений, который контрастирует с техническим взглядом Ламберта.
Мачедо считает, что у китайских основателей в целом безупречные резюме и впечатляющая исполнительность, но при этом «стремление к созданию с нуля» — оригинальный предпринимательский импульс — встречается реже: «Они больше умеют брать уже существующее направление и делать из него превосходную улучшенную версию, а не предлагать совершенно новые задачи, которых ещё не осознал рынок». Он связывает это с тем, что образовательная система долгие годы усиливала мышление «решателя задач», а не «задающего вопросы».
(Топовые таланты буквально на каждом шагу, но не получается OpenAI? Инвестор глубоко за два недели разобрался, в чём настоящая проблема китайского AI)
США всё ещё должны претендовать на лидерство в открытой экосистеме
Ламберт признаётся, что Китай — место, которое нельзя просто понять, подставив под него западные рамки: «Его культура слишком древняя и слишком глубокая, и то, как она переплетается с технологической экосистемой, создаёт уникальную химическую реакцию».
Он как американец надеется, что американские AI-лаборатории, делающие упор на открытые модели, продолжат сохранять лидерство. Но его больше всего тревожит то, что если США будут ограничивать развитие открытых моделей через административные команды, это может ослабить их собственные позиции в глобальной открытой AI-экосистеме и склонить чашу весов конкуренции в сторону непредсказуемого направления.
Эта статья «Вживую посетив китайские AI-лаборатории, исследователь раскрывает “разрыв по чипам и данным” как ключевую разницу между Китаем и США» впервые появилась на Линк Ньюс ABMedia.
