Linux走访中国AI公司后称美国不了解中国AI真实现状

2026年4月下旬，Linux基金会全球人工智能首席技术官Matt White在中国北京、上海和杭州进行了为期8天的深度考察。他先后访问了DeepSeek、月之暗面、智谱AI、MiniMax、阿里云、蚂蚁集团、字节跳动、小米及零一万物等顶尖AI企业，还走访了清华大学智能产业研究院，并参观了宇树科技、星海图和银河通用等机器人公司。

此次行程的时间节点颇具深意——就在他逗留期间，国内大模型进入高频发布期：Kimi K2.6、Qwen 3.6-27B、MiMo V2.5系列、Ling-2.6-1T、DeepSeek V4接连亮相，场面堪比科技盛宴。

返回美国后，他撰写了一篇题为《在中国的八天：我从AI实验室、机器人初创公司和学术界学到了什么》的长文，近期又在播客中详细分享了这次旅程的感受。一个让他始终印象深刻的观点是：美国对中国AI领域内部正在发生的变革了解得远远不够。虽然论文、模型参数和排行榜都可以在网上查到，但实验室内部的研究热情、团队文化以及不同城市间逐渐形成的产业集聚效应，这些公开信息根本无法传递。真正走进这些机构后，他发现中国的研究团队并不封闭。当然，商业路线图不会随意透露，但在研究思路和技术判断上，他们愿意敞开交流，也很乐于在全球坐标系中接受比较和检验。

各家公司的风格也截然不同。月之暗面的团队非常年轻，办公室里能感受到浓厚的摇滚文化；而DeepSeek则呈现出另一种气质——低调、务实。他们更关心如何共同解决技术难题，而不是争夺论文第一作者或更高的薪资待遇。

人才流动的趋势同样令他印象深刻。许多中国AI创始人和核心研究员都曾在伯克利、卡内基梅隆、斯坦福等西方知名高校深造，随后选择回国发展。过去，最优秀的学生毕业后留在美国是主流选择；如今，越来越多的人选择回归。Matt认为，中国对创新和创业的持续扶持正在显著增强这种吸引力。全球AI的人才中心不再局限于旧金山湾区，深圳、杭州和北京也开始形成自己的人才聚集效应。

芯片受限未能阻挡竞争步伐

外界一直有一种普遍看法：无法获取最先进的芯片，中国AI的发展速度早晚会放缓。但Matt的看法更为辩证——限制确实会影响模型训练，但资源越紧张，团队反而越会想方设法提升效率。

DeepSeek就是典型的例子：他们用更少的资源实现了更多的成果。无论是GRPO、推理训练方法，还是在有限算力下提升模型效率的架构创新，DeepSeek的成果都被其他团队反复引用和采纳。同行对DeepSeek的态度更多是敬佩，而非单纯的竞争——这是一支依靠精干团队和原创技术改变行业规则的研究力量。

而且，这种创新并非孤立完成。DeepSeek的GRPO、月之暗面对Muon优化器的研究、字节跳动的VeRL、MiniMax的线性注意力，全都建立在先前工作的基础之上。Muon最初源自美国的研究，后来被不同团队持续改进。AI研究本来就是这样：一个人先提出想法，另一个人加以优化，更多人再将其应用到实际训练中。Transformer架构就是这么一步步演化而来的。

因此，简单地将中国AI定性为“复制美国”，已经不符合现实。如今，不少中国技术已经被美国的开放模型和商业产品反向采用。技术在不同国家之间反复流动，很难再划出一条清晰的界限。

芯片限制带来的影响也不仅仅体现在模型层面。中国正在加速本土芯片的投入，一批新兴芯片公司应运而生。结合制造业、供应链和应用市场，中国有机会把芯片、模型、设备和部署连接成完整的产业链。先进算力仍然是短板，但从行业发展的角度来看，短板也在倒逼企业寻找替代方案。

图 |Matt White 在阿里云（来源：Matt White）

开源在中国已占主导，但经济账仍需算清

2026年3月，Hugging Face发布了一组数据：在过去一年（约2025年2月至2026年2月），中国模型的全球下载量占比高达41%，美国约为36.5%。

中国开放模型下载量的快速增长背后，有着非常现实的驱动力。以Qwen为代表的一批中小型模型，不仅性能不错，成本也相对较低。对开发者而言，中小型模型可以在本地运行；对企业来说，自行部署能够减少API调用费用，同时还能自主控制数据和升级节奏。

但Matt也特别提醒，“开放模型”“开放权重”与“开放科学”并不是一回事。有些模型虽然可以下载权重，但其许可证可能限制商业用途；有些模型允许使用，却并未公开训练数据和训练方法。真正完整的开放科学，还应该包括数据集、训练代码、训练配方和测试方法，从而让其他人能够完整复现。

这对创业公司尤其重要。模型能下载，不代表可以放心拿来商业化。它基于哪个底座训练、经过哪些微调、许可证是否被修改过，都可能影响产品能否顺利上线。未来企业挑选模型时，不能只看排行榜，还要像检查软件供应链一样严格审查模型来源。

蒸馏争议也面临同样的问题。利用大模型生成数据来训练小模型，是目前中美实验室都在采用的常见方法。关键不在于给蒸馏贴上“攻击”的标签，而在于是否遵守服务条款，以及数据和商业使用是否符合合规要求。

与此同时，开源还要面对盈利的挑战。训练超大规模模型需要巨额投入，一些中国实验室已经上市，另一些正在寻求融资。投资人需要回报，公司也需要持续的收入来支持下一轮训练。可以预见，中国模型公司可能会逐步形成开放模型做生态、商业API做收入的混合模式，用付费服务来补贴下一轮的研究与训练。

智能体与机器人热度高涨，但完全自主仍有距离

从模型转向应用层面，Matt在中国听到最多的词汇之一就是智能体。OpenClaw、Hermes Agent被频繁讨论，“一人公司”（OPC）的概念也颇为流行。大家都希望智能体能代劳订票、购物、处理工作，甚至替人创收。

如果智能体真的能代表用户处理事务，软件入口也将随之改变。浏览器不会马上消失，但商店、酒店和航空公司可能会同时提供适合智能体读取的接口——一个界面供人操作，另一套接口供智能体下单和付款。想象固然丰满，但难点依然在于身份验证、支付安全、权限管理以及出了问题由谁负责。

Matt对这个方向充满期待，但态度并不盲目乐观。他认为，目前的智能体更适合完成某一具体的阶段性任务，比如读取收据、整理表格、生成初稿，再交给人做最终确认。让一个智能体从头到尾承担复杂工作，尤其是涉及资金和责任的环节，仍然不太现实。

机器人领域也类似。中国公司的优势集中在机械制造、执行器生产和系统集成上，而美国公司更关注机器人的“大脑”部分。中国可能已经拥有超过150家人形机器人公司，竞争异常激烈。但很多机器人仍依赖远程操控或预先编程，真正困难的灵巧操作和自主决策问题，尚未完全攻克。

图 | Matt White 在宇树科技（来源：Matt White）

这也是“世界模型”备受关注的原因。机器人要在真实环境中行动，不能只会识别文字和图片，还需要理解空间、物体以及一个动作可能带来的后果。Matt认为，世界模型最值得关注的用途就在机器人和具身智能领域，但目前仍存在不同的技术路线，距离统一方案还有很长的路要走。

因此，行业下一步比拼的将不只是演示效果，而是谁能稳定解决真实问题。机器人能否连续工作、智能体会不会越权、出了错谁来承担——这些问题远比一次漂亮的展示重要得多。

“如果只有100万美元，我会投向智能体”

当模型只负责生成答案时，答错可能只是信息不准；但智能体一旦能够调用工具、访问数据、进行付款或退款，错误就会带来实实在在的损失。因此，Matt反复强调，安全不能仅仅停留在模型层面，还必须写入程序和执行框架。

比如，客服智能体可以退多少钱、投资智能体能够动用多少资金，不能只靠提示词来提醒。模型具有随机性，而规则必须确定无疑。权限设置、金额限制、数据范围以及人工确认环节，都要通过代码加以锁定。

尤其是多智能体系统会让问题变得更加复杂。一个智能体将任务交给另一个，权限和错误也可能沿着链条传递下去。

这也是Matt在访谈最后给创业者们给出的答案。主持人问他，如果今天手里只有100万美元，会把钱投向哪个方向？Matt的回答是智能体。“我对智能体非常看好。”

他进一步解释道：目前的智能体仍然不擅长处理长期、复杂的任务，多智能体协作也存在安全、隐私和可靠性方面的挑战。金融等强监管行业已经开始为具体应用场景搭建防护措施，但市场上仍然缺少能够跨行业使用的通用方案。由于智能体会继承大模型的幻觉等问题，不能指望单靠模型解决一切，而应通过限制上下文、增加确定性代码、设置权限和执行框架，来提高系统的可控性。未来更值得投入的方向，不仅仅是训练更强的模型，而是围绕模型建立一套安全、可靠、可监控的完整系统。

模型说得像人，不代表它真的像人一样思考

谈到大型模型的“推理能力”，Matt的态度非常明确：模型越来越会解题，并不意味着它具备了人类的思考方式。大语言模型本质上仍然是在预测下一个词，只是经过大量训练后，越来越擅长模仿人类写下的推理过程。

这并不妨碍模型发挥实际作用。工具并不需要像人一样思考，照样可以完成任务。真正需要警惕的，是人们因为它说话流畅、富有耐心，便将其当作一个真正理解自己的对象。

聊天机器人常常顺着用户的话说，把用户的想法重新包装后反馈回来。对于情绪脆弱的人来说，这种“永远回应、很少反驳”的交流方式可能带来潜在风险。Matt认为，产品应当让用户清楚地认识到，自己面对的是一个系统，而不是一个有经验、有责任、有判断力的人。

同样的边界问题也出现在AI编程领域。Matt本人使用Claude Code，但生成的代码不能直接上线，还需要经过测试、安全检查和工程优化。AI让不具备编程能力的人也能提交代码，开源项目收到的PR数量因此大幅增长；而维护者又不得不用AI来审查这些PR。写代码变得容易了，但判断代码是否可用的能力，反而变得更加重要。

企业不缺AI项目，缺的是先把问题想清楚

相比对前沿技术的兴奋，Matt谈及企业落地应用时表现得相当冷静。他见过最多的失败案例，是企业总觉得“我们自己能做得更好”，于是从头训练模型、重复开发已有工具，耗费半年甚至一年时间，最后却没有做出真正可用的成果。

他的建议非常朴实：如果不是AI实验室，就不要轻易从头开始训练模型。中小企业可以先利用现有软件中的AI功能，大型企业则可以借助开源工具、供应商和顾问。先把问题解决，再决定是购买还是自建。

企业还要分清哪些只是提升效率，哪些才是真正的核心竞争力。文档总结、客服辅助等通用功能，交给供应商通常更划算；如果某项能力直接决定产品体验和商业模式，才值得投入自有团队进行研发。

也不是所有问题都需要用大模型来解决。欺诈检测、设备异常识别等任务，传统机器学习往往更加稳定、准确。因为大模型热门，就把旧方法全部替换掉，未必是真正的进步。

更务实的做法，是先挑选风险较低、效果可衡量的场景，建立测试标准，保留人工检查环节，再逐步增加自动化程度。智能体可以整理报税材料，但最终申报仍需由人确认；它可以购买一件便宜商品，却未必适合替你管理全部资产。企业真正要问的，不是有没有用上AI，而是它有没有让业务变得更快、更省钱、更可靠。

总而言之，八天的访问并没有让Matt得出一个简单的结论。他并没有认为中国AI已经全面领先，也没有忽视中国实验室在芯片、基础研究、商业化和开源治理方面存在的不足。但他更加确信，外界已经不能再简单用“复制”“低价”“人海战术”来概括中国AI的发展了。

中国的实验室正在形成自己的独特路径：通过资源约束推动架构创新，通过开放模型融入全球社区，通过庞大的市场验证产品，再依托云计算、消费互联网、制造业和供应链将AI带入真实应用场景。

1.https://www.youtube.com/watch?v=zHi0jy4MK4c
2.https://matthewdwhite.substack.com/p/eight-days-in-china-what-i-learned?triedRedirect=true
3.https://huggingface.co/blog/huggingface/state-of-os-hf-spring-2026

排版：唐逸蕊
注:封面/首图由AI辅助生成