Примечание редактора: Лаборатории ИИ в Китае становятся всё более заметной силой в глобальной конкуренции больших моделей. Их преимущества не только в многочисленности талантов, сильной инженерии и быстрых итерациях, но и в весьма прагматичном подходе к организации: меньше разговоров о концепциях, больше работы над моделями; меньше акцента на звёздах, больше на командном исполнении; меньше зависимости от внешних сервисов, больше склонности к освоению собственного технологического стека.

Автор этой статьи, Нейтан Ламберт, посетив несколько ведущих китайских лабораторий ИИ, обнаружил, что экосистема ИИ в Китае не полностью совпадает с американской. В США больше внимания уделяется оригинальным парадигмам, капиталовложениям и личному влиянию ведущих учёных; Китай же более искусен в быстром догоняющем развитии по уже заданным направлениям, используя открытый исходный код, инженерную оптимизацию и вовлечение большого числа молодых исследователей, чтобы быстро вывести возможности моделей на передовой уровень.

Самое примечательное — не в том, обогнал ли уже Китай США в области ИИ, а в том, что формируются два различных пути развития: США больше похожи на передовую гонку, движимую капиталом и звёздными лабораториями, а Китай — на промышленное соревнование, подталкиваемое инженерными возможностями, экосистемой открытого исходного кода и стремлением к технологической самодостаточности.

Это означает, что будущая конкуренция в области ИИ будет не только борьбой за места в рейтингах моделей, но и соревнованием организационных способностей, экосистемы разработчиков и промышленной эффективности. Подлинные изменения китайского ИИ заключаются в том, что он перестал быть просто копированием Силиконовой долины и теперь участвует в глобальной передовой повестке своим собственным способом.

Далее следует оригинальный текст:

Сидя в современном высокоскоростном поезде из Ханчжоу в Шанхай, я смотрел в окно на чёткие очертания горных хребтов, усеянных ветряными турбинами, силуэты которых вырисовывались на фоне заходящего солнца. Горы служили фоном, а перед глазами простиралась картина, где обширные поля перемежались с массивами высотных зданий.

Я вернулся из Китая с огромным чувством смирения. Попасть в столь незнакомое место и быть принятым с таким теплом и радушием — это очень трогательный и человечный опыт. Мне посчастливилось встретиться со многими людьми из экосистемы ИИ, которых я прежде знал лишь понаслышке; и они встречали меня сияющими улыбками и гостеприимством, вновь напоминая мне, что моя работа и вся экосистема ИИ в целом носят глобальный характер.

Менталитет китайских исследователей

Китайские компании, создающие языковые модели, можно назвать идеальными «быстрыми последователями» этой технологии. Они строятся на традициях китайской образовательной и рабочей культуры, имея при этом несколько отличные от западных способы построения технологических компаний.

Если смотреть только на результат — новейшие и крупнейшие модели, а также поддерживаемые ими рабочие процессы в стиле агентов; и на затрачиваемые ресурсы — талантливые учёные, масштабные данные и вычислительные мощности для ускорения, — то китайские и американские лаборатории выглядят в целом похожими. Подлинные, долгосрочные различия проявляются в том, как эти элементы организованы и как формируются.

Я всегда считал, что одна из причин, по которой китайские лаборатории так искусны в догоняющем развитии и удержании позиций у передового края, заключается в их культурном соответствии этой задаче. Но до непосредственного общения с людьми я не считал себя вправе приписывать эту интуицию какому-либо конкретному важному влиянию. После бесед со многими талантливыми, скромными и открытыми учёными из ведущих китайских лабораторий многие мои мысли прояснились.

Сегодня создание лучших больших языковых моделей во многом зависит от кропотливой работы по всему технологическому стеку: от данных и архитектурных деталей до реализации алгоритмов обучения с подкреплением. Каждый этап работы с моделью может принести определённый выигрыш, а комбинация этих улучшений — сложный процесс. В этом процессе работа некоторых очень умных индивидуумов может быть отложена в сторону, чтобы обеспечить максимизацию общей модели при многоцелевой оптимизации.

Американские исследователи, конечно, тоже весьма искусны в решении проблем отдельных компонентов, но в США более распространена культура «заявить о себе». Как учёный, ты чаще добиваешься успеха, когда активно привлекаешь внимание к своей работе; современная культура также прокладывает новый путь к известности — стать «звездой-учёным в области ИИ». Это создаёт прямой конфликт.

Широко распространены слухи, что организация Llama распалась из-за политического давления после того, как такие интересы и требования были встроены в иерархическую структуру. Я также слышал от других лабораторий, что иногда может потребоваться «успокоить» ведущего исследователя, чтобы он перестал жаловаться, что его идеи не были включены в финальную модель. Независимо от того, насколько это соответствует действительности, смысл ясен: самомнение и карьерные амбиции действительно могут мешать созданию лучших моделей. Даже небольшое культурное различие в этом аспекте между США и Китаем может оказать существенное влияние на конечный результат.

Часть этого различия связана с тем, кто именно в Китае строит эти модели. Во всех лабораториях очевидная реальность такова: значительную долю среди ключевых вкладчиков составляют студенты, ещё продолжающие обучение. Эти лаборатории довольно молоды, что напомнило мне нашу организацию работы в Ai2: студенты рассматриваются как коллеги и напрямую интегрируются в команды по большим языковым моделям.

Это сильно отличается от ведущих американских лабораторий. В США такие компании, как OpenAI, Anthropic, Cursor, вообще не предлагают стажировок. Другие компании, такие как Google, номинально предоставляют стажировки, связанные с Gemini, но многие опасаются, что их стажировка может быть изолирована от действительно ключевой работы.

В общих чертах, это лёгкое культурное различие может повышать способность к построению моделей следующим образом: люди более готовы выполнять менее заметную работу ради улучшения финальной модели; новички в создании ИИ, возможно, не подвержены влиянию предыдущих циклов хайпа вокруг ИИ и поэтому могут быстрее адаптироваться к новым современным технологическим методам; по словам одного китайского учёного, с которым я беседовал, более низкий уровень самомнения делает организационную структуру в некоторой степени более масштабируемой, поскольку люди меньше пытаются «играть с системой»; большое количество талантов идеально подходит для решения проблем, концептуальное доказательство которых уже существует в других местах, и так далее.

Эта склонность, более благоприятная для построения современных языковых моделей, контрастирует с известным стереотипом: часто считается, что китайские исследователи реже производят более креативные, «с нуля до единицы» академические исследования, способные открывать новые области.

В ходе нескольких более академически ориентированных визитов в лаборатории во время этой поездки многие руководители говорили о том, что они культивируют более амбициозную исследовательскую культуру. В то же время некоторые технические руководители, с которыми мы общались, сомневались, возможно ли такое преобразование научного подхода в краткосрочной перспективе, поскольку оно требует перепроектирования образовательной и мотивационной систем, что является слишком масштабной задачей, трудно реализуемой в рамках текущего экономического равновесия.

Эта культура, по-видимому, готовит когорту студентов и инженеров, очень искусных в «игре по построению больших языковых моделей». И, конечно, их количество также чрезвычайно велико.

Эти студенты рассказали мне, что в Китае, как и в США, происходит утечка мозгов: многие из тех, кто ранее планировал академическую карьеру, теперь намерены остаться в индустрии. Самая интересная фраза прозвучала от исследователя, который хотел стать профессором: он сказал, что хотел этого, чтобы быть ближе к образовательной системе; но затем добавил, что образование уже решено большими языковыми моделями — «Зачем студентам вообще со мной разговаривать?»

То, что студенты приходят в сферу больших языковых моделей со свежим взглядом, — это преимущество. За последние несколько лет мы видели, как ключевые парадигмы больших языковых моделей постоянно менялись: от масштабирования MoE до масштабирования обучения с подкреплением и поддержки агентов. Чтобы хорошо справиться с любой из этих задач, требуется чрезвычайно быстро усвоить огромный объём фоновой информации — как из более широкой литературы, так и из внутреннего технологического стека компании.

Студенты привыкли делать такие вещи и готовы со смирением отбросить все предубеждения о том, «что должно работать». Они погружаются с головой, вкладывают свою жизнь, только чтобы получить шанс улучшить модель.

Эти студенты также удивительно прямолинейны и не отвлекаются на философские разговоры, которые могут отвлекать учёных. Когда я спрашивал их о восприятии экономического влияния моделей или долгосрочных социальных рисках, среди китайских исследователей явно было гораздо меньше тех, кто имел сложные взгляды и желал влиять на эти вопросы. Они считают своей ролью создание лучших моделей.

Эта разница тонка, и её легко отрицать. Но её легче всего ощутить, когда ведёшь долгий разговор с элегантным, умным исследователем, способным чётко выражаться по-английски: когда задаёшь более философские вопросы об ИИ, эти фундаментальные вопросы повисают в воздухе, а собеседник излучает лёгкое недоумение. Для них это ошибка категории.

Даже один исследователь процитировал известное суждение Дэна Вана: в отличие от США, где доминируют юристы, Китаем управляют инженеры. Говоря об этих вопросах, он использовал эту аналогию, чтобы подчеркнуть их желание строить. В Китае нет системного пути для воспитания звёздного влияния учёных, подобного тому, который создают сверхпопулярные подкасты вроде Dwarkesh или Lex.

Мои попытки заставить китайских учёных высказаться о будущей экономической неопределённости, вызванной ИИ, вопросах, выходящих за рамки простых способностей AGI, или моральных дебатах о том, как должны вести себя модели, в конечном итоге показали мне воспитание и образование этих учёных. Они чрезвычайно сосредоточены на своей работе, но выросли в системе, которая не поощряет обсуждения и выражение мнений о том, как должно быть устроено и изменяться общество.

Если взглянуть шире, особенно Пекин производит впечатление, очень похожее на залив Сан-Франциско: конкурентоспособная лаборатория может находиться в нескольких минутах ходьбы или поездки на такси. После выхода из самолёта, по дороге в отель, я заехал в кампус Alibaba в Пекине. В следующие 36 часов мы посетили Zhipu AI, Moonshot AI, Университет Цинхуа, Meituan, Xiaomi и 01.ai.

В Китае легко пользоваться сервисом DiDi. Если выбрать автомобиль категории XL, часто попадаешь в небольшой электрический микроавтобус с массажными креслами. Мы спрашивали исследователей о войне за таланты, и они говорили, что это очень похоже на то, что мы переживаем в США. Для исследователей смена работы — обычное дело, и выбор места во многом зависит от того, где в данный момент лучшая атмосфера.

Сообщество больших языковых моделей в Китае ощущается скорее как экосистема, а не как враждующие племена. Во многих частных беседах я слышал почти исключительно уважение к коллегам. Все китайские лаборатории с опаской относятся к ByteDance и её популярной модели Doubao, поскольку это единственная ведущая закрытая лаборатория в Китае. В то же время все лаборатории глубоко уважают DeepSeek, считая её лабораторией с самым изысканным исследовательским вкусом на уровне исполнения. В США, когда вы ведёте частные беседы с членами лабораторий, искры часто высекаются очень быстро.

Что больше всего впечатлило меня в скромности китайских исследователей, так это то, что на коммерческом уровне они часто лишь пожимают плечами и говорят, что это не их проблема. В то время как в США, кажется, все одержимы различными отраслевыми трендами на уровне экосистемы: от продавцов данных и вычислительных мощностей до финансирования.

Отличия и сходства китайской индустрии ИИ и западных лабораторий

То, почему сегодня создание модели ИИ так интересно, заключается в том, что это уже не просто сбор группы талантливых исследователей в одном здании для совместного создания инженерного чуда. Раньше это действительно было больше похоже на это, но для поддержания бизнеса на основе ИИ большие языковые модели превращаются в гибрид: это включает построение, развёртывание, финансирование и продвижение принятия этого творения.

Ведущие компании ИИ существуют в сложных экосистемах. Эти экосистемы предоставляют финансирование, вычислительные мощности, данные и другие ресурсы для непрерывного продвижения передового края.

В западной экосистеме способы интеграции различных необходимых ресурсов для создания и поддержания больших языковых моделей относительно хорошо концептуализированы и описаны. Anthropic и OpenAI являются типичными примерами. Поэтому, если мы обнаружим, что подход китайских лабораторий к этим вопросам заметно отличается, мы сможем увидеть, на какие значимые различия могут делать ставки разные компании в будущем. Конечно, это будущее также будет сильно зависеть от ограничений финансирования и/или вычислительных мощностей.

Я собрал несколько самых больших выводов на «уровне индустрии ИИ», полученных в результате общения с этими лабораториями:

1. Ранние признаки внутреннего спроса на ИИ уже есть.
Широко обсуждается гипотеза, что рынок ИИ в Китае будет меньше, потому что китайские компании традиционно неохотно платят за программное обеспечение, и поэтому никогда не высвободится огромный рынок вычислений (inference), способный поддержать лаборатории.

Но это суждение применимо только к расходам на ПО, соответствующим экосистеме SaaS. А экосистема SaaS исторически всегда была в Китае небольшой. С другой стороны, в Китае, очевидно, всё ещё существует огромный рынок облачных услуг.

Ключевой и всё ещё не отвеченный вопрос: будут ли расходы китайских предприятий на ИИ больше похожи на рынок SaaS (т.е. меньшего масштаба) или на рынок облачных услуг (т.е. фундаментальных расходов). Этот вопрос обсуждается и внутри китайских лабораторий. В целом, у меня сложилось впечатление, что ИИ движется ближе к рынку облачных услуг, и никто не беспокоится, что рынок вокруг новых инструментов не сможет расти.

2. Большинство разработчиков глубоко находятся под влиянием Claude.
Несмотря на то, что Claude номинально заблокирован в Китае, большинство китайских разработчиков ИИ очень увлечены Claude и тем, как он изменил их способ создания программного обеспечения. Тот факт, что в Китае исторически меньше платили за ПО, не означает, что я считаю, что здесь не произойдёт огромного роста спроса на вычисления (inference).

Китайские технические специалисты очень прагматичны, скромны и мотивированы. Это ощущение у меня было сильнее, чем любая историческая привычка «не платить за софт».

Некоторые китайские исследователи упоминали, что используют собственные инструменты для разработки, например, инструменты командной строки от Kimi или GLM, но все говорили, что используют Claude. Неожиданно, что мало кто упоминал Codex, в то время как в районе залива Сан-Франциско Codex явно быстро набирает популярность.

3. У китайских компаний есть менталитет технологической собственности.
Китайская культура сочетается с грохочущим экономическим двигателем, порождая некоторые трудно предсказуемые результаты. Одним из глубоких впечатлений, которые я вынес, стало то, что большое количество моделей ИИ отражает практическое равновесие, существующее в реальности для многих технологических предприятий здесь. Не существует какого-то единого генерального плана.

Эта отрасль определяется уважением к ByteDance и Alibaba. Это крупные игроки, которые, как считается, выиграют многие рынки благодаря мощным ресурсам. DeepSeek — уважаемый технический лидер, но далеко не рыночный лидер. Они задают направление, но не обладают структурой для экономической победы на рынке.

Это оставляет место таким компаниям, как Meituan или Ant Group. Западных людей может удивить, почему они тоже строят эти модели. Но на самом деле они явно рассматривают большие языковые модели как ядро будущих технологических продуктов, и поэтому им нужна сильная основа.

Когда они дообучают мощную универсальную модель, обратная связь от сообщества открытого исходного кода делает их технологический стек более прочным, в то время как они могут сохранять внутренние дообученные версии для своих продуктов. Менталитет «open-first» в этой отрасли во многом определяется прагматизмом: это помогает модели получать сильную обратную связь, отдавать долг сообществу открытого исходного кода и поддерживать их собственную миссию.

4. Поддержка правительства реальна, но её масштаб неясен.
Часто утверждают, что китайское правительство активно помогает в соревновании открытых больших языковых моделей. Но это относительно децентрализованная государственная система со многими уровнями, и на каждом уровне нет чёткого руководства о том, что именно им следует делать.

Разные районы Пекина конкурируют за то, чтобы технологические компании открывали там офисы. «Помощь», предоставляемая этим компаниям, почти наверняка включает устранение бюрократических проволочек в процессах получения лицензий. Но как далеко может зайти эта помощь? Могут ли разные уровни правительства помочь привлечь таланты? Могут ли они помочь провезти чипы?

На протяжении всего визита действительно было много упоминаний о заинтересованности или помощи правительства, но информации было явно недостаточно, чтобы я мог сообщать детали в виде утверждений, или чтобы сформировать уверенное мировоззрение о том, как именно правительство может изменить траекторию развития ИИ в Китае.

И, конечно, нет никаких признаков того, что высшее руководство Китая влияет на какие-либо технические решения, связанные с моделями.

5. Индустрия данных гораздо менее развита, чем на Западе.
Мы ранее слышали, что Anthropic или OpenAI тратят более 10 миллионов долларов на одну среду, а совокупные ежегодные расходы на продвижение переднего края обучения с подкреплением достигают сотен миллионов долларов. Поэтому нам было интересно, покупают ли китайские лаборатории те же среды у американских компаний, или существует зеркальная внутренняя экосистема, поддерживающая их.

Ответ — не полное «отсутствие индустрии данных», а скорее то, что, по их опыту, качество индустрии данных относительно низкое, поэтому часто лучше создавать среды или данные внутри компании самостоятельно. Исследователи сами тратят много времени на создание сред для обучения с подкреплением, а более крупные компании, такие как ByteDance и Alibaba, могут иметь внутренние команды разметки данных для поддержки этого. Всё это перекликается с упомянутым выше менталитетом «строить, а не покупать».

6. Жажда большего количества чипов Nvidia очень сильна.
Вычислительные мощности Nvidia — золотой стандарт для обучения, и прогресс каждого ограничен отсутствием большего количества этих мощностей. Если бы поставки были достаточными, они, очевидно, покупали бы их. Другие ускорители, включая, но не ограничиваясь Huawei, получили положительные отзывы за выполнение вычислений (inference). Бесчисленное количество лабораторий могут использовать чипы Huawei.

Эти пункты рисуют картину очень отличающейся экосистемы ИИ. Быстрое наложение способов работы западных лабораторий на китайских коллег часто приводит к ошибке категории. Ключевой вопрос в том, приведут ли эти разные экосистемы к созданию моделей с существенными различиями; или же китайские модели всегда будут интерпретироваться как аналоги передовым американским моделям 3–9-месячной давности.

Заключение: глобальное равновесие

До этой поездки я слишком мало знал о Китае; а уезжая, я чувствовал, что только начал учиться. Китай — это не место, которое можно выразить правилами или рецептами, а место с очень разными движущими силами и химией. Его культура столь древняя и глубокая и всё ещё полностью переплетена с тем, как внутри страны строятся технологии. Мне ещё многому предстоит научиться.

Многие части нынешней структуры власти в США используют свои существующие представления о Китае как ключевой психологический инструмент при принятии решений. После того как я провёл официальные и неофициальные встречи лицом к лицу практически с каждой ведущей лабораторией ИИ в Китае, я обнаружил, что в Китае есть множество качеств и инстинктов, которые западному способу принятия решений трудно смоделировать.

Даже когда я напрямую спрашивал эти лаборатории, почему они открыто публикуют свои самые сильные модели, мне всё ещё было трудно полностью соединить точки между «менталитетом собственности» и «искренней поддержкой экосистемы».

Лаборатории здесь очень прагматичны, не обязательно являются абсолютными сторонниками открытого исходного кода, и не каждая созданная ими модель будет опубликована открыто. Но у них есть глубокое намерение поддерживать разработчиков, поддерживать экосистему и использовать открытость как способ лучше понять свои собственные модели.

Почти каждая крупная китайская технологическая компания строит свою собственную универсальную большую языковую модель. Мы уже видели, как такие платформенные сервисные компании, как Meituan, или крупные потребительские технологические компании, как Xiaomi, публикуют модели с открытыми весами. Аналогичные компании в США обычно просто покупают услуги.

Эти компании строят большие языковые модели не для того, чтобы отметиться в модной новинке, а из-за глубокого и фундаментального желания: контролировать свой собственный технологический стек и развивать самую важную на сегодня технологию. Когда я поднимал глаза от ноутбука и всегда видел на горизонте скопления строительных кранов, это явно перекликалось с более широкой культурой строительства и энергией созидания в Китае.

Человечность, обаяние и искренняя теплота китайских исследователей были очень близки. На личном уровне та жёсткая геополитическая риторика, к которой мы привыкли в США, совершенно не проникла в них. Миру нужно больше такой простой позитивности. Как член сообщества ИИ, я теперь больше беспокоюсь о том, что между его членами и группами появляются трещины из-за национальных ярлыков.

Если бы я сказал, что не хочу, чтобы американские лаборатории стали явными лидерами в каждой части технологического стека ИИ, я бы солгал. Особенно в области открытых моделей, где я провожу много времени, будучи американцем, у меня есть честное предпочтение.

В то же время я надеюсь, что сама открытая экосистема будет процветать во всём мире, поскольку это может создать более безопасный, доступный и полезный ИИ для мира. И текущий вопрос в том, примут ли американские лаборатории меры, чтобы занять эту лидирующую позицию.

В то время как я заканчивал эту статью, распространялись новые слухи о влиянии исполнительных распоряжений на открытые модели. Это может ещё больше осложнить синергию между лидерством США и глобальной экосистемой — что не добавляет мне уверенности.

Благодарю всех замечательных людей, с которыми мне посчастливилось побеседовать в Moonshot AI, Zhipu, Meituan, Xiaomi, Tongyi Qianwen, Ant Lingguang, 01.ai и других учреждениях. Каждый был так гостеприимен и щедр со своим временем. По мере формирования моих мыслей я продолжу делиться наблюдениями о Китае, как на более широком культурном уровне, так и в сфере ИИ.

Очевидно, что эти знания будут напрямую связаны с разворачивающейся историей развития передового края ИИ.