2026 年 4 月下旬，Linux 基金會全球人工智能首席技術 官 Matt White 等人在北京、上 海和杭州進行了爲期 8 天的實地考察。
8 天時間裏，他先後與 DeepSeek、月之暗面、智譜 AI、MiniMax、阿里雲、螞蟻集團、字節跳動、小米、零一萬物等公司進行了交流，也走訪了清華大學智能產業研究院，以及宇樹科技、星海圖和銀河通用等機器人企業。
Matt 到訪期間，恰逢國內模型發佈進入密集週期：Kimi K2.6、Qwen 3.6-27B、MiMo V2.5 系列、Ling-2.6-1T、DeepSeek V4 等模型接連亮相。
回到美國後， 他寫下了長篇文章《在中國的八天：我從 AI 實驗室、機器人初創公司和學術界學到了什麼》，最近又在播客中詳細談起這次行程。
他的核心感受是：美國對中國 AI 內部正在發生什麼，瞭解得遠比想象中少。外界可以看到論文、模型和榜單，卻很難從公開發布中感受到實驗室的研究熱情、團隊文化以及不同城市之間正在形成的產業密度。真正進入這些機構後，他發現，中國研究團隊並不封閉。他們不會透露商業路線圖，卻願意討論研究、分享技術判斷，也急於把成果放到全球座標系裏檢驗。
不同公司的氣質也很鮮明。月之暗面的團隊年輕，辦公室帶着搖滾文化；DeepSeek 給他的感覺則是低調、務實。團隊成員更關心一起把問題解決，而不是誰當論文第一作者、誰拿到更高薪水。
人才流向也讓他印象很深。中國不少 AI 創始人和研究人員曾在伯克利、卡內基梅隆、斯坦福等西方高校學習，後來選擇回國工作。過去，優秀學生畢業後留在美國是常見路徑；如今，越來越多研究人員和創業者願意回到中國。Matt 認爲，中國對創新和創業的支持正在增強這種吸引力。全球 AI 的人才中心不再只有舊金山灣區，深圳、杭州和北京也在形成自己的聚集效應。
芯片受限沒有讓競爭停下來
外界一直有一種判斷：拿不到最先進的芯片，中國 AI 的速度早晚會慢下來。Matt 的看法卻沒有這麼簡單：限制當然會影響訓練，但資源越緊，團隊越會想辦法提高效率。
以 DeepSeek 爲代表的公司就是用更少資源做更多事情。無論是 GRPO、推理訓練方法，還是在有限算力下提升模型效率的架構創新，DeepSeek 的成果都被其他團隊反覆引用和採用。他提到，同行對 DeepSeek 的態度更接近敬佩，而非單純競爭：這是一支依靠精幹團隊和原創技術改變行業規則的研究力量。
這種創新並不是誰關起門來獨自完成的。DeepSeek 的 GRPO、月之暗面對 Muon 優化器的研究、字節跳動的 VeRL、MiniMax 的線性注意力，都建立在前人的工作上。Muon 最初來自美國研究，後來被不同團隊繼續改進。AI 研究本來就是這樣：一個人先做出來，另一個人改進，更多人再把它用到實際訓練中，Transformer 架構就是這樣演化的。
所以，Matt 認爲，把中國 AI 簡單說成複製美國並不準確。 今天已經有不少中國技術被美國的開放模型和商業產品採用。技術在不同國家之間來回流動，很難再分出一條涇渭分明的邊界。
限制帶來的影響也不只在模型端。 中國正在加快本土芯片投入，一批芯片公司隨之出現。 再加上製造業、供應鏈和應用市場，中國有機會把芯片、模型、設備和部署連在一起。先進算力仍然是短板，但從行業發展的角度看，短板也在迫使企業尋找替代方案。
圖 | Matt White 在阿里雲（來源：Matt White）
開源在中國已經勝出，但還得算經濟賬
2026 年 3 月，Hugging Face 官方發了一組數據：過去一年（約 2025 年 2 月至 2026 年 2 月），中國模型佔全球下載量的 41%，美國約爲 36.5%。
Matt 認爲，中國開放模型下載量快速增長，背後有很現實的原因。以 Qwen 爲代表的一批中小型模型，性能不錯、成本較低。 對開發者來說，小型和中型模型可以在本地運行；對企業來說，自行部署能減少 API 費用，也能控制數據和升級節奏。
但 Matt 提醒，“開放模型”“開放權重”和“開放科學”不是一回事。有些模型雖然可以下載權重，許可證卻限制商業用途；有些模型允許使用，卻沒有公開訓練數據和訓練方法。真正完整的開放科學，還應包括數據集、訓練代碼、訓練配方和測試方法，讓別人能夠復現。
這對創業公司尤其重要。模型能下載，不等於能放心拿來做生意。它基於哪個底座訓練、經過哪些微調、許可證是否被改過，都可能影響產品上線。以後企業挑模型，不能只看榜單，還要像檢查軟件供應鏈一樣檢查來源。
蒸餾爭議也是同樣的問題。Matt 認爲，用大模型生成數據、訓練小模型，是中美實驗室都在做的常見方法。關鍵不在於給蒸餾貼上“攻擊”標籤，而在於是否遵守服務條款，數據和商業使用是否合規。
與此同時，開源也要面對賺錢的問題。訓練超大模型花費巨大，一些中國實驗室已經上市，另一些正在尋求融資。投資人需要回報，公司也需要收入繼續訓練。 Matt 判斷，中國模型公司可能逐漸形成開放模型做生態、商業 API 做收入的混合模式，用付費服務補貼下一輪研究與訓練。
智能體和機器人很熱，但離完全自主還有距離
從模型繼續往應用看，Matt 在中國聽到最多的詞之一是智能體。OpenClaw、Hermes Agent 被頻繁討論，“一人公司”（OPC）概念也很流行。大家希望智能體能訂票、購物、處理工作，甚至替人賺錢。
如果智能體真的能代表用戶辦事，軟件入口也會變化。網站不會馬上消失，但商店、酒店和航空公司可能同時提供適合智能體讀取的接口。屆時，一個界面給人看，另一套接口供智能體下單和付款。想象很豐滿，難點仍是身份、支付、權限和出了問題由誰負責。
Matt 對這個方向很期待，但沒有那麼樂觀 。 他認爲，現在的智能體更適合完成一段具體任務，比如讀取收據、整理表格、生成初稿，再交給人檢查。讓一個智能體從頭到尾承擔複雜工作，特別是涉及資金和責任的工作，仍然不現實。
機器人也是類似情況。中國公司的長處是機械、執行器製造和系統集成，美國公司更關注機器人的“大腦”。中國可能已有 150 多家人形機器人公司，競爭十分擁擠。但很多機器人仍依賴遙控或預先編程，真正困難的靈巧操作和自主決策，還沒有完全解決。
圖 | Matt White 在宇樹科技（來源：Matt White）
這也是“世界模型”受到關注的原因。機器人要在真實環境中行動，不能只會識別文字和圖片，還要理解空間、物體，以及一個動作可能帶來的結果。Matt 認爲， 世界模型最值得關注的用途就在於機器人和具身智能，但它目前仍有不同技術路線，離統一方案還很遠。
因此， 行業下一步比拼的不會只是演示效果，而是誰能穩定解決真實問題。 機器人能不能連續工作，智能體會不會越權，出了錯誰來負責，這些問題比一次漂亮展示更重要。
“如果 只有 100 萬美元，我投向智能體”
模型只負責生成答案時，答錯了可能只是信息不準；智能體一旦能調用工具、訪問數據、付款或退款，錯誤就會帶來實際損失。Matt 因此反覆強調， 安全不能只做在模型上，還要寫進程序和執行框架。
比如客服智能體可以退多少錢、投資智能體能動用多少資金，不能只靠提示詞提醒。模型有隨機性，規則卻必須是確定的。權限、金額、數據範圍和人工確認，都要用代碼鎖住。
尤其是多智能體系統會讓問題更復雜。一個智能體把任務交給另一個，權限和錯誤也可能沿着鏈條傳下去。
這也是 Matt 在訪談最後給創業者的答案。主持人問他， 如果今天手裏只有 100 萬美元，會把錢投向哪裏？Matt 的回答是智能體。“我對智能體非常看好。”
他解釋道：今天的智能體仍不擅長處理長期、複雜任務，多智能體協作也存在安全、隱私和可靠性問題。金融等強監管行業已經開始爲具體場景搭建防護措施，但市場仍缺少能夠跨行業使用的通用方案。由於智能體會繼承大模型的幻覺等問題，不能指望單靠模型解決一切，而應通過限制上下文、增加確定性代碼、設置權限和執行框架，提高系統的可控性。 未來更值得投入的方向，不只是訓練更強的模型，而是圍繞模型建立一套安全、可靠、可監控的完整系統。
模型說得像人，不代表它真的像人一樣思考
談到大模型的“推理”，Matt 的看法很明確： 模型越來越會解題，不等於它擁有了人類的思考方式。 大語言模型仍是在預測下一個詞，只是經過訓練後，越來越擅長模仿人類寫下的推理過程。
這並不妨礙模型有用。工具不需要像人一樣思考，照樣可以完成任務。真正需要警惕的，是人們因爲它說話流暢、有耐心，便把它當成一個真正理解自己的人。
聊天機器人常常順着用戶的話說，把用戶的想法重新包裝後再說回來。對情緒脆弱的人來說，這種“永遠回應、很少反駁”的交流可能帶來風險。Matt 認爲，產品應該讓用戶清楚地知道，自己面對的是一個系統，而不是有經驗、有責任、有判斷力的人。
同樣的邊界也出現在 AI 編程中。Matt 自己使用 Claude Code，但生成的代碼不能直接上線，還需要測試、安全檢查和工程優化。AI 讓不會編程的人也能提交代碼，開源項目收到的 PR 因此大增；維護者又不得不用 AI 來審查這些 PR。寫代碼變容易了，判斷代碼能不能用，反而變得更重要。
企業不缺 AI 項目，缺的是先把問題想清楚
相比對前沿技術的興奮，Matt 談及企業落地時相當冷靜。他見過最多的失敗，是企業總覺得我們自己能做得更好，於是從頭訓練模型、重複開發已有工具，花了半年甚至一年，最後沒有做出真正可用的東西。
他的建議很樸素： 如果不是 AI 實驗室，就不要輕易從頭訓練模型。 中小企業可以先用現有軟件裏的 AI 功能，大公司則可以藉助開源工具、供應商和顧問。先解決問題，再決定買還是自己做。
企業還要分清什麼只是提高效率，什麼纔是自己的競爭力。文檔總結、客服輔助等通用功能，交給供應商通常更划算；如果某項能力直接決定產品體驗和商業模式，才值得投入自有團隊。
也不是所有問題都要用大模型。欺詐檢測、設備異常識別等任務，傳統機器學習往往更穩定、更準確。因爲大模型熱門，就把舊方法全部換掉，未必是進步。
更現實的做法， 是先挑風險較低、效果能衡量的場景，建立測試標準，保留人工檢查，再逐步增加自動化。 智能體可以整理報稅材料，但最終申報仍要由人確認；它可以買一件便宜商品，卻未必適合替你管理全部資產。企業真正要問的，不是有沒有用 AI，而是它有沒有讓業務變得更快、更省錢、更可靠。
總而言之，八天的訪問沒有讓 Matt 得出一個簡單的結論。他沒有認爲中國 AI 已經全面領先，也沒有忽視中國實驗室在芯片、基礎研究、商業化和開源治理方面的不足。但他更加確定， 外界已經不能再用複製、低價和人海戰術解釋中國 AI 的發展。
中國實驗室正在形成自己的路徑：通過資源約束推動架構創新，通過開放模型進入全球社區，通過龐大的市場驗證產品，再依靠雲計算、消費互聯網、製造業和供應鏈把 AI 帶入真實場景。
參考鏈接：
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/首圖由AI輔助生成