2026 年 4 月下旬，Linux 基金会全球人工智能首席技术官 Matt White 等人在北京、上海和杭州进行了为期 8 天的实地考察。

8 天时间里，他先后与 DeepSeek、月之暗面、智谱 AI、MiniMax、阿里云、蚂蚁集团、字节跳动、小米、零一万物等公司进行了交流，也走访了清华大学智能产业研究院，以及宇树科技、星海图和银河通用等机器人企业。

Matt 到访期间，恰逢国内模型发布进入密集周期：Kimi K2.6、Qwen 3.6-27B、MiMo V2.5 系列、Ling-2.6-1T、DeepSeek V4 等模型接连亮相。

回到美国后，他写下了长篇文章《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》，最近又在播客中详细谈起这次行程。

他的核心感受是：美国对中国 AI 内部正在发生什么，了解得远比想象中少。外界可以看到论文、模型和榜单，却很难从公开发布中感受到实验室的研究热情、团队文化以及不同城市之间正在形成的产业密度。真正进入这些机构后，他发现，中国研究团队并不封闭。他们不会透露商业路线图，却愿意讨论研究、分享技术判断，也急于把成果放到全球坐标系里检验。

不同公司的气质也很鲜明。月之暗面的团队年轻，办公室带着摇滚文化；DeepSeek 给他的感觉则是低调、务实。团队成员更关心一起把问题解决，而不是谁当论文第一作者、谁拿到更高薪水。

人才流向也让他印象很深。中国不少 AI 创始人和研究人员曾在伯克利、卡内基梅隆、斯坦福等西方高校学习，后来选择回国工作。过去，优秀学生毕业后留在美国是常见路径；如今，越来越多研究人员和创业者愿意回到中国。Matt 认为，中国对创新和创业的支持正在增强这种吸引力。全球 AI 的人才中心不再只有旧金山湾区，深圳、杭州和北京也在形成自己的聚集效应。

芯片受限没有让竞争停下来

外界一直有一种判断：拿不到最先进的芯片，中国 AI 的速度早晚会慢下来。Matt 的看法却没有这么简单：限制当然会影响训练，但资源越紧，团队越会想办法提高效率。

以 DeepSeek 为代表的公司就是用更少资源做更多事情。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用。他提到，同行对 DeepSeek 的态度更接近敬佩，而非单纯竞争：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。

这种创新并不是谁关起门来独自完成的。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，都建立在前人的工作上。Muon 最初来自美国研究，后来被不同团队继续改进。AI 研究本来就是这样：一个人先做出来，另一个人改进，更多人再把它用到实际训练中，Transformer 架构就是这样演化的。

所以，Matt 认为，把中国 AI 简单说成复制美国并不准确。今天已经有不少中国技术被美国的开放模型和商业产品采用。技术在不同国家之间来回流动，很难再分出一条泾渭分明的边界。

限制带来的影响也不只在模型端。中国正在加快本土芯片投入，一批芯片公司随之出现。再加上制造业、供应链和应用市场，中国有机会把芯片、模型、设备和部署连在一起。先进算力仍然是短板，但从行业发展的角度看，短板也在迫使企业寻找替代方案。

图 |Matt White 在阿里云（来源：Matt White）

开源在中国已经胜出，但还得算经济账

2026 年 3 月，Hugging Face 官方发了一组数据：过去一年（约 2025 年 2 月至 2026 年 2 月），中国模型占全球下载量的 41%，美国约为 36.5%。

Matt 认为，中国开放模型下载量快速增长，背后有很现实的原因。以 Qwen 为代表的一批中小型模型，性能不错、成本较低。对开发者来说，小型和中型模型可以在本地运行；对企业来说，自行部署能减少 API 费用，也能控制数据和升级节奏。

但 Matt 提醒，“开放模型”“开放权重”和“开放科学”不是一回事。有些模型虽然可以下载权重，许可证却限制商业用途；有些模型允许使用，却没有公开训练数据和训练方法。真正完整的开放科学，还应包括数据集、训练代码、训练配方和测试方法，让别人能够复现。

这对创业公司尤其重要。模型能下载，不等于能放心拿来做生意。它基于哪个底座训练、经过哪些微调、许可证是否被改过，都可能影响产品上线。以后企业挑模型，不能只看榜单，还要像检查软件供应链一样检查来源。

蒸馏争议也是同样的问题。Matt 认为，用大模型生成数据、训练小模型，是中美实验室都在做的常见方法。关键不在于给蒸馏贴上“攻击”标签，而在于是否遵守服务条款，数据和商业使用是否合规。

与此同时，开源也要面对赚钱的问题。训练超大模型花费巨大，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，公司也需要收入继续训练。Matt 判断，中国模型公司可能逐渐形成开放模型做生态、商业 API 做收入的混合模式，用付费服务补贴下一轮研究与训练。

智能体和机器人很热，但离完全自主还有距离

从模型继续往应用看，Matt 在中国听到最多的词之一是智能体。OpenClaw、Hermes Agent 被频繁讨论，“一人公司”（OPC）概念也很流行。大家希望智能体能订票、购物、处理工作，甚至替人赚钱。

如果智能体真的能代表用户办事，软件入口也会变化。网站不会马上消失，但商店、酒店和航空公司可能同时提供适合智能体读取的接口。届时，一个界面给人看，另一套接口供智能体下单和付款。想象很丰满，难点仍是身份、支付、权限和出了问题由谁负责。

Matt 对这个方向很期待，但没有那么乐观。他认为，现在的智能体更适合完成一段具体任务，比如读取收据、整理表格、生成初稿，再交给人检查。让一个智能体从头到尾承担复杂工作，特别是涉及资金和责任的工作，仍然不现实。

机器人也是类似情况。中国公司的长处是机械、执行器制造和系统集成，美国公司更关注机器人的“大脑”。中国可能已有 150 多家人形机器人公司，竞争十分拥挤。但很多机器人仍依赖遥控或预先编程，真正困难的灵巧操作和自主决策，还没有完全解决。

图 | Matt White 在宇树科技（来源：Matt White）

这也是“世界模型”受到关注的原因。机器人要在真实环境中行动，不能只会识别文字和图片，还要理解空间、物体，以及一个动作可能带来的结果。Matt 认为，世界模型最值得关注的用途就在于机器人和具身智能，但它目前仍有不同技术路线，离统一方案还很远。

因此，行业下一步比拼的不会只是演示效果，而是谁能稳定解决真实问题。机器人能不能连续工作，智能体会不会越权，出了错谁来负责，这些问题比一次漂亮展示更重要。

“如果只有 100 万美元，我投向智能体”

模型只负责生成答案时，答错了可能只是信息不准；智能体一旦能调用工具、访问数据、付款或退款，错误就会带来实际损失。Matt 因此反复强调，安全不能只做在模型上，还要写进程序和执行框架。

比如客服智能体可以退多少钱、投资智能体能动用多少资金，不能只靠提示词提醒。模型有随机性，规则却必须是确定的。权限、金额、数据范围和人工确认，都要用代码锁住。

尤其是多智能体系统会让问题更复杂。一个智能体把任务交给另一个，权限和错误也可能沿着链条传下去。

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

他解释道：今天的智能体仍不擅长处理长期、复杂任务，多智能体协作也存在安全、隐私和可靠性问题。金融等强监管行业已经开始为具体场景搭建防护措施，但市场仍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，提高系统的可控性。未来更值得投入的方向，不只是训练更强的模型，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

谈到大模型的“推理”，Matt 的看法很明确：模型越来越会解题，不等于它拥有了人类的思考方式。大语言模型仍是在预测下一个词，只是经过训练后，越来越擅长模仿人类写下的推理过程。

这并不妨碍模型有用。工具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、有耐心，便把它当成一个真正理解自己的人。

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再说回来。对情绪脆弱的人来说，这种“永远回应、很少反驳”的交流可能带来风险。Matt 认为，产品应该让用户清楚地知道，自己面对的是一个系统，而不是有经验、有责任、有判断力的人。

同样的边界也出现在 AI 编程中。Matt 自己使用 Claude Code，但生成的代码不能直接上线，还需要测试、安全检查和工程优化。AI 让不会编程的人也能提交代码，开源项目收到的 PR 因此大增；维护者又不得不用 AI 来审查这些 PR。写代码变容易了，判断代码能不能用，反而变得更重要。

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 谈及企业落地时相当冷静。他见过最多的失败，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，花了半年甚至一年，最后没有做出真正可用的东西。

他的建议很朴素：如果不是 AI 实验室，就不要轻易从头训练模型。中小企业可以先用现有软件里的 AI 功能，大公司则可以借助开源工具、供应商和顾问。先解决问题，再决定买还是自己做。

企业还要分清什么只是提高效率，什么才是自己的竞争力。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。

也不是所有问题都要用大模型。欺诈检测、设备异常识别等任务，传统机器学习往往更稳定、更准确。因为大模型热门，就把旧方法全部换掉，未必是进步。

更现实的做法，是先挑风险较低、效果能衡量的场景，建立测试标准，保留人工检查，再逐步增加自动化。智能体可以整理报税材料，但最终申报仍要由人确认；它可以买一件便宜商品，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 AI，而是它有没有让业务变得更快、更省钱、更可靠。

总而言之，八天的访问没有让 Matt 得出一个简单的结论。他没有认为中国 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的不足。但他更加确定，外界已经不能再用复制、低价和人海战术解释中国 AI 的发展。

中国实验室正在形成自己的路径：通过资源约束推动架构创新，通过开放模型进入全球社区，通过庞大的市场验证产品，再依靠云计算、消费互联网、制造业和供应链把 AI 带入真实场景。

参考链接：

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/首图由AI辅助生成