Почему развитие искусственного интеллекта в Китае происходит так быстро? Ответ скрыт внутри лабораторий

Заголовок оригинала: Notes from inside China’s AI labs
Автор оригинала: Nathan Lambert
Перевод: Peggy, BlockBeats

Автор оригинала:律动BlockBeats

Источник оригинала:

Репост: Mars Finance

Редакторский комментарий: Китайские лаборатории искусственного интеллекта становятся всё более заметной силой в глобальной конкуренции за крупные модели. Их преимущества заключаются не только в большом количестве талантов, сильных инженерах и быстром итеративном процессе, но и в очень реалистичной организационной модели: меньше разговоров о концепциях — больше создание моделей; меньше акцента на индивидуальных звёзд — больше на командной реализации; меньше зависимости от внешних сервисов — больше контроля над собственным технологическим стеком.

Автор статьи Nathan Lambert после посещения нескольких ведущих китайских лабораторий обнаружил, что экосистема ИИ в Китае и в США не полностью совпадает. В США больше ценится оригинальная парадигма, капиталовложения и влияние выдающихся ученых; в Китае же лучше умеют быстро догонять существующие направления за счёт открытого исходного кода, инженерной оптимизации и вложений большого количества молодых исследователей, что позволяет быстро выводить модели на передний край.

Самое важное, на что стоит обратить внимание, — не то, превзошли ли китайские ИИ-системы американские, а то, что формируются два разных пути развития: США больше напоминает гонку за передовые достижения, движимую капиталом и звёздными лабораториями; Китай же — это соревнование индустрии, в которой важны инженерные способности, открытая экосистема и осознание технологического суверенитета.

Это означает, что в будущем конкуренция в области ИИ будет не только за рейтинги моделей, но и за организационные способности, экосистему разработчиков и промышленную реализацию. Истинное изменение китайского ИИ — в том, что он уже не просто копирует Кремниевую долину, а участвует в глобальной передовой по-своему.

Ниже — оригинальный текст:

Я сидел в новом высокоскоростном поезде, отправляющемся из Ханчжоу в Шанхай, и смотрел в окно. Перед глазами простирались горные хребты с ярко выраженными волнами, на вершинах которых мелькали ветряные турбины, создавая силуэты на закате. Горы служили фоном, а перед ними — широкие поля и многоэтажные здания, перемешанные в хаотичном порядке.

Я возвращался из Китая с огромным чувством скромности. Посетить столь чуждое место и при этом получить такой тёплый приём — это очень тёплый и человечный опыт. Мне посчастливилось встретиться со многими людьми из экосистемы ИИ, которых я раньше знал только издалека; и они встречали меня с яркими улыбками и энтузиазмом, напоминая, что моя работа и вся экосистема ИИ — это глобальное явление.

Менталитет исследователей в Китае

Китайские компании, разрабатывающие языковые модели, можно назвать очень подходящими для роли «быстрого догоняющего» в этой технологии. Они основаны на долгой традиции китайской системы образования и рабочей культуры, а также имеют особенности в построении технологических компаний, отличающиеся от западных.

Если смотреть только на результаты — то есть на самые новые и крупные модели, а также на рабочие процессы, поддерживаемые ими; и на ресурсы, такие как талантливые ученые, большие объёмы данных и ускоренные вычислительные мощности — то китайские и американские лаборатории выглядят примерно одинаково. Истинные долгосрочные различия проявляются в том, как эти ресурсы организованы и формируют конечный результат.

Я всегда считал, что одна из причин, почему китайские лаборатории хорошо умеют догонять и держаться вблизи передовых позиций, — это их культурная совместимость с этой задачей. Но до недавних пор я не был уверен, насколько это интуитивное ощущение соответствует реальности. После общения с множеством талантливых, скромных и открытых ученых из ведущих китайских лабораторий мои представления стали яснее.

Создавать лучшие крупные языковые модели сегодня во многом зависит от тщательной работы на всех уровнях технологического стека: от данных и архитектурных решений до реализации алгоритмов обучения с подкреплением. Каждый этап может дать прирост, и умение объединить эти улучшения — сложная задача. В этом процессе иногда приходится ставить в сторону работу отдельных очень умных специалистов, чтобы добиться максимальной эффективности модели по множеству целей.

Американские исследователи, безусловно, тоже очень хороши в решении задач отдельных компонентов, но в культуре США присутствует тенденция «заявлять о себе». Когда ученый активно продвигает свою работу, у него больше шансов добиться признания; современная культура поощряет путь становления «звездой AI». Это может приводить к конфликтам.

Широко распространено мнение, что после внедрения иерархических структур в организации Llama, под давлением политических факторов, она рухнула. Я также слышал, что иногда приходится «успокаивать» ведущих ученых, чтобы они перестали жаловаться, что их идеи не попали в финальную модель. В любом случае, смысл ясен: самосознание и желание карьерного роста действительно могут мешать созданию лучших моделей. Даже культурные различия между США и Китаем — пусть и небольшие — могут оказывать значительное влияние на конечный результат.

Некоторые различия связаны с тем, кто именно занимается созданием моделей. В большинстве лабораторий значительная часть ключевых участников — студенты, ещё учащиеся. Эти лаборатории очень молоды, что напомнило мне о подходе в Ai2: студенты считаются равными и интегрированы в команды по крупным языковым моделям.

Это сильно отличается от практики в ведущих американских лабораториях. В США компании вроде OpenAI, Anthropic, Cursor практически не предлагают стажировок. Google и другие компании формально предоставляют стажировки, связанные с Gemini, но многие опасаются, что их работу могут изолировать от основной деятельности.

В целом, эта небольшая культурная разница может повышать способность к созданию моделей за счёт того, что:
— для улучшения итоговой модели люди готовы заниматься менее «глянцевой» работой;
— начинающие участники не так сильно подвержены влиянию предыдущих циклов хайпа в AI, что позволяет им быстрее адаптироваться к новым методам;
— низкий уровень самосознания способствует более лёгкому расширению организационных структур;
— большое количество талантов хорошо подходит для решения задач, уже подтвержденных концептуально в других местах.

Эта склонность к более эффективной работе над современными языковыми моделями контрастирует с устоявшимся стереотипом: что китайские исследователи реже создают «от 0 до 1» — более креативные, способные открыть новые области научных исследований.

На нескольких академических визитах в лаборатории я слышал, что руководители стараются культивировать именно такую амбициозную исследовательскую культуру. В то же время некоторые технические руководители сомневаются, что в краткосрочной перспективе удастся полностью перестроить научный подход, поскольку это требует кардинальной переработки системы образования и мотивации, а такие изменения очень сложны при текущем экономическом положении.

Похоже, что эта культура уже формирует группу студентов и инженеров, очень хорошо разбирающихся в «игре построения больших языковых моделей». И их число очень велик.

Эти студенты рассказывают, что в Китае происходит схожая с США утечка талантов: многие, кто раньше рассматривал академическую карьеру, теперь хотят остаться в индустрии. Самое интересное — слова одного исследователя, изначально планировавшего стать профессором: он хотел преподавать, чтобы быть ближе к системе образования; но потом он заметил, что образование уже решается крупными языковыми моделями — «зачем студентам приходить ко мне, чтобы пообщаться!»

Свежий взгляд таких студентов на область больших языковых моделей — это их преимущество. За последние годы мы видели, как менялись ключевые парадигмы: от расширения MoE, до усиленного обучения с подкреплением и поддержки интеллектуальных агентов. Чтобы хорошо освоить любую из этих областей, нужно очень быстро усваивать огромное количество информации — как из научной литературы, так и из внутреннего технологического стека компании.

Студенты привыкли к такому подходу и готовы с покорностью отказаться от предвзятых представлений о том, что «должно работать». Они погружаются в работу, вкладывают в неё всю жизнь, чтобы улучшить модели.

Эти студенты удивительно прямо и честно отвечают на вопросы о долгосрочных социальных рисках или экономическом влиянии моделей. В отличие от многих ученых, они гораздо реже выражают сложные мнения или пытаются влиять на эти темы. Их роль — создавать лучшие модели.

Эта разница очень тонкая и легко игнорируется. Но, общаясь с элегантным, умным исследователем, хорошо говорящим по-английски, можно почувствовать её: когда задаёшь вопросы о более философских аспектах ИИ, в воздухе остаётся ощущение недоумения. Для них это — категория ошибок.

Даже один исследователь процитировал известное мнение Dan Wang: «В США всё управляется юристами, а в Китае — инженерами». Он подчеркнул, что именно это желание построить — как он выразился — «желание создать» — и лежит в основе их подхода. В Китае нет системного пути, который бы, как у популярных подкастов Dwarkesh или Lex, формировал бы звездное влияние ученых.

Я пытался спросить китайских ученых о будущем экономики, вызванном ИИ, о моральных дилеммах, связанных с поведением моделей, — но всё, что я услышал, — это их профессиональный бэкграунд и образование (отредактировано 1). Они очень сосредоточены на своей работе, но выросли в системе, которая не поощряет обсуждение и открытое выражение мнений о том, как должна быть устроена общество и как его менять.

Если отдалить взгляд, особенно в Пекине, — создаётся ощущение, что это очень похоже на Кремниевую долину: конкурентоспособная лаборатория, которая может находиться всего в нескольких минутах ходьбы или езды на такси. После приземления я заехал в кампус Alibaba в Пекине. В течение следующих 36 часов мы посетили AI-центры Zhipu, Dark Side of the Moon, Tsinghua University, Meituan, Xiaomi и 01.ai.

В Китае пользоваться Didi очень удобно. Если выбрать модель XL, часто попадаешь в электромобиль с массажным креслом. Спрашивая исследователей о борьбе за таланты, они говорят, что всё очень похоже на США. Переключение между работодателями — норма, а выбор места работы зависит в основном от текущей атмосферы.

В Китае сообщество больших языковых моделей больше похоже на экосистему, а не на враждующие племена. В неофициальных разговорах я слышал почти только уважение к коллегам. Все лаборатории очень опасаются ByteDance и их популярной модели Doubao, потому что это единственная крупная закрытая передовая лаборатория в Китае. В то же время все очень уважают DeepSeek — за исследовательский вкус и качество работы. В США, при неформальных беседах с сотрудниками лабораторий, искры часто летят.

Самое впечатляющее в скромности китайских ученых — то, что они в бизнесе тоже часто пожимают плечами, говоря, что это не их дело. В США же кажется, что все погружены в индустриальные тренды: от продажи данных и вычислительных ресурсов до привлечения финансирования.

Различия и сходства китайской индустрии ИИ с западными лабораториями

Создавать модель ИИ сегодня — это уже не просто собрать талантливых исследователей в одном здании и вместе создавать инженерное чудо. Раньше так и было, но для поддержки бизнеса крупные языковые модели превращаются в гибрид: их строят, внедряют, финансируют и продвигают для массового использования.

Ведущие компании в области ИИ существуют внутри сложных экосистем. Эти системы обеспечивают финансирование, вычислительные мощности, данные и другие ресурсы, чтобы постоянно двигать передовые границы.

В западных экосистемах уже достаточно хорошо концептуализирован и нарисован способ объединения всех необходимых элементов для создания и поддержки крупных языковых моделей. Anthropic и OpenAI — яркие представители этого подхода. Поэтому, если мы обнаружим, что китайские лаборатории мыслят иначе, это поможет понять, на что в будущем будут делать ставки разные компании. Конечно, эти решения также сильно зависят от уровня финансирования и доступных вычислительных ресурсов.

Вот основные «уровни» понимания индустрии, которые я получил после общения с этими лабораториями:

Первое — внутренний спрос на ИИ уже проявляется на ранних стадиях.
Распространено предположение, что рынок ИИ в Китае будет меньшим, потому что китайские компании обычно не готовы платить за программное обеспечение, и поэтому рынок для крупной инфраструктуры и логики не сможет развиться до масштабов, достаточных для поддержки лабораторий.

Но это верно только для SaaS-моделей. В Китае SaaS-экосистема исторически очень мала. С другой стороны, у страны всё ещё есть огромный рынок облачных решений.

Ключевой вопрос — насколько расходы китайских компаний на ИИ будут больше похожи на SaaS или на облачный рынок. Этот вопрос обсуждается внутри самих лабораторий. В целом, я считаю, что ИИ всё больше приближается к облачному рынку, и никто особо не опасается, что рынок новых инструментов не сможет расти.

Второе — большинство разработчиков сильно вдохновлены Claude.
Несмотря на то, что Claude формально запрещён в Китае, большинство китайских разработчиков очень увлечены Claude и тем, как он меняет их подход к созданию программного обеспечения. То есть, то, что в прошлом Китай не очень активно покупал программное обеспечение, не означает, что не возникнет волна высокого спроса на крупные модели.

Китайские инженеры очень прагматичны, скромны и мотивированы. Это ощущение сильнее, чем любые исторические привычки избегать покупки софта.

Некоторые исследователи упоминают, что используют свои инструменты, например Kimi или командные утилиты GLM, но все говорят о Claude. Удивительно, что очень мало кто говорит о Codex, который в Кремниевой долине уже быстро набирает популярность.

Третье — у китайских компаний есть сильное чувство собственности на технологии.
Китайская культура в сочетании с мощной экономической движущей силой порождает непредсказуемые результаты. Мое глубокое впечатление — множество моделей отражают прагматизм и баланс интересов внутри технологического сектора. Нет единого плана.

Этот сектор определяется уважением к ByteDance и Alibaba — крупным игрокам, которые, обладая мощными ресурсами, могут захватить значительную долю рынка. DeepSeek — уважаемый технологический лидер, но не лидер рынка. Они задают направление, но не имеют структур, чтобы выиграть рынок экономически.

Остаются такие компании, как Meituan или Ant Group. Западные могут удивляться, зачем им нужны эти модели. Но на самом деле они явно рассматривают крупные языковые модели как ядро будущих технологических продуктов, и им нужен мощный фундамент.

Когда они дорабатывают универсальные модели, обратная связь от открытого сообщества помогает укрепить их технологический стек, а также позволяет сохранять внутренние версии для своих продуктов. Такой «открытый приоритет» — это в значительной степени проявление прагматизма: он помогает получать обратную связь, возвращать её сообществу и усиливать собственные возможности.

Четвертое — государственная поддержка существует, но масштаб пока неясен.
Многие утверждают, что китайское правительство активно помогает в соревновании за открытые крупные языковые модели. Но это — сложная и относительно децентрализованная система, где каждый уровень не имеет чётких инструкций, что именно он должен делать.

В Пекине конкурируют районы, борясь за привлечение технологических компаний. «Помощь» со стороны власти, скорее всего, включает устранение бюрократических препятствий, таких как получение лицензий. Но насколько далеко это может зайти? Могут ли разные уровни власти помочь привлечь таланты? Могут ли они помочь с контрабандой чипов?

За время визита я услышал много упоминаний о поддержке или интересе со стороны правительства, но информации недостаточно, чтобы делать однозначные выводы или формировать уверенную картину о том, как именно государство может влиять на развитие ИИ в Китае.

Конечно, нет никаких признаков того, что высшее руководство Китая влияет на технические решения в области моделей.

Пятое — индустрия данных значительно менее развита, чем в США.
Ранее сообщалось, что Anthropic или OpenAI тратят более миллиона долларов на отдельную среду, а ежегодные расходы на развитие передовых методов обучения с подкреплением достигают сотен миллионов долларов. Поэтому интересно понять, покупают ли китайские лаборатории такие же среды у американских компаний или создают собственные.

Ответ — не совсем «отсутствие индустрии данных», а скорее то, что по опыту, качество данных в Китае оставляет желать лучшего, и зачастую лучше создавать собственные среды и данные. Исследователи тратят много времени на подготовку обучающих сред для RL, а крупные компании вроде ByteDance или Alibaba имеют внутренние команды по аннотированию данных. Всё это подтверждает подход «строить внутри, а не покупать».

Шестое — очень сильный спрос на чипы Nvidia.
Вычислительные мощности Nvidia — золотой стандарт для обучения моделей, и все ограничены нехваткой ресурсов. Если бы поставки были в достатке, все бы покупали. В том числе и Huawei, и другие ускорители, получающие положительные отзывы в области inference. Множество лабораторий используют чипы Huawei.

Эти пункты рисуют очень отличную картину экосистемы ИИ. Если попытаться применить западный подход к организации работы в Китае, это часто приводит к ошибкам. Главное — понять, будут ли эти разные экосистемы давать существенно разные модели или китайские модели всегда будут восприниматься как модели, примерно соответствующие американским, созданным за 3–9 месяцев до этого.

Вывод: глобальный баланс

Перед этой поездкой я знал о Китае очень мало; после — чувствую, что только начинаю учиться. Китай — это не место, которое можно описать правилами или рецептами, а место с очень отличающимися движущими силами и реакциями. Его культура настолько древняя, глубока и всё ещё тесно связана с внутренней технологической практикой. Мне ещё много предстоит понять.

Многие части существующей американской системы власти используют своё восприятие Китая как ключевой психологический инструмент при принятии решений. После многочисленных встреч с ведущими китайскими лабораториями я обнаружил, что в них есть много качеств и инстинктов, которые трудно моделировать западным подходам.

Даже спрашивая, почему эти лаборатории открыто публикуют свои лучшие модели, я всё равно не могу полностью связать «чувство собственности» и «искреннюю поддержку экосистемы».

Эти лаборатории очень прагматичны, не обязательно являются абсолютными сторонниками открытости. Не каждую модель они публикуют, и не все решения — открытые. Но в поддержке разработчиков, экосистемы и использовании открытых подходов для лучшего понимания своих моделей они проявляют глубокий настрой.

Почти все крупные китайские технологические компании создают свои собственные универсальные языковые модели. Мы уже видели, что такие платформенные компании, как Meituan, и крупные потребительские бренды, как Xiaomi, выпускают открытые модели с весами. В США подобные компании обычно просто покупают услуги.

Создавая крупные языковые модели, эти компании не делают это ради хайпа, а исходя из глубокого желания: контролировать собственный технологический стек и развивать самые важные технологии. Когда я поднимаю взгляд с ноутбука и вижу на горизонте стройки — это явно соответствует более широкой строительной культуре и энергии в Китае.

Человечность, искренность и тепло китайских исследователей очень близки. В личных разговорах они полностью лишены той жесткой геополитической риторики, которая часто присутствует в западных дискуссиях. В этом мире могло бы быть больше таких простых и позитивных настроений. Как участник AI-сообщества, я сейчас больше обеспокоен тем, что вокруг национальных ярлыков и групп возникают трещины.

Если говорить честно, я бы соврал, если бы сказал, что не хочу, чтобы американские лаборатории полностью лидировали во всех аспектах технологического стека ИИ. Особенно в области открытых моделей — я американец, и это честное предпочтение.

Но я также надеюсь, что открытая экосистема сможет развиваться по всему миру, создавая более безопасный, доступный и полезный ИИ. А сейчас меня больше всего волнует вопрос: предпримут ли американские лаборатории действия, чтобы занять лидирующие позиции.

Когда я писал эти строки, ходили слухи о возможных новых указах, которые могут повлиять на открытые модели. Это может усложнить взаимодействие между американским лидерством и глобальной экосистемой — и это меня не вселяет особой уверенности.

Благодарю всех замечательных людей, с которыми мне посчастливилось пообщаться в Dark Side of the Moon, Zhipu, Meituan, Xiaomi, Tongyi Qianwen, Ant Light, 01.ai и других организациях. Все они были очень гостеприимны и щедры своим временем. По мере формирования моих мыслей я буду продолжать делиться наблюдениями о Китае, включая более широкие культурные аспекты и саму область ИИ.

Очевидно, что эти знания напрямую связаны с развитием передовых технологий в области ИИ.