Структурное преимущество Китая в open-source AI

Кевин Сюй (Kevin Xu) написал этот текст для своей рассылки Interconnected 25 июня 2025 года, спустя пять месяцев после выхода DeepSeek R1. Материал опирается на подкаст-интервью с Йоном Стойкой (Ion Stoica) - профессором Беркли, стоящим за Sky Computing Lab, и сооснователем Databricks, Anyscale и LM Arena, - который описал ряд структурных преимуществ Китая в сфере открытого AI. Вопрос Сюя заключается в том, почему практически все ведущие китайские лаборатории выпускают открытые веса под пермиссивными лицензиями (Apache 2.0 или MIT, а не под корпоративными лицензиями вроде Llama), тогда как ведущие американские лаборатории остаются закрытыми. Ламберт в open-source-ai-reading-list помещает эту статью в раздел "Структурные преимущества Китая в open-source", рядом с более поздним и подробным текстом Сюя chinese-open-source-a-definitive-history.

Момент DeepSeek глазами Ханчжоу

Сюй сразу отвергает теорию о том, что релиз R1 20 января был приурочен к инаугурации Трампа и анонсу Stargate, чтобы затмить их. Реальным дедлайном был китайский Новый год неделей позже, когда каждый инженер в Китае стремится завершить релиз и уехать домой. Лабораторией, чей праздник R1 действительно испортил, оказалась Alibaba. Председатель совета директоров Джо Цай (Joe Tsai) рассказал на VivaTech, что команда Qwen отменила поездки и ночевала в офисе, пока не довела модель до конкурентного уровня, и Qwen 2.5 Max вышла 28 января, прямо в канун Нового года. К июню тремя лучшими открытыми моделями в индексе интеллекта Artificial Analysis стали DeepSeek, Qwen и MiniMax - стартап с поддержкой Alibaba и Tencent, по слухам готовящийся к IPO в Гонконге. "Один раз - точка, два - линия, три - тренд".

Три преимущества

Первое - квалификация специалистов. Фраза Дженсена Хуанга о том, что в Китае сосредоточено 50% мировых исследователей AI, восходит к трекеру талантов MacroPolo; Дэмиен Ма (Damien Ma), руководивший этим проектом, формулирует это как "47% из топ-20% лучших талантов". Сюй добавляет менее очевидную деталь. Производственная и биотехнологическая база Китая готовит экспертов в прикладных областях. Экспертиза в предметных областях вновь стала критичной, поскольку обучение с подкреплением (reinforcement learning) превратилось в основной способ улучшать модели на реальных задачах, а функцию награды кто-то должен проектировать.

Второе преимущество - данные, и Сюй аккуратно отделяет свой тезис от штампа о большой стране со слабыми законами о конфиденциальности. Данные китайского интернета - не самый качественный корпус: цензура постоянно удаляет контент, а закрытые экосистемы вроде ByteDance и Tencent недоступны для парсинга. Ранее Сюй утверждал, что это может навсегда оставить Китай в отстающих. Преимущество кроется в другом. Китайская промышленность плотно охвачена сетями 5G и датчиками IoT, генерируя огромные объёмы вертикальных данных из реальных задач, которые Сюй называет лучшим типом данных для обучения и оценки. Кроме того, OpenAI предпочла не запускать ChatGPT в Китае (сервис не был заблокирован на старте, вопреки распространённой версии), и остальные американские закрытые лаборатории последовали её примеру, так что им китайские интернет-данные не нужны. Китайские лаборатории получили этот корпус в единоличное распоряжение, сохраняя при этом доступ к глобальному вебу.

Третье - open source по умолчанию. Академические исследования открыты по своей природе, а граница между наукой и коммерческими лабораториями в Китае более прозрачна, чем в США, поэтому лаборатории переняли привычки академической среды. Сюй не утверждает, что это было неизбежно. Китайские лаборатории отставали на момент запуска ChatGPT, а открытие исходного кода - стандартная стратегия догоняющего, пытающегося размыть конкурентное преимущество лидера (ту же причину он называет и для выпуска Llama компанией Meta). То, что начиналось как оборонительный шаг, превратилось в маховик. Открытая лаборатория с корпоративным финансированием платит рыночные зарплаты, позволяя исследователям публиковаться; выпуск актуальных, а не устаревших моделей формирует сообщество разработчиков, а бесплатные настраиваемые веса проникают в большее число сценариев, сразу выходя на глобальный уровень. Исключением из этого правила Сюй называет ByteDance.

Два разных маховика

Обе страны связывают университеты с индустрией, но Сюй считает, что эта связь работает на разном топливе. В Кремниевой долине связующим звеном выступают деньги: посевные чеки, гигантские зарплатные пакеты, а в 2025 году - стомиллионные офферы Марка Цукерберга и скупка стартапов. В Китае чистый финансовый венчур практически исчез, уступив место фондам с корпоративным или государственным участием, а переманивание специалистов происходит за куда меньшие суммы. Зато осталась система академического продвижения, требующая реального прикладного эффекта. Чжэцзянский университет, альма-матер Лян Вэньфэна (Liang Wenfeng), обязывает исследователей проходить стажировки в компаниях, принадлежащих холдинговой группе университета, для получения следующей ступени. Сюй считает американскую модель более прибыльной и менее предрасположенной к сотрудничеству, а китайскую - более эффективной, пусть и ценой открытий, не имеющих очевидного применения прямо сейчас.

Общие артефакты против изоляции

Второй контраст принадлежит Стойке. Артефакт в его понимании - это переиспользуемый строительный блок: набор весов, библиотека параллелизации, тулчейн для развёртывания. Открытая разработка накапливает их публично, позволяя каждому видеть, какие задачи уже решены, и браться за нерешённые. Закрытые лаборатории работают изолированно и, по оценке Стойки, делают примерно одно и то же, обмениваясь знаниями только при переходе сотрудников. Даже Meta наверстывала отставание вливанием денег, а не опорой на общие наработки. Сюй приводит оценку Coatue: $365 млрд расходов на AI-датацентры в 2025 году со стороны Amazon, Microsoft, Google, Meta, Oracle и Tesla, не считая проекта Stargate целиком, и предполагает, что большая часть этих трат дублирует друг друга.

Он не утверждает, что китайские лаборатории избегают дублирования. Alibaba, Huawei, Baidu и DeepSeek (которая держит собственный датацентр, чтобы выжимать максимум из подпадающих под экспортный контроль GPU) продолжат строить собственную инфраструктуру, а идею о том, что Пекин заставит лаборатории объединить ресурсы, он называет очередным поверхностным мнением: именно внутренняя конкуренция двигает эти лаборатории вперёд. В завершение Сюй ставит вопрос, на который не даёт ответа: что означает ситуация, при которой закрытое общество выбирает open source для AI, а открытое предпочитает секретность.

В сопоставлении с более поздними источниками

Часть аргументов подтвердилась в дальнейшем, а часть - нет. notes-from-inside-chinas-ai-labs Ламберта (май 2026 года) подтверждает преобладание студентов в командах и размытую границу между наукой и бизнесом, а интервью zai-playbook (ноябрь 2025 года) упоминает, что над GLM работает множество действующих аспирантов. В вопросе данных более поздние источники усложняют картину. Ламберт обнаружил, что коммерческий рынок данных в Китае развит настолько слабо, что лабораториям приходится строить среды для RL самостоятельно, а Цзысюань Ли (Zixuan Li) из Z.ai отмечает, что компания делает упор на синтетические данные из-за невозможности парсить WeChat. Таким образом, вертикальные промышленные данные, описанные Сюем, не фигурируют ни в одном из отчётов о реальном процессе обучения моделей.

Что касается мотивации, Ли формулирует причину более прямолинейно, чем следование академическим традициям. Флагманская модель Z.ai в 2024 году была закрытой, и компания открыла её после того, как R1 показала: американские клиенты готовы скачивать китайскую модель, но не станут отправлять данные в китайский API. Ламберт аналогично описывает лаборатории как прагматичные, а не принципиально преданные идее открытости. Сам Сюй девять месяцев спустя в своём историческом обзоре делает больший акцент на экспансии за рубеж и двадцатилетней культуре open source, нежели на связях с академической средой.

В статье почти ничего не говорится о вычислительных мощностях. Поездки Ламберта показали, что каждая лаборатория испытывает нехватку чипов Nvidia и ограничена этим фактором, что является как минимум не менее структурным обстоятельством, чем всё описанное в тексте. Более поздние комментарии указывают, что преимущество отчасти достигается за счёт дистилляции из американских моделей; см. how-much-does-distillation-matter-for-chinese-llms и the-distillation-panic.