Заметки изнутри китайских ИИ-лабораторий

Натан Ламберт написал этот текст в interconnects 7 мая 2026 года в поезде из Ханчжоу в Шанхай после поездки по китайским ИИ-лабораториям. Только в Пекине он заехал в кампус Alibaba по дороге из аэропорта, а затем за 36 часов посетил Z.ai, Moonshot AI, Университет Цинхуа, Meituan, Xiaomi и 01.ai; в благодарностях также упомянуты Qwen и Ant Ling. Большинство разговоров проходило не под запись. В его open-source-ai-reading-list этот материал описан как текст о том, как сами китайские лаборатории говорят о создании моделей и чем китайская индустрия отличается от американской.

Его тезис заключается в том, что исходные компоненты и результаты в обеих странах выглядят одинаково. И там, и там есть отличные учёные, большие объёмы данных и ускорители вычислений, и те, и другие выпускают большие модели для агентной работы. Различия кроются в организации работы и в людях, которые её делают, и эти отличия делают китайские лаборатории, по его выражению, "идеальными быстрыми последователями" (fast-followers). Он предполагал это и до поездки, но отмечает, что не считал себя вправе утверждать подобное, пока не поговорил с самими исследователями.

Культура и те, кто создаёт модели

Создание топовой LLM сегодня требует кропотливой работы с данными, архитектурой и реализацией RL, а сведение всего воедино означает, что ради целостности модели приходится откладывать в сторону некоторые блестящие индивидуальные идеи. Американские исследователи получают вознаграждение за продвижение собственной работы, и там существует карьерная траектория "звёздного ИИ-учёного". Ламберт пересказывает слух о том, что структура вокруг Llama развалилась под грузом этих интриг, а также историю о том, как лаборатории откупались от ведущего исследователя, лишь бы тот перестал жаловаться, что его идея не попала в финальную модель. Даже небольшой культурный сдвиг в сторону от такого подхода, по его мнению, сразу заметен в конечном результате.

Многие ключевые участники в каждой китайской лаборатории - действующие студенты, к которым относятся как к равным, во многом как в Ai2, где работает Ламберт. OpenAI, Anthropic и Cursor не предлагают стажировок, а стажёры Gemini в Google рискуют оказаться изолированными от реальной работы. Он сводит преимущества к четырём пунктам: больше готовности делать рутинную негламурную работу, улучшающую итоговую модель; новички не несут багажа привычек из прошлых циклов хайпа вокруг ИИ, поэтому быстрее осваивают новые методы (один китайский учёный назвал это их сильной стороной); меньший уровень эго позволяет организационным структурам расти чуть сильнее, прежде чем они начнут трещать по швам; и есть множество людей, отлично подготовленных к воспроизведению того, что уже доказало свою работоспособность в других местах.

Обратная сторона - стереотип о том, что китайские исследования реже порождают фундаментальные идеи с нуля (0-to-1). Руководители более академических лабораторий говорят о формировании такой культуры, тогда как некоторые технические лидеры сомневаются, что это произойдёт скоро, поскольку потребует перестройки систем образования и мотивации. Студенты описывали тот же дрейф из академической среды в индустрию, что и в США. Один из них, ранее планировавший стать профессором, сказал, что проблему образования решили LLM: "зачем студенту вообще разговаривать со мной!"

Вопросы об экономическом влиянии ИИ, долгосрочных рисках или о том, как должны вести себя модели, часто вызывали вежливое недоумение. Для них, как считает Ламберт, это категориальная ошибка. Один исследователь процитировал мысль Дэна Вана о том, что Китаем управляют инженеры, а США - юристы. В Китае нет аналогов Дваркеша или Лекса, которые делали бы из учёных публичных фигур, и отсутствие выраженного мнения по этим вопросам Ламберт связывает с образованием, в котором дискуссии об устройстве общества не поощряются.

Взаимное уважение между лабораториями

Пекин напомнил ему Район Залива: конкуренты находятся в нескольких минутах поездки на Didi друг от друга, исследователи переходят из одной лаборатории в другую просто "по наилучшему настроению на текущий момент". Но тон общения отличался. Не под запись китайские исследователи высказывали коллегам только уважение, тогда как в США "искры летят мгновенно". Все они опасаются ByteDance, чья модель Doubao делает компанию единственной frontier-лабораторией закрытого типа в Китае, и все называют DeepSeek лабораторией с лучшим исследовательским вкусом. Кроме того, китайские исследователи обычно отмахивались от вопросов о бизнесе как от чужой проблемы, тогда как их американские коллеги постоянно говорят о поставщиках данных, сделках по вычислительным мощностям и привлечении инвестиций.

Шесть наблюдений об индустрии

Что касается внутреннего спроса, то популярная гипотеза гласит, что китайский рынок ИИ останется небольшим, поскольку китайские компании не платят за софт. Ламберт считает, что это справедливо для SaaS, который в Китае всегда был крошечным, но не для облачных сервисов, чей рынок велик. Сами лаборатории спорят, на что будут больше похожи расходы на ИИ, и он склоняется к облакам.

Большинство разработчиков, с которыми он встречался, были "Claude-pilled". Claude номинально заблокирован в Китае, однако каждый исследователь упоминал разработку с его помощью; некоторые также используют CLI для Kimi или GLM, а Codex, популярный в Районе Залива, почти не упоминался. То, как Claude в массовых масштабах попадает в китайские компании, рассматривается в anthropic-threat-report-september-2026.

Китайские компании хотят сами владеть своими технологиями. Ламберт не увидел здесь единого генерального плана, только равновесие сил. Ожидается, что ByteDance и Alibaba захватят большинство рынков за счёт ресурсов, а DeepSeek задаёт техническое направление, не ставя цели победить экономически. Именно поэтому Meituan (LongCat) и Ant Group (Ling) обучают собственные модели. Они видят в LLM основу будущих продуктов, выкладывают общую базовую модель для получения обратной связи от открытого сообщества, а дообученные версии оставляют внутри компании. Их открытость носит сугубо практический характер.

Государственная поддержка реальна, но её масштабы неясны. Государство в Китае представлено множеством уровней без единого шаблона действий; районы Пекина конкурируют за размещение технологических офисов, и помощь, вероятно, включает устранение бюрократических препон при согласовании. Распространяется ли это на наём специалистов или контрабанду чипов, Ламберту не удалось узнать достаточно, чтобы делать выводы. Никаких признаков влияния властей высшего уровня на технические решения он не заметил.

Индустрия подготовки данных развита слабо. В то время как Anthropic и OpenAI, по имеющимся сведениям, тратят по 10 млн долларов и более на отдельные RL-окружения и сотни миллионов в год в общей сложности, китайские лаборатории сочли местных поставщиков слабыми и создают окружения и данные собственными силами: исследователи сами пишут окружения, а у ByteDance и Alibaba работают внутренние команды разметки.

Каждая лаборатория хочет больше чипов Nvidia и ограничена их нехваткой. Об ускорителях Huawei и других чипах хорошо отзывались в контексте инференса, и доступ к оборудованию Huawei есть у многих лабораторий.

Открытый вопрос

Ламберт предупреждает, что перенос паттернов поведения западных лабораторий на китайские часто будет категориальной ошибкой, и оставляет открытым вопрос: породят ли эти экосистемы принципиально разные типы моделей или китайские модели всегда будут повторять американский frontier трёх-девятимесячной давности. Даже задавая прямой вопрос, почему лаборатории выкладывают свои лучшие модели в открытый доступ, он не смог до конца связать их стремление владеть технологией с искренней поддержкой открытой разработки. Компании не являются догматиками, но вполне осознанно поддерживают разработчиков и учатся на опыте открытых релизов.

В заключение он излагает собственную позицию: он хочет, чтобы американские лаборатории лидировали во всех частях стека, особенно в открытых моделях, и чтобы открытые модели процветали по всему миру. Куда больше его беспокоит раскол исследовательского сообщества по национальным границам; к моменту завершения текста он также отмечает слухи о готовящихся президентских указах относительно открытых моделей - тему, продолженную в six-months-to-live-for-open-models.

Связь с другими страницами

Этот отчёт о поездке согласуется с интервью с Z.ai шестимесячной давности. В zai-playbook Цзысюань Ли описывает множество аспирантов, работающих над GLM, основную команду в 100-200 человек и лабораторию, сосредоточенную скорее на сокращении отставания, чем на спорах о рисках ИИ, что вполне соответствует выводам Ламберта. Текст также перекликается с материалом Кевина Сюя chinese-open-source-a-definitive-history о роли государства, которое, по словам Сюя, включилось поздно и лишь следовало за сообществом. История Сюя объясняет открытость лабораторий двадцатилетней культурой и стратегией зарубежной экспансии, тогда как Ламберт пишет о прагматичной открытости, которую не смог до конца объяснить; обе версии совместимы, но не тождественны. Что касается данных, наблюдение Ламберта о том, что лаборатории делают всё внутри, плохо вяжется с тезисом о преимуществе вертикальных данных из chinas-structural-advantage-in-open-source-ai.

Ограничения материала Ламберт формулирует сам: одна поездка, разговоры не под запись и, по его собственному признанию, слабое понимание Китая до визита. Здесь нет цифр по вычислительным мощностям, выручке или численности команд, а противопоставление культур опирается на впечатления от бесед.