Практичний візит до китайських AI-лабораторій: дослідники розкрили «прогалини в чіпах і даних» як ключову причину розриву між Китаєм і США

AI-дослідник Натан Ламберт нещодавно відвідав кілька великих китайських AI-лабораторій, зокрема Moonshot AI, Zhipu, Meituan, Xiaomi, Alibaba (Qwen), Ant Ling та 01.ai, і зробив детальний запис своїх спостережень. Він прямо визнав, що ця поїздка допомогла йому по-новому усвідомити китайську AI-екосистему: цей матеріал — не просто туристичні враження дослідника, а перша ручна діагностична доповідь про китайський AI від технічної культури до структури індустрії.

Ключова перевага китайського AI: культура, кадри та прагматичний настрій

Звідки береться конкурентоспроможність китайських дослідників: схильність працювати «вглиб»

Ламберт вважає, що лабораторії Китаю швидко наздоганяють і навіть зрівнюються з передовими AI-рішеннями завдяки одному ключовому чиннику, який часто недооцінюють: дослідницькій культурі та організаційному середовищу.

На відміну від американських дослідників, які загалом мають сильніший потяг до власної публічності — прагнуть заявляти про результати своїх досліджень, розбудовувати особистий бренд у медіа та соцмережах — китайські дослідники частіше ставлять «я» після якості моделі. Вони охочіше беруться за тиху роботу, яка реально підвищує показники моделі, і краще приймають, що їхні ідеї можуть бути відкинуті в процесі оптимізації за багатьма цілями.

Ламберт зазначає, що в США навіть ходять чутки про випадки, коли лабораторіям доводилося «платити найтоповішим дослідникам, щоб змусити їх перестати скаржитися на те, що їхні пропозиції не були прийняті», що символізує реальність організаційного тертя за лаштунками західних лабораторій.

Ця культурна різниця дає відчутний ефект на рівні організацій: нижча самосвідомість полегшує розширення організаційної структури «вгору», а дослідники різних рівнів можуть ефективніше співпрацювати, а не захищати власні інтереси.

Студенти як одна з головних сил у розробці LLM

Ще один феномен, який справив на Ламберта враження, — дуже висока частка ключових вкладників у кожній лабораторії, які все ще навчаються в університеті. Цих студентів не обробляють «через різницю»: вони просто вбудовуються в команди розробки LLM. Це контрастує з американською екосистемою, де OpenAI та Anthropic майже не надають можливостей для стажування, або навіть якщо стажування є, його ізолюють від ключових напрямів роботи.

Перевага студентів у тому, що «в них немає багажу»: вони не переживали інерційних припущень, залишених попередніми хвилями AI, тож їм легше швидко вбирати нові технології — від розширення MoE, через підсилене навчання, до розробки агентів. Кожна зміна парадигми для них — це новий старт, без потреби відкидати старі когнітивні уявлення.

Конкуренція чи кооперація? Пояснення китайської «інженерної управлінської» екосистеми

Ламберт відзначив, що коли він намагається обговорювати з китайськими дослідниками довгострокові соціальні ризики AI, економічний вплив або етичні дебати щодо поведінки моделей, розмова часто «зависає» в тиші. Він розуміє, що співрозмовники не обов’язково цілеспрямовано уникають — просто для них ці питання реально не входять у коло мислення.

Він наводить спостереження науковця Дена Вана про те, що «Китай управляє інженер, а Америка — юрист», щоб пояснити свою позицію: «Їхнє завдання — зробити моделі. Інші проблеми — хай залишають іншим».

У погляді Ламберта це робить китайську AI-спільноту більше схожою на «спільноту», а не на племена, які змагаються між собою. Між лабораторіями загалом існує взаємна повага: до великих компаній на кшталт ByteDance ставляться з благоговінням, дослідницький смак і виконавська сила DeepSeek високо цінуються, але немає американської конкурентної напруги з явним «порохом у повітрі».

Обмеження та слабкі сторони китайського AI: чипи, дані та нестача креативності

Чипи Nvidia — спільна «пляшка» для всіх лабораторій

Через вплив американських експортних обмежень дефіцит обчислювальних потужностей Nvidia є спільним лімітуючим фактором для всіх китайських лабораторій. Ламберт помітив, що майже кожна лабораторія прямо заявляє: якщо постачання обчислювальних ресурсів буде достатнім, вони без вагань розширять закупівлі.

Домашні прискорювачі на кшталт Huawei отримують позитивні оцінки на стороні виведення (inference), і багато лабораторій їх уже активно використовують; але під час тренувань Nvidia все ще залишається незамінним «золотим стандартом», і цей розрив у найближчій перспективі навряд чи вдасться повністю закрити іншими рішеннями.

Індустрія даних — найбільша слабкість; самостійне створення стає нормою

На відміну від Anthropic та OpenAI, які щороку витрачають сотні мільйонів доларів на купівлю середовищ тренування для підсиленого навчання, у Китаю зовнішня індустрія даних за якістю має помітний розрив. Ламберт спостеріг, що більшість лабораторій вважає доступні на ринку дані недостатньої якості, тому воліє вкладати ресурси в самостійно збудовані середовища тренування, а дослідники витрачають багато часу саме на побудову середовищ.

Навіть якщо великі компанії на кшталт ByteDance чи Alibaba мають внутрішні команди з даними для підтримки, як зазначає аналітик Цітріні Zephyr, це все одно найбільша слабкість екосистеми китайського AI.

(Китайський стартап Moonshot, робот який називає себе Claude, «засвітив» дистильовану модель Anthropic)

Відкритість коду — це прагматизм, а не ідеологія

На тлі запитань ззовні про те, чому Meituan чи Xiaomi, як компанії, мають будувати й відкривати універсальні великі моделі, Ламберт вважає, що за цим стоїть дуже прагматична бізнес-