离职字节后,北大教授泼了盆冷水:中国AI的真实差距,可能正在拉大 ✍ Gorden Sun🕐 2026-04-26📦 7.3 KB 🟢 已读 𝕏 文章列表 北大教授、前字节跳动算法专家张驰分析中美AI现状。他指出国内大模型存在“应试刷榜”、基础算力设施薄弱、高质量数据飞轮断裂等问题。因国产模型体验差距,顶尖开发者纷纷流失至美国产品,导致数据反馈闭环恶化;过度依赖模型“蒸馏”也限制了原创能力。尽管在硬件和具身智能领域尚存优势,但在纯软件领域的整体差距恐将持续扩大。 人工智能大模型DeepSeek行业分析中美对比字节跳动技术趋势算力数据飞轮模型蒸馏 # 离职字节后,北大教授泼了盆冷水:中国AI的真实差距,可能正在拉大 **作者**: Gorden Sun **日期**: 2026-04-26T12:08:27.000Z **来源**: [https://x.com/Gorden_Sun/status/2048373641856077972](https://x.com/Gorden_Sun/status/2048373641856077972) ---  DeepSeek V4发布,并没有复刻去年的狂欢,实际上跟半年前发布的Claude Sonnet 4.5相比,两者能力大致在同一档,差距远大于半年,因为Sonnet 4.5在半年前也只能算第二梯队。但是在社交媒体的稿子里,常常看到中国的各家大模型跑分数据一个比一个漂亮,“只差半年”、“基本拉平”的论调不绝于耳。 中美AI差距的事实情况,到底是什么样的? 4月22日,在《走进亚洲》(Into Asia)的播客中,北京大学人工智能方向的助理教授张驰,讲述了他眼中的真相。张驰现任北京大学助理教授,刚从字节跳动的大模型核心团队(Seed LLM)离职不久。 作为真正在大厂一线摸爬滚打过的研发人员,他对当前国产AI的判断相当扎心: “我不同意‘中国模型正在赶上’这个观点。我相信我们还差得远,而且这个差距,可能正在变大。” ## ▸ 虚假的繁荣:大家都在“应试刷榜”,实战却拉胯 在外界看来,各家大厂的模型在各种Benchmark(基准测试)上神仙打架,分数屡创新高。但在内部,这只是一场大型的大模型应试教育。 张驰在采访中透露,在字节跳动内部(他推测其他大厂也类似),工作氛围其实相对“佛系”(中午有两小时的午休时间,实际每天工作9小时左右),但大家都面临着一种隐性的KPI压力——刷榜(Bench-maxing)。 领导们高度关注模型在特定榜单上的分数。如果你负责的模块分数没有追平美国前沿模型,你的绩效就会很难看。 结果就是:纸面数据极其华丽,但一旦落到真实世界的复杂应用中,体验让人抓狂。 ## ▸ 算力与基建的鸿沟:别人三个月,我们可能要半年 硬件被卡脖子,这是个老生常谈的问题,但它带来的连锁反应比我们想象的更深。 目前,国内大厂用来训练最核心大模型的,很大一部分仍是禁令前囤积的英伟达芯片,或者合规的特供版H20。好在DeepSeek V4开始,全面使用华为昇腾显卡,有望后续完善国产训练生态。 但算力的差距,已经直接体现在了“迭代速度”上。 张驰提到了一个业内传闻:谷歌现在可能只需要3个月,就能跑完一整轮大语言模型的预训练加后训练。而对国内大厂来说,受限于算力规模和基础设施,这个周期可能长达半年。 更隐秘的差距在基础设施(Infra)。张驰曾在谷歌实习,他感慨那里的底层基建做得太好了,研究员只需要在丝滑的图形界面上写代码,根本不用操心底层架构。而在国内大厂,训练动不动就卡死、报错,这些摩擦成本都在无形中拖慢了追赶的脚步。 ## ▸ “用户都在用美国模型,我们哪来的数据改良?” 如果说算力是中国AI头顶悬着的第一把剑,那么在张驰看来,第二把剑,也是目前最无解的一把,是“数据飞轮”的断裂。 他在采访中提出了一个非常尖锐的洞察:美国头部模型建立了极难逾越的正向循环。 GPT和Claude拥有全球海量的用户。这些用户在实际工作中使用模型,并对结果进行点赞或踩。这些高质量的反馈,构成了最宝贵的真实场景训练数据。 反观国内,由于基础能力存在客观差距,导致最需要AI辅助的那些高价值用户——比如程序员、硬核研究者,正在集体“叛逃”。 “我现在主要用Claude Code和Cursor编程,”张驰直言不讳地说,“我甚至觉得不需要招那么多博士生来帮我干活了,我完全可以把Claude Code和Cursor当作我的学生,我可以辅导它们,给它们指令让它们做我想做的事。但我心里又很矛盾,如果我这代人不培养新人,等我老了,谁来接着做研究?” 这种中国顶尖AI科学家的日常使用选择,反应的就是当下冰冷的现实:当最应该为国产模型贡献反馈数据的顶尖中国开发者,都在使用美国模型提效时,中国大模型公司去哪里获取能够优化编程和推理能力的高质量交互数据? ## ▸ 走捷径的代价:“蒸馏”出来的智能,没有灵魂 如果没有时间去打磨基础设施,又面临着迫在眉睫的追赶KPI,国内大厂是怎么做的? 答案是两个字:蒸馏(Distillation)。 如果你想训练一个高智商的模型,最硬核的做法是雇佣极其专业的行业专家,一笔一划地写出高质量的推导数据,这既费钱又费时。 但还有一条捷径:直接去问 GPT、Claude 或者Gemini。 拿到正确答案和推理过程后,直接复制过来,喂给自己的模型。这在AI圈被称为“蒸馏”,就是抄尖子生的作业。 张驰坦言,我们在“蒸馏”技术上可能已经是世界顶尖,但这也许无法在长远上转化为真正的优势。抄作业能让你快速从不及格变成及格,甚至考到80分,但你永远无法通过抄作业成为真正的学神。 因为你缺乏属于自己的、深厚的数据管道(Data Pipeline)。当国外的模型开始自我进化时,“捷径”反而成了束缚我们原创能力的枷锁。 ## ▸ 仅存的底气:硬件与“具身智能”的梦 尽管对纯语言大模型追赶前景表现出强烈的悲观,张驰依然指出了中国AI生态中为数不多的结构性优势。 在他看来,优势在于制造业。他提到了近期引爆舆论的宇树科技(Unitree),认为中国在硬件躯体、电机运动控制方面具备全球竞争力。对于目前火热的“具身智能”,张驰的观点是,如果你的语言模型只是用来执行比较简单的任务(比如抓取物体),那么现有中国大模型的能力是“够用”的。 但他也泼了一盆冷水:目前绝大多数机器人厂商仍停留在“运动控制”阶段,没有真正把智能塞进机器人大脑。而一旦涉及到需要复杂推理和泛化操作的“灵巧操作”,我们很可能再次碰到大语言模型目前的那块天花板。 ## ▸ 未来怎样? 芯片受限、数据管线薄弱、基础设施落后、用户反馈循环缺失、过度依赖蒸馏,这些问题叠加在一起,不是靠一次技术突破就能解决的。好在DeepSeek V4全面适配了国产显卡,虽然整体能力落后了些,但生态完善后还是有希望追赶上而且不依赖蒸馏的。 原播客链接:https://www.buzzsprout.com/2546300/episodes/19057945-a-year-inside-bytedance-s-ai-lab ## 相关链接 - [Gorden Sun](https://x.com/Gorden_Sun) - [@Gorden_Sun](https://x.com/Gorden_Sun) - [4.3K](https://x.com/Gorden_Sun/status/2048373641856077972/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [8:08 PM · Apr 26, 2026](https://x.com/Gorden_Sun/status/2048373641856077972) - [4,327 Views](https://x.com/Gorden_Sun/status/2048373641856077972/analytics) - [View quotes](https://x.com/Gorden_Sun/status/2048373641856077972/quotes) --- *导出时间: 2026/4/26 21:46:53*
A AI投资赚他妈的100倍:产业链全景与机会分析 本文从投资视角出发,将AI产业链划分为算力基础设施、模型层、中间件、应用层及能源约束四个层级。作者主张建立“知识仓”,深入理解产业逻辑,以应对未来的市场波动。文章详细分析了英伟达等核心公司的护城河,并指出了光互连、散热等第二、三圈层的潜在投资机会,强调了从“训练”向“推理”转变带来的市场格局变化。 投资 › 股票 ✍ 大宇🕐 2026-05-04 AI投资产业链分析英伟达股票宏观经济技术趋势光模块算力大模型投资方法论
A AGI 前夜:智力进入接口、成本表和工作流 文章分析了 AGI(通用人工智能)临近时的现实特征,指出其冲击力不在于机器像人,而在于智力成为一种可复制、可计价的基础设施。文章探讨了 OpenAI、DeepMind、Anthropic 等巨头对 AGI 的定义与路径,强调 AGI 首先是劳动力供给的冲击。同时,文章从任务链路、接口、稳定性、成本四个维度定义了 AGI 的现实门槛,并揭示了算力战争背后的能源与地缘政治博弈。 技术 › LLM ✍ Russell🕐 2026-05-01 AGI人工智能OpenAIDeepMindAnthropicAgent算力技术趋势职场变革Karpathy
斯 斯坦福 AI Index Report 2026 核心要点解读 基于斯坦福《2026年AI指数报告》的深度解读。文章指出AI能力加速进步,中美差距缩小,DeepSeek等表现亮眼。模型在编码、数学等基准上超越人类,但在物理世界任务和负责任AI标准上仍存短板。AI普及速度创历史新高,正深刻影响就业市场(初级岗位减少)与医疗行业。此外,地缘政治竞争加剧,环境成本上升,且专家与公众对AI未来的看法存在巨大分歧。 技术 › LLM ✍ Star@Day1Global Podcast🕐 2026-04-30 AI IndexStanfordDeepSeek行业报告中美对比AGIResponsible AI就业影响AI主权技术趋势
对 对话百川智能郭美青:你辛苦做的 Skill,最后都成了大模型的「养料」 本文是 AIGCLINK 与百川智能技术总监郭美青的对谈。双方探讨了 Skill 的本质是模型补丁,指出优质的 Skill 易被大模型内化成训练养料;同时梳理了 Harness、Loop、Graph 等新概念背后的技术演进逻辑。最后建议从业者不要将当下视作终局,应从生意出发,从上往下构建确定性,以应对底层技术的快速迭代。 技术 › Skill ✍ AIGCLINK🕐 2026-07-26 Agent大模型百川智能SkillAI创业HarnessLoop技术趋势行业观察职场建议
2 2026年普通人都能上车的AI风口:DeepSeek 创始人梁文锋3小时演讲精华提炼 文章提炼了DeepSeek创始人梁文锋关于AI未来的演讲精华,强调“克制”的重要性。梁文锋指出,想拿得多的人会被想拿得少的人打败。他为AI发展制定了清晰的路径,并建议普通人不要盲目追逐风口,而应注重提升“把话说清楚”和“长期沉淀”的能力,通过行业深耕和AI应用找到属于自己的机会。 技术 › LLM ✍ Gloria🕐 2026-07-24 DeepSeek梁文锋人工智能职业发展创业思维链智能体Coding AgentAI应用克制
I Inside Kimi: 100 Hours of Observation 本文讲述了作者深入 AI 独角兽 Moonshot AI(Kimi 母公司)内部进行 100 小时的观察记录。文章回顾了公司从早期的营销挣扎到面对竞争对手 DeepSeek 突围时的战略调整,展现了这家年轻、高估值且充满内向天才员工的神秘企业文化。 技术 › LLM ✍ Liu Mo🕐 2026-07-22 KimiDeepSeekLLM人物企业文化创业人工智能月之暗面观察报道
中 中国四大头部大模型创始人信息 文章梳理了DeepSeek、Kimi、智谱和MiniMax四家中国头部大模型公司的创始人信息,包括年龄、学历背景及身家估值,并探讨了学历与家庭背景对成功的影响。 技术 › LLM ✍ 0x鸣人🕐 2026-07-19 大模型创始人DeepSeekKimi智谱MiniMaxAI人物背景
体 体验完微信Agent以后,我觉得这就是微信有史以来最大的更新 文章详细介绍了微信“小微”的内测体验,涵盖了其功能架构、底层模型、交互逻辑及与微信原生能力的打通情况。作者指出,虽然受限于算力成本和安全风控,目前的Agent策略偏向“只读不动”且需频繁确认,但在小程序调度、聊天记录上下文理解及AI生成工具方面表现出色。作者认为这是微信有史以来最大的更新,标志着平台级AI应用的正式落地。 技术 › Agent ✍ 数字生命卡兹克🕐 2026-06-24 微信微信小微AgentAIWeLMDeepSeek小程序产品评测人工智能腾讯
什 什么是具身智能?它跟 AI 的关系是什么? 文章深入解析了具身智能的定义、历史渊源及发展现状。作者区分了具身智能与传统机器人,指出其核心在于感知-行动闭环与物理世界的实时交互。文章回顾了从符号主义、行为主义到深度学习、Transformer时代的技术演进,分析了VLA模型如何继承大模型能力来突破泛化难题,探讨其与AI的本质关系及未来前景。 技术 › LLM ✍ snowboat🕐 2026-06-17 具身智能VLA机器人Transformer人工智能AI技术原理深度学习大模型
2 2026年强化学习面试题库:算法与基础设施 本文汇总了35道2026年强化学习(RL)领域的面试核心问题。内容涵盖算法与基础设施两大方向,既包括PPO、GRPO等训练机制的原理探讨,也涉及分布式推理、显存优化等工程落地细节。作者强调现代RL岗位需要具备全栈理解能力,建议面试者不仅要熟记问题,更需深究背后的技术逻辑。 技术 › LLM ✍ Xiuyu Li🕐 2026-06-08 RL面试PPOGRPODeepSeekMoE基础设施算法强化学习大模型
何 何恺明和字节Seed跳到同一条河流:连续扩散语言模型的范式转移 文章深度解读了2026年5月何恺明MIT团队与字节Seed团队前后发布的两篇论文(ELF与Cola DLM)。两者殊途同归,挑战了主流的自回归(AR)生成范式,主张将语言模型的生成过程从“离散Token预测”转变为“连续空间的潜变量扩散”。这种“先思考后落字”的铅笔模式,不仅提升了效率与效果,更可能引发LLM底层架构、评估标准及多模态统一范式的新一轮变革。 技术 › LLM ✍ 花叔🕐 2026-05-25 何恺明字节跳动扩散模型Cola DLMELF架构创新自回归连续空间人工智能论文解读
D DeepSeek 的 10 万亿美元大战略:技术、算力与国产芯片的未来 本文深入分析了 DeepSeek 如何通过 MLA、MoE、mHC 等一系列底层技术创新,极大幅度降低大模型对 HBM(高带宽内存)和先进 GPU 制程的依赖。文章指出,DeepSeek 的战略并非局限于软件订阅,而是旨在通过算法优化盘活中国产能充足的 NAND 闪存和 LPDDR 产业,以此构建一套独立于西方之外的 AI 硬件生态,最终撬动价值 10 万亿美元的产业巨兽。 技术 › LLM ✍ 宝玉🕐 2026-05-24 DeepSeekMoEMLA芯片算力模型架构LLM国产替代技术战略KV缓存