前沿AI实验室不封闭 中国AI靠开源破算力瓶颈

前沿实验室的保密特性一直被外界热议，有观点认为其封闭性难以长期维持。一位专注于AI领域的从业者在某行业播客中，对当前热门的递归自我改进（RSI）叙事提出了尖锐批评，明确表示不认同AI会突然起飞并迅速失控的说法。

这位从业者指出，真正值得关注的并非RSI这类宏大概念，而是AI实验室自身基础设施的加固问题。他创立相关机构，目的正是将闭源实验室渲染的“神秘概念”拉回现实，让外界能够验证前沿系统的递归能力究竟达到了何种程度，以及存在哪些局限。

在播客对话中，他提到一个关键判断：“中国缺少人才，简直是大错特错，他们缺的是算力。”他进一步提出模型进步的三大核心要素——算力、数据、人才，指出头部前沿实验室在这三方面都具备优势，而中国的实验室则被算力瓶颈卡住。他举例，中国的研究者听说某顶尖实验室的普通研究员就能调用相当于5000张高端算力，这让他们感到震惊。不过，他也强调，中国实验室在算力约束下锻炼出的工程效率，是其他地区团队所不具备的，这让蒸馏成为缩小差距的现实路径。他解释，语言模型的输出本质上是算力的函数，当明确需要的输出结果时，获取这些输出的效果等同于拥有对应的算力。

他分析中国公司选择开源的原因，认为这并非理想主义，而是务实的生存策略。中国的实验室清楚美国市场的付费需求，通过发布开放模型，它们能在缺乏算力优势的情况下，凭借工程能力获得话语权，快速进入行业视野。如果只做闭源API，几乎没人会知道它们的存在。

聊到蒸馏这一话题，他态度明确：“你没法像起诉违约那样起诉他们，你只能取消他们的访问权限。”他对监管的作用也不抱希望，认为“服务条款不是一份签署的合同。他们不会停止。”他指出，如果对蒸馏采取强硬措施，造成的伤害会大于好处，因为相关方不会停止这种行为。

对于为何头部前沿实验室能迅速发展，他调侃道：“我们都是科学家，如果有人取得了突破，他们自然会想把这件事告诉朋友。可能只是一杯啤酒的事儿，他们可能暂时保密几个月，但要长期的话，不太可能。”他总结，开源会赢在量上，闭源会赢在钱上，RSI的真相介于营销和恐惧之间。

在讨论前沿模型发展的推动因素时，他提到组织架构的重要性。他认为，闭源前沿实验室拥有最多的资源，但如何组织和运用这些资本，不同实验室的能力存在差异。要让组织架构真正服务于模型开发非常困难，有些公司不得不自下而上彻底重组，这种调整有时能带来积极效果。

关于开源模型的发展，他提到开源模型公司的存续时间远超业界想象。当头部前沿实验室投入大量资金推动数据产业发展后，数据公司会将数据卖给更多人，这种循环让快速跟进成为可能。不过，开源模型经济的建立需要更长时间，并非泡沫，随着企业寻找最低成本模型，开源模型可能逐步侵蚀前沿模型的市场。

关于预训练和后训练，他指出预训练科学已经相当成熟，工具也容易获取，训练基础模型不需要天文数字的资金，新团队也有机会从零开始训练模型。而相比之下，后训练则像一片没有规则的西部荒野，没有合适的人才，很难建立起有效的流程。他提到，预训练与后训练的界限越来越模糊，中期训练就是一个例子，这让整个循环比单纯的预训练复杂得多。

他再次提到前沿实验室的封闭性，认为保密几个月可以，但长期不可能。不同的人想用不同的框架完成不同的任务，模型公司不得不让自己的模型适应各种框架，市场最终会达到平衡。他认为，前沿实验室真正的优势在于将更多推理计算整合进基础设施，以更低的价格提供服务，获得更高的利润率。

对于RSI，他认为不必过度担忧快速起飞，更应该关注已经存在的AI风险。他指出，AI能力增长的曲线本身不是最令人担忧的，真正需要警惕的是AI能力增长与公共部门网络安全准备不足的矛盾。

他认为新入局者有机会，预训练更容易入门，只要讲出有说服力的故事，完成下一轮融资，就有机会建立自己的模型。开源团队也有机会开展预训练，只是需要讲好故事，突破第一个模型站稳脚跟的门槛。