8.8
深览指数
科技微博·晚点LatePost··AI 生成
当硅谷开始说 “打不过国内”丨五源孟醒
本文是五源资本合伙人孟醒基于 2025 年 8 月硅谷实地调研的长篇观察。核心发现是，硅谷一线研究员对中美 AI 差距的判断正在分化：在多模态和开源领域，因“中国式运营”能力（大规模人力组织数据标注、评测）而发出“打不过国内”的感叹；但在预训练大规模工程、代码领域的大规模强化学习方面，差距仍然显著。文章深入剖析了 Thinking Machines Lab 等 Neo lab 陷入困境的结构性原因——一群有强烈“taste”的人缺乏共同目标，并指出下一阶段数据战争正从静态数据集转向可不断产生新任务的“环境”和“数商”。适合关注 AI 产业前沿、投资、中美科技竞争、以及组织管理的深度读者。原文 ↗
核心观点
- ▍硅谷一线研究员对中美 AI 差距的判断已高度分化，在预训练方法论上接近，但在大规模 RL 工程经验上差距仍深；而在多模态等目标模糊、依赖 human operation 的领域，中国公司的规模优势被放大，呈现出“打不过国内”的局面。
- ▍以 Thinking Machines Lab 为代表的上一代 Neo lab 模式遭遇瓶颈：一群有强烈 research taste 的人凑在一起，但缺乏一个具体的、无需讨论的共同目标（北极星指标），导致内部方向分散、算力冲突，最终低于预期。
- 01多位 Google、xAI 等前沿实验室的研究员直接承认，在多模态（如 Seedance）和开源模型（如 K3）等具体方向上 “打不过国内”。
- 02中国模型公司在预训练 “爬 ladder” 的方法论上已与美国接近，主要差距在于使用更大规模集群（数万张 GPU）进行稳定训练的系统工程经验。
- 03在 post-training 阶段，中国公司擅长 human operation（组织大量人力进行数据、标注、评测），这在多模态领域尤为突出；而代码领域更依赖大规模 RL（强化学习）和少量顶级 coder 的 expert data，中国在此方面差距更大。
- 04Thinking Machines Lab 成立时估值 120 亿美元，但后来融资受挫，最近融资价格（400 亿）低于此前想要的价格（500-600 亿）。其内部目标不统一，Mira Murati、Lilian Weng、John Schulman 三人想做的方向差异很大。
- 05数据战争进入新阶段：破产公司（如美国 Spirit 航空）数十年积存的内部数据成为资产，Google 和 Mercor 等在收购。数据公司开始从“卖人力加工”转向“卖环境/轨迹”，价值百倍。
- 06AI 研究员薪酬飙升，年薪 100 万美元已成“不看”的基准；但同时，财富自由的研究员开始思考人生，有人认为硅谷像“缅甸园区”，同质化严重。
反方 / 局限
- — 作者承认，虽然中国公司在 human operation 上优势巨大，但在需要原始创新能力的大规模 RL 和前沿系统经验方面，差距“比 pre-train 的方法论差距更深”。代码领域的 post-train 就高度依赖这种能力。
- — 作者指出，尽管“打不过国内”的判断频出，但“这不代表总排名的变化”，预训练方面美国依然领先。前沿方向的核心判断权，仍掌握在头部 lab 的 researcher 手中，数商“反过来教 lab 做事”为时尚早。
OpenAIGooglexAIAnthropicThinking Machines LabDeepSeekScale AIMercorMira MuratiJeff DeanSeedanceK3Neo labpost-training/RLhuman operationFDE (Field Deployment Engineer)Vending-Bench 2五源资本晚点LatePost
34 分钟 · 4 卡片 · 9 资料
读原文 →