内卷无出口是徒劳（28分钟阅读）

# 没有出海，内卷就是白费力气 来源：https://earnedintuition.substack.com/p/involution-without-export-is-wasted 过去十年，我在DCM（https://www.dcm.com/）工作期间数十次造访北京，而此次的交通状况是我见过最通畅的。 在北京，交通拥堵程度是经济活动的一个可靠实时指标。在高峰时段，机场到市区的车程短得不可思议。整个星期，我都看到类似的景象：开着滴滴（中国版Uber）的年轻人比我以往见到的都多，因为滴滴是年轻人唯一能找到的工作。顶尖大学的毕业生找不到工作，他们奋斗了一生才来到北京、上海，现在却搬回了成长的小城。截至七月，青年失业率高达17.9%。七月零售额同比增长0.6%，低于预期的1.5%。疫情后的消费从未真正复苏，房地产崩盘也持续拖累着其他一切。 这就是本文所有其他内容的背景，也是美国叙事版本中缺失的部分。我们谈论中国AI，仿佛它是从一种整体优势中崛起的。然而，在中国打造AI的人认为，这是国家认定必须成功的唯一领域，有充足的国家补贴电力支撑、IPO快速通道，以及对价格战的公开鼓励，几乎不关心谁能存活。也许一个更真实的视角是，这是中国经济唯一仍在运转的引擎。 我最早的记忆是在北京，这里感觉像我除了湾区之外的另一个家。我的父母在北京出生长大。他们经历了文化大革命，1977年高考在暂停11年后恢复时，他们刚好赶上年龄截止线。后来，他们移民美国攻读研究生，我在加利福尼亚州圣何塞出生。由于他们当时身处不同州，我出生后不久就被送回北京和祖父母同住。 我人生的最初几年是在北京西城区度过的，那里是首都的行政和传统金融中心。和附近大多数人一样，爷爷是通过他在铁道部的工作分配到的公寓。多年后，父母带我回到旧金山巴尔沃亚公园街区开始新生活。 成长过程中，我梦想成为一名外交官，因为我相信中美关系将是未来一百年最重要、最有趣的领域。虽然我还没有成为外交官，但我确实在一家横跨美国和亚洲的投资机构做了十年投资。在那十年的大部分时间里，这曾是一种优势。后来，托马斯·弗里德曼的麦当劳和平理论（https://foreignpolicy.com/2020/11/26/mcdonalds-peace-nagornokarabakh-friedman/）崩溃了，两者不再互补。这是我职业生涯所围绕的一切变得在结构上不可能之后的第一次回归。 我真的很不喜欢类比。在风投界，它们是拐杖——你说“X是Y的什么”是为了让投资委员会快速理解，但在这个过程中，你洗掉了公司实际具有的特定、独特的属性。我自己在备忘录中使用过类比，并为此后悔。关于中国AI的美国对话几乎完全依赖类比和概括。斯普特尼克。冷战。八十年代的日本。根据你读的哪家通讯，中国AI要么是每个美国AI公司的生存威胁，要么是伟大的解放力量，将使前沿技术商品化并将价值交给应用层。要么是恶魔，要么是救世主。这两个故事都是由那些大多从未在场、也无意踏足中国的人讲述的。 所以我在实验室、机器人公司、学术界、科技媒体中间待了一周，并与本地风投和创始人共进晚餐。我还花了几天时间探索内陆城市，参观了张家界（https://en.wikipedia.org/wiki/Zhangjiajie），这个联合国教科文组织遗址的悬浮砂岩山是电影《阿凡达》中山脉的灵感来源。我强烈推荐。爬到山顶后，有一家麦当劳在等着你。我仍然希望弗里德曼是对的：中产阶级宁愿排队买汉堡也不愿打仗。 **贯穿整个旅程的一个短语是：内卷。** 它最初是一个学术术语，指投入增加却无法带来产出提升。每个人都升级，没有人前进。中国科技界几年前采用了这个词，作为我到处所见现象的简写：数百家实验室在价格上互相压低、挖角彼此的研究员、每月更新、在跑步机上努力，产出了真正的工程卓越性，却几乎没有利润。 我听到的一句话说得比我更好：如果不出海就白卷了——**内卷不出海，就是白费力气。** 国内内卷；海外出口是将努力转化为任何成果的唯一机制。我将要描述的几乎所有奇怪或令人担忧的行为（开放权重、价格崩溃、蒸馏、对美国开发者的极力拉拢）都源于这两个事实叠加在一起。 我听到的最佳估计是，美国的有效算力是中国所有实验室总和的十倍以上。美国人对中国实验室的理解是，稀缺和限制在某种程度上是一种选择，使得中国实验室以特定方式演进。这里存在某种战略选择。虽然这在某些方面可能确实如此，但这其实不是中国人讲述自身的故事。 一家主要实验室的高级研究员坦率地说：他们依赖后训练的改进之所以存在，是因为“我们无法获得高性能芯片。”国产芯片仍然无法进行高效的大规模训练。推理方面的情况稍好一些——阿里巴巴声称其自研的PPU（他们对TPU的等效品）性能优于H20，尽管这些基准测试是在20B-100B模型上运行的，并且声称在拥有美国级别算力的情况下，他们“将大幅领先。”但即使在推理方面，限制也造成了影响。月之暗面最近限制了对Kimi K3的访问，因为他们没有足够的容量来服务。 算力短缺不仅让训练变慢。它还扼杀了实验。你无法运行那些行不通的推测性预训练扫描，这意味着你也无法运行那个行得通的。我在十几个不同的房间里一遍又一遍听到的短语是“那怎么办呢？”——*我们有什么选择？* 存在一种真实且普遍的焦虑（我未曾预料到，并且是从多个渠道主动听到的）：整个中国AI行业建立在1到10的卓越能力之上，而几乎没有0到1的能力。从外部看，这是惊人的效率。从内部看，这感觉像是一系列取舍，其后果会在未来显现。 一些实验室因算力极度短缺，正在修建通往东南亚偏远地区的道路和桥梁，以便能安置预制模块化数据中心。这些不是一个相信效率是策略的生态系统的行为。 **这就引出了开源，它也不是一种选择。** 在能力存在明显差距时，开放一个劣质模型是唯一可行的分发楔子。你可以通过观察例外情况来验证这个规则。 字节跳动/豆包是唯一一个将旗舰模型闭源的主要实验室，因为它是唯一已经拥有分发渠道的——豆包，他们的ChatGPT式超级应用，拥有超过3亿用户。阿里巴巴介于两者之间：一系列开源模型，但旗舰的2-5万亿参数模型闭源且仅提供API。通义千问Max一直闭源。 一位大学研究员说了一句话，我后来思考了很多，因为它暗示了对美国实验室的含义： > “当你落后于前沿时，开放性最大化了每单位能力的声誉。一旦你领先，你就会闭源。” 开源是一个阶段和一个层级。有证据表明，这对一些实验室来说已经开始改变。智谱/Z.ai延迟了GLM 5.3权重的发布。Kimi和MiniMax都开始在其许可证中附加收入门槛。 中国人都知道这一点。 当一个基准测试显示与美国前沿模型持平时，他们自己研究人员的本能反应是基准测试可能坏了，或者有人在刷榜。我遇到的很少有人将排行榜持平视为任何证据。他们都指出的差距在于长期自主任务：需要工具使用和真实状态的多步骤任务。几位研究人员认为，最好的中国模型在长期任务上未经显著的后训练和流程开发，完成率只有10-20%。 关于那些声称能自我改进或持续学习的实验室，一位研究者创始人直白地说： > “这只是说说而已。大家都在等美国实验室发布东西。” 一位上海实验室的预训练研究者给了我关于自主任务差距为何存在的最原创解释：**中国缺乏足够的强化学习环境。** 美国公司默认互通。开放API、MCP、webhooks、数百个假定会被其他软件调用的SaaS产品。这意味着美国智能体是基于真实世界接口训练的。当你教模型调用工具和链接多步骤工作时，工具存在，有文档，操作它们是正常的。 中国科技生态系统是封闭的，原因有两个且相互叠加。首先，企业级SaaS在中国从未成功，因此几乎没有共享的工作接口。其次，每家公司都在与其他所有公司竞争，并且真实存在这样的恐惧：如果任何公司接触另一家公司的数据，它就会被“吞噬。”结果就是智能体无物可练。 这比“他们在后训练上落后”的理论好得多，因为它解释了更简单理论无法解释的现象。它可能解释了为什么字节跳动押注UI-TARS原生GUI智能体。这是一种针对封闭生态系统的架构变通方案，而不是认为GUI智能体是更优越的范式。它也解释了我一直注意到并在生态系统中无法解释的缺失。没有值得提及的可互操作基础设施层，因为根本就没有互操作。阿里巴巴做云，然后做芯片，然后做模型，然后做应用，全部内部完成，一应俱全。 这对在这里构建应用的任何人都很重要：**我们视为便利的美国可互操作性，实际上是一种训练资产。**开放API使集成更容易；它们也为智能体学习创造了环境。这不是一个通过在后训练上投入更多就能弥合的差距。只有底层生态系统开放才能弥合，而底层生态系统因竞争性和结构性原因（而非技术原因）处于封闭状态。 如果你正在构建一家美国应用公司，你的集成接口和数据循环就是你的护城河。尽可能地拥有并培育产品到最终客户的交付过程。 我也首次从供应端观察了第三方推理提供商（Fireworks、Together、Baseten）。 许多中国实验室的北美工作负载通过Fireworks和Bedrock进行，因为美国公司不能或出于形象原因不愿直接与实体清单上的实验室签约。这些提供商实际上是中国实验室与美国企业之间的合规气闸。MiniMax/智谱/通义千问都通过美国提供商路由，因此客户数据永远不会离开美国。而且大多数情况下，实验室从中赚不到任何钱。当我向其中一家提出这点时，得到的回答是：“这是暂时的——不可能一直这样。” 这个瓶颈是监管恐惧造成的。随着地缘政治恶化，监管变得更加密集，这意味着瓶颈会*加强*。合规 somehow 迫使价值在其他地方累积。 这些提供商销售的第二样东西比合规更稀缺：后训练人才。Harvey的Tenet模型就是与Fireworks在大约150块B300上进行后训练的。Baseten刚刚推出了一个后训练平台。 美国前沿实验室训练最先进模型。中国实验室蒸馏它们。美国推理提供商服务它们，并通过服务美国AI应用公司在推理上获得收入。 对于任何通过提供商使用中国权重构建应用的人来说，结构性要点在于：你的架构建立在两个基石上，即合规气闸和权重保持开放。作为创始人，你唯一能完全拥有的就是将产品部署到你的客户中。 中国实验室在本地部署和设备端部署方面是世界一流的，值得理解原因。中国的企业级云SaaS从未起飞。国内软件市场（在存在的地方）主要服务于国有企业。想想中国石化或中国银行。这些买家只购买本地部署软件。在AI时代，他们将购买本地部署的模型。因此，中国实验室花了多年时间做那些不讨好的工作，将模型部署到别人的数据中心，因为没有其他业务可做。 与此同时，越来越多的美国企业买家现在希望某种版本的主权AI，在受监管行业中，这意味着本地、自托管。经过二十年的企业级SaaS，美国创业公司中拥有真正本地部署经验的人屈指可数。这些实验室正在积极为美国部署构建服务层。他们在我们已经忘记如何做的事情上有十年的经验。 设备端的故事比我认为的大多数美国人意识到的要走得更远： - **手机和消费设备。**通义千问提供从1亿参数以上的所有尺寸模型，并与OPPO、小米、vivo和荣耀达成了预装和集成协议。 - **汽车。**阶跃星辰明确区分的就是部署界面——汽车和手机，外加一家未发布的机器人公司。字节跳动/豆包通过火山引擎向银行和汽车制造商销售。通义千问搭载在汽车中。中国汽车行业是嵌入式模型部署的大批量采购者。 设备分发产生了一个单纯销售软件无法提供的数据循环。在一个消费者和企业不喜欢为独立软件支付订阅费的市场中，这极其重要。 从中我得出两点。第一，做得好的硬件是一种分发*和*数据优势。第二，对于我来说，一个值得标准化应用于任何应用AI公司的尽调问题是：**“能达到你质量标准的最小模型是什么？谁拥有你的后训练流程？”** **地铁里的阿里巴巴通义千问广告，展示其与牧原食品（中国最大的猪肉生产商之一）的合作** 如果有一件事我想从美国话语中删除，那就是“中国的AI战略”这个短语。 每一次会议，无论是实验室、投资者还是媒体，都独立地、在我没有提示的情况下，将国内竞争描述为比与美国实验室竞争更残酷。当我描述