內(nèi)容提要：

前字節(jié)跳動工程師、北大教授張池指出，中美人工智能差距并未縮小，反而在擴大。國內(nèi)大模型沉迷于“刷榜”拿高分，實際應用拉胯；訓練數(shù)據(jù)質(zhì)量低、迭代周期是美國2-4倍、用戶付費意愿弱形成負循環(huán)。那些美國名人“中國正在趕超”的論調(diào)，可能只是美國企業(yè)家的“煙霧彈”。

盡管外界普遍說我們在人工智能領(lǐng)域正在趕上美國，在有些領(lǐng)域可能已經(jīng)領(lǐng)先。但一位前字節(jié)跳動工程師認為，實際上差距正在進一步擴大。

周末，北京大學助理教授、研究科學家兼助理教授張池（音譯）在《進入亞洲》播客節(jié)目中說：“我甚至不同意中國模型正在追趕的假設——我認為我們?nèi)匀贿h遠落后。非常遺憾，我認為差距正在擴大”。

張池表示，他在字節(jié)跳動的人工智能部門工作了大約一年，專注于人工智能模型，之后重返學術(shù)界。他表示，不否認人工智能的中國初創(chuàng)企業(yè)在快速發(fā)展，但由于美國的發(fā)展可能更快，我們必須認識到在我們快速發(fā)展的同時，實際上差異不僅沒有縮小，反而在持續(xù)擴大。這應該是正確認識我們的人工智能行業(yè)的重要的一部分。

一、中國大模型專注于如何提高基準測試的得分，但在實際應用中表現(xiàn)拉跨。

張池認為，雖然像字節(jié)跳動和阿里巴巴這樣的大公司開放的大模型在基準測試中得分不錯，但這并不意味著它們在現(xiàn)實世界的應用中表現(xiàn)同樣出色。理論上，我們的每家大型科技公司都有好的大模型。但實際上它們還不夠好。因為許多大模型團隊專注于“benchmaxxing”——更注重考試成績而非實際表現(xiàn)的模型。如同于我們的一些名頭響亮的高中，專注于培訓學生如何提高高考得分，成為考試機器，但很少注意如何提高學生的創(chuàng)造力。

字節(jié)跳動和阿里巴巴推出了高知名度的AI模型——從像Seedance這樣的視頻生成器到像Qwen這樣的開源系統(tǒng)——但他們也因深度偽造、版權(quán)糾紛以及這些模型在現(xiàn)實中是否經(jīng)得起考驗而遭遇了用戶端的廣泛質(zhì)疑。

二、中美大模型在基礎設施和訓練數(shù)據(jù)方面存在難以彌補的差距。

美國的大模型和中國大模型的基礎設施方面存在的巨大差距，是最公開的差距。這種差別不僅僅表現(xiàn)在我們無法獲取先進芯片，數(shù)據(jù)中心基礎設施薄弱，這些硬件的差距擺在桌面上，大家容易看到。更大地、大家看不到的差距是大模型訓練數(shù)據(jù)質(zhì)量較低。我們的大模型無法獲得高質(zhì)量的數(shù)據(jù)，訓練數(shù)據(jù)甚至被人為污染，這是中國大模型普遍存在結(jié)構(gòu)性劣勢。

而且，訓練大模型的數(shù)據(jù)質(zhì)量較低這一劣勢難以逆轉(zhuǎn)。因為造成這一劣勢的兩大原因是制度性的而非技術(shù)性的。比如我們對互聯(lián)網(wǎng)普遍存在的敏感單詞的審查導致的語言污染，比如我們的大模型應用產(chǎn)品和軟件一樣難以獲得付費用戶，導致人工智能獲利模式轉(zhuǎn)向異端——如同互聯(lián)網(wǎng)時代的搜索引擎一樣利用關(guān)鍵詞獲利，導致訓練數(shù)據(jù)甚至被人為污染。

邏輯上，在被污染的大模型數(shù)據(jù)面前，大模型的理論評分，有何意義？

很多人不理解我們的大多數(shù)大模型公司，為何熱衷于并依賴于從領(lǐng)先的美國模型中提取數(shù)據(jù)，而非建立自己的數(shù)據(jù)管道。公開的評論大都認為這是一條捷徑，可以節(jié)省大模型投資。但大家忽略了其背后兩大問題：一是依賴對美國大模型的蒸餾，一些人工智能公司可能是迫不得已，因為他們非常清楚我們提供給大模型訓練的數(shù)據(jù)質(zhì)量堪憂。二是美國三大大模型巨頭和白宮，都在出手遏制對其大模型的蒸餾，這必然將限制我們大模型的長期發(fā)展。

三、我們的大模型更新迭代的周期是美國的2-4倍。

張池說，我們大模型差距擴大的一個關(guān)鍵問題是速度。他說，美國頂級公司可以更快地迭代大模型。

可以確定的是，谷歌可以在三個月內(nèi)培訓或完成一整輪LLM培訓，包括培訓前和培訓后。但字節(jié)跳動和其他幾乎所有的模型迭代，周期幾乎在半年甚至一年。

我們的大模型迭代較慢，與投入有關(guān)，也與用戶有關(guān)。

此外，更強的用戶反饋對大模型的優(yōu)化大有裨益。美國的人工智能企業(yè)也受益于更強的用戶反饋循環(huán)。像ChatGPT、Claude和Gemini這樣的產(chǎn)品，他們通過與用戶的持續(xù)互動而不斷更新、不斷提升，有助于隨著時間推移優(yōu)化模型。

相比之下，中國的大模型有陷入負循環(huán)的風險。往往中國大模型起初表現(xiàn)不佳，但較少有人真正用它們做重要的事情，所以大模型的優(yōu)化和更新很難依賴于用戶的反饋，導致起點不錯的模型難以在后續(xù)中繼續(xù)提高。而缺少用戶反饋的主要原因在于大模型使用對象中的中國企業(yè)用戶和個人用戶的現(xiàn)有收入水平，難以負擔大模型的收費，比如社交媒體中的專業(yè)創(chuàng)作者，他們從平臺獲得的收入越來越少，使用付費的大模型大幅增加成本而難以同步增加收入。

四、不要沉迷于我們正在縮小與美國人工智能差距的幻覺中。

張池的觀點可能與我們媒體上一些最知名的聲音形成鮮明對比，許多人認為我們正在迅速縮小與美國的差距，甚至可能領(lǐng)先。

我們的媒體經(jīng)常援引英偉達首席執(zhí)行官黃仁勛和特斯拉與space創(chuàng)始人馬斯克的觀點來證明我們在人工智能方面可以與美國并駕齊驅(qū)甚至超越美國。

黃仁勛曾警告稱，美國的人工智能有落后風險；而埃隆·馬斯克則表示，中國在能源和計算領(lǐng)域的優(yōu)勢可能幫助其超越競爭對手。人工智能先驅(qū)杰弗里·辛頓也表示，美國的領(lǐng)先優(yōu)勢可能比表面看起來更小，并警告其可能隨著時間推移而縮小。但人們往往忽略了，這些美國的企業(yè)家和技術(shù)大拿，其表達的背后，并非對我們?nèi)斯ぶ悄馨l(fā)展水平的認可和蓋章，指出一個假想敵，制造危機感，吸引更多的投資和政府的支持，才是他們發(fā)表這一觀點的唯一目的，也一直是美國企業(yè)家和官員吸引社會關(guān)注某一領(lǐng)域的基本手段。

張池的觀點反映了我們?nèi)斯ぶ悄苌鷳B(tài)系統(tǒng)內(nèi)部更為悲觀的觀點——暗示與美國的差距可能正在擴大。但持有這一觀點的人可能更多，只是表達更委婉。比如阿里巴巴董事長蔡崇信認為，人工智能競賽的勝負將更多取決于AI部署的速度，而非模型的評分實力。

三郎自2024年初開始，也一直在使用大模型快速獲得全球和一些特定國家的經(jīng)濟數(shù)據(jù)，生成文章的內(nèi)容提要，自動校對文章的錯字和錯詞。從初期同時使用國內(nèi)、國外六個模型，到現(xiàn)在主要依賴ChatGPT和Google Gemini，也是因為國內(nèi)大模型在實際應用中太一言難盡。

三郎也持有與張池一樣的觀點：“公平地說，我認為沒有哪個中國人工智能公司能很快趕上美國的同類企業(yè)”。

【作者：徐三郎】