人物觀點｜Nathan Lambert 為什麼認為，中國開放模型生態可能正在降低 AI 研發試錯成本？

Nathan Lambert 從中國 AI 實驗室參訪出發，提出一個值得重新思考的問題：開放模型的競爭力，可能不只在模型本身，而在整個生態能否降低研發試錯成本。

· 人物觀點
InfoAI | Nathan Lambert 從中國 AI 實驗室參訪出發，提出開放模型生態可能降低 AI 研發試錯成本。

Nathan Lambert 看見的，不只是中國 AI 實驗室，而是一種開放模型的集體學習機制

Nathan Lambert 不是第一個注意到中國開放模型崛起的人。

但他最近兩篇關於中國 AI 實驗室的文章值得讀，原因不在於他又整理了一次中國 AI 現況，而在於他提出了一個更具判斷力的問題：如果前線模型的大量成本不在最後一次完整訓練，而在研發試錯、失敗實驗與工程調整，那麼一個願意公開模型、技術文件與實驗經驗的生態，會不會比外界想像中更有競爭力？

Lambert 於 2026 年 5 月 7 日在 Interconnects AI 發表《Notes from inside China’s AI labs》，整理他參訪中國多個主要 AI 實驗室後的觀察。5 月 12 日，他又發表《How open model ecosystems compound》，進一步反思中國這種高參與、開放優先的 AI 生態。

把這兩篇合在一起看，重點並不在於「中國 AI 是否已經勝出」，而是 Lambert 如何從現場觀察推導出一個產業問題：AI 競爭可能不只是模型能力、資本規模與算力投入的競賽，也可能是誰能更快吸收錯誤、累積方法、降低重複試錯成本的競賽。

這個觀點對讀者的價值，不在於直接得出「應該改用中國開放模型」或「開放模型一定優於封閉模型」的結論，而是提供一個更細緻的判斷框架：當我們評估 AI 模型時，不能只看模型分數，也要看這個模型背後是否有足夠強的學習生態。

觀點快讀

Nathan Lambert 從中國 AI 實驗室參訪中觀察到，多個實驗室以較開放的方式分享模型、技術報告與開發經驗時，開放模型生態可能降低研發試錯成本。

它把 AI 競爭從「誰的模型更強」轉向「誰的生態能更快吸收錯誤、累積方法、減少重複投入」。

這個觀點可用來補強企業評估開放模型的視角，但不能被簡化為「中國 AI 已經勝出」或「開放模型必然優於封閉模型」。

Lambert 不是地緣政治評論者，而是開放模型研究者

要理解這個觀點，必須先瞭解 Nathan Lambert 的背景。

Lambert 是 Allen Institute for AI（Ai2）的資深研究科學家與後訓練負責人，也是 Interconnects AI 的創辦人。他長期關注開放模型、後訓練、RLHF、推理模型與開放 AI 生態。

這使他的中國觀察不是從外交、投資或政策評論出發，而是從一位開放模型研究者的角度，思考模型能力如何被建立、擴散與重複使用。

這個位置讓他的觀點特別有價值，但也形成限制。

有價值的地方在於，他看中國 AI 實驗室時，不只看新聞常見的模型排名、募資金額或地緣政治敘事，同時看到一個更靠近模型研發現場的問題：不同實驗室如何組織人才、資料、算力、後訓練方法、評測工具與開發者生態。

而限制則在於，Lambert 本身支持開放模型，也身處推動開放模型的 Ai2。他自然會比封閉模型公司更敏感於「開放」帶來的學習複利，也可能比一般企業採購者更重視技術透明度與研究可重現性。

因此，在閱讀 Lambert 的文章時，不應該把他當成超然旁觀者，而應把他視為一位有專業位置、有研究立場、也有觀察盲點的判斷者。他的觀點值得聽，但不適合全盤照收。

一篇是中國實驗室現場筆記，一篇是開放生態成本推論

這兩篇文章適合合在一起看，但兩者的性質並不相同。

《Notes from inside China’s AI labs》比較像現場觀察。Lambert 寫到，他參訪中國 AI 實驗室後，對當地研究者的心態、團隊年齡結構、技術自主意識與開放生態有了更具體的理解。他也提到，中國大型語言模型社群在他的感受中更像一個生態，而不是互相對立的部落。

這句話有觀察價值，但不應被過度解讀成「中國 AI 沒有競爭」。中國 AI 公司之間仍然在模型能力、價格、人才、企業客戶與市場聲量上激烈競爭。而 Lambert 更想指出的是，這種競爭似乎不是完全封閉在各家公司內部，而是發生在一個高密度互相觀察、快速追趕的環境中。

《How open model ecosystems compound》則更接近延伸推論。Lambert 在公開可讀段落中指出，打造領先前線模型的大部分算力來自研發成本，而不是最後一次端到端訓練；在中國這種主要玩家偏開放的生態中，這可能形成有意義的成本結構優勢。

前一篇回答的是：「Lambert 在中國 AI 實驗室看到了什麼？」後一篇回答的是：「如果他的觀察成立，這對開放模型競爭意味著什麼？」

把兩篇文章合在一起看，就構成一條清楚的觀點形成路徑：從現場筆記，到成本結構，再到開放模型生態的複利假設。

01｜他把問題從「誰的模型更強」，改成「誰能更快降低試錯成本」

多數人討論開放模型時，第一個問題通常是：模型分數高不高？權重有沒有開放？能不能免費下載？能不能本地部署？

這些問題都重要，但 Lambert 真正提出的不是模型採購問題，而是模型研發問題。

在《How open model ecosystems compound》公開可讀段落中，他指出，打造領先前線模型的大部分算力，來自研發成本，而不是最後一次完整訓練。這句話把問題重心移開了：AI 競爭不只是「誰有錢訓練一個大模型」，而是「誰能承擔、縮短或重複利用大量研發試錯」。

這裡的「試錯」不是抽象說法。它可能包括資料清洗、模型架構測試、合成資料、後訓練流程、強化學習方法、評測設計、失敗實驗、推論效率最佳化，以及部署後的錯誤修正。模型最後發佈時看起來是一個產品，但在此之前，它通常已經累積了大量不可見的探索成本。

Epoch AI 於 2026 年 3 月發表的分析也支持這個方向。該研究指出，在 OpenAI、MiniMax 與 Z.ai 三個案例中，最終訓練回合只佔 R&D compute spending 的一小部分，分別為 OpenAI 9.6%、MiniMax 22.6%、Z.ai 12.3%。

不過，這些數字需要保守解讀。Epoch AI 衡量的是算力支出，不是實際 FLOP；目前也只有三個資料點，不能直接拿來判斷追趕者是否一定更有效率。

因此，Lambert 觀點的核心不是「開放模型比較便宜」，而是更精準的一句話：

如果前線模型的成本主要集中在研發試錯，那麼能讓試錯經驗快速外溢、被他人吸收與再利用的生態，就可能形成競爭優勢。

這個問題設定，才是他的觀點真正值得讀的地方。

02｜中國 AI 實驗室讓他注意到的，不是和諧，而是高密度互相學習

Lambert 在中國 AI 實驗室看到的，不是沒有競爭，而是一種在競爭中仍高度互相觀察、快速學習的狀態。

他提到自己在短時間內接觸了 Z.ai、Moonshot AI、清華大學、美團、小米、01.ai 等單位，也描述中國模型公司在資料、架構細節、RL 演算法實作等整個技術堆疊上的細緻工作。他的判斷是，今天打造最好的大型語言模型，已經不是只靠一群優秀研究者在同一棟大樓裡完成，而是需要把資料、架構、部署、募資、採用與算力供應放進同一個複雜生態中理解。

這一點很重要，因為它讓我們不要把中國開放模型生態理解成單純的 open source 理想。

Lambert 其實也提醒，中國實驗室不一定是 open-source absolutists。換句話說，它們不一定基於抽象的 open source 信仰行動，而更像是務實地理解：公開模型、技術報告、權重、工具或開發者界面，可以讓模型能力更快被測試、吸收與擴散。

這裡有一個很細的差別。

如果把中國 AI 生態看成「大家都願意分享，所以自然會變強」，那太天真。比較準確的解讀是：Lambert 觀察到，中國 AI 實驗室之間仍有競爭，但競爭不是完全封閉在公司牆內，而是發生在一個更高密度的互相觀察與快速追趕環境中。

這也是「生態」二字真正的意思。生態不是沒有競爭，而是競爭者、供應者、使用者、開發者、研究者與資本彼此牽動。每一次模型發佈、每一份技術報告、每一次外部測試與每一個部署案例，都可能變成下一個團隊的學習材料。

03｜這個觀點成立的前提：研發試錯成本夠高，且開放能降低重複投入

Lambert 的觀點有吸引力，但它不是無條件成立。

要讓「開放模型生態可以降低試錯成本」這個判斷成立，至少需要三個前提。

第一個前提：前線模型的主要成本，不只在最後訓練

如果模型成本主要都集中在最後一次訓練，那麼開放生態的優勢就會比較有限。真正重要的仍是誰有最多 GPU、最大資料中心與最深資本口袋。

但如果大量成本來自前期研發試錯，情況就不同了。誰能更快知道哪些方法有效、哪些方向不值得走、哪些資料流程容易出錯，誰就可能少花冤枉錢。這也是 Lambert 為什麼把研發成本放在論述核心。

第二個前提：公開模型與技術經驗，真的能被其他團隊吸收

開放不是把檔案放到網路上就結束。模型權重、技術報告、訓練配方、評測工具、資料處理流程與部署案例，必須足夠清楚，其他團隊才有可能從中學到東西。

Ai2 推出 OLMo 3 時，強調不只是公開模型終點，而是公開整個 model flow，包括模型生命週期中的階段、檢查點、資料集與相依元件。Ai2 的例子不能直接證明中國生態的效果，但它能說明 Lambert 為什麼特別重視「公開模型形成流程」而不是只公開模型本身。

第三個前提：生態成員願意在競爭中維持一定程度的開放

開放生態要有複利，不能只靠一兩次模型發佈。它需要長期持續的文件、工具、模型更新、社群回饋與部署案例。

這也是最不確定的地方。當公司進入商業化階段，是否還願意維持開放？當模型能力越接近前線，是否會因為安全、競爭、政策或商業回收壓力而轉向封閉？這些問題目前不能下定論。

因此，Lambert 的觀點可以成立，但成立條件很清楚：研發試錯成本要夠高，開放內容要足以被他人吸收，生態也要能長期維持一定程度的開放。

04｜他可能低估的，是封閉模型公司的內部複利

Lambert 的開放模型視角很有啟發，但也可能低估另一種學習機制：封閉模型公司的內部複利。

開放生態的優勢，是外部擴散。技術文件、模型權重、開發工具與社群測試，可以讓更多團隊一起探索。錯誤不一定只停在某一家公司內部，成功經驗也可能被其他團隊吸收。

但封閉模型公司也有自己的複利。它們有龐大使用者回饋、企業客戶場景、產品界面、內部評測系統、資料閉環、資本投入與專職安全團隊。這些東西未必公開，但不代表它們不存在。

例如，一家封閉模型公司若能從大量企業用戶身上快速理解工作流程、失敗案例與使用者需求，它也可能比開放社群更快改善產品。它的學習不是透過公開社群發生，而是透過內部產品閉環發生。

所以，這場競爭不應被簡化成「開放對封閉」。

更準確的說法是：開放模型生態與封閉模型平台，是兩種不同的學習機制。前者靠外部擴散與集體試錯，後者靠內部資料、產品整合與使用者回饋。Lambert 的觀點提醒我們不要低估前者，但也不能因此忽略後者。

05｜開放生態有複利，但不等於開放模型必勝

Lambert 的觀點最容易被誤解為：只要模型開放，就會比封閉模型更有競爭力。

但這不是他真正能證明的事情。

他的文章比較適合被理解為一個提醒：當模型研發成本高度集中在試錯階段，開放生態可能讓錯誤、方法與工程經驗更快擴散，進而降低重複投入。

這個提醒有價值，但仍有幾個邊界。

第一，開放模型不一定能自動轉成商業優勢。

企業採購 AI 時，不只看模型能力，也看合規、資安、權限控管、服務穩定度、責任歸屬與長期維護。模型可以公開，並不代表企業敢把它放進高風險流程。

第二，封閉模型公司也有自己的學習複利。

它們透過產品界面、企業客戶、使用者回饋、內部評測與資料閉環累積經驗。這些學習不公開，但不代表效率一定比較低。

第三，中國 AI 實驗室的開放傾向能否長期維持，仍要看商業回收、政策環境、市場競爭與國際信任。

短期參訪觀察可以提供線索，但不能直接推論成產業勝負。

因此，Lambert 的觀點不是「開放會打敗封閉」，而是把我們的注意力拉到一個更精準的問題：在 AI 模型競爭裡，誰能更快把試錯經驗變成可重用的生態資產？

06｜把開放模型從「採購選項」看成「學習生態」

對讀者來說，Lambert 的觀點最有價值的地方，不是告訴企業立刻改用開放模型，而是提醒我們改變問題問法。

過去企業評估模型時，常問：

  • 哪個模型分數最高？

  • 哪個模型最便宜？

  • 哪個模型可以本地部署？

  • 哪個模型中文能力比較好？

這些問題仍然必要，但 Lambert 的觀點提醒我們，還要再多問一層：

  • 這個模型背後有沒有持續更新的生態？

  • 技術文件是否足夠清楚？

  • 部署工具是否成熟？

  • 是否有足夠多的社群測試與企業案例？

  • 錯誤修補、版本追蹤與安全評測是否有人持續做？

對企業主管來說，這代表開放模型不只是採購選項，而是一種學習來源。模型本身可以替換，但企業在測試、部署、失敗、修正過程中留下的經驗，才是組織真正累積下來的能力。

對技術團隊來說，這代表不要只做一次模型比較。每一次測試，都應留下測試題庫、錯誤案例、資料清理方法、提示詞設計、權限設定與風險分類。否則，企業即使用了開放模型，也只是把外部工具接進來，沒有形成自己的學習複利。

對內容與知識工作者來說，這個觀點同樣有用。開放模型的價值不只是替你生成文字、摘要或圖片，而是讓你能建立自己的方法庫、工作流程與判斷基準。真正能累積的，不是模型本身，而是你如何使用、檢查與修正模型的經驗。

07｜採用 Lambert 觀點前，先問三個問題

1. 他的觀察場景，和我的決策場景是否相同？

Lambert 看的是中國主要 AI 實驗室與開放模型生態，不是一般企業導入 AI 的完整流程。

因此，讀者要先分清楚：自己是在判斷模型研發趨勢、企業採購策略，還是在規劃內部 AI 工作流程。Lambert 的觀點很適合用來理解模型生態競爭，但不能直接變成所有企業的導入結論。

2. 他的立場讓他看見什麼，也可能忽略什麼？

Lambert 是開放模型研究者，因此他特別容易看見開放生態的學習複利：技術文件、模型權重、開發者社群與研究可重現性。

但他也可能相對低估封閉模型公司的內部複利，包括企業客戶回饋、產品整合、資料閉環、安全團隊與商業支援能力。讀者採納他的觀點時，應同時保留這個視角差異。

3. 這個觀點未來可以如何被驗證？

Lambert 的判斷可以用幾個指標追蹤：

  • 中國開放模型是否持續產生高品質技術文件？

  • 是否有更多工具鏈、評測方法與部署案例出現？

  • 是否吸引國際開發者與企業採用？

  • 是否能在合規、資安與企業信任上取得突破？

  • 封閉模型公司是否仍能靠產品閉環維持能力差距？

  • 這些問題，比單純看某一次模型排行榜更有價值。

總結｜這個觀點的價值，不在預測勝負，而在改變我們看 AI 競爭的方式

Nathan Lambert 這兩篇文章真正有價值之處，不在於替中國 AI 實驗室下結論，而是提供了一個觀察 AI 競爭的新角度：當研發試錯本身成為主要成本，開放生態就可能不只是理念，而是一種降低重複投入、加速學習擴散的產業機制。

但這個觀點仍然有明確邊界。它來自一位開放模型研究者的參訪與推論，不是完整產業統計；它能提醒我們重視生態複利，但不能直接證明中國 AI 生態已經取得全面優勢，也不能證明開放模型一定優於封閉模型。

未來真正值得觀察的，不只是中國或美國哪家公司發佈更強模型，而是哪一種學習機制更能持續累積：開放社群的外部擴散，還是封閉平台的內部閉環。讀者回到自己的組織，也可以問同一個問題：我們導入 AI 時，究竟只是在使用模型，還是在建立一套能持續累積試錯經驗的學習系統？

文/ 睿客

FAQ:

Q1｜Nathan Lambert 的核心觀點是什麼？

Nathan Lambert 的核心觀點是，中國開放模型生態可能透過較高程度的公開、交流與互相學習，降低 AI 研發試錯成本。這個判斷來自他 2026 年 5 月的中國 AI 實驗室參訪觀察，以及他後續對中國開放模型生態的延伸反思。不過，這仍是他的現場觀察與推論，不是完整產業統計。對讀者來說，重點是評估 AI 競爭時不能只看模型分數，也要看生態如何累積經驗。

Q2｜為什麼他的身分會影響這個判斷？

Lambert 是 Ai2 的資深研究科學家與後訓練負責人，也長期投入開放模型研究，因此他會特別重視模型透明度、技術可重現性與開放生態的學習效果。這讓他能看見開放模型的知識擴散優勢，也可能讓他相對低估封閉模型公司的內部學習閉環。讀者應把他的觀點視為一位開放模型研究者的專業判斷，而不是中立市場報告。

Q3｜他如何看中國 AI 實驗室的開放模型生態？

Lambert 觀察到，中國 AI 實驗室之間雖然競爭激烈，但也呈現高度互相觀察、快速學習與務實開放的氣質。他提到，中國大型語言模型社群在他的感受中更像生態，而不是互相對立的部落。不過，這句話不能被解讀成中國 AI 沒有競爭，也不能代表完整產業調查。它的價值在於提醒讀者：競爭與知識擴散可以同時存在。

Q4｜這個觀點成立需要哪些前提？

這個觀點至少需要三個前提：前線模型的大量成本確實來自研發試錯；公開模型、技術文件與流程能被其他團隊有效吸收；生態成員願意在競爭中維持一定程度的開放。目前可查證資料仍有限，因此不能直接證明所有開放生態都能降低成本。對讀者來說，開放模型的價值要看可重用知識，而不只是權重是否公開。

Q5｜為什麼不能把這個觀點解讀成中國 AI 已經勝出？

因為 Lambert 的文章提供的是參訪觀察與競爭假設，不是全球 AI 勝負結論。中國開放模型生態可能在研發試錯與知識擴散上有優勢，但仍要面對商業模式、企業信任、國際合規、資安治理與政策限制。短期模型表現或單一研究者觀察，都不足以證明長期產業勝負。這個觀點更適合用來修正判斷框架，而不是用來下簡化結論。

Q6｜企業可以如何使用這個觀點？

企業可以把 Lambert 的觀點用在模型評估與 AI 專案管理上：不要只問模型強不強、便不便宜，也要問背後生態能否降低導入試錯成本。開放模型的價值不只在模型本身，也在文件、工具、部署案例、社群修補與版本維護。不過，不同企業的資料敏感度、IT 能力與合規要求不同，不適合用同一種模型策略。實務上，企業應建立自己的測試題庫、錯誤案例庫與導入紀錄，讓每一次 AI 專案留下可重用經驗。

Q7｜未來可以用哪些指標驗證 Lambert 的判斷？

可以觀察五個指標：中國開放模型是否持續輸出高品質技術文件；是否形成成熟工具鏈與評測方法；是否吸引國際開發者與企業採用；是否能在合規與資安信任上取得突破；封閉模型公司是否仍能透過產品閉環維持能力差距。如果開放生態真的能降低試錯成本，應該會反映在工具、文件、採用與部署案例的累積上。但這些指標需要時間觀察，不能只看單次模型發佈。

參考資料：

閱讀推薦：

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

Section image

JUDGEMENT

We help you make better judgement about AI.

不是更快知道 AI 新聞，而是更早做出你能承擔後果的判斷。

InfoAI 存在的目的
是把 AI 的變化，轉換成可被理解、可被評估、可被行動的判斷框架。

上一篇下一篇
Cookie的使用
我們使用cookie來改善瀏覽體驗、保證安全性和資料收集。一旦點擊接受，就表示你接受這些用於廣告和分析的cookie。你可以隨時更改你的cookie設定。 了解更多
全部接受
設定
全部拒絕
Cookie 設定
這些cookies支援安全性、網路管理和可訪問性等核心功能。這些cookies無法關閉。
這些cookies幫助我們更了解訪客與我們網站的互動情況，並幫助我們發現錯誤。
這些cookies允許網站記住你的選擇，以提升功能性與個人化。
儲存