北京
出品 | 网易智能
作者 | 辰辰
编辑 | 王凤枝
如今，唐杰联合创办了Z.AI，杨植麟带领月之暗面。两家公司估值都达到数百亿美元。
这批近几年进入聚光灯的中国AI创业者，很多人早在大模型热潮出现之前，就已经进入同一个学术和人才网络。
近日《华尔街日报》刊出一篇报道，沿着唐杰和杨植麟的经历，试图回答一个让硅谷越来越难以回避的问题：在资金和高端芯片都明显少于美国同行的情况下，中国模型为什么还能追得这么快？
报道给出的答案，是一套长期形成的人才培养和知识传播网络。老师带出学生，学生创办公司；公开论文、开源代码和开放权重模型，又让技术越过实验室和公司边界。
中国AI这一轮追赶看上去发生在过去两三年，人才和技术的积累却早已开始。
一、一间实验室，两家估值数百亿美元的公司
唐杰今年49岁，做机器学习大约25年。
十多年前，他就在研究如何让计算机理解语言、识别人脸，属于中国较早进入这一领域的一批研究者。
杨植麟是他的学生。唐杰曾提名杨植麟参评清华最高学术奖项。如今，一个联合创办Z.AI，一个带领月之暗面。
这层师生关系值得追踪，因为它暴露了一条比ChatGPT更早开始积累的人才链。
再往外看，这条链还在延伸。
上海另外两家大模型公司，创始人同样与清华的人才网络相连：MiniMax创始人闫俊杰曾在清华计算机系做博士后；阶跃星辰董事长印奇则毕业于清华“姚班”。DeepSeek创始人梁文锋不在这条师承线上，但2023年曾与唐杰交流。唐杰后来对员工说，梁文锋的"思维方式不一样"。
这些人之间的知识流动相对顺畅。一边是公开发表论文的学术传统，一边是中国开发者对开放技术的偏好。公开论文、开源代码和开放权重模型，降低了技术在不同实验室和公司之间流动的门槛。
《华尔街日报》把这个群体称为"中国科技中心里的虚拟硅谷"。
一位长期关注中国AI的海外用户在X上写道，判断中国AI，与其只盯着某一个模型，不如追踪谁教过谁。
二、追赶不是从2023年才开始的
2000年代初，中国互联网迅速发展。越来越多的人开始在线购物、搜索和聊天，数据量跟着涨。
电商公司需要提升效率、分析用户行为，开始在机器学习上投入资源。中国高校也在这一时期培养了大批计算机视觉和机器学习人才。
那个阶段跑出了后来被称为"AI四小龙"的一批计算机视觉公司，商汤是其中之一。今天仍然活跃在AI一线的许多工程师，都曾在那批公司中接受训练。
2005年，图灵奖得主、前普林斯顿教授姚期智回到清华，创办了姚班。
唐杰从读博起就没有离开过清华。他研究的是数据挖掘，也就是从大型数据集中找出隐藏规律。这门学科后来成了人工智能的重要基础。
科技作家Mehran Gul在《The New Geography of Innovation》一书中记录，唐杰拿到清华博士学位后，认为自己留在中国能够做成一些事情，也能借此对中国有所帮助。
唐杰跑马拉松，也参加铁人三项。他带实验室，同样强调高强度和持续实验。
Kevin Zhong读硕士期间曾短暂跟随唐杰学习，如今在伦敦工作。他回忆，唐杰的团队"强度是出了名的"。凡是可能有用的机器学习技术，都要通过实验验证，研究人员有时会留到凌晨三点完成测试。
在他看来，这支团队既能持续在顶级期刊上发表成果，也很清楚如何把研究转化为商业价值。
2018年，政策开始允许高校和科研院所的研究人员创业，并将技术带到市场。第二年，唐杰将实验室中的公司分拆出来，后来发展为Z.AI。
启动资金的一部分，来自他运营的一个数据分析平台。这个平台的客户包括谷歌和IBM。
早在中美AI竞争成为头条新闻之前，唐杰的参照系就已经是OpenAI。2020年GPT-3发布后，Z.AI很快定下目标：做出一个达到相近水平的模型。
他曾在个人主页上写道，自己正在全力投入通用人工智能，目标是让机器学会像人一样思考。
杨植麟17岁开始接受编程训练，参加全国信息学奥林匹克竞赛，进入清华后跟随唐杰研究机器学习算法，之后前往卡内基梅隆大学读博。
公开资料显示，读博期间，他参与了Transformer-XL和XLNet两项研究。这些工作影响了后来大模型处理长文本的方式。
回国后，杨植麟先协助老师开展研究，同时考虑创办自己的公司。
他也是一名摇滚乐鼓手。公司中文名"月之暗面"来自Pink Floyd的同名专辑，英文名则叫Moonshot。
三、不到五分之一的钱，五分之一的芯片
截至2025年年中，唐杰累计融资约12.5亿美元，投资方包括中国科技公司、香港投资人沈南鹏，以及响应政策的国资基金。
这个数字与OpenAI、Anthropic动辄数十亿甚至上百亿美元的融资规模，不在一个量级。
美国投行Jefferies后来估算，这几年中国科技公司在AI上的投入，不到美国同行的五分之一。
芯片的比例也差不多。阿里和Z.AI的研究人员向《华尔街日报》表示，他们能够分到的高端芯片，通常只有OpenAI、谷歌同岗位研究人员的五分之一左右。
今年5月的一次会议上，梁文锋说得更直接：中美公司之间最关键的差距是芯片，不是人。
钱少、卡少，只能在每一个token上省。
DeepSeek采用的两项重要技术是MLA和MoE。
MLA叫多头潜在注意力。它做的事情，是把注意力计算里要反复调用的键值信息压得更小。模型生成长文本时，缓存跟着变小，显存和推理成本也就下来了。
MoE叫混合专家。它在模型内部设置多个专家模块，再通过路由机制，让每个token只调用其中少数几个，不必每次启动全部参数。《华尔街日报》打了个比方：就像主厨收到一份意面订单后，把它交给更擅长意大利菜的厨师。
2025年1月，DeepSeek凭借这套架构发布了一款价格低、能力强的开放权重模型，美股一度出现明显波动。后来，人们把这次事件称为"DeepSeek冲击"。
奥特曼当时在X上评价，这个模型令人印象深刻，"有个新对手确实挺提神的"。
受到冲击的不只是美国公司。
据知情人士透露，杨植麟那段时间接到过投资人的电话，对方想知道，他为什么没有提前看到DeepSeek的崛起。
随后，杨植麟把DeepSeek发明或验证过的部分技术吸收到月之暗面的后续模型中。K2和K3都采用了MoE架构和MLA的变体。反过来，据《华尔街日报》报道，DeepSeek也使用了月之暗面优化过的一项技术，用来提升训练效率和稳定性。
这种传播当然不只发生在中国公司之间。开放技术本身就是一条全球通道，美国实验室同样可以吸收中国团队公开的成果。这条全球知识流进入中国后，又叠加了本地的人才网络和公司之间的快速迭代。
除了公开技术的传播，还有一条更有争议的路径：蒸馏。
蒸馏在业内并不罕见。接受《华尔街日报》采访的中国模型开发者表示，这种做法在全球普遍存在，只是一些中国公司使用得更激进。围绕它的争议，主要集中在封闭模型的输出是否可以用于训练。这和MLA、MoE那类公开研究的扩散，不是一回事。
同样是在5月的会议上，有投资人追问梁文锋：把这些技术公开出去，公司还怎么赚钱？
他的回答是："我不担心竞争，市场足够大。"
Gavekal Technologies分析师Laila Khawaja提到了另一面：中国公司在拼成本效率，美国公司芯片更好，也更舍得砸钱做探索性研究，而这种探索有可能带来能力上的跳变。
换句话说，资源紧张这几年逼出来的，是工程效率。至于靠更多算力去撞未知能力边界，是另一件事。
四、能力差几个月，收入差六十多倍
今年1月，Z.AI在港交所上市，成为第一家上市的中国大模型创业公司。
据知情人士透露，到7月，Z.AI的年化经常性收入，也就是ARR，已经达到10亿美元，约为DeepSeek的两倍。
到7月底，据媒体援引知情人士报道，Anthropic的年化营收运行率已经超过650亿美元。
一个是ARR，一个是按近期销售外推的年化营收，会计口径对不上。但量级放在一起看，还是差了65倍。
这里最容易搞混：模型能力可以被认为只差几个月，商业化并不只差几个月。
路透社的报道中还有另一组数字。
GLM-5.2发布后，Z.AI股价较1月上市时上涨20多倍，市值一度超过1万亿港元，约合1280亿美元。
摩根大通预计其今年收入增速将超过534%，并在2028年转为盈利。但公司提交给交易所的文件同时显示，它目前的收入规模仍只是美国同行的一小部分。
价格是另一面。
按照路透社的说法，GLM-5.2的运行成本约为美国封闭前沿模型的六分之一。OpenRouter提供给《纽约时报》的数据显示，在部分任务中，它的使用成本约为Claude Opus 4.8的八分之一。
6月，Anthropic关闭了Fable和Mythos两个最强模型的全球访问。几天后，Z.AI发布GLM-5.2，很快进入一份全球十大热门模型榜单。那份榜单中，有六个模型来自中国。
微软和亚马逊的云平台已经可以调用Z.AI、DeepSeek和MiniMax的模型。ArenaAI首席执行官Anastasios Angelopoulos表示，在该平台跟踪的AI任务使用量中，Z.AI已经位列全球第三。
Madrona Venture Group投资人Vivek Ramaswami给出了一个更简单的解释：
"你需要每次出门都开法拉利吗？大概不需要。"
五、出口管制能限制算力，却很难切断这条链
《华尔街日报》这篇报道的重点，其实不在榜单，而在人和技术怎么长出来、怎么流动。
唐杰教过杨植麟，姚班培养出另一批AI创业者。公开论文、开源代码和开放权重模型，又让知识越过学校和公司边界。DeepSeek与月之暗面之间的技术互相吸收，则展示了这种流动进入产业后的速度。
针对高端芯片的出口管制可以限制算力供给，却很难切断人才培养、学术交流和开放技术传播形成的这条链。
当然，人才和知识流动不能代替芯片。
梁文锋自己也承认，芯片仍是中美AI公司之间最关键的差距。它决定一家实验室能够同时运行多少实验，能够承受多少次失败，也影响模型可以扩展到什么规模。
唐杰目前正在训练Z.AI的下一代旗舰模型。据知情人士透露，他的团队希望这款模型能够执行跨度长达数周的复杂研究任务。
今年7月，他在给员工的备忘录中写道，谁能率先把技术边界向前推一点，谁就可能重新定义各行各业的可能性。
今年6月，马斯克曾在X上预测，中国要到2027年第一季度，才能追上Anthropic最强的Fable模型。
唐杰回了五个字："不用那么久。"
两个月后，Z.AI发布GLM-5.3。根据公司公布的测试结果，它在CyberGym漏洞发现基准上略高于Anthropic的Mythos 5，但在另一项考察漏洞利用能力的测试中仍然明显落后。
一项厂商测试无法判定马斯克的预测是否正确。更值得注意的是，中美模型之间的差距，已经开始被行业人士用"几个月"来衡量。
马斯克那个预测，还有两个季度才到期。
但到时候谁猜对，可能已经不太重要。模型能力可以差几个月，商业规模能差几十倍。前者靠工程效率和人才网络能追，后者要靠客户、产品和全球渠道，慢慢来。
那间实验室还在带学生。
