8月25日消息，据《华尔街日报》近日刊发的专题报道，中国AI模型近年来快速缩小与美国头部模型的差距，其背后并非短期突然出现的技术突破，而是清华大学等高校长期形成的人才网络，以及开源技术、人才回流和更高算力效率等因素共同推动的结果。
报道以智谱AI联合创始人唐杰、月之暗面创始人杨植麟这对曾经的清华师生为主线，串联起DeepSeek创始人梁文锋等一批关键人物，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？
人才网络：二十余年积累的“虚拟硅谷”
报道将中国AI人才体系的形成追溯至20多年前。2005年，图灵奖得主姚期智在清华大学创办“姚班”，培养计算机领域的顶尖人才。与此同时，唐杰长期在清华从事数据挖掘和机器学习研究，其实验室后来成为中国AI人才的重要来源之一。杨植麟曾师从唐杰，在清华研究机器学习算法，随后赴卡内基梅隆大学攻读博士，回国后创办月之暗面。
高校与创业公司之间的人员流动逐渐形成了一张AI人才网络。2018年，中国进一步放宽科研人员创业及科研成果商业化限制，次年唐杰从清华实验室孵化出后来发展为智谱AI的公司。《华尔街日报》将这一群体形容为“中国科技中心里的虚拟硅谷”。
报道指出，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毕业于清华“姚班”。DeepSeek创始人梁文锋虽不在这条师承线上，但2023年曾与唐杰交流。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。
开源技术与算力效率：以少胜多的追赶路径
报道称，中美两国多名行业人士认为，中国最好的AI模型目前与美国最先进模型的能力差距已经缩小至数月。今年6月，马斯克曾预测中国要到2027年第一季度才能追上Anthropic的顶级模型，唐杰随后回应称“不会需要那么久”。
不过，相比美国AI企业，中国公司长期面对资金和先进芯片不足的问题。杰富瑞测算，在相关时期内，中国科技公司的投入规模不到美国同行的五分之一。在这一背景下，提高算力利用效率成为中国AI企业追赶的重要路径。
DeepSeek是其中的代表。报道提到，DeepSeek通过多头潜在注意力机制（MLA）降低模型运行中的内存消耗，并较早在中国采用混合专家模型（MoE），以减少对芯片算力的需求。这些技术成为2025年初“DeepSeek冲击”的重要基础，当时其推出的低成本开源模型引发美国科技股震荡。
中国AI企业之间的技术交流也进一步加快了迭代速度。月之暗面后续模型采用了DeepSeek使用或验证过的MoE及MLA变体，而DeepSeek也采用了月之暗面优化过的训练技术。不同团队通过论文、开源模型和技术实践相互借鉴，形成了与封闭模型路线不同的技术扩散机制。
人才回流与算力瓶颈
与此同时，人才回流也成为另一条技术路径。腾讯招募了曾在OpenAI工作的两名清华毕业生，字节跳动则引入曾供职于谷歌的中国研究人员。报道认为，美国AI公司的技术进展、海外人才回流以及中国本土研究网络，共同加快了中国AI公司的追赶速度。
但算力仍是中国AI企业面临的主要制约。梁文锋今年5月表示，芯片而非人才，是中美AI公司之间最关键的差距。阿里巴巴、智谱等头部实验室研究人员称，他们获得的高端芯片数量往往只有OpenAI、谷歌同行的五分之一。