AI谁会赢 · 6
要我看，美国赢：突破需要容得下异端
当很多人都在把一种模型做得更大时，也会有人问：能不能换一种做法？
2023 年问世的 Mamba，便是这样一次尝试。Transformer 的核心是注意力机制，用来处理输入信息之间的关联；Mamba 尝试不用这个模块，靠随输入更新的内部状态，选择保留或遗忘信息。两位作者在论文中列出的机构，是卡内基梅隆大学和普林斯顿大学。他们把办法做成模型，拿到语言等任务上比较，并公开代码和模型权重。
读者不必记住这些技术名词。这里值得留意的是，一种已经非常成功的办法，仍然可以被问一句：非得如此吗？这个问题还能够走出讨论，进入试验。
本文借用“异端”这个说法，指的是不同于现有主流的办法，或不同于所在机构的研究主张。提出它的人未必受过排挤，更不因不合群便自动高明。Mamba 没有取得一张取代 Transformer 的保证书；它值得说的，是另一个办法得到过认真的检验。
上一篇替中国下注，谈举国之力怎样把跨单位的条件组织起来。这一篇，我替美国投一票：在未来至 2030 年的新方法探索中，美国的研究与融资环境，更有机会让不同的想法取得支持、完成验证，再长成可用的本事。
这一票所看重的，是一套培育创新的组织与人才机制：吸引有本事的人，让他们能提出不同判断、取得试验条件，也能在一次探索未成之后继续工作。另找支持者是其中一道出口；在原有组织里就能试，更好。
有意见，还得有地方做事
谈人才，容易把故事讲得很热闹：一个天才，不肯服从，扬长而去，最后让所有人目瞪口呆。听着痛快，真到做研究的时候，工资谁发，机器谁买，数据从哪里来，还是得有人回答。
“欢迎不同意见”可以挂在墙上。那个提出不同意见的人，下个月能否继续做试验，则要在预算里找答案。
Anthropic 的成立，把这个问题摆得很具体。在 2024 年的一次访谈中，Dario Amodei 谈到自己为何离开 OpenAI：他对强大 AI 应当怎样开发、怎样把安全落实在组织中，有一套想要实行的主张。他明确否认离开是因为反对微软合作或商业化；他的选择，是和信任的人另建机构，把自己的办法做出来。
这是他对分歧的叙述，不足以裁判两家公司的安全高下。不过，后续的事情可以核对：Anthropic 在 2021 年公布首轮融资时，拿到了 1.24 亿美元，用以支持更可靠、更容易解释和控制的大规模 AI 研究。离开原机构之后，这群人找到了新的支持者。
到 2022 年，团队发表了 Constitutional AI 论文。其中一项做法，是给模型一组原则，让它批评、修改自己的回答，再用这些材料训练。人仍然要选择原则；研究者试验的是，能否改变人逐条判断和标注的工作方式。这不表示该方法曾被 OpenAI 禁止，而是新团队的研究安排确实长出了可讨论、可检验的东西。
没有谁必须先承认他们是对的，试验才获准开始。这一点颇为要紧：一个机构内部没有达成一致，并不必然使一种主张就此停下。别人愿意支持，便可以另做一番，让结果说话。
人才当然需要组织。大学、企业、投资者、公共研究计划，都可能成为想法长出手脚的地方。怎样招人，谁有权决定试验，怎样评价暂时拿不出成果的探索，这些日常安排，才决定“欢迎不同意见”有多少分量。一个年轻研究者能凭问题和方案争取资源，不必等到资历熬老、前辈都点了头，这样的机制就在培育创新。
其中也包括容忍失败。一项有理由的探索没有成功，不能就把提出问题的人判成不堪再用；该留下的经验要留下，该改的办法也要改，不能靠隐瞒坏结果来保住下一次机会。失败之后怎样纠正、何时继续、何时止损，后篇再展开。这里先说最初的条件：人得知道，认真试过而未成，仍有继续研究的可能。
组织有权选择自己要做什么。但它说“不”的时候，这个“不”究竟管到哪里为止，也关系到人才还有多少路可走。一家机构的判断，不宜轻易成为一个想法的全部命运。
这一票押在什么地方
美国在这方面有什么可以拿出来说的？光赞美自由，机器不会自己开起来。
《AI Index 2026》采用的 Quid 数据，在“新获融资的 AI 公司”这一项中，记录了 2025 年美国 1,953 家、中国 161 家。这里数的是融资统计中的企业，不能读成当年新成立了这么多研究团队；至少，这条取得企业资金的渠道，在美国有更广的活动。
这是一份有门槛的私人投资统计，覆盖自 2013 年以来融资超过 150 万美元的相关企业，没有完整计入中国政府支持的资金。AI 公司也不全在研究新方法。它说明了这条融资渠道的规模差异，不能替两国全部研究资源排座次，更不能把一家公司算成一种独立的想法。
即便如此，假如一群研究者想离开原有安排，自己组队寻找支持，这样广的融资活动，仍是值得看重的条件。Anthropic 让我们看到了其中一种实际过程：带着不同的研究主张另起团队，取得资金，再拿出方法。融资表不能保证下一个团队也能做到，却使“还可以另找支持者”不只是一句劝慰。
融资之外，美国国家科学基金会牵头的公共研究资源计划 NAIRR，也尝试让更多团队取得算力、数据与工具。2026 年 3 月的项目进展称，自 2024 年启动以来，已支持 600 多个研究团队。这个数量不是突破数量；它说明，研究者还有不必先创办一家公司的资源入口。
我愿意押美国，是从这些事实再往前推一步：广泛的企业融资，加上大学和公共研究的入口，有机会让更多不同判断找到各自的支持。这个推断尚未被一张中美同类研究成功率的表格证实。它成立，需要钱确实愿意支持不同方向，团队也有实际选择。若所有人只追同一个热门项目，钱再多，也可能只是把同一条路挤得更满。
一种方法经过试验，留下代码、工具、合作者和经验，又能成为后续工作的起点。美国能把其中多少沉淀为自己的能力，还得继续看；公开的方法也会帮助中国和其他地方，不能把论文影响全记成美国的独占回报。
人才到哪里去，也是在作选择
谈美国的 AI 人才，常有人提醒：里面有不少华人。这个提醒应当接着往下问：他们在哪里得到进一步培养，在哪里找到同伴和资源，又在哪里把研究做出来？一个地方能让来自各处的人愿意加入，本身就是组织与人才机制的竞争力。
MacroPolo 的全球 AI 人才追踪研究，以 NeurIPS 2022 论文作者为样本。在美国机构从事研究的样本人群中，38% 本科就读于中国，37% 本科就读于美国。这里记录的是本科教育来源，不是华人比例或国籍；它仍清楚地呈现了一条路径：一批在中国接受本科教育的人，后来进入了美国的研究机构。
这既说明中国培养人才的能力，也说明美国吸引和汇聚人才的能力。若把美国的成果都理解为美国本土独力培养，便抹去了其他地方的贡献；然而，能把各地培养的人汇到一起，继续培养、合作并产生成果，本来就是一种竞争本事。研究能力不能只沿着血缘或国籍记账。
我把这种汇聚看作美国机制具有吸引力的证据。具体的人为何选择那里，薪酬、导师、设备、同行、家庭等都可能参与，不能仅凭去向就断言他是为了“容得下异端”。但人才的去向，至少让组织自称提供的机会多了一层现实检验：有没有人愿意来，并在那里继续做事。这份研究同时发现，中国留住人才的能力也在增强；2022 年的分布，不能直接当作今天的流向。
那么，DeepSeek 算什么
若有人读到这里问：你说的这种空间，DeepSeek 难道没有？这正是一个不能躲避的问题。
在 2024 年对梁文锋的访谈中，记者问到 MLA 这一技术方案怎样产生。梁文锋的叙述是，研究员在观察已有架构变化后提出替代设想，团队为此花了几个月，才把想法跑通。他还谈到，探索可以由下而上发生，想法显示潜力后，再集中调配资源。
这是创始人对当时组织方式的说明，不能当作独立审计。但它已经足以让“中国人只能照着上面的意思执行”这种说法站不住脚。一个人的设想、其他人的合作、组织的资源，在中国同样能够接起来。
那次访谈里，梁文锋还表示，短期没有融资计划。这也回过头来提醒我：前面的融资数字，未必看得见所有取得研究支持的办法。一个团队今年没有出现在新融资名单上，不等于它今年没有资源，更不等于它没有新想法。
DeepSeek 不能被轻轻塞进“个别例外”四个字，然后请它退场。它迫使我们把问题问得更准确：有多少团队能得到这样的条件？如果一个支持者不愿意继续，还有没有别的可能？拿到条件以后，又能做出什么？
一个中国案例不能回答全国分布，几个美国案例同样不能。中国也有大学、企业和投资者；美国并不独占这些组织形式。真正的比较，是在相近的探索任务里，看研究者怎样取得支持、付出多少代价，以及方法能否经得起复验并继续发展。
我仍把这一票投给美国，看好的是它把资金、研究机构与来自各地的人才连在一起的本事：人能找到合作者，新的主张能争取资源，组织里的分歧也不必使研究就此中断。这张票要承担的风险也很清楚：中国的企业自有资源、公共投入等渠道，可能提供比这份融资表显示的多得多的探索空间。假如它们更有效，我的下注就会输；把统计没有数到的东西当成不存在，可不是理性。
门很多，也可能通向同几个人
美国自身还有一道更直接的难题：看起来各自独立的研究机构，背后的资源，是否越来越集中？
美国联邦贸易委员会在 2025 年公布的调查，研究了微软与 OpenAI、亚马逊与 Anthropic、谷歌与 Anthropic 的合作。算力、资金和渠道确实能够帮助研究机构成长；但部分安排也要求它们将相当一部分资金用于合作方的云服务，并可能提高更换服务商的技术与合同成本。
这份报告依据的是截至 2025 年初的材料，提出的是潜在竞争影响。它不能证明每项合作都扼杀创新，却把一个重要问题摆在眼前：你获得了一笔钱，同时也可能被安排好了这笔钱的大部分去处。
若换一个组织，只是换一块招牌，最后仍须得到同几家资源持有者的首肯，那么“还有别的选择”就未必像表面上那么宽。融资额再创新高，也不自动等于不同研究路线更容易活下来。
现代 AI 研究用得上庞大的基础设施，合作往往是它能开始的原因。问题在于合作之后，研究者还剩多少决定的余地，遇到分歧时，又能否承担另找伙伴的代价。
人才也不会永远向一个地方流动。《AI Index 2026》的研究人员流动资料显示，在其追踪的作者与发明人样本中，美国仍是净流入，但已较高点明显收窄。这套资料未覆盖中国，也不能单凭流量变化判定原因；它提醒我们，美国能否继续吸引并留住研究者，同样需要观察，不能靠旧日招牌担保。
异端也得拿出本事
说到这里，还得替“异端”去掉一点浪漫光环。
异端会错，主流也可能有充分理由。一个实验室没有义务资助所有奇思怪想，社会更不可能给每个自称天才的人配一座机房。本文所说的容纳，是让值得检验的不同办法有机会接受检验；它不附赠正确，也不免除资源的代价。
Mamba 这样的尝试，要靠实验说明自己的价值。一个新机构，要把研究安排做成真正的能力。人才的自由与组织的力量，到了这里，仍须一起工作。
到 2030 年，我会用同一道题看两边：面对相近的探索任务，不同于主流的方法，取得试验条件要多久、花多少工夫，结果能否复现，又能否继续发展成有用的工具？中国若在这些环节持续做得更好，即使美国仍然不断产生成果，我也得重估这一票。仅仅证明美国还在创新，不足以证明美国赢。
上一篇押中国能把一项办法带进更多生产现场，这一篇押美国能给更多不同的办法找到试验之地。把人组织起来之后，还得给人留一点组织者没有想过的可能。
我们尚不知道下一次重要的突破会从哪里来，便不宜太早替它决定，只能从哪里来。
