同时，他吐槽之前倡导公益起家的OpenAI ，及谷歌都公布技术论文，而现在全部走向闭源，纷纷把自己变成了“黑盒”公司，让人失望。
这里的“协同”并不是公司层面的合作，而是开发者在实际使用中形成的分工——通过像 Dify、n8n 这样的编排工具，把不同模型嵌入同一流程。
比如 Kimi 系列长上下文能力较强， DeepSeek 代码、数学推理等结构化任务上投入更多，二者并不冲突，反而天然适合在工作流中组合使用。
一个负责长文本理解与信息整合，一个负责精确执行与生成。
这种现象背后，是国内 AI 生态一个非常现实的结构：基础设施、模型能力和应用层之间高度耦合。
云厂商如阿里巴巴、字节同时提供算力与模型服务；主流模型如DeepSeek 等直接开放权重或技术细节，让导致架构（MoE）、训练技巧快速扩散；创业公司在这些基础上构建差异化能力，而开源社区进一步放大技术扩散。
结果就是，MoE等架构设计、训练方法（如指令微调、对齐流程）和工程优化，会形成快速传播。
如MiniMax abab 系列公开提到 MoE 架构，长文本能力也成为国内 AI 大模型的“标配竞争项”，大家开始优化 attention 机制，而不是单纯堆参数。
当然，这种协同主要还是在模型架构、推理优化方法等可见层，而不是在数据构成与对齐策略等底层。
相比而言，美国则是另一番景象。
以 OpenAI 和 Anthropic 为例，两者在模型设计理念与安全策略上存在明显分歧，且分别绑定不同的云与资本体系（微软、Google、Amazon）。
这种结构导致技术路线更趋向封闭：关键方法不公开，数据体系不共享，模型能力通过 API 形成壁垒。
竞争的核心则在于“谁能构建更强的独立体系”，寡头间竞争，而不是“体系之间如何协同”。
造成这种差异的根本原因，更多应该源于各自面临的系统条件。
美国拥有相对充足且成熟的算力与资本体系，使单一公司可以支撑完整闭环，更容易走向封闭竞争。
相比之下，中国的算力供给、芯片生态与应用市场之间存在更强的相互依赖关系，任何一环都很难完全独立运作，这就自然推动了跨主体的协同。
中国 AI 的“协同生态”，可能不是一个理想化的选择，而是一种工程上的必然结果，从而也就形成了一个更像“系统工程”的发展路径。
在这样的体系里，技术进步往往不是某一家公司的单点突破，而是多个环节同时推进的结果，包括接下来在市场应用端能反催生出来的无限可能。